Trabalhos Futuros

Com o objetivo de prosseguir nos avanços de detecção de outliers espaciais para o algoritmo PCR-SCOD-MR pretende-se aplicar ontologia para facilitar a extração de conhecimento.

Outra possível contribuição é a aplicação da abordagem em bases de dados com maior número de dados espaciais e computadores mais robustos para utilização do MapReduce, de modo que nos experimentos de desempenho possam ser verificados os valores máximos da memória Heap para finalização do algoritmo.

Para ampliar ainda mais a capacidade da abordagem sugere-se modificar o algoritmo PCR-SCOD para contemplar a execução em base de dados espaciais com mais de duas dimensões, além da utilização de estruturas para melhorar ainda mais o desempenho, como por exemplo, a Quadtree.

Por fim, ampliar a capacidade de análise dos dados por meio de gráficos com visualização em três dimensões e novos recursos gráficos.

MR AVF

(KOUFAKOU et. al., 2008) Não Sim Sim Não Sim Não

WDA

(CAO et al., 2013) Sim Não Não Sim Não Não

ISOMRD

(CAI; HE;MAN, 2013) Sim Não Não Sim Sim Não

PCR-SCOD

(LIU; CHEN; LU, 2013) Sim Sim Não Sim Não Não

PCR-SCOD-MR

REFERÊNCIAS BIBLIOGRÁFICAS

BAKAR, Z. A. et al. A comparative study for outlier detection techniques in data mining. In: IEEE CONFERENCE ON CYBERNETICS AND INTELLIGENT SYSTEMS, n. 24, 2006, Singapore. Proceedings… Singapore: IEEE, 2006. p.1-6.

BICHLER, M.; KISS, C. A comparison of logistic regression, k-nearest neighbour, and decision tree induction. In: AMERICAS CONFERENCE ON INFORMATION SYSTEMS, 2004, New York. Proceedings… New York, 2004. p.1917-1925.

CAI, Q.; HE, H.; MAN, H. Spatial outlier detection based on iterative self-organizing learning model. Neurocomputing, Nijmegen, v.117, p.161-172, 2013.

CAO, L. et al. WSO-based spatial outlier detection algorithms. Journal of Networks, v.8,

n.7, p.1582-1588, 2013.

CARREIRA, J. A. Ferramenta de apoio à limpeza de dados no processo de extração de conhecimento de bases de dados. 2008. 83f. Trabalho de Conclusão de Curso (Bacharelado

em Ciência da Computação)-Instituto de Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista “Júlio de Mesquita Filho”, São José do Rio Preto, 2008.

CLEVE, C. et al. Classification of the wildland-urban interface: a comparison of pixel and object-based classifications using high-resolution aerial photography. Computers, Envi- ronment and Urban Systems, New York, v.32, n.4, p.317-326, 2008.

CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: a survey. ACM Computing Surveys, New York, v.41, n.3, p.1-58, 2009.

CHAWLA, S. GIONIS, A. kmeans--: A unified approach to clustering and outlier detection. In: SIAM INTERNATIONAL CONFERENCE ON DATA MINING, 2013, Texas.

Proceedings… Texas: Omnipress, 2013. p.189-197.

CHEN, D. et al. On detecting spatial outliers. GeoInformatica, Boston, v.12, n.4, p.455-475,

2007.

CHEN, F.; LU, C-T.; BOEDIHARDJO, A. P. Gls-sod: a generalized local statistical approach for spatial outlier detection. In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, n. 3, 2010, New York. Proceedings…

ESTIVILL-CASTRO, V.; LEE, I. AMOEBA: Hierarchical clustering based on spatial proximity using Delaunay diagram. In: INTERNATIONAL SYMPOSION ON SPATIAL DATA HANDLING, 2000, Beijing. Proceedings… Beijing, 2000, p.26-41.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, New York, v.39, n.11, p.27–34, 1996.

FIGUERA, C. et al. Multivariate spatial clustering of traffic accidents for local profiling of risk factors. In: INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS, 2011, Anchorage. Proceedings… Anchorage: IEEE, 2011.

p.740-745.

GEOSERVER. Servidor de mapas para web. Disponível em: <http://geoserver.org >.

Acesso em: 29 jun. 2014.

