Repository navigation
Expand file tree
/
Copy pathprojects.html
More file actions
174 lines (156 loc) · 25.1 KB
/
Copy pathprojects.html
File metadata and controls
174 lines (156 loc) · 25.1 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
<!DOCTYPE HTML>
<!--
Theory by TEMPLATED
templated.co @templatedco
Released for free under the Creative Commons Attribution 3.0 license (templated.co/license)
-->
<html>
<head>
<link rel="shortcut icon" href="favicon.ico">
<title>Projects - Insight Data Science Lab</title>
<meta charset="utf-8" />
<meta name="viewport" content="width=device-width, initial-scale=1" />
<link rel="stylesheet" href="assets/css/main.css" />
</head>
<body class="subpage">
<!-- Header -->
<header id="header">
<div class="inner">
<a href="index.html" class="logo">
<img src="images/logo-titulo1.png" style="width: 100%; height: 100%;">
</a>
<nav id="nav">
<a href="index.html">Home</a>
<a href="publications.html">Publications</a>
<a href="projects.html" class="active">Projects</a>
<a href="talks.html">Talks</a>
<a href="fellows.html">Fellows</a>
<a href="partners.html">Partners</a>
</nav>
<a href="#navPanel" class="navPanelToggle"><span class="fa fa-bars"></span></a>
</div>
</header>
<!-- Three -->
<section id="three" class="wrapper">
<div class="inner">
<header class="align-center">
<h2>Projects</h2>
<p>Research and Development</p>
</header>
<header style="margin-bottom: 0px;">
<h4>LargeScale Time Dependent Graphs</h4>
<p style="font-weight: 600;">2016 - Current</p>
</header>
<blockquote>
Graph models and algorithms are ubiquitous of a large number of application domains, ranging from transportation to social networks, semantic web, or data mining. However, many applications require graph models that are time dependent. For example, applications related to urban mobility analysis employ a graph structure of the underlying road network. Indeed, the nature of such networks are spatiotemporal. Therefore, the time a moving object takes to cross a path segment typically depends on the starting instant of time. So, we call timedependent graphs, the graphs that have this spatiotemporal feature. In this project we aim to address the problem of processing largescale timedependent graphs, since there are many real world applications deal with a large volumes of spatiotemporal data (e.g. moving objects? trajectories). Managing largescale timedependent graphs is very challenging since this requires sophisticated methods and techniques for creating, storing, accessing and processing such graphs in a distributed environment, because centralized approaches do not scale in a Big Data scenario. Furthermore, we intend to develop an open source software platform that aims to facilitate the development of applications that rely on largescale graphs. This project will be developed by INSIGHT and LIMOS/PRIMS research laboratories respectively from the Federal University of Ceará and the Blaise Pascal University/University of Versailles.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Ontologia dos dados geológicos gerados em poços do E&P (in portuguese)</h4>
<p style="font-weight: 600;">2015 - Current</p>
</header>
<blockquote>
Recentes projetos, como da OneGeology Europe e da Rede de Informações Geocientificas dos Estados Unidos (USGIN) aplicam ontologias para harmonizar os dados geológicos a serem distribuídos a diversos usuários. E assim aumentar a aplicabilidade destes dados e informações em diversos portais. As ontologias aplicadas na ciência computacional são definidas como uma forma de contextualização do conhecimento embutido nos dados. Avanços na área de geociências tem sido documentado em relação ao tempo geológico e analise estratigráficas, potencializando a interoperalidade de um dado.Desta forma acredita-se que um trabalho de ontologia é vital para dimensão dos dados e informações geradas pelo e para o E&P. A análise de rochas geradas a partir de poços perfurados é realizada pelos laboratórios de geologia, e gera informações fundamentais para engrenagem do negocio, seja exploratório ou exploratório. Os diversos processos que compõem a tarefa de análise de rocha revelam características intrínsecas das rochas, envolvendo diversas atividades, as quais são realizadas por diversos profissionais. A cada etapa deste processo são gerados dados, informações, os quais são armazenados em uma base de dados estruturada para uma integração de informações geradas em processos e em fases cronologicamente distintas, porém complementares. Neste contexto, a elaboração de uma ontologia das origens, amostras, produtos e processos permite ter conceitos únicos estruturados para uma disponibilização destas informações onde se fizer necessária, decisória ou operacionalmente. Trata-se de um trabalho acadêmico, fundamental pela magnitude dos dados que são gerados dentro dos processos de E&P do setor de Petroleo, Gás e Derivados. Além disso, este é um projeto pioneiro dentro do conceito de banco de dados para o setor de Petróleo, Gás e Derivados, mas com ganho extraordinário para organização e disponibilização de dados e informações para um ou mais sistemas e/ou processos.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Big Data: An Infrastructure for Finding Large-Scale SmartPhone Users Profiles</h4>
