No abstract

No abstract

No abstract

Com o aumento do volume de dados de séries temporais na era de Big Data, a filtragem e recuperação eficiente de um grande volume de dados, utilizados como entrada no processamento de séries temporais, são uns dos maiores desafios da área. Diversos sistemas de Big Data foram criados para lidar com estes desafios, mas nenhum possui o melhor desempenho de filtragem e recuperação de dados em todos os cenários com filtros espaciais e temporais. Este trabalho apresenta o motor de busca SmarT que utiliza algoritmos de aprendizado de máquina para escolher, em tempo real, o melhor sistema Big Data para filtrar e recuperar os dados de séries temporais. O trabalho avalia o Apache Spark, Elasticsearch e SciDB e mostra uma redução de quase 22% do tempo de resposta utilizando o SmarT.

Time series analysis of remote sensing images are indispensable in identifying patterns, trends and changes, and allows the modeling and prediction of events on Earth's surface. For applications with large volumes of data, this analysis should be done in an automated way allowing spatio-temporal fi ltering in the image database. This paper proposes a new platform, DistSensing, to process these analysis using spatial and relational distributed indices. The DistSensing platform had better performance than the solutions found in the literature when it is necessary run queries in the database using temporal and spatial fi lters.