Earticle

As technologies related to sensor network are currently emerging and the use of GeoSensor is increasing along with the development of Internet of Things (IoT) technology, spatial query processing systems to efficiently process spatial sensor data are being actively studied. However, existing spatial query processing systems do not support a spatial-temporal data type and a spatial-temporal operator for processing spatialtemporal sensor data. Therefore, they are inadequate for processing spatial-temporal sensor data like GeoSensor. Accordingly, this paper developed a spatial-temporal query processing system, for efficient spatial-temporal query processing of spatial-temporal sensor data in a sensor network. Lastly, this paper verified the utility of System through a scenario, and proved that this system's performance is better than existing systems through performance assessment of performance time and memory usage.

Spatio-temporal patterns extracted from historical trajectories of moving objects reveal important knowledge about movement behavior for high quality LBS services. Existing approaches transform trajectories into sequences of location symbols and derive frequent subsequences by applying conventional sequential pattern mining algorithms. However, spatio-temporal correlations may be lost due to the inappropriate approximations of spatial and temporal properties. In this paper, we address the problem of mining spatio-temporal patterns from trajectory data. The inefficient description of temporal information decreases the mining efficiency and the interpretability of the patterns. We provide a formal statement of efficient representation of spatio-temporal movements and propose a new approach to discover spatio-temporal patterns in trajectory data. The proposed method first finds meaningful spatio-temporal regions and extracts frequent spatio-temporal patterns based on a prefix-projection approach from the sequences of these regions. We experimentally analyze that the proposed method improves mining performance and derives more intuitive patterns.

아파치 스파크(Apache Spark)는 오픈 소스, 분산, 인메모리 컴퓨팅 프레임워크 및 아키텍처이다. 아파치 스파크를 통해 데이터 병렬 및 내결함성을 갖춘 분산 시스템 클러스터에서 실행되기 때문에 농업, 정보통신 산업 등 다양한 분야에 적용 및 활용할 수 있다. 한편, 빅데이터 시대를 맞아 많은 시공간 데이터가 발생하고 있다. 그러나, 아파치 스파크를 통한 분산 컴퓨팅 환경에서 많은 연산이 필요한 조인과 같은 연산을 제공하고 있지 않기 때문에 효율적으로 처리하지 못한다. 따라서, 본 논문에서는 대용량 시공간 데이터를 이용하여 그리드 분할 기법에 근거한 withindistance, contain 조인 질의처리 알고리즘을 제안한다. 성능평가 결과, 제안한 알고리즘이 기존 알고리즘보다 약 20%의 우수한 성능을 보인다.

Apache Spark is an open source, distributed, in-memory computing framework and architecture. Because it runs on a distributed system cluster with data parallelism and fault tolerance through Apache Spark, it can be applied and utilized in various fields such as agriculture, information and communication industries. Meanwhile, in the era of big data, large amount of spatio-temporal data is being generated. However, Apache Spark cannot efficiently process join operation because it does not support join operation that requires many computations in a distributed computing environment. Therefore, in this paper, we proposed an join query processing algorithm, i.e., withindistance and contain join, based on grid partitioning technique using large-scale spatio-temporal data. As a result of performance evaluation, our algorithm shows 20% better performance than the existing algorithm in terms of query processing time.

기업들은 핵심고객에게 최상의 서비스를 제공하기 위해 고객세분화 노력을 경주하고 있다. 세분화에 사용되는 고객 정보의 80%는 지리적 테이터이다. 지리적 테이터를 효과적으로 분석하여 활용한다면, 서비스 극대화를 위한 전략을 향상 시킬 수 있을 것이다. 본 연구에서는 지리적 분석이 가능하도록 특별하게 설계된 다차원모델을 구현하였고, 이렇게 만들어진 데이터마트를 활용하여 디지털 지도상에 다양한 패턴정보를 시각적으로 표현하였다. 또한 RFM 분석을 통하여 고객을 세분화 하였으며, 세분화된 고객군을 활용하여 지리적 특성을 발견을 하고자 시각적 분석을 실시하였다. 연구의 현장감과 향후 활용 가능성을 높이기 위해 농산물 인터넷 쇼핑몰인 H기업의 2008년 10월부터 2009년 9월까지의 1년간 판매데이터를 사용하였다.

