评估时间序列数据可视化效果时，可以依据以下几个最佳实践和标准：

1. 统计特征分析：对比原始数据和可视化后数据的统计特征，如均值、标准差、最小值、最大值等，以确保数据的基本特征在可视化过程中得到保持。

2. 自相关性分析：评估数据的自相关性，特别是在短期滞后期（1-5个lag）的自相关系数，以确保时间依赖关系得到良好保持。

3. 周期性特征分析：检查数据中的周期性模式是否在可视化中得到清晰展示，例如日周期、月周期等，以反映数据的时间特性。

4. 趋势组件分析：使用时间序列分解方法（如STL分解）将时间序列分解为趋势、季节性和残差组件，并比较原始数据和可视化数据的趋势组件，以评估长期趋势的保持情况。

5. 误差度量：使用均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）等指标来量化预测误差，评估模型的预测准确性。

6. 模型选择的统计检验：应用交叉验证和信息准则（如AIC、BIC）来评估模型的稳定性和泛化能力。

7. 误差可视化：通过时间序列图和残差图直观展示模型预测与实际值之间的差异，评估模型的拟合效果。

8. 模型比较和选择：使用嵌套交叉验证和帕累托前沿分析等方法比较不同模型的性能，选择最优模型。

9. 用户体验评估：研究不同交互场景下用户完成任务的时间、准确性、置信度和易用性，以评估可视化的用户体验。

10. 滚动预测评估：采用滚动预测窗口和滚动预测误差来评估模型在不同时间窗口上的性能。

通过上述方法，可以从多个维度全面评估时间序列数据可视化的效果，确保可视化结果既准确又具有可用性。