Um Estudo Sobre o Uso de Abordagens de Gerência de Dados em Sistemas de Análise Visual de Dados Espaço-Temporais

• Lorenna Christ'na Nascimento Universidade Federal Fluminense (UFF)
• Marcos Lage Universidade Federal Fluminense (UFF)
• Daniel de Oliveira Universidade Federal Fluminense (UFF)

DOI: https://doi.org/10.5753/sbbd.2021.17899

Resumo

Nos últimos anos, os sistemas de análise visual de dados têm ganho importância não só para apresentação de resultados, mas também para auxiliar em análises interativas e processos de tomada de decisão. Tais sistemas requerem que o acesso aos dados seja realizado no menor tempo possível para que não interfira na capacidade de observação e análise do usuário. Concorrentemente, pesquisas na área de banco de dados têm proposto soluções que podem ser usadas para apoiar sistemas de visualização. Esse artigo apresenta um estudo de abordagens de gerência de dados com o objetivo de apoiar visualizações interativas. Comparamos o desempenho do PostgreSQL, MonetDB e Spark SQL para processar múltiplas consultas espaço-temporais comuns em sistemas de análise visual de dados. O estudo mostrou que o Spark SQL apresentou o melhor desempenho para as consultas analisadas.

Palavras-chave: Visualização, Dados Espaço-Temporais, Análises Interativas

Referências

Armbrust, M., Xin, R. S., Lian, C., Huai, Y., Liu, D., Bradley, J. K., Meng, X., Kaftan, T., Franklin, M. J., Ghodsi, A., and Zaharia, M. (2015). Spark sql: Relational data processing in spark. In SIGMOD, page 1383–1394, New York, NY, USA.

Battle, L., Chang, R., and Stonebraker, M. (2016). Dynamic prefetching of data tiles for interactive visualization. In SIGMOD, pages 1363–1375. ACM.

Battle, L., Eichmann, P., Angelini, M., Catarci, T., Santucci, G., Zheng, Y., Binnig, C., Fekete, J.-D., and Moritz, D. (2020). Database benchmarking for supporting real-time interactive querying of large data. In SIGMOD, page 1571–1587, New York, NY, USA.

Boncz, P. A., Manegold, S., and Rittinger, J. (2005). Updating the pre/post plane in monetdb/xquery. In Florescu, D. and Pirahesh, H., editors, XIME-P.

Caban, J. J. and Gotz, D. (2015). Visual analytics in healthcare-opportunities and research challenges.

Doraiswamy, H. and Freire, J. (2020). A gpu-friendly geometric data model and algebra for spatial queries. In SIGMOD, page 1875–1885, New York, NY, USA.

Eichmann, P., Zgraggen, E., Binnig, C., and Kraska, T. (2020). Idebench: A benchmark for interactive data exploration. In SIGMOD, page 1555–1569, New York, NY, USA.

Jiang, L., Rahman, P., and Nandi, A. (2018). Evaluating interactive data systems: Workloads, metrics, and guidelines. In SIGMOD, page 1637–1644, New York, NY, USA.

Kimball, R. and Ross, M. (2002).The Data Warehouse Toolkit: The complete guide to dimensional modeling. Wiley, New York.

Lins, L. D., Klosowski, J. T., and Scheidegger, C. E. (2013). Nanocubes for real-time exploration of spatiotemporal datasets. IEEE TVCG, 19(12):2456–2465.

Liu, Z. and Heer, J. (2014). The effects of interactive latency on exploratory visual analysis. IEEE transactions on visualization and computer graphics, 20(12):2122–2131.

Munzner, T. (2014). Visualization analysis and design. CRC press.

Nascimento, L. C., Knust, L., Santos, R., Sá, B., Moreira, G., Freitas, F., Moura, N., Lage, M., and Oliveira, D. (2021). Análise de dados pluviométricos multi-fonte baseada em técnicas olap e de visualização: uma abordagem prática. In WCAMA, pages 1–10.

Samet, H. (1990). The Design and Analysis of Spatial Data Structures. Addison-Wesley.

Schmidt, J. (2020). Usage of visualization techniques in data science workflows. In Proc. of the VISIGRAPP, pages 309–316.

Zheng, Y., Wu, W., Chen, Y., Qu, H., and Ni, L. M. (2016). Visual analytics in urban computing: An overview. IEEE Transactions on Big Data, 2(3):276–296.

Zimbrao, G. and de Souza, J. M. (1998). A raster approximation for processing of spatial joins. In VLDB, pages 558–569. Morgan Kaufmann.