ASAP: Prioritizing Attention via Time Series Smoothing

ASAP: Prioritizing Attention via Time Series Smoothing （VLDB2017）

     流时间序列可视化(即，关键指标的图表，如服务器负载随时间的变化)在现代数据平台和应用程序中越来越普遍。然而，许多现有的系统只是在原始数据流到达时绘制它们，往往由于小规模的噪声而掩盖了大规模的趋势。本文提出一种替代方案:为了更好地优先考虑最终用户的注意力，尽可能平滑的时间序列可视化以消除噪声，同时保留大规模结构以突出显著偏差。本文开发了一种新的分析算子ASAP，通过自适应优化降噪(即方差)和趋势保留(即峰度)之间的权衡，自动平滑流时间序列。提出了量化评估平滑图质量的指标，并提供了一种有效的搜索策略，用于优化这些指标，通过基于自相关的剪枝、像素感知的预聚合和按需刷新，结合了来自流处理、用户界面设计和信号处理的技术。实验结果表明，ASAP可以将用户识别时间序列长期偏差的准确性提高多达38.4%，同时减少多达44.3%的响应时间。此外，ASAP比其他搜索策略快了几个数量级。 

一背景

 本文用一种简单的策略解决了时间序列中注意力优先级的挑战:在保持大规模偏差的同时，尽可能平滑的时间序列可视化。这引出了两个关键问题。首先，如何定量评估给定可视化的质量，以消除小尺度变化和突出显著