时序图(Sequence Diagram)，又名序列图、循序图，是一种 UML 交互图。它通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序，当执行一个用例行为时，其中的每条消息对应一个类操作或状态机中引起转换的触发事件。
简介
组成元素
时序图中包括如下元素：角色，对象，生命线，控制焦点和消息。
1、角色(Actor)
系统角色，可以是人或者其他系统，子系统。
2、对象(Object)
对象代表时序图中的对象在交互中所扮演的角色，位于时序图顶部和对象代表
类角色。
对象一般包含以下三种命名方式：
第一种方式包含对象名和类名。
第二种方式只显示类名不显示对象名，即为一个匿名对象。
第三种方式只显示对象名不显示类名。
3、生命线(Lifeline)
生命线代表时序图中的对象在一段时期内的存在。时序图中每个对象和底部中心都有一条垂直的虚线，这就是对象的生命线，对象间 的消息存在于两条虚线间。
4、控制焦点(Activation)
控制焦点代表时序图中的对象执行一项操作的时期，在时序图中每条生命线上的窄的矩形代表活动期。它可以被理解成 C 语言语义中一对花括号“{}”中的内容。
5、消息(Message)
消息是定义交互和协作中交换信息的类，用于对实体间的通信内容建模，信息用于在实体间传递信息。允许实体请求其他的服务，类角色通过发送和接受信息进行通信。
大规模时序图影响力最大化的算法
时序图影响力最大化问题，即在时序图上寻找 K 个顶点使得信息最大化的传播。传播模型的选择和节点间传播概率的计算是影响力最大化问题的基础，由于基于静态图的 IC(Independent Cascade model)传播模型无法应用于时图，因此首先对 IC 模型进行改进提出了 ICT(Independent Cascade model on Temporal Graph)传播模型，使信息可以通过 ICT 传播模型在时序图上进行传播。而后通过改进 PageRank 算法来进行计算节点间的传播概率。然后在此基础上将时序图影响力最大化问题分为两步来进行实现。
动态图最大化算法
通过对基于静态图的影响力最大化算法的研究并改进，从而将影响力最大化问题的研究对象由静态图转移到动态图上去，并提出了可以解决动态图影响力最大化问题的算法。
首次在动态图上进行了影响力最大化问题的研究。其中对 SKIM 算法进行改进将其适用于动态图的影响力最大化问题的实现。其采用反向可达采样方法首先采样处多个采样集合，通过采样集合来找出种子节点集合，而后图中会有节点的添加或删除操作，通过计算节点的删除或添加对当前采样集合的影响来重新计算种子节点集合。由于其完全没有考虑节点间联系的因素，且是以全局的角度来研究时序图影响力最大化问题，其间并无节点增删的操作，所以研究方法无法解决所研究的问题。则是使用的一种新的窗口滑动的模型来研究动态图上的实时影响力最大化问题，其研究思路为设置一个时间窗口 w，将节点间的联系看作一个 action，并将这些 action 按照时间的先后顺序存放在 w 中。窗口 w 会随着时间向下滑动，此时便涉及到新的 action 的进入和旧的 action 的退出(因为窗口的大小是可以人为设定的)，根据节点的进入和退出，来判断是否需要对在上一个时间段所求出的窗口中的种子节点进行重新计算。而由于是从全局的角度在时序图上研究影响力最大化问题，所以研究思路也无法解决所要研究的问题。
时序图的医疗风险预测
为每位病人构建一个医疗时序图，时序围的表示形式压缩了原始数据使其更紧凑，从而有效解决了医疗数据的稀疏性问题，并且为每位病人的分散数据提供了一种全景概括视图。
病人时序图
疾病风阴预测方法 MTPGraph 中病人时序图将每位病人原始 EHRs 数据中的时序临床事件转变为时序图，为所有病人提供了一种一致性表示形式，并考虑了不同临床事件之间的时序关系。在形成图的过程中，将用药进行了粗粒度划分，例如，’地高辛(Digoxin)’和万爽力(Vasorel)’可归类为’抗心绞痛药物(AntianginalAgents)’。画像图的节点表示粗粒度医疗事件(即，疾病名称，粗粒度用药，化验名称等);根据临床事件的时间戳来形成有向边，可以捕捉任意两个医疗事件之间的时序关系;边权重反映出相邻两个医疗事件之间的平均时间间隔，边越粗权重越大，则平均时间间隔越短，这种表示形式简便直观，易于捕捉到不同临床事件之间时序关系的强弱。
从疾病风阴预测方法 MTPGraph 中可为各种分析任务捕捉到综合全面的信息。在构建时序图时，与文献不同的是需要根据实际的数据格式进行以下几方面考虑：首先需要从病人电子健康档案记录中抽取临床事件，根据中国药典(ChinesePharmacopoeia)将其划分为粗粒度医疗事件，基于相对应的时间戳形成时序序列，最后将得到的粗粒度事件序列转变成时序图。基于图的表示方式能够用更简洁的方式捕捉到隐藏在事件序列中的时序关系，并且在时序序列中拥有一致顺序重复出现的事件对在时序图中只出现一次，意味着这种表示形式能够帮助抵制稀疏性及不规则观察。
