Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-05-04T17:26:09Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
ThiagoLacerda_dissertacao_CD.pdf: 3710836 bytes, checksum: 28f0e32dde464cdfd59c89964029a739 (MD5) / Made available in DSpace on 2017-05-04T17:26:09Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
ThiagoLacerda_dissertacao_CD.pdf: 3710836 bytes, checksum: 28f0e32dde464cdfd59c89964029a739 (MD5)
Previous issue date: 2016-07-29 / Pattern mining in spatio-temporal datasets is a really relevant subject in the academia and the
industry nowadays, due to its wide applicability in helping to solve real-world problems. Many
of them can be found in the context of Smart Cities, like Traffic Management, Surveillance
and Security and City Planning, to name a few. Among the various spatio-temporal patterns
that one can extract from a spatio-temporal dataset, the flock pattern is one that has gained a
lot of attention, because of its intrinsic relation with the aforementioned problems. A lot of
work has been done in the academia, in order to provide algorithms able to identify the flock
pattern. However, none of them could perform that task efficiently nor be able to scale well
when a large dataset was the analysis target. Additionally, we found that there was no system
architecture proposal that could be simple and modular enough to be used in that spatio-temporal
pattern detection problem. Given that context, this dissertation proposes a modular system
archicture designed to help solving flock pattern mining problems and possibly be reused to
other spatio-temporal mining experiments. We then use such architecture as the infrastructure
to implement an efficient flock detection algorithm, aiming at achieving considerable gains
in execution time without compromising accuracy, thus targeting real-time deployment and
on-line processing in Smart Cities. Last, but not least, we remodel our algorithm in order to take
advantage of multi-core architectures present in modern computers. Our results indicate that
our proposal outperforms the current state-of-the-art techniques, by achieving 99% CPU time
improvement. Moreover, with our multi-thread model, we were able to reduce the processing
time of our proposed algorithm by 96% in some cases. We prove the efficiency of our solution
by performing evaluation with both real and synthetic large datasets. / Detecção de padrões em dados espaço-temporais tem se mostrado um tema de muita relevância
nos dias atuais, tanto na academia quanto na indústria, devido a sua vasta aplicabilidade em
auxiliar a solucionar problemas enfrentados na sociedade. Muitos desses problemas podem
ser classificados no conexto de Cidades Inteligentes (Smart Cities), como Gerenciamento de
Tráfego, Segurança e Planejamento de Cidades. Dentre os vários padrões espaço-temporais
que podem ser extraídos de uma base de dados, o padrão de flock é um que vem atraindo
muita atenção, devido a sua relação intrínseca com os problemas mencionados anteriormente.
Muitas pesquisas vêm sendo feitas na academia, visando desenvolver algoritmos capazes de
identificar esse padrão de movimentação. Porém, nenhum deles foi capaz de executar tal tarefa
eficientemente, nem conseguiu escalar de maneira aceitável quando uma base de dados de
grande tamanho foi analisada. Além disso, não foi encontrado nos trabalhos relacionados uma
arquitetura de software que conseguisse ser simples e modular o suficiente para ser usada no
problema de detecção de padrões de flock em dados espaço-temporais. Com isso em mente, essa
dissertação propõe uma arquitetura de software modular, direcionada para solucionar problemas
de detecção desse padrão e possivelmente ser utilizada para outros experimentos envolvendo
mineração de padrões em dados espaço-temporais. Tal arquitetura foi então usada como base na
implementação de um algoritmo de detecção de flock, focando em alcançar grandes ganhos em
tempo de processamento, sem comprometer a precisão, visando então cenários de aplicações de
tempo real em Cidades Inteligentes. No fim, nós propomos uma remodelagem no nosso algoritmo
para poder utilizar ao máximo o poder de processamento oferecido pelas arquiteturas multi-core
dos processadores modernos. Nossos resultados mostraram que nossa solução conseguiu superar
propostas do estado da arte, alcançando 99% de redução no tempo de processamento total. Além
disso, nossa remodelagem multi-thread conseguiu melhorar os resultados da nossa solução em
até 96% em alguns casos. A eficiência e performance da nossa proposta foi comprovada com
avaliações feitas com bases de dados geradas sinteticamente e coletadas em experimentos reais.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/18700 |
| Date | 29 July 2016 |
| Creators | LACERDA, Thiago de Barros |
| Contributors | http://lattes.cnpq.br/8598484164048317, FERNANDES, Stênio Flávio de Lacerda |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | English |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds