MARC

 008200317s2019        ulk          s          00        eng
■001000015491515
■00520200217181310
■007cr
■020    ▼a9781085606868
■040    ▼d225006
■08204▼a621
■090    ▼a전자도서(박사논문)
■1001  ▼aAli,  Reem  .
■24510▼aSpatiotemporal  Big  Data  Analytics  for  Future  Mobility.▼h[electronic  resource]▼cAli,  Reem  .
■260    ▼a[S.l.]▼bUniversity  of  Minnesota.  ▼c2019
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2019
■300    ▼a1  online  resource(178  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  81-02,  Section:  B.
■500    ▼aAdvisor:  Shekhar,  Shashi.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2019.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRecent  years  have  witnessed  the  explosion  of  spatiotemporal  big  data  (e.g.  GPS  trajectories,  vehicle  engine  measurements,  remote  sensing  imagery,  and  geotagged  tweets)  which  has  a  potential  to  transform  our  societies.  Terabytes  of  earth  observation  data  are  collected  every  day  from  thousands  of  places  across  the  world.  Modern  vehicles  are  increasingly  equipped  with  rich  sensors  that  measure  hundreds  of  engine  variables  (e.g.,  emissions,  fuel  consumption,  speed,  etc)  annotated  with  timestamps  and  location  data  for  every  second  of  the  vehicle's  trip.  According  to  reports  by  McKinsey  and  Cisco,  leveraging  such  data  is  potentially  worth  hundreds  of  billions  of  dollars  annually  in  fuel  savings.  Spatiotemporal  big  data  are  also  enabling  many  modern  technologies  such  as  on-demand  transportation  (e.g.  Uber,  Lyft).  Today,  the  on-demand  economy  attracts  millions  of  consumers  annually  and  over  $50  billion  in  spending.  Even  more  growth  is  expected  with  the  emergence  of  self-driving  cars.  However,  spatiotemporal  big  data  are  of  volume,  velocity,  variety,  and  veracity  that  exceed  the  capability  of  common  spatiotemporal  data  analytic  techniques.My  thesis  investigates  spatiotemporal  big  data  analytics  that  address  the  volume  and  velocity  challenges  of  spatiotemporal  big  data  in  the  context  of  novel  applications  in  transportation  and  engine  science,  future  mobility,  and  the  on-demand  economy.  The  thesis  proposes  scalable  algorithms  for  mining  "Non-compliant  Window  Co-occurrence  Patterns",  which  allow  the  discovery  of  correlations  in  spatiotemporal  big  data  with  a  large  number  of  variables.  Novel  upper  bounds  were  introduced  for  a  statistical  interest  measure  of  association  to  efficiently  prune  uninteresting  candidate  patterns.  Case  studies  with  real  world  engine  data  demonstrated  the  ability  of  the  proposed  approaches  to  discover  patterns  which  are  of  interest  to  engine  scientists.  To  address  the  high  velocity  challenge,  the  thesis  explored  online  optimization  heuristics  for  matching  supply  and  demand  in  an  on-demand  spatial  service  broker.  The  proposed  algorithms  maximize  the  matching  size  while  also  maintaining  a  balanced  provider  utilization  to  ensure  robustness  against  variations  in  the  supply-demand  ratio  and  that  providers  do  not  drop  out.  Proposed  algorithms  were  shown  to  outperform  related  work  on  multiple  performance  measures.  In  addition,  the  thesis  proposed  a  scalable  matching  and  scheduling  algorithm  for  an  on-demand  pickup  and  delivery  broker  for  moving  consumers  with  multiple  candidate  delivery  locations  and  time  intervals.  Extensive  evaluation  showed  that  the  proposed  approach  yields  significant  computational  savings  without  sacrificing  the  solution  quality.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■71020▼aUniversity  of  Minnesota▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g81-02B.
■773    ▼tDissertation  Abstract  International
■791    ▼aPh.D.
■792    ▼a2019
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T15491515▼nKERIS

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서