본 연구는 대학 이러닝 학습자들의 학습 시ㆍ공간 데이터를 활용한 이러닝 학습패턴에 따라 학습자등의 출석률과 학업성취도 차이를 규명하였다. 연구대상은 3년간 총 68개 이러닝 강좌, 수강생 13,611명의 이러닝 데이터를 수집하였고, 자료분석은 t검증, 이원변량분석을 활용하였다. 본 연구결과는 다음과 같이 제시한다. 첫째, 대학 이러닝 학습자들의 학습공 간에 따른 출석률과 학업성취도 차이를 분석한 결과 교내 주학습자가 출석률과 학업성취도에서 교외 주학습자들 보다 높은 점수를 보였고, 학업성취도는 통계적인 유의성이 나타났다. 둘째, 대학 이러닝 학습자들의 일 단위 학습시간대에서는 오전시 간대 주학습자, 오후시간대 주학습자, 야간시간대 주학습자 순으로 출석률과 학업성취도가 높게 나타났으며, 모두 유의미한 차이가 있는 것으로 분석되었다. 주 단위 학습시간대에서는 평일시간대의 주학습자들이 주말시간대 주학습자들 보다 출석 률과 학업성취도에서 더 높게 나타났으며, 통계적으로도 유의한 차이가 분석되었다.

This study was designed to analyze the difference in attendance and academic achievement based on spatio-temporal data relate to e-Learning patterns of university e-Learning learners. This study collected e-Learning data from 68 e-Learning classes, 13,611 learners during 3 years. Collected data were analyzed by t-test and two-way ANOVA. Major study findings were as follows. Firstly, e-Learning learners in school received higher than those of learners outside school both in attendance and academic achievement, while that academic achievement showed statistical significance. Secondly, the attendance and academic achievement by the day was in the order of e-Learning learners mainly in the morning, those in the afternoon and those at night, in addition there was statistical significance. Lastly e-Learning learners in the weekdays appeared higher than those of learners in the weekends both in attendance and academic achievement, also both of them showed statistical significance.

본 논문에서는 지상강우의 결측치를 추정하는 방법들 중 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중치법(CCWM), 인공신경망(ANN)기법, 레이더 자료를 이용한 결측치 추정 방법을 비교하여 각각의 적용성을 검토하였다. 임진강 유역을 대상지역으로 하여 각 방법을 적용한 결과, 강우의 결측치 추정에 있어서 기존의 방법 중 상관계수 가중치법(CCWM)과 인공신경망(ANN)기법에 의한 RMSE가 0.46~1.79의 범위를 보였고, 레이더자료를 이용하여 강우의 결측치를 추정한 경우 RMSE가 0.05~2.26의 범위를 보였다. 레이더 강우자료가 지점 강우자료와 달리 강우의 공간상관성을 반영하고 있음을 볼 때, 지점강우 자료를 이용한 결측치 추정 기법보다 레이더자료를 이용한 결측치의 추정기법이 그 적용성에서 우수하다고 판단되어진다.

This paper reviewed application of data-driven method, distance-weighted method(IDWM, IEWM, CCWM, ANN), and radar data method estimated of missing raifall data. To evaluate these methods, statistics was compared using radar and station rainfall data from Imjin-river basin. The range of RMSE values calculated for CCWM, ANN was 1.4 to 1.79mm, and the range of RMSE values estimated data used for radar rainfall data was 0.05 to 2.26mm. Spatial characteristics is considered to Radar rainfall data rather than station rainfall data. Result suggest that estimated data used for radar data can impove estimation of missing raifall data.

최근 위치 측위 기술, 무선 통신 기술 등이 급속도로 발달하고 이동체 데이타가 널리 활용됨에 따라 이동체 데이타 스트림을 실시간으로 서비스하기 위한 실시간 위치 추적 시스템의 연구 개발이 활발히 진행되고 있다. 그러나 이러한 시스템에서 기반 시스템으로 사용되는 MO(Moving Object) DBMS는 이동체 데이타 스트림 관리에 비효율적이고, 기존의 DSMS(Data Stream Management System)는 시공간 데이타를 효율적으로 처리하지 못하는 문제점이 있다. 따라서, 본 논문에서는 이동체 데이타 스트림의 효율적인 실시간 관리를 위한 시공간 DSMS를 설계 및 구현하였다. 본 논문에서 구현한 시공간 DSMS는 스탠포드 대학의 STREAM(STanford stREam dAta Manager)을 기반으로 이동체 데이타 스트림의 실시간 관리와 시공간 질의 처리 기능 그리고 입력 부하를 줄이기 위한 필터링 기능을 지원하는 시스템이다. 특히, 시공간 DSMS에서 사용하는 시공간 연산자는 호환성을 위해서 OGC에서 제시한 “Simple Feature Specification for SQL" 표준 명세를 확장하여 SQL 형태의 표준 인터페이스를 지원한다. 마지막으로 본 논문에서 구현한 시공간 DSMS를 이동체 데이타 스트림의 실시간 위치 추적 관리가 필요한 실시간 모니터링 분야에 적용해 봄으로써 시스템의 효용성을 입증하였다.

