FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2898876376> ?p ?o ?g. }

• W2898876376 endingPage "17" @default.
• W2898876376 startingPage "10" @default.
• W2898876376 abstract "Negli ultimi anni, in un numero sempre crescente di situazioni, e nata la necessita di prendere decisioni in modo reattivo basandosi su flussi di dati continui ed eterogenei. In questo contesto, l’ambiente urbano risulta particolarmente rilevante grazie alla presenza di una fitta rete di interazioni tra le persone e lo spazio cittadino. Questa rete produce un’enorme quantita di dati spazio-temporali che si evolvono velocemente nel tempo. Inoltre, in ambito cittadino convivono una moltitudine di stakeholder interessati allo sviluppo di un processo decisionale reattivo per la pianificazione urbana, la gestione della mobilita, il turismo, ecc.L’uso sempre piu ampio della geo-localizzazione nei social network e, piu in generale, la diffusione di dispositivi di comunicazione mobili, ha migliorato la capacita di creare un’accurata rappresentazione della realta in tempo reale, in inglese spesso denominata Digital footprint o Digital reflection o Digital twin. Cinque anni fa, lo stato dell’arte sfruttava solo una singola fonte di dati, ad esempio, i social media o i dati telefonici. Tuttavia, un uso simultaneo di piu fonti dati eterogenee, aiuta a creare una piu accurata rappresentazione digitale della realta.n questo contesto, abbiamo affrontato il problema della creazione di un modello concettuale olistico per rappresentare dati spazio-temporali eterogenei e il problema dello sviluppo di un modello computazionale per flussi di dati continui. I principali risultati di questa ricerca sono un modello concettuale chiamato FraPPE e un modello computazionale denominato RIVER con le sue implementazioni.FraPPE e un modello concettutale, piu precisamente un’ontologia, che sfrutta termini dell’elaborazione delle immagini (in inglese, Image Processing) per modellare dati spazio-temporali e abilitare analisi nell’ambito spaziale, temporale e di contenuto. FraPPE sfrutta termini comuni nell’ambito dell’image processing per colmare il divario tra la prospettiva del data engineer e quella dell’analista. L’annullamento di questo divario permette di abilitare analisi visuale su dati spazio-temporali. Durante questo percorso di dottorato, abbiamo per prima cosa formalizzato in FraPPE 1.0 i concetti spaziali e temporali, abbiamo poi aggiunto i frammenti relativi alla provenienza del dato (Data Provenance in inglese) del dato e al suo contenuto in FraPPE 2.0. Abbiamo controllato che entrambe le versioni di FraPPE rispettassero i cinque principi di Tom Gruber, e abbiamo dimostrato la validita del modello concettuale attraverso casi d’uso reali.RIVER e un modello computazionale per flussi di dati continui ed e basato su due principi: (P1) tutti i dati possono essere modellati come flussi continui – un motore per l’analisi di flussi di dati deve essere in grado di accettare in ingresso flussi di dati con differenti velocita, di qualsiasi dimensione e provenienti da qualsiasi fonte –, e (P2) Ingestion Continua – il sistema deve catturare continuamente i dati che, una volta arrivati, vengono marcati con un timestamp crescente. Al contrario della maggior parte dei motori per l’analisi di flussi, che trasforma e adatta il dato non appena questo entra nel sistema, RIVER e costruito intorno all’idea della LazyTransformation. Un sistema che implementa RIVER, ritarda la trasformazione del dato in ingresso fino a quandoil sistema puo beneficiare di tale trasformazione. Abbiamo formulato l’ipotesi secondo cui la Lazy Transformation permette di risparmiare tempo e risorse durante la computazione. RIVER si basa principalmente su due concetti: il Generic Data Stream(S⟨T⟩) e la Generic Time-Varying Collection (C⟨T⟩) e propone cinque operatori per l’ingestion, l’eleaborazione e l’emissione di flussi di dati. L’operatore IN⟨T⟩ rappresenta la porta d’ingresso del sistema, prende un flusso di dati esterno e crea un nuovo S⟨T⟩. Gli operatori S2C⟨T⟩, C2C⟨T, T′⟩ e C2S⟨T⟩ sono ispirati al Continuous Query Language(CQL, il lavoro seminale dell’UniversitA di Standford sull’elaborazione di flussi continui di dati) e permettono la trasformazione da S⟨T⟩ a C⟨T⟩ e vice-versa. L’operatore OUT⟨T⟩ trasforma un S⟨T⟩ in un nuovo flusso di dati esterno. Sfruttando il Pipeline Definition Language (PDL) – il nostro linguaggio visuale che astrae la complessita