GOLDMAN, A. et al. Apache Hadoop: conceitos teóricos e práticos, evolução e novas possibilidades. In: JORNADAS DE ATUALIZAÇÃO EM INFORMÁTICA, n. 1, 2012, Porto Alegre. Anais… Porto Alegre, 2012.

GOOGLE. Visualizar dados geoespaciais. 2013. Disponível em: <https://developers.google.com/maps/visualize?hl=pt-br>. Acesso em: 29 jun. 2014.

GUHA, S.; RASTOGI, R.; SHIM, K. CURE: An efficient clustering algorithm for large databases. In: ACM SIGMOD INTERNATIONAL CONFERENCE MANAGEMENT OF DATA, 1998, Washington. Proceedings… Washington: ACM, 1998. p. 73-84.

HAN, J.; KAMBER, M.; PEI, J. Data mining concepts and techniques. 3Rd _{ed. São} Francisco: Elsevier, 2011.

HOSSEINALIZADEH, M.; RIVAZ, F.; HEDAYATIZADEH, R. Importance of outlier detection in spatial analysis of wind erosion. Procedia Environmental Sciences, Amsterdam,

v.7, p.341-346, jan. 2011.

HUANG, T.; QIN, X. Detecting outliers in spatial database. In: INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS, 2004, Hong Kong. Proceedings… Hong

Kong: IEEE, 2004. p.556-559.

JIN, H.; MIAO, B. The research progress of spatial data mining technique. In: INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND INFORMATION TECHNOLOGY, 2010, Chengdu. Proceedings… Chengdu: IEEE, 2010. p.81-84.

KIM, Y. et al. DBCURE-MR: an efficient density-based clustering algorithm for large data using MapReduce. Information Systems, v.42, p.15-35, jun. 2014.

KOPERSKI, K.; HAN, J. Discovery of spatial association rules in geographic information databases. In: SCHOLL, M.; VOISARD, A. (Ed.). Advances in spatial databases. Portland:

Springer-Verlag, 1997. p.47-66.

KOU, Y. Abnormal pattern recognition in spatial data. 2006. 126f. Tese (Doctor of

Philosophy in Computer Science and Applications)-Faculty of Virginia Polytechnic Institute e State University, Virginia, 2006.

______; LU, C-T; SANTOS, R. F. Spatial outlier detection: a graph-based approach. In: TOOLS WITH ARTIFICIAL INTELLIGENCE, 2007, Patras. Proceedings… Patras: IOS,

2007. p.281-288.

KOUFAKOU, A. et al. Fast parallel outlier detection for categorical datasets using MapReduce. In: NEURAL NETWORKS, 2008. Proceedings… Prague: IEEE, 2008. p.3298-

3304.

LIU, X.; CHEN, F.; LU, C-T. On detecting spatial categorical outliers. GeoInformatica, New

York, v. 18, p.501-536, 2013.

LU, C-T.; CHEN, D.; KOU, Y. Algorithms for spatial outlier detection. In: INTERNATIONAL CONFERENCE ON DATA MINING, 2003, Washington.

Proceedings… Washington: IEEE, 2003a. p.597-600.

______; ______; ______ Detecting spatial outliers with multiple attributes. In: IEEE INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE, 2003, Sacramento. Proceedings… Sacramento: IEEE, 2003b. p.122-128.

MASSART, D. L. et al. Visual presentation of data by means of box plots. LCGC Europe,

v.18, p.215–218, 2005.

MEDEIROS, C. A. Extração de conhecimento em bases de dados espaciais: algoritmo

CHSMST+. 106f. 2014. Dissertação (Mestrado em Ciência da Computação) -Instituto de

Biociências, Letras e Ciências Exatas, Universidade Estadual Paulista “Júlio de Mesquita Filho”, São José do Rio Preto, 2014.

MENNIS, J.; GUO, D. Spatial data mining and geographic knowledge discovery: an introduction. Computers, Environment and Urban Systems, New York, v.33, n.6, p.403-

MILLER, H. J.; HAN, J. Geographic data mining and knowledge discovery. 2Nd _{ed. New} York: CRC Press : Taylor & Francis, 2009.

NG, R.; HAN, J. CLARANS: A method for clustering objects for spatial data mining. IEE Transactions on Knowledge and Data Engineering, Washington, v.14, n.5, p.1003-1016,

2009.

