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