Particionamento dinâmico espaço-temporal para séries de dados matriciais
Data
2026-04-29
Autores
Santos, Geovani Pereira dos
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A análise de séries temporais de dados matriciais, como as encontradas em geociências e sensoriamento remoto, frequentemente envolve volumes massivos de dados, impondo desafios significativos de entrada e saída. Nesse cenário, o particionamento de dados é uma técnica para otimizar o desempenho de consultas. Contudo, as abordagens descritas na literatura geralmente aplicam um particionamento estático, seja no domínio espacial ou no temporal, que não se adapta aos padrões de acesso conforme o contexto das consultas. Isso pode resultar em uma grande recuperação de dados sem relevância semântica quando as consultas se concentram em regiões de interesse específicas. Essas regiões consistem em delimitações espaciais definidas por um MBR (do inglês Minimum Bounding Rectangle) de área reduzida em relação à matriz completa, cuja posição espacial é fixa e estende-se ao longo de um ou mais períodos consecutivos. Para superar essa limitação, este trabalho propõe um sistema de particionamento dinâmico de séries de dados matriciais. A estratégia consiste em realizar a divisão dos dados no espaço e o agrupamento no tempo para reduzir a dimensão espacial e prolongar temporalmente mantendo a mesma dimensionalidade do bloco, conforme o contexto das consultas sobre as regiões de interesse. Os particionamentos espaço-temporais resultantes são organizados em blocos de armazenamento de tamanho fixo, cujo tamanho pode ser definido para otimizar os acessos à memória secundária. A avaliação experimental, conduzida com dados geoespaciais, demonstrou que, em comparação com abordagens estáticas, a proposta alcançou uma redução de até 87% no tempo de resposta para consultas sobre regiões otimizadas, evidenciando o potencial do particionamento dinâmico e orientado à consulta
Descrição
Palavras-chave
Particionamento, Particionamento dinâmico, Particionamento matricial, Séries temporais, Array databases, Dados geoespaciais, Sensoriamento remoto, Análise