Approximate visual exploration of large time series data with accuracy guarantees

Abstract

Η εκθετική αύξηση των δεδομένων χρονοσειρών τόσο σε μέγεθος όσο και σε πολυπλοκότητα έχει δημιουργήσει σημαντικά εμπόδια στην ανάπτυξη οπτικοποιήσεων που να είναι ταυτόχρονα ακριβείς και αποδοτικές. Η ισορροπία μεταξύ υψηλής οπτικής πιστότητας και ελάχιστης καθυστέρησης παραμένει μια πρόκληση. Η οπτικοποίηση διαδραματίζει κρίσιμο ρόλο στην εξερεύνηση δεδομένων χρονοσειρών, επιτρέποντας στους χρήστες να ανιχνεύουν τάσεις, πρότυπα και ανωμαλίες που ενδέχεται να μην είναι εμφανή από τα ακατέργαστα δεδομένα. Παρόλο που στρατηγικές μείωσης δεδομένων, όπως οι M4 και MinMaxCache, στοχεύουν στη μείωση των χρόνων απόκρισης διατηρώντας παράλληλα την οπτική ποιότητα, εξακολουθεί να υπάρχει σαφής έλλειψη απλών και πρακτικών πλαισίων για την αξιολόγηση της αποτελεσματικότητάς τους σε πραγματικά περιβάλλοντα. Οι υπάρχουσες μετρήσεις αναφοράς συνήθως εστιάζουν στην αποδοτικότητα του υποσυστήματος ή στην αλληλεπίδραση του χρήστη. Ωστόσο, συχνά υπολείπονται στην αξιολόγηση των δύο κρίσιμων παραμέτρων: της ακρίβειας της οπτικοποίησης και της απόκρισης του συστήματος, ζητήματα που γίνονται ολοένα και πιο δύσκολα να αντιμετωπιστούν όσο αυξάνεται το μέγεθος και η πολυπλοκότητα των δεδομένων. Η παρούσα διπλωματική εργασία παρουσιάζει το TimeVizBench, μια διαδικτυακή πλατφόρμα αξιολόγησης που έχει σχεδιαστεί για τη συστηματική εξέταση και σύγκριση μεθόδων οπτικοποίησης χρονοσειρών ως προς την καθυστέρηση και την πιστότητα. Το σύστημα επιτρέπει στους χρήστες να αλληλεπιδρούν με τις οπτικοποιήσεις μέσω ενός εύχρηστου περιβάλλοντος και παρέχει μετρικές απόδοσης, συμπεριλαμβανομένου του χρόνου ερωτημάτων στο backend, της διάρκειας απόδοσης στο frontend και της καθυστέρησης μεταφοράς δεδομένων. Για τη μέτρηση της οπτικής ακρίβειας, το εργαλείο χρησιμοποιεί τον Δείκτη Δομικής Ομοιότητας (SSIM), προσφέροντας μια αντικειμενική μετρική για τη σύγκριση των παραγόμενων οπτικοποιήσεων. Αξιοποιώντας αποδόσεις ακριβείας σε επίπεδο εικονοστοιχείου μέσω της βιβλιοθήκης D3.js και υποστηρίζοντας την ενσωμάτωση προσαρμοσμένων τεχνικών οπτικοποίησης, το TimeVizBench προσφέρει ένα ισχυρό και επεκτάσιμο πλαίσιο για ερευνητές και επαγγελματίες που επιδιώκουν να αξιολογήσουν στρατηγικές οπτικοποίησης υπό πραγματικές συνθήκες.The exponential growth of time series data in both the size and complexity has presented notable obstacles for developing visualizations that are simultaneously precise and efficient. Balancing high visual fidelity with minimal latency remains a persistent challenge. Visualization plays a critical role in time series data exploration, enabling users to detect trends, patterns, and anomalies that may not be apparent from raw data alone. While data reduction strategies such as M4 and MinMaxCache are intended to decrease response times while preserving visual quality, there remains a distinct absence of straightforward, practical frameworks for assessing their effectiveness in real-world contexts. Existing benchmarks typically emphasize backend efficiency or user interaction. However, they often fall short in evaluating the dual concerns of visualization accuracy and system responsiveness, issues that become increasingly difficult to manage as dataset size and complexity grow. This thesis presents TimeVizBench, a web-based benchmarking platform designed to systematically assess and compare time series visualization methods with respect to both latency and fidelity. The system enables users to interact with visualizations through an accessible interface, and provides performance metrics, including backend query time, frontend rendering duration, and data transfer latency. For the measurement of visual accuracy, the tool uses the Structural Similarity Index (SSIM), offering an objective metric for comparing rendered visualizations. Leveraging pixel-precise rendering via D3.js and supporting the integration of custom visualization techniques, TimeVizBench provides a robust, extensible framework for researchers and practitioners aiming to evaluate visualization strategies under real-world conditions.