Recently, according to the rapid development of location positioning technology and wireless communications technology and increasement of usage of moving object data, many researches and developments on the real-time locating systems which provides real time service of moving object data stream are under proceeding. However, MO (Moving Object) DBMS used based system in the in these systems is the inefficient management of moving object data streams, and the existing DSMS (Data Stream Management System) has problems that spatio-temporal data are not handled efficiently. Therefore, in this thesis, we designed and implemented spatio-temporal DSMS for efficient real-time management of moving object data stream. This thesis implemented spatio-temporal DSMS based STREAM (STanford stREam dAta Manager) of Stanford University is supporting real-time management of moving object data stream and spatio-temproal query processing and filtering for reduce the input loading. Specifically, spatio-temporal operators of the spatio-temporal DSMS support standard interface of SQL form which extended "Simple Feature Specification for SQL" standard specifications presented by OGC for compatibility. Finally, implemented spatio-temporal DSMS in this thesis, proved the effectiveness of the system that as applied real-time monitoring areas that require real-time locating of object data stream DSMS.

최근 유비쿼터스 컴퓨팅 환경이 발전함에 따라 교통(u-Transport), 복지(u-Care), 문화(u-Fun), 환경(u-Green), 산업(u-Business), 행정(u-Government), 도시(u-City) 뿐만 아니라 사용자의 위치와 다양한 공간 정보를 제공하는 u-GIS가 유비쿼터스 컴퓨팅 환경의 핵심 요소 기술로 대두되고 있다. 이에 본 논문에서는 모바일 장치에서 시공간 데이타를 효율적으로 처리 및 관리할 수 있는 모바일 시공간 질의 처리 시스템을 개발하였다. 모바일 시공간 질의 처리 시스템은 OpenGIS “Simple Features Specification for SQL”에서 명시하는 공간 데이타 타입과 공간 연산자를 확장하여 시공간 데이타 타입과 시공간 연산자를 제공하고 시공간 데이타 특성을 고려한 산술 연산 코딩 압축 기법을 제공하고 모바일 시공간 질의 처리 시스템과 u-GIS 서버 사이에서 시공간 데이타 수입/수출의 성능 향상을 위한 데이타 캐슁 기능을 지원한다.

Recently, according to the development of ubiquitous computing, the u-GIS which not only used in u-Transport, u-Care, u-Fun, u-Green, u-Business, u-Government, and u-City but also used to provides various spatial information such as the location of user is being the core technology of the ubiquitous computing environment. In this paper, we implemented an mobile spatio-temporal Query Processing Systems for handling the Spatio-Temporal Data in mobile equipment.The mobile spatio-temporal Query Processing Systems provides the spatio-temporal data type and the spatio-temporal operator that is expanded by the spatial data type and the spatial operator from OepenGIS "Simple Feature Specification for SQL". It supports arithmetic coding compression techniques that is considered with a spatio-temporal data specific character. It also provides the function of data cashing for improving the importation and exportation of the spatio-temporal data between a embedded spatio-temporal DBMS and u-GIS server.

The u-GIS spatial information technology requires the processing of Geosensor information. Geosensor information processing generates real-time and high-volume location and data streams related to locations. To process this kind of data, data stream management systems (DSMS) and spatio-temporal data stream management system (ST-DSMS) are being researched. However DSMS deals with general data streams that do not consider spatial and temporal domains. ST-DSMS supports the processing of spatial and temporal domains. However, ST-DSMS is based on continuous query processing over sliding windows the queries in ST- DSMS that are limited to expressing various spatio-temporal predicates. Moreover, studies on ST-DSMS lacked analyses on multiple attributes and various spatio-temporal. In this paper, we present a new spatio-temporal sliding window for achieving spatio-temporal data stream with multiple attributes. The method is based on periodical query processing over sliding windows and maintains in-out time and value histories of objects. So, in this paper, we can support various spatio-temporal predicates, deal with multiple attributes, and provide complex query syntax analyzing various spatio-temporal correlations

