Uma Abordagem Inspirada em Simulation Points para Acelerar as Simulações de Cidades Inteligentes
Resumo
As abordagens que usam simulações sãoo de grande valor para a pesquisa de cidades inteligentes. No entanto, os simuladores de tráfego urbano em larga escala podem consumir muita memória e processamento, além de serem difíceis de dimensionar. Para agilizar essas simulações e permitir a execução de cenários maiores, este trabalho apresenta uma abordagem baseada na técnica Simpoint para estimar o resultado de novas simulações utilizando simulações anteriores. Esta técnica visa identificar e agrupar padrões recorrentes durante uma simulação. Em seguida, representantes exclusivos de cada cluster são selecionados e sua simulação é usada para estimar os resultados da simulação dos elementos restantes do cluster. Os resultados experimentais de nossas estimativas são promissores. Em um conjunto de dados com 16.993 séries temporais, nossa técnica foi capaz de estimar a série original com um erro médio de 1,60979e-11 e desvio padrão de 9,18228e-11.
Palavras-chave:
Aplicações de Alto Desempenho, Big Data, Computação de Alto Desempenho
Referências
Berndt, D. J. and Clifford, J. (1994). Using dynamic time warping to find patterns in time series. In Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, AAAIWS’94, page 359–370, Seattle, WA. AAAI Press.
Hamerly, G., Perelman, E., Lau, J., and Calder, B. (2005). Simpoint 3.0: Faster and more flexible program phase analysis. Journal of Instruction Level Parallelism, 7(4):1–28.
Martins, T. G., Lago, N., de Souza, H. A., Santana, E. F. Z., Telea, A., and Kon, F. (2020). Visualizing the structure of urban mobility with bundling: A case study of the city of São Paulo. In Anais do IV Workshop de Computação Urbana, pages 178–191. SBC.
Paparrizos, J. and Gravano, L. (2015). K-shape: Efficient and accurate clustering of time series. In Proceedings of the 2015 ACM SIGMOD International Conference on Man- agement of Data, SIGMOD ’15, page 1855–1870, New York, NY, USA. Association for Computing Machinery.
Santana, E. F. Z., Lago, N., Kon, F., and Milojicic, D. S. (2017). InterSCSimulator: Large-scale traffic simulation in smart cities using erlang. In International Workshop on Multi-Agent Systems and Agent-Based Simulation, pages 211–227. Springer.
Hamerly, G., Perelman, E., Lau, J., and Calder, B. (2005). Simpoint 3.0: Faster and more flexible program phase analysis. Journal of Instruction Level Parallelism, 7(4):1–28.
Martins, T. G., Lago, N., de Souza, H. A., Santana, E. F. Z., Telea, A., and Kon, F. (2020). Visualizing the structure of urban mobility with bundling: A case study of the city of São Paulo. In Anais do IV Workshop de Computação Urbana, pages 178–191. SBC.
Paparrizos, J. and Gravano, L. (2015). K-shape: Efficient and accurate clustering of time series. In Proceedings of the 2015 ACM SIGMOD International Conference on Man- agement of Data, SIGMOD ’15, page 1855–1870, New York, NY, USA. Association for Computing Machinery.
Santana, E. F. Z., Lago, N., Kon, F., and Milojicic, D. S. (2017). InterSCSimulator: Large-scale traffic simulation in smart cities using erlang. In International Workshop on Multi-Agent Systems and Agent-Based Simulation, pages 211–227. Springer.
Publicado
06/05/2021
Como Citar
ROCHA, Francisco Wallison; FRANCESQUINI, Emilio; CORDEIRO, Daniel.
Uma Abordagem Inspirada em Simulation Points para Acelerar as Simulações de Cidades Inteligentes. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DE SÃO PAULO (ERAD-SP), 12. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 49-52.
DOI: https://doi.org/10.5753/eradsp.2021.16703.
