MinMaxLTTB：利用MinMax预选扩展LTTB的可扩展性
人机交互
2023-05-02 v1
摘要
可视化在时间序列数据的分析与探索中起着重要作用。为高效可视化大规模数据集，降采样已成为一种成熟方法。本文聚焦于LTTB（最大三角三桶法），一种被广泛采用的用于时间序列数据点选择的降采样算法。具体而言，我们提出MinMaxLTTB，一种两步算法，显著增强了LTTB的可扩展性。MinMaxLTTB包含如下两步：(i) MinMax算法预选一定比例的最小值与最大值数据点，随后(ii)仅对这些预选数据点应用LTTB算法，有效降低了LTTB的时间复杂度。MinMax算法的低计算成本及其并行化能力，有助于高效预选数据点。此外，MinMax在视觉代表性方面的竞争性能也使其成为有效的约简方法。实验表明，MinMaxLTTB在计算时间上比LTTB快一个数量级以上。进一步，预选所需输出大小的小倍数已能提供与LTTB相近的视觉代表性。总之，MinMaxLTTB利用MinMax的计算效率来扩展LTTB，且不损害LTTB受欢迎的可视化特性。本文的配套代码与实验可在 https://github.com/predict-idlab/MinMaxLTTB 获取。
引用
@article{arxiv.2305.00332,
title = {MinMaxLTTB: Leveraging MinMax-Preselection to Scale LTTB},
author = {Jeroen Van Der Donckt and Jonas Van Der Donckt and Michael Rademaker and Sofie Van Hoecke},
journal= {arXiv preprint arXiv:2305.00332},
year = {2023}
}
备注
The first two authors contributed equally. Submitted to IEEE VIS 2023