implementativa degli operatori –, RIVER abilita l’utente a definire piani computazionali sotto forma di pipeline di operatori.In questa tesi, proponiamo tre implementazioni di RIVER: Natron – un’implementazione single-threaded scalabile verticalmente –, rvr@Spark e rvr@Hive – due implementazioni a scalabilita orizzontale basate su framework distribuiti (Spark e Hive). Con l’intento di provare la validita dell’approccio basato sulla Lazy Transformation, abbiamo valutato Natron rispetto al nostro motore Streaming Linked Data che trasforma il dato non appena questo entra nel sistema. Il risultato di questa valutazione dimostra che Natron consuma meno risorse, in termini di processore e memoria, e approssima meglio la risposta corretta in condizioni di stress. Per determinare l’efficacia di Natron sotto l’aspetto dei costi, l’abbiamo valutato rispetto a rvr@Spark, in modo da provare che una soluzione distribuita non e la migliore in tutte le condizioni. Analizzando dati telefonici a diversa scala (cittadina, regionale, nazionale ed estrema), abbiamo osservato che Natron risulta piu efficace, sotto l’aspetto dei costi, rispetto a rvr@Spark per dati fino alla scala nazionale. I risultati di questa valutazioni dimostrano la validita dell’approccio basato sulla Lazy Transformation e confermano che, nell’ambito dei motori di analisi di flussi di dati, la soluzione distribuita non e sempre la migliore.Per dimostrare la capacita di FraPPE e RIVER di abilitare un processo decisionale reattivo basato su flussi di dati spazio-temporali eterogenei, abbiamo presentato cinque casi d’uso reali portati avanti nelle citta di Milano e Como. Durante questi casi di studio, abbiamo presentato le visualizzazioni a platee diverse (partecipanti ad eventi e stackeholder cittadini) per dimostrare la validita delle nostre interfacce visuali.Infine, abbiamo riflettuto sulle limitazioni delle soluzioni proposte e preso decisioni riguardo la direzione futura di questo lavoro di ricerca. In particolare, le nostre riflessioni hanno riguardato le capacita di ragionamento automatico abilitate da FraPPE, le future valutazioni di RIVER basate su casi d’uso piu lunghi e complessi, e l’evoluzione del Pipeline Definition Language (PDL)." @default.
• W2898876376 created "2018-11-09" @default.
• W2898876376 creator A5016710072 @default.
• W2898876376 date "2018-01-01" @default.
• W2898876376 modified "2023-09-23" @default.
• W2898876376 title "On the continuous and reactive analysis of a variety of spatio-temporal data" @default.
• W2898876376 cites W1425731158 @default.
• W2898876376 cites W1568922413 @default.
• W2898876376 cites W1600278073 @default.
• W2898876376 cites W1832867495 @default.
• W2898876376 cites W1992673035 @default.
• W2898876376 cites W2001474264 @default.
• W2898876376 cites W2032378436 @default.
• W2898876376 cites W2058853499 @default.
• W2898876376 cites W2061624509 @default.
• W2898876376 cites W2099395665 @default.
• W2898876376 cites W2100378013 @default.
• W2898876376 cites W2110953678 @default.
• W2898876376 cites W2112215401 @default.
• W2898876376 cites W2133109597 @default.
• W2898876376 cites W2133960883 @default.
• W2898876376 cites W2134193499 @default.
• W2898876376 cites W2143554828 @default.
• W2898876376 cites W2160754518 @default.
• W2898876376 cites W2258864641 @default.
• W2898876376 cites W2294986432 @default.
• W2898876376 cites W2734376583 @default.
• W2898876376 cites W2741408147 @default.
• W2898876376 cites W3125866593 @default.
• W2898876376 cites W813169488 @default.
• W2898876376 hasPublicationYear "2018" @default.
• W2898876376 type Work @default.
• W2898876376 sameAs 2898876376 @default.
• W2898876376 citedByCount "0" @default.
• W2898876376 crossrefType "journal-article" @default.
• W2898876376 hasAuthorship W2898876376A5016710072 @default.
• W2898876376 hasConcept C142362112 @default.
• W2898876376 hasConcept C15708023 @default.
• W2898876376 hasConcept C17744445 @default.
• W2898876376 hasConceptScore W2898876376C142362112 @default.
• W2898876376 hasConceptScore W2898876376C15708023 @default.
• W2898876376 hasConceptScore W2898876376C17744445 @default.
• W2898876376 hasLocation W28988763761 @default.
• W2898876376 hasOpenAccess W2898876376 @default.
• W2898876376 hasPrimaryLocation W28988763761 @default.
• W2898876376 isParatext "false" @default.
• W2898876376 isRetracted "false" @default.
• W2898876376 magId "2898876376" @default.
• W2898876376 workType "article" @default.