<p style="font-weight: 600;">2014 - 2016</p>
</header>
<blockquote>
Companies are seeing demonstrable value of Big Data and those companies are focusing on embedding big data analytics in business processes to drive process improvement. The proliferation of sensor, mobile, wearable, and embedded devices (Internet of Things) is driving the Big data market to investment in ?Data-in-Motion? and industries are using analytics on the data they have accumulated to develop new products and services. Large-scale data gathering and processing techniques are key for leveraging the characterization of users? preferences from a huge set of smartphone users. Besides, users? preferences are fundamental to drive fast detection of services in order to provide on-demand services. This platform will create opportunities to develop user-preference based services, which allow delivering, in real-time fashion, custom services to the users based on their momentary preferences. This project has two main objectives: (1) to build a platform for analyzing a huge amount of smartphone users data (Big Data) in order to mine and discover users' preference patterns. The basic idea is to sense smartphone users in order to generate a huge database with users' preferences patterns that can be used to deliver personalized services to the users according to their preference patterns. To do so, we plan to create an appealing application for smartphone users in order to sense their behavior. Then, we intend to use a Big Data infrastructure on a Cloud Computing environment allied to distributed data processing techniques, such as map-reduce in order to scale up data analysis on large datasets of smartphone users' behavior. Data analysis will resort to parallel versions of clustering, association rules and complex network methods in order to scale up discovery methods for characterizing user?s preferences. (2) to perform research on the main methods and techniques for processing large amount of data of mobile users in order to characterize their profile and preferences. This objective encompasses activities such as: literature review, analysis of large-scale data processing tools and algorithms, qualitative and quantitative experimentation, scientific paper writing, workshop preparation and presentation.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>CNPQ UNIVERSAL 2014 - Consultas Espaciais em Redes Dependentes de Tempo de Larga Escala (in portuguese)</h4>
<p style="font-weight: 600;">2014 - Current</p>
</header>
<blockquote>
O objetivo principal deste projeto é desenvolver métodos e técnicas para processamento de consultas em RDT-LE. Além disso, este projeto visa desenvolver uma nova plataforma de software, de código aberto e livre, que possa ser utilizada para realizar e/ou desenvolver consultas sobre RDT-LE. Para cada um desses objetivos principais, destacamos os sub-objetivos relacionados aos tópicos de pesquisa que deverão ser atacados ao longo deste projeto. Organizamos esses subobjetivos de acordo com as questões de pesquisa, destacando os tópicos especificos de pesquisa a serem tratados no contexto de cada subobjetivo.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>PROCAD/CASADINHO - Programa Parcerias em Pesquisa na Pós-Graduação (in portuguese)</h4>
<p style="font-weight: 600;">2012 - 2016</p>
</header>
<blockquote>
Esta proposta descreve uma solicitação de apoio financeiro a projetos conjuntos de pesquisa científica e tecnológica em 4 diferentes áreas da Ciência da Computação que visa estimular ou aprofundar a formação pós-graduada e a mobilidade docente e discente. Os projetos conjuntos aqui descritos, agrupados em uma só proposta como exigido no edital, têm o objetivo de promover a consolidação de Programa de Mestrado e Doutorado em Ciência da Computação da Universidade Federal do Ceará (MDCC-UFC) por meio da cooperação inter-regional entre 4 de seus grupos de pesquisa e seus congêneres de programas consolidados de instituições nacionais de ensino superior e de pesquisa do Estado do Rio de Janeiro. Como resultados do Programa, espera-se que haja fortalecimento da interação científico acadêmica de modo a constituir redes de cooperação, o aumento na formação e na capacitação de recursos humanos, o aumento da produção técnico-científica dos grupos de pesquisa, o fortalecimento de linhas de pesquisa. Considerando-se que parte significativa dos membros das equipes do MDCC-UFC é formada por recém-doutores com potencial para carreira científica, as atividades dos projetos conjuntos contribuirão para uma melhor distribuição regional dos núcleos de excelência em pesquisas no país. A descrição da proposta está organizada de forma a fornecer as informações separadamente por grupo de pesquisa, sempre que for pertinente essa separação.