Tez No	İndirme	Tez Künye	Durumu
387307		Spatio-temporal data management for vehicular traffic databases in high-performance computing environments / Yüksek başarımlı hesaplama ortamlarında araç trafiği veri tabanları için konum-zamansal veri yönetimi Yazar:METE UĞUR AKDOĞAN Danışman: DOÇ. DR. ADİL ALPKOÇAK Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Yazılım Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2014 106 s.
Trafik sıkışıklığı her gün bir çok insanın hayatını etkileyerek, bu problemin önemini arttırmaktadır. Bu problemin çözümü trafik verilerinin dikkatli ve detaylı analizinde yatmaktadır. Detaylı trafik analizlerinin yapılabilmesi için bu tez bir araç trafiği veri tabanı (ATVT) önermekte ve gerçekleştirmektedir. Hali hazırda mevcut olan hareketli nesne veri tabanları ve iz-düşüm veri tabanlarından farklı olarak ATVT araç bazlı ve geniş ölçekli konum verilerini verimli bir biçimde işleyebilmektedir. Bundan başka ATVT trafik akışı hakkında detaylı bilgi edinilmesini temel soruları tanımlayarak bunları MapReduce programlama yaklaşımı ile gerçekleştirmektedir. Yapılan deneylerin sonuçları ATVT'nin şehir büyüklüğündeki bir ölçekte her aracın seyahat süresi içindeki verilerini her saniye için başarılı bir şekilde işleyebildiğini göstermiştir. Sonuçlar sistemin ölçeklenebilirliğini desteklerken sorguların gerçekleştirilmesinden elde edilen bulgular ATVT'nin trafik veri analizini tatmin edici bir sürede başarabildiğini sergilemiştir. Bu çalışma ATVT trafik verisinin performanslı bir şekilde elde edilebilmesi için ölçeği ile taneselliğinden ödün verilmesinin gerekmediğini göstermiştir.
Traffic congestion affects several people lives every single day, making the congestion a crucial problem. Solution to this problem resides in a careful and detailed analysis of the traffic data. In order to make a detailed and accurate traffic analysis, this dissertation proposes and implements a vehicular traffic database (VTDB). Compared to the data aggregation of existing approaches as moving objects or trajectory databases, VTDB originally handles large-scale fine-grained position data efficiently. Moreover VTDB defines fundamental queries of traffic flow and implements them with MapReduce programming approach in cluster-computers environment. The experiments show that VTDB can successfully handle the data of individual vehicles for each second of their travel time in a citywide-scale. While the results exhibits the scalability of the system, the implementation outcomes of queries show that traffic data analysis with the VTDB can be accomplished in a satisfactory period of time. This study proves that there is not necessarily a tradeoff connection between either performance issues and granularity nor scale of traffic data.