Visuell Interaktive Raum-Zeit Segmentierung

Werden Daten sowohl an geografischen Orten als auch über längere Zeiträume gemessen spricht man von Raumzeit-Daten. Beispiele hierfür sind Handel (z.B. Verkaufszahlen), Meteorologie (z.B. Klima und Wetter), Demografie (z.B. Haushaltsvermögen) oder Epidemiologie (z.B. Covid-Fälle). Um Zusammenhänge und zugrunde liegende Muster erkennen zu können, werden Daten segmentiert, also in kohärente räumliche, zeitliche oder raumzeitliche Bereiche unterteilt. Dies ermöglicht es, große und komplexe Datenmengen gezielt zu untersuchen und trägt dazu bei, Erkenntnisse und Wissen aus ihnen zu gewinnen. Durch die räumliche und zeitliche Variation können jedoch Datenqualitätsprobleme entstehen, wie z.B. Unsicherheiten oder zufällige Fehler, die ohne menschliche Erfahrung und menschliches Hintergrundwissen nicht zu beheben sind. In unserem Projekt erweitern wir Segmentierungs- und Datenexplorationsprozesse für die Analyse von Raumzeitdaten. Wir integrieren menschliches Hintergrundwissen in diese Prozesse, um die Analyse solcher Daten trotz vorhandener Fehler und Unsicherheiten zu gewährleisten. Dies wird durch neuartige Kombinationen von Expertenwissen, Visualisierungen, Interaktionen und Algorithmen ermöglicht. Die dadurch entstehenden Segmentierungen erlauben es, unerwartete und neue Erkenntnisse über die Daten und dahinter steckenden Prozesse zu gewinnenauch bei vorhandenen Datenqualitätsproblemen. Das Ziel unseres Projekts ist es, bedeutende Fortschritte im Bereich der Segmentierung von Raumzeit-Daten, insbesondere bei fehlerhaften Daten, zu erzielen. Zudem möchten wir den Wissensgenerierungsprozess durch die nahtlose Integration von Expertenwissen in Visualisierungen und Algorithmen verbessern. Darüber hinaus werden wir demonstrieren, wie sich diese Erkenntnisse auf andere Anwendungsbereiche übertragen lassen.