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>SEEK - SEmantic Enrichment of trajectory Knowledge discovery</h4>
<p style="font-weight: 600;">2012 - 2015</p>
</header>
<blockquote>
A flood of data pertinent to moving objects is available today, and will be more in the near future, particularly due to the automated collection of data from personal devices such as mobile phones and other location-aware devices. Such wealth of data, referenced both in space and time, may enable novel classes of applications of high societal and economic impact, provided that the discovery of consumable and concise knowledge out of these raw data is made possible. The fundamental hypothesis is that it is possible, in principle, to aid citizens in their mobile activities by analyzing the traces of their past activities by means of data mining techniques. For instance, behavioral patterns derived from mobile trajectories may allow inducing traffic flow information, capable to help people travelling efficiently, to help public administrations in traffic-related decision making for sustainable mobility and security management. Behavioral patterns can be extracted through a knowledge discovery process where positioning data collected from mobile devices are first transformed in semantically enriched trajectory data stored in a database. Then, these data are loaded in a data warehouse and analyzed with OLAP operations that allow summarization of the trajectories features. Mobility patterns, the most common movements emerging from data, are computed with suitable spatio-temporal data mining algorithms. A further semantic enrichment step is needed to give context-dependent meaning to the discovered patterns. The goal of the project is to investigate methods to extract meaningful knowledge from large amount of movement data by defining techniques for an advanced semantic-rich knowledge discovery process.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Bilateral Collaboration - Mineração de Dados de Trajetórias Semanticamente Enriquecidas (in portuguese)</h4>
<p style="font-weight: 600;">2012 - 2014</p>
</header>
<blockquote>
Com o advento das tecnologias de computação móvel e computação ubíqua, a sociedade foi submetida a um novo paradigma de comunicação. As redes de comunicação sem fio, a comunicação via satélite e as redes de sensores propiciaram a instalação de um verdadeiro sistema nervoso de comunicação. Através desses nervos é possível rastrear a movimentação de pessoas e veículos e possivelmente armazená-las, produzindo um imenso volume de dados sobre mobilidade. Este cenário fornece muitas oportunidades e riscos. Por um lado, surge a oportunidade de obter, através desses dados, um conhecimento importante para análise da acessibilidade e mobilidade urbana. Por outro lado, surge o risco de tornar conhecidos os dados pessoais dos indivíduos, o que se revela como uma ameaça à privacidade individual. Neste contexto, surge uma nova área de pesquisa envolvendo três diferentes disciplinas: mobilidade, descoberta de conhecimento e privacidade. A disciplina mobilidade corresponde à analise dos padrões de deslocamento de objetos móveis sobre o espaço geográfico. Descoberta de conhecimento é uma antiga área de pesquisa que visa converter dados em conhecimento através de um processo suportado por algoritmos de mineração de dados. A privacidade consiste em preservar as informações pessoais que possam permitir a descoberta da identidade das mesmas. Mais especificamente, sob o ponto de vista de dado, a privacidade é uma área de pesquisa recente cujo objetivo é aplicar técnicas para proteger os dados durante sua captura e disseminação. Além disso, a pesquisa em privacidade visa definir mecanismos para especificar a expectativa de privacidade pública e tratar questões legais que envolvam este assunto. Uma importante iniciativa nesta nova linha de pesquisa foi o projeto europeu FP6-GeoPKDD (2006-2009), do qual o proponente deste projeto participou intensivamente, durante seu pós-doutorado na École Polytechnique Fédèral de Lausanne (EPFL-Suiça).
