Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Ambiente logico per il Clustering Spazio-Temporale

Ci focalizzeremo proprio sul come applicare il data mining a sistemi GIS e in particolare esamineremo come e in che modo aggiungere e trattare la componente temporale associata alle informazioni spaziali. Tratteremo, cioè, il data mining spazio-temporale.

La tesi ha lo scopo di studiare la fattibilità e, di conseguenza, realizzare un ambiente logico per fare clustering spazio-temporale. Le entità con caratteristiche spaziali e temporali su cui ci siamo concentrati sono le traiettorie di oggetti in movimento.
Il lavoro svolto in questa tesi ha una doppia valenza:
•di ricerca: conducendo un attento studio della letteratura e cercando, successivamente, soluzioni nuove per affrontare i problemi legati a questa tipologia di clustering. Non esistono infatti approcci logici, e quindi dichiarativi, al clustering spazio-temporale.
•di progetto: implementando un’applicazione completa per il data mining spazio-temporale che permetta di applicare tecniche di clustering a traiettorie, al fine di valutare la fattibilità e l’efficacia di un siffatto strumento in relazione ai problemi reali.

Mostra/Nascondi contenuto.
Introduzione 1 Introduzione L’aumento esponenziale della quantità di dati disponibili in formato elettronico, e in particolare in database, ha fatto nascere l’esigenza di studiare tecniche sofisticate per analizzare tali dati. Il settore di ricerca che si occupa di sviluppare tecniche di analisi di grandi quantità di dati prende il nome di Knowledge Discovery (KDD). I dati possono essere di origini più svariate come database contenenti i dati rilevati da un satellite geostazionario, da un osservatorio astronomico, da centraline per il rilevamento sismico, da un osservatorio marino, l’esplorazione delle risorse naturali oppure analisi di mercato, l’anagrafica di una città, l’inventario di una grossa industria. Applicazioni di questo tipo, normalmente contengono centinaia di terabyte di dati. Il Data Mining è un passo del processo di KDD che si occupa di scoprire conoscenza di rilievo, pattern, associazioni, cambiamenti, anomalie e strutture significative da questa grande quantità di dati. Dal punto di vista della tecnologia, rappresenta la confluenza di vari settori di ricerca come l’apprendimento automatico, sistemi di basi di dati, visualizzazione dei dati, statistica e teoria dell’informazione. Il processo di data mining consiste, in generale, nei seguenti passi: 1. Pulizia, i dati con rumore, errori o mancanze devono essere opportunamente trattati; 2. Integrazione, dove risorse multiple di dati eterogenee possono essere integrate in una sola; 3. Selezione, i dati rilevanti all’analisi sono recuperati dal database; 4. Trasformazione, dove i dati sono trasformati in una forma appropriata per essere estratti attraverso operazioni di integrazione; 5. Data Mining, la fase dove sono applicati metodi intelligenti per estrarre i pattern;

Laurea liv.II (specialistica)

Facoltà: Scienze Matematiche, Fisiche e Naturali

Autore: Francesco Fornasari Contatta »

Composta da 217 pagine.

 

Questa tesi ha raggiunto 1060 click dal 01/06/2004.

 

Consultata integralmente una volta.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.