A spatial: temporal aware model selection for time series analysis
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do LNCC |
Texto Completo: | https://tede.lncc.br/handle/tede/338 |
Resumo: | Um Sistema de Serviço para Predição Espaço-Temporal é uma solução baseada na implan- tação de modelos pré-treinados, que permite aos usuários expressar Consultas Preditivas. As consultas preditivas espaço-temporais abrangem uma região espaço-temporal, uma variável preditiva e uma métrica de avaliação. O resultado dessa consulta contém os valores da variável preditiva na região especificada, calculada por modelos preditivos, procurando ao mesmo tempo maximizar a métrica de avaliação. Em domínios espaço-temporais, nos quais conjuntos de dados são representados por quantidades massivas de séries temporais, as abordagens tradicionais de processamento de dados e da análise de séries temporais tendem a gerar modelos preditivos que visam a acurácia na predição, resultando em tempos de execução e utilização de recursos computacionais elevados. Neste trabalho, é proposta uma metodologia passo a passo para a avaliação de consultas preditivas espaço-temporais, que visa reduzir a carga de trabalho computacional e o tempo que seria consumido se fosse treinado um modelo em cada um dos elementos de um domínio espaço–temporal. Isso é obtido escolhendo cuidadosamente os modelos preditivos a serem utilizados para inferência em cada elemento, dada uma consulta preditiva espaço–temporal. A metodologia proposta está composta de três etapas offline e uma etapa online: (1) o particionamento do domínio, baseado em técnicas de agrupamento com elementos representativos; (2) a geração de modelos preditivos temporais para os representantes; (3) um processo de classificação de série temporal que alavanca relacionamentos subjacentes entre modelos representativos e o particionamento do domínio; (4) um processo de inferência online que utiliza o classificador de séries temporais para compor modelos e calcular uma consulta preditiva espaço-temporal. A fim de avaliar a aplicabilidade da metodologia proposta, é utilizado um estudo de caso relacionado à previsão de temperatura, usando dados históricos e modelos autorregressivos. Através dos resultados de experimentos computacionais, é mostrado que é possível alcançar uma qualidade preditiva comparável usando uma composição de modelos baseada em representantes de grupos, com apenas uma fração do custo computacional. |
id |
LNCC_669af515eae08d50b95f10c7d72bf6c2 |
---|---|
oai_identifier_str |
oai:tede-server.lncc.br:tede/338 |
network_acronym_str |
LNCC |
network_name_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
repository_id_str |
|
spelling |
Porto, Fábio André MachadoOgasawara, EduardoTraina, Agma Juci MachadoDelicato, Flavia CoimbraFerreira, Joao EduardoGomes, Antonio Tadeu AzevedoSchulze, Bruno Richardhttp://lattes.cnpq.br/5269298101779710Zorrilla Coz, Rocío Milagros2023-03-29T17:09:26Z2021-06-01ZORRILLA COZ, R. M. A spatial: temporal aware model selection for time series analysis. 2021. 110 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2021.https://tede.lncc.br/handle/tede/338Um Sistema de Serviço para Predição Espaço-Temporal é uma solução baseada na implan- tação de modelos pré-treinados, que permite aos usuários expressar Consultas Preditivas. As consultas preditivas espaço-temporais abrangem uma região espaço-temporal, uma variável preditiva e uma métrica de avaliação. O resultado dessa consulta contém os valores da variável preditiva na região especificada, calculada por modelos preditivos, procurando ao mesmo tempo maximizar a métrica de avaliação. Em domínios espaço-temporais, nos quais conjuntos de dados são representados por quantidades massivas de séries temporais, as abordagens tradicionais de processamento de dados e da análise de séries temporais tendem a gerar modelos preditivos que visam a acurácia na predição, resultando em tempos de execução e utilização de recursos computacionais elevados. Neste trabalho, é proposta uma metodologia passo a passo para a avaliação de consultas preditivas espaço-temporais, que visa reduzir a carga de trabalho computacional e o tempo que seria consumido se fosse treinado um modelo em cada um dos elementos de um domínio espaço–temporal. Isso é obtido escolhendo cuidadosamente os modelos preditivos a serem utilizados para inferência em cada elemento, dada uma consulta preditiva espaço–temporal. A metodologia proposta está composta de três etapas offline e uma etapa online: (1) o particionamento do domínio, baseado em técnicas de agrupamento com elementos representativos; (2) a geração de modelos preditivos temporais para os representantes; (3) um processo de classificação de série temporal que alavanca relacionamentos subjacentes entre