ONG, K. H. et al. Automatic white matter lesion segmentation using an adaptive outlier detection method. Magnetic Resonance Imaging, Chicago, v.30, n.6, p.807-823, 2012.

OPENLAYERS. OpenLayers: free maps for the web. Beaverton, c2014. Disponível em:

<http://openlayers.org>. Acesso em: 29 jun. 2014.

ORACLE. O que é o Java?, c2014 Disponível em:

<http://www.java.com/pt_BR/download/whatis_java.jsp>. Acesso em: 29 jun. 2014

PATTABIRAMAN, V. et al. A novel spatial clustering with obstacles and facilitators constraint based on edge deduction and k- mediods. In: INTERNATIONAL CONFERENCE ON COMPUTER TECHNOLOGY AND DEVELOPMENT, 2009, Kota Kinabalu.

Proceedings… Kota Kinabalu, 2009. v.1, p.402-406.

PIATETSKY-SHAPIRO, G. KDNUGGETS: data mining, web mining, text mining, and

knowledge discovery. c2014. Disponível em: <http://www.kdnuggets.com/>. Acesso em: 29 jun. 2014.

POSTGRESQL. About. c1996-2014. Disponível em: <http://www.postgresql.org/about>.

Acesso em: 29 jun. 2014.

QIANG, X.; WEI, Y.; HANFEI, Z. Application of visualization technology in spatial data mining. In: INTERNATIONAL CONFERENCE ON COMPUTING, CONTROL AND INDUSTRIAL ENGINEERING, 2010, Hong Kong. Proceedings… Hong Kong: IEEE, 2010.

p.153-157.

SANTOS, M. Y.; AMARAL, L. A. Mining geo-referenced data with qualitative spatial reasoning strategies. Computers & Graphics, New York, v.28, n.3, p.371-379, 2004.

SHEIKHOLESLAMI, G.; CHATTERJEE, S.; ZHANG, A. Wavecluster: A multi-resolution clustering approach for very large spatial databases. In: INTERNATIONAL CONFERENCE ON VERY LARGE DATA BASES, 1998, San Francisco. Proceedings… San Francisco:

SHEKHAR, S.; LU, C.; ZHANG, P. A unified approach to detecting spatial outliers.

GeoInformatica, Boston, v.7, n.2, p.139-166, 2003.

______; LU, C-T.; ZHANG, P. Detecting graph-based spatial outliers: algorithms and applications (a summary of results). In: ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, 2001, Washington. Proceedings…

Washington: ACM, 2001. p.371-376.

______; XIONG, H. (Ed.). Encyclopedia of GIS. Springer, 2008.

______.; ZHANG, P.; HUANG, Y. Trends in spatial data mining. In: KARGUPTA, H. et al. (Ed.). Next generation challenges and future. Boca Raton: CRC Press, 2003.

SHENGWU, H. Method development about spatial data mining and its problem analysis. In: INTERNATIONAL CONFERENCE ON ELECTRONICS AND OPTOELECTRONICS, 2011, Shenyang. Proceedings… Shenyang, 2011. v.2, p. 144-147.

SONGMA, S. et al. Classification via k-means clustering and distance-based outlier detection.

In: INTERNATIONAL CONFERENCE ON ICT AND KNOWLEDGE

ENGINEERING,2012, Bangkok. Proceedings… Bangkok, 2012. p.125-128.

SURI, V. et al. Spatial outlier detection using improved z-score test. International Journal of Engineering Science, Texas, v. 5, p.1962-1966, 2013.

TORRES, J. M. et al. Detection of outliers in gas emissions from urban areas using functional data analysis. Journal of Hazardous Materials, Amsterdam, v.186, n.1, p.144-149, feb.

2011.

YEUNG, A. K. W.; HALL, G. B. Spatial database systems: design, implementation and

project management. Amsterdam: Springer, 2007.

XI, J. Outlier detection algorithms in data mining. In: INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION, 2008, Shangai.

Proceedings… Shangai: IEEE, 2008. v.1, n.4, p.94-97.

WONG, W-K. et al. Bayesian network anomaly pattern detection for disease outbreaks. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 2003, Atlanta.