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Descrição, Publicação e Acesso a Conjuntos de Linked Data (in portuguese)</h4>
<p style="font-weight: 600;">2011 - 2013</p>
</header>
<blockquote>
Os princípios que regem a produção de Linked Data fornecem subsídios para a publicação e conexão de dados por meio da infraestrutura fornecida pela Web. Do ponto de vista do desenvolvimento de aplicativos, sugerem uma forma tanto para publicar bancos de dados na Web quanto para facilitar a interoperabilidade entre bancos de dados. Porém, o armazenamento e acesso a grandes conjuntos de triplas RDF, organizados segundo os princípios de Linked Data, representam um grande desafio. De fato, nem os repositórios especializados em triplas RDF, nem os processadores de consultas SPARQL escalam para o volume de dados desejado. Novos paradigmas devem então ser investigados para viabilizar este cenário. Computação em nuvem apresenta-se como uma opção na medida em que provê armazenamento e poder de processamento em larga escala e sob demanda. O objetivo geral do projeto consiste em desenvolver métodos, ferramentas e experimentos envolvendo a descrição, publicação e acesso a conjuntos de Linked Data. No que tange a descrição de conjuntos de Linked Data, o projeto enfatiza a qualidade do conjunto final de triplas RDF, medida tanto pela facilidade em identificar a semântica das classes e propriedades incluídas na descrição do conjunto de triplas RDF, via as restrições de integridade da ontologia de aplicação, quanto pela estratégia adotada para gerar as URIs que identificam os recursos descritos.No contexto de publicação de conjuntos de Linked Data, o projeto expande a estratégia de triplificação tradicional para também publicar triplas RDF em páginas Web estáticas com RDFa embutido. Explora também o uso de plataformas de computação em nuvem como opção para armazenamento e acesso a grandes grafos RDF, enfatizando técnicas de indexação.Quanto a acesso a conjuntos de Linked Data, o projeto explora métodos para otimização de consultas SPARQL no contexto de processamento exploratório e no contexto de processamento mediado.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Infraestrutura para Serviços Baseados em Mobilidade (in portuguese)</h4>
<p style="font-weight: 600;">2009 - 2013</p>
</header>
<blockquote>
Na ultima década, testemunhamos uma proliferação de equipamentos que viabilizaram a computação móvel. Aliado ao avanço tecnológica das redes de comunicação sem fio, tais equipamentos foram potencializados com o poder da comunicação ubíqua. Um segunda geração de equipamentos móveis dotados com sistema de localização geográfica (GPS) contribui para a exploração por aplicações baseadas em localização. Mais recentemente, com o advento da terceira geração de tecnologia e padrões de telefones móveis (3G), os serviços de telefonia poderão ser espandidos, tais como acesso a internet e chamadas usando video. É possível imaginar que a quantidade de informações disponíveis sobre posicionamento, movimentação e conteúdos relacionados (e.g. fotos, videos, etc) de pessoas será imenso num futuro próximo. Tal riqueza de informação, carregando informações sobre histórico de movimentação e contextos de seus usuários precisará de novos métodos, técnicas e ferramentas que lidem com este massivo volume de dados posicionais. O objetivo deste projeto é propor métodos, técnicas e ferramentas para gerenciar esse grande volume de dados, integrando-o através de uma infra-estrutura de serviços de mobilidade. Mais precisamente, nós pretendemos prover métodos para descoberta de conhecimento e análise de dados de mobilidade baseado em trajetórias de objetos móveis e conhecimento sobre o domínio de aplicação para projetar serviços de mobilidade adequados aos seus usuários. Tais métodos devem ser suportados por mecanismos que garantam a privacidade dos dados pessoais dos seus usuários. A infra-estrutura de integração deve basear-se na descrição semântica de serviços, permitindo assim a descoberta de serviços em tempo real de acordo com a movimentação do usuário. Neste plano, são ainda discutidos os objetivos e metas de desenvolvimento assim como o resultados esperados para esta pesquisa.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Scientific Modeling</h4>
<p style="font-weight: 600;">2008 - 2012</p>
</header>
<blockquote>
Large scale scientific projects are establishing new records in the use of computer technology. Using the vast network resources available and computing power through grid environments, scientists can envisage to collaboratively attack problems that few years ago would be unthinkable. Thus, although traditional experimental research remains extremely important, computer simulation based research have been developing as an strategy for exploring areas where in vivo experiments are not possible, not allowed or would consider unacceptable amount of time to be accomplished. In this context, new computer science challenges emerge to support computer based simulation. In this research proposal we are interested in investigating data and knowledge techniques to support a scientific model based investigation. The project considers a scientific endeavour the fruit of a scientific hypothesis within a formally defined world. Indeed, various hypotheses concerning the same question may be formulated and give birth to scientific models. The latter are eventually implemented as computational models and take part in simulations that produce data. Simulation data may validate, contradict or suggest modifications to the upper layer models, feeding the scientific exploratory cycle. In this context, the aim of this project is to support data and knowledge management produced during such exploratory research cycle.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>Modeling, Querying and Updating Trajectory Data Warehouse</h4>
