Visual analytics of large amounts of spatio-temporal data is challenging due to the overlap and clutter from movements of multiple objects. A common approach for analyzing such data is to consider how groups of items cluster and move together in space and time. However, most methods for showing Spatio-temporal Cluster (STC) properties, concentrate on a few dimensions of the cluster (e.g. the cluster movement direction or cluster density) and many other properties are not represented. Furthermore, while representing multiple attributes of clusters in a single view existing methods fail to preserve the original shape of the cluster or distort the actual spatial covering of the dataset. In this thesis, I propose a simple yet effective visualization, FlockViz, for showing multiple STC data dimensions in a single view by preserving the original cluster shape. To evaluate this method I develop a framework for categorizing the wide range of tasks involved in analyzing STCs. I conclude this work through a controlled user study comparing the performance of FlockViz with alternative visualization techniques that aid with cluster-based analytic tasks. Finally the exploration capability of FlockViz is demonstrated in some real life data sets such as fish movement, caribou movement, eagle migration, and hurricane movement. The results of the user studies and use cases confirm the advantage and novelty of the novel FlockViz design for visual analytic tasks.

In dieser Arbeit wurde eine Studiendatenanalyse der TU Berlin zur Analyse von menschlichen Bewegungsdaten der Studie Mobil im Havelland der Charité Berlin anhand von Mobilitätsindikatoren auf Grundlage von zwei Testdatensätzen mithilfe der Desktop-GIS ArcGIS Pro und QGIS validiert. Des Weiteren wurde in dieser Arbeit anhand der Auswertungsergebnisse der Desktop-GIS ArcGIS Pro und QGIS diskutiert, inwieweit sich Analysen von Bewegungsdaten anhand von Mobilitätsindikatoren auch unter einem preissensiblen Anspruch mit einem Open-Source-System wie QGIS off the shelf durchführen lassen. Die Validierung hat ergeben, dass die Studiendatenanalyse der TU Berlin im Vergleich mit den Desktop-GIS gleichwertige und zum Teil sogar höherwertigere Ergebnisse generieren konnte. Vor allem der auf neuartige Verfahren aufbauende Stop & Go Classifier der Studiendatenanalyse der TU Berlin konnte mit seiner Performance bei der Detektion von Verweilorten überzeugen. Somit kann der Studiendatenanalyse der TU Berlin ohne Einschränkungen eine Eignung für die Auswertung der Bewegungsdaten der Studie Mobil im Havelland bescheinigt werden. In Bezug auf den Vergleich der Desktop-GIS kann festgehalten werden, dass solche Analysen mit QGIS möglich sind. Eine Umsetzung mit off the shelf Verfahren ist aber vor allem in Bezug auf den zentralen Aspekt der Detektion von Verweilorten bis dato mit QGIS nicht gewährleistet. Hier muss auf externe Python-Bibliotheken wie MovingPandas oder Scikit-mobility zurückgegriffen werden. / In this paper, a study data analysis of the TU Berlin for the analysis of human movement data of the study Mobil im Havelland based on mobility indicators is validated on the basis of two test data sets using the desktop GIS ArcGIS Pro and QGIS. Furthermore, this paper uses the evaluation results of the desktop GIS ArcGIS Pro and QGIS to discuss the extent to which analyses of movement data using mobility indicators can also be carried out off the shelf with an OSS such as QGIS under a price-sensitive claim. The validation showed that the TU Berlin's study data analysis was able to generate equivalent and in some cases even higher quality results compared to desktop GIS. The performance of the TU Berlin's Stop & Go Classifier, which is based on innovative procedures, was particularly convincing. Thus, the study data analysis of the TU Berlin can be certified without restrictions as suitable for the evaluation of the movement data of the study Mobile in Havelland. With regard to the comparison of desktop GIS, it can be stated that such analyses are possible with QGIS. However, an implementation with off-the-shelf methods is not yet guaranteed with QGIS, especially with regard to the central aspect of the detection of dwelling places. However, external Python libraries such as MovingPandas or scikit-mobility can be used here.