Spatial-Temporal Data Science of COVID-19 Data

Deng, Dayong; Leung, Carson K.; Zhao, Chenru; Wen, Yan; Zheng, Hao

doi:10.1109/bigdatase53435.2021.00011

Cited by 17 publications

(2 citation statements)

References 42 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Com o avanc ¸o constante das tecnologias, como a Internet das Coisas e redes sociais baseadas em localizac ¸ão, o volume de dados de mobilidade disponíveis tem aumentado de forma exponencial. Essa vasta quantidade de informac ¸ões oferece uma oportunidade única para adquirir insights valiosos sobre a mobilidade de objetos, proporcionando uma compreensão mais profunda dos padrões de deslocamento em ambientes geoespaciais [Deng et al 2021, Nazia et al 2022.…”

Section: Introduc ¸ãOunclassified

Uma análise comparativa de técnicas de detecção de pontos de parada em ambientes urbanos

Oliveira,

Celes,

Oliveira

et al. 2023

Anais Da XI Escola Regional De Computação Do Ceará, Maranhão E Piauí (ERCEMAPI 2023)

View full text Add to dashboard Cite

Este artigo apresenta um framework para a criação de conjuntos de dados de referência (ground-truth) destinados à detecção automatizada de pontos de parada. O framework utiliza dados do OpenStreetMap e o SUMO (Simulation of Urban MObility) como fontes de informação essenciais. Além disso, são implementados e comparados métodos amplamente discutidos na literatura para a detecção de pontos de parada, utilizando conjuntos de dados gerados por meio desse framework. Os resultados da análise confirmam a confiabilidade dos métodos estudados. O estudo também introduz novos algoritmos à análise, que demonstram ser promissores na detecção de pontos de parada, além de identificar áreas para melhorias futuras. Destacam-se a necessidade de explorar análises adicionais que considerem métodos alternativos de aquisição de dados e avaliem seus impactos na detecção de pontos de parada.

show abstract

Section: Introduc ¸ãOunclassified

Uma análise comparativa de técnicas de detecção de pontos de parada em ambientes urbanos

Oliveira,

Celes,

Oliveira

et al. 2023

Anais Da XI Escola Regional De Computação Do Ceará, Maranhão E Piauí (ERCEMAPI 2023)

View full text Add to dashboard Cite

show abstract

“…Temporal data are ubiquitous nowadays. They can be found in many areas such health [1,2], energy [3,4], traffic [5,6], environment [7,8], etc. In fact, with the fast development and wide deployment of data collection devices, many practical data are temporal in nature.…”

Section: Introductionmentioning

confidence: 99%

Durable queries over non-synchronized temporal data

Xie

Weng

2022

World Wide Web

View full text Add to dashboard Cite

Temporal data are ubiquitous nowadays and efficient management of temporal data is of key importance. A temporal data typically describes the evolution of an object over time. One of the most useful queries over temporal data are the durable top-k queries. Given a time window, a durable top-k query finds the objects that are frequently among the best. Existing solutions to durable top-k queries assume that all temporal data are sampled at the same time points (i.e., at any time, there is a corresponding observed value for every temporal data). However, in many practical applications, temporal data are collected from multiple data sources with different sampling rates. In this light, we investigate the efficient processing of durable top-k queries over temporal data with different sampling rates. We propose an efficient sweep line algorithm to process durable top-k queries over non-synchronized temporal data. We conduct extensive experiments on two real datasets to test the performance of our proposed method. The results show that our methods outperforms the baseline solutions by a large margin.

show abstract