Particionamento dinâmico espaço-temporal para séries de dados matriciais

Página do item simplificado
dc.contributor.advisorKaster, Daniel dos Santos
dc.contributor.authorSantos, Geovani Pereira dos
dc.contributor.bancaSantos, Lúcio Fernandes Dutra
dc.contributor.bancaZarpelão, Bruno Bogaz
dc.coverage.extent203 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-08-28T18:20:08Z
dc.date.available2026-08-28T18:20:08Z
dc.date.issued2026-04-29
dc.description.abstractA 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
dc.description.abstractother1Time series analysis of matrix data, such as that found in geosciences and remote sensing, often involves massive data volumes, imposing significant I/O challenges. In this scenario, data chunking is a technique used to optimize query performance. However, approaches described in the literature generally apply static chunking, either in the spatial or temporal domain, which fails to adapt to access patterns based on the query context. This can result in the retrieval of large amounts of semantically irrelevant data when queries focus on specific regions of interest. These regions consist of spatial boundaries defined by na MBR (Minimum Bounding Rectangle) with a reduced area relative to the full matrix, whose spatial position is fixed and extends across one or more consecutive periods. To overcome this limitation, this work proposes a dynamic partitioning system for matrix data series. The strategy consists of chunking the data in space and grouping it in time to reduce spatial dimensions and extend them temporally—maintaining the same block dimensionality—according to the query context for the regions of interest. The resulting spatiotemporal partitions are organized into fixed-size storage blocks, the size of which can be defined to optimize secondary memory access. Experimental evaluation conducted with geospatial data demonstrated that, compared to static approaches, the proposal achieved a reduction of up to 87% in response time for queries on optimized regions, highlighting the potential of dynamic, query-oriented chunking
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19771
dc.language.isopor
dc.relation.departamentCCE - Departamento de Computação
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computação
dc.subjectParticionamento
dc.subjectParticionamento dinâmico
dc.subjectParticionamento matricial
dc.subjectSéries temporais
dc.subjectArray databases
dc.subjectDados geoespaciais
dc.subjectSensoriamento remoto
dc.subjectAnálise
dc.subject.capesCiências Exatas e da Terra - Ciência da Computação
dc.subject.cnpqCiências Exatas e da Terra - Ciência da Computação
dc.subject.keywordsData chunking
dc.subject.keywordsDynamic chunking
dc.subject.keywordsData tiling
dc.subject.keywordsData partitioning
dc.subject.keywordsMatrix chunking
dc.subject.keywordsTime series
dc.subject.keywordsArray databases
dc.subject.keywordsGeospatial data
dc.subject.keywordsRemote sensing
dc.subject.keywordsAnalysis
dc.titleParticionamento dinâmico espaço-temporal para séries de dados matriciais
dc.title.alternativeDynamic spatiotemporal chunking for matrix data series
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Ciências Exatas

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CE_COM_Me_2026_Santos_Geovani_P.pdf
Tamanho:
3.51 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 195376
Baixar
Nenhuma Miniatura disponível
Nome:
CE_COM_Me_2026_Santos_Geovani_P_Termo.pdf
Tamanho:
205.59 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Ciência da Computação