Zeitorientierte Daten sind bei vielen Problemen, wie z.B. aus den Bereichen Gewerbe, Medizin oder Ökologie, allgegenwärtig. Daher sind Methoden, mit denen zeitorientierte Daten analysiert werden können, sehr wichtig. Ein relativ neuer Ansatz, um Probleme der Datenanalyse zu lösen, ist Visual Analytics. Die analytischen Fähigkeiten automatisierter Systeme werden mit der Fähigkeit menschlicher BenutzerInnen, Schlussfolgerungen anzustellen, kombiniert, indem man interaktive Visualisierung anwendet. Das endgültige Ziel ist es, neue Erkenntnisse aus den vorhandenen Daten zu gewinnen. Dazu wurde eine Reihe von wichtigen Zwischenschritten definiert, die beschreiben, wie dieses Ziel erreicht werden kann. Momentan besteht die Disziplin hauptsächlich aus zwei Str¿angen: Der erste liefert Einblicke basierend auf wissenschaftlichen Modellen, die von automatisierten Systemen generiert werden. Der zweite liefert Einblicke basierend auf Hypothesen, mit mittels interaktiver Visualisierungen aufgestellt werden. In vielen gängigen Systemen sind diese beiden Str¿ange kaum miteinander verbunden. Indem man die Stränge kombiniert und interaktiv verflicht, könnte man die analytischen Möglichkeiten der heute verfügbaren Methoden wesentlich verbessern. Unser Ziel ist die Entwicklung eines Systems, das die Formulierung wissenschaftlicher Modelle in einem übergreifenden Visual-Analytics-Prozess unterstützt. Diese Modelle sollen dann für Datenanalyse und Vorausberechnungen verwendet werden. Der wichtigste Teil unserer Arbeit ist die Modelldefinition, für die wir interaktive Visualisierungen verwenden wollen. Um dieses Ziel zu erreichen, schlagen wir ein Datenmodell vor, das Informationen in einer Form beinhalten kann, die von verschiedenen Schritten des Visual-Analytics-Prozesses gleichermaßen verwendet werden kann. So gehen wir weg von verschiedenen abgetrennten Prozessträngen, hin zu einem interaktiven und iterativen Prozess, der in einem integrierten System abläuft. Wir konzentrieren uns bei der Definition des Datenmodells auf den wichtigen Sonderfall zeitorientierter Daten. Probleme, die zeitorientierte Daten beinhalten, brauchen besondere Aufmerksamkeit, da Zeitdaten sich von anderen Datentypen unterscheiden. Zeit hat eine inhärente Struktur, die man vor allem am Kalenderaspekt erkennen kann, der sich darin zeigt, dass Zeit aus kleineren Granularitäten zusammengesetzt ist, wie z.B. Jahre oder Jahreszeiten. Da diese Granularitäten natürliche und soziale Aspekte beeinflussen, die man dann in den Daten wiederfinden kann, können deutlich mehr Informationen gewonnen werden, wenn man die Struktur der Zeit in den Datenanalysemethoden explizit ausnutzt. Daher ist es unser Ziel, die Struktur der Zeit in unserem Datenmodell aufzunehmen, um ihre Verwendung in unserem Visual-Analytics-System zu vereinfachen.
