PanTeraV：基于频繁模式的时序概念关联探索可视化系统在时间间隔相关模式(TIRPs)发现中的应用

这篇开创性研究介绍了PanTeraV——一个突破性的可视化界面，通过高效双向索引算法实现时间间隔相关模式(TIRPs)的关联探索。该系统创新性地支持连续/离散时序模式的交互式分析，无需先验数据挖掘知识。用户研究表明，相比现有工具(KLW)，PanTeraV能显著提升复杂TIRPs的发现效率(准确率提升9%，任务完成时间缩短70%)，为医疗、制造等多领域提供直观的时序知识发现方案。

　　

背景与挑战

时序数据分析在医疗健康、工业制造等领域具有重要价值，但传统方法存在两大瓶颈：一是异构时序数据（如临床指标、传感器数据）的标准化处理难题；二是现有工具如KarmaLegoWeb(KLW)仅支持单向模式浏览，无法实现时序概念（符号化时间区间STIs）的关联探索。研究团队提出PanTeraV系统，通过创新的双向索引技术破解这些难题。

技术创新

系统的核心突破在于：

1. 双向索引架构：构建前向/后向哈希映射，实现STIs的即时关联查询。例如在跌倒预测数据中，可快速发现"液体摄入不足"事件与后续"跌倒事件"的时序关联（支持度73%），相比KLW查询效率提升3倍。
2. 动态可视化界面：包含表格视图（精确显示模式指标如垂直支持度VS、平均水平支持度MHS）和气泡图视图（直观呈现模式分布），支持按需切换。实验显示，用户通过气泡图定位高频模式的速度比传统列表快2.4倍。

实证验证

采用糖尿病（3,262个TIRPs）和养老院跌倒（61,168个TIRPs）两个真实数据集测试：

• 后向探索优势：PanTeraV用户完成回溯查询（如查找"跌倒"前兆事件）的准确率达100%，而KLW用户因技术限制全部放弃任务。
• 跨领域适用性：无论对规则采样的血糖数据（月粒度）还是稀疏的日常活动记录，系统均能通过时序抽象(TA)统一处理，验证了方法普适性。

应用前景

该系统已展示三大应用价值：

1. 临床决策支持：识别糖尿病并发症的早期预警模式（如"血糖持续升高→肾功能下降"序列）
2. 行为分析：发现养老院居民跌倒前72小时的典型行为序列（MHS=2.08）
3. 教育价值：即使无数据挖掘背景的用户（测试组n=7）也能在15分钟培训后熟练使用，打破专业壁垒。

局限与展望

当前系统尚存两点不足：样本量较小（n=15用户测试）、未集成原始数据回溯功能。未来计划扩展至序列模式挖掘，并增加时空模式分析模块。代码已开源（OSF.IO/UAFV9），为时序分析领域提供新范式。