<p style="font-weight: 600;">2007 - 2010</p>
</header>
<blockquote>
The amount of data available on computers has risen beyond imagination. Yet much of it is poorly used, if ever. Spatial data is a hot domain where a huge number of databases have been created, but the exploitation of the accumulated knowledge is hampered by poor interoperability and poor understanding of the potential benefits. The situation will only get worse: With the advent of GPS, mobile devices and ubiquitous computing, the amount of stored data on moving objects (e.g. people, animals, disasters, diseases) will explode. What is desperately missing are tools to turn massive data into fruitful condensed knowledge. Data warehouses (DW) currently are the best example of such tools. They are routinely used to support critical business decision-making. Unfortunately, few existing DW offer support for spatial data. Research on spatial DW is relatively recent and mostly focused on space only. It rapidly lead to the understanding that the real issue in terms of application requirements is to deal with both space and time aspects. More recent work therefore addresses spatio-temporal data warehousing (STDW). These STDW are recognized today as the real backbone to many new applications with high societal and environmental impact. This proposal aims at taking this line of development one step further, by promoting the concept of trajectory DW (TrDW) as a self-standing approach, rather than a derivable feature hidden in more generic STDW. Trajectories appear today as a basic data feature in an increasing variety of domains. Trajectory data include for example data on displaced populations, migrating animals, natural phenomena as hurricanes and tsunamis, as well as proteins and body cells. Analyzing trajectory data could allow deriving behavioural patterns that may enable understanding the spreading of some diseases, inducing suitable measures to protect populations and prevent further spreading of the disease, or in animal monitoring to increase survival chances for endan.
</blockquote>
<header style="margin-bottom: 0px;">
<h4>GEOPKDD - Geographic Privacy Knowledge Discovery and Delivery (in portuguese)</h4>
<p style="font-weight: 600;">2005 - 2009</p>
</header>
<blockquote>
Projeto Europeu financiado pela Comunidade Econômica Européia que envolve 8 universidades de diferentes países: Holanda, Itália, Bélgica, Suiça, Grécia, Turquia e Alemanha. O projeto tem como principal objetivo desenvolver novas teorias, técnicas e sistemas para descoberta de conhecimento geográfico baseados em novos métodos que preservem a privacidade na extração de conhecimento de grandes quantidades de dados brutos referenciados no tempo e no espaço, mais especificamente, trajetorias de objetos móveis. O projeto busca desenvolver todos os aspectos de pesquisa referentes aos dados espaço-temporais (trajetorias), que vão desde a modelagem conceitual, métodos de consulta, e novos sistemas de bancos de dados para trajetorias até a criação de data warehouse e técnicas avançadas para extração de conhecimento.
</blockquote>
</div>
</section>
<!-- Footer -->
<footer id="footer">
<div class="inner" style="padding-top: 1em;">
<div class="flex">
<div class="copyright">
Federal University of Ceará. Science Center.
</br>
Department of Computing. Block 952 - Pici Campus. Fortaleza, Ceará, Brazil. 60455-760.
</br>
Phone: +55 85 3366-9837
</br>
Email: <a href="mailto:insightlab@dc.ufc.br">insightlab@dc.ufc.br</a>
</br>
© 2017 Insight Data Science Lab. Powered using <a href="https://templated.co">Templated</a> theme.
</div>
<ul class="icons">
<li><a href="https://www.linkedin.com/company-beta/24429975" target="_blank" class="icon fa-linkedin"><span class="label">LinkedIn</span></a></li>
<li><a href="https://github.com/InsightLab" target="_blank" class="icon fa-github"><span class="label">Github</span></a></li>
<li><a href="https://www.instagram.com/_insightlab" class="icon fa-instagram"><span class="label">Instagram</span></a></li>
<li><a href="https://twitter.com/_insightdata" target="_blank" class="icon fa-twitter"><span class="label">Twitter</span></a></li>
</ul>
</div>
</div>
</footer>
<!-- Scripts -->
<script src="assets/js/jquery.min.js"></script>
<script src="assets/js/skel.min.js"></script>
<script src="assets/js/util.js"></script>
<script src="assets/js/main.js"></script>
</body>
</html>