The time aspect is not currently taken into account for finding a region of interesting (ROI) or a hot region, so that due to the time to visit frequently a place cannot be determined, it is difficult to discover the visiting regularity for a moving object. To this end, the spatio-temporal item (STI) and frequent spatio-temporal item (FSTI) integrated spatial and temporal attributes are defined. The FSTIs can represent a moving object often visits which area in what time, which can provide more useful information to improve the level of the location-based services(LBS). In order to find FSTIs, STIs are generated by using a density-based clustering algorithm to recognize the stay regions of objects, and then the STIs are mapped to 3D-grids integrated spatial and temporal dimensions. Finally, the extraction - merger strategy is used on the frequent grid cells to recombine the FSTIs. Experimental results on real dataset show that the approach proposed for mining FSTIs is effective.

The real-world data process of large spatio-temporal data collection presents a very difficult technical problem. Firstly, the given process is very expensive, requiring a lot of various high-technology software instruments and modern hardware infrastructure (sensors, servers, GPS infrastructure etc.) installations; secondly, this process sometimes cannot show special traffic patterns, which we may characterize as patterned traffic trajectories. The Arena simulation framework introduced in this paper uses our suggested random linear interpolation algorithm and spatio-temporal prediction algorithm, which are applicable to visualize, handle and predict movement data with various time resolutions.

최근 모바일과 웹 사용의 증가로 일상생활에서 기록되는 로그데이터를 다양하게 분석하여 의미있는 정 보와 지식을 이끌어내고자 하는 연구가 증가하고 있다. 웹과 모바일 기기로 부터 생성되는 로그데이터는 시공간적인 정보를 담고 있으며, 데이터를 다차원적으로 탐색 하고 시각화하여 기존에 분석하지 못했던 다양한 의미를 찾을 수 있음이 확인되고 있다. 본 연구에 서는 시간과 공간 정보를 가지고 있 는 로그데이터를 다차원적으로 탐색하고, 의미를 분석하는 데이터마이닝과 시공간 데이터를 시각화하 여 의미를 도출하고자 하는 시각 화 관련 연구들을 분야별, 연구방법별로 분석하여 연구동향을 살피고 의미를 찾고자 한다.

Recently increasing the usage of mobile and web, the researches which are trying to draw a meaningful information and knowledge in numerous different ways by analyzing the log data recorded in our daily life are growing very fast. Many researchers have studied to explore the patterns and the meanings by visualizing the log data in multi-dimensional ways because the log data generated from a number of sensors mounted on the mobile device shall contains a temporal and spatial information. The goal of this study is searching a implication and exploring the researches related to both data mining and visualization that analyze the log data which has spatio-temporal information multi-dimensionally by research area and method.

본 연구는 모바일 기기를 활용한 현장체험학습에서 수집된 로그데이터를 STP(Space Time Path)로 시공간 시각화하여 현장체험학습에서 학생들의 이동특성을 파악하고, 머무름이 있던 지점에서의 활동특성을 분석하고자 하였다. 탐구활동 로그데이터 분석결과 이동과 머무름의 패턴이 연속적으로 나타나며, 조사활동의 유형에 따라 머무른 장소와 시간이 다름을 확인할 수 있었고, 머무름이 나타나는 장소는 관찰지점 뿐 아니라 관찰지점이 아닌 곳도 나타남을 확인하였다. 현장체험학습의 경우 공간 및 시간적으 로 제한된 범위 내에서 이루어지는 활동이기 때문에 머무른 지점에서의 활동에 대한 추가 분석이 필요함을 알 수 있었다. STP를 이용한 이동 로그의 시각화는 복잡한 구조를 가진 로그데이터를 탐색하여 패턴을 발견하는 기초 자료로 활용할 수 있으며, 이는 다양한 유형의 로그데이터 분석에 응용될 수 있을 것으로 판단되었다.

The purpose of this study is to identify the movement characteristics of students in field experience learning by visualizing the log data collected from field experience learning using mobile devices as STP technique and to analyze the characteristics of activity at the point of retention. As a result of analysis of log data, the patterns of movement and retention were consecutively appeared, and it was confirmed that the place and time were different depending on the type of inquiry activity, and the place where the retention appeared was not only the inquiry point but also the non-inquiry point. In the case of field experience learning, it is necessary to carry out further analysis on the activity at the retention point since it is performed within a limited space and time. It was confirmed that the visualization of the movement log using STP can be used as a basic data for exploring log data having a complicated structure and it can be applied to various types of log data analysis.

도시 내 상업지역의 지리적 분포 양상과 그에 영향을 미친 요인들에 대한 관심이 증대되고 있다. 본 연구에서는 상업 집적지의 공간적 변화가 활발히 일어나는 홍대지역을 사례로 상업 집적지의 시공간적 변화 분석을 수행하였다. 분석에는 비교적 짧은 기간에 발생한 상업 집적지의 공간적 범위 변화를 탐지하는 데에 적합성이 높은 유동인구 자료와 기존의 연구들에서 활용한 요식업 현황 자료를 이용하였으며, 각각 2016 4월년부터 2017년 4월까지 세 개 시점의 분석 결과를 비교하였다. 인구유동 자료에 기반을 둔 분석 결과, 홍대지역 상업 집적지의 공간적 범위가 점차 확장되었으며 특히 북측 방향과 남측 방향으로 크게 변화하였음을 확인하였다. 요식업 현황 자료에서도 유사한 공간적 변화가 탐지되었으나, 변화량이 다소 적게 나타났다. 홍대지역과 신촌·이대거 리, 망리단길은 상업 집적지 간의 연결성이 뚜렷하게 드러나지 않고 별개의 집적지를 형성한 것으로 나타났다. 종합적으로 홍대지역 의 상업 집적지는 포화상태인 기존의 공간적 범위를 벗어나 임대료가 상대적으로 저렴한 주택가로 확장되는 형태로 변화해나간다는 점이 재확인되었다. 본 연구에서 활용한 자료와 방법론 및 정량적 분석 결과는 젠트리피케이션을 비롯하여 도시공간구조 변화와 관련된 논의들에 활용될 수 있을 것으로 기대된다.

Geographical distribution of agglomerated marketplaces in the city and the factors affecting them have been attracting attention lately. In the present study, we estimated geographic dimensions of the agglomerated marketplace on April 2016, October 2016, and April 2017, and interpreted the spatial pattern occurred in the area located neighboring Hongik University (Hongdae). To detect a spatial range of the agglomerated marketplace, we used pedestrian flow data and the restaurant business status data. As a result of the analysis based on the pedestrian flow data, it was confirmed that the spatial extent of Hongdae agglomerated marketplace gradually expanded, especially to the northward and southward directions. Similar spatial changes were detected in the restaurant data, but the amount of change was slightly smaller. The Hongdae area, the Shinchon Yidae street, and the Manglidan street have formed discrete agglomerated area without showing their connectivity. Overall, the spatial changes of Hongdae agglomerated marketplace were confirmed to be extended beyond the existing spatial range, which was saturated, to the residential area where rent fees are relatively cheaper.

In this paper, we discuss the concept of Spatio-Temporal Data Warehouse and analyze the organization model of spatio-temporal data. Based on the above, we found the framework of Spatio-Temporal Data Warehouse composed of data source, processing tools and application, which covers the whole process from building warehouse to supplying services.

With the rapid growth of the economy and fossil fuel consumption, the concentration of air pollutants has increased significantly and the air pollution problem is no longer limited to small areas. We conduct statistical analysis with the actual data related to air quality that covers the entire of South Korea using R and Python. Some factors such as SO₂, CO, O₃, NO₂, PM₁₀, precipitation, wind speed, wind direction, vapor pressure, local pressure, sea level pressure, temperature, humidity, and others are used as covariates. The main goal of this paper is to predict air quality index (AQI) spatio-temporal data. The observations of spatio-temporal big datasets like AQI data are correlated both spatially and temporally, and computation of the prediction or forecasting with dependence structure is often infeasible. As such, the likelihood function based on the spatio-temporal model may be complicated and some special modelings are useful for statistically reliable predictions. In this paper, we propose several methods for this big spatio-temporal AQI data. First, random effects with spatio-temporal basis functions model, a classical statistical analysis, is proposed. Next, neural networks model, a deep learning method based on artificial neural networks, is applied. Finally, random forest model, a machine learning method that is closer to computational science, will be introduced. Then we compare the forecasting performance of each other in terms of predictive diagnostics. As a result of the analysis, all three methods predicted the normal level of PM_2.5 well, but the performance seems to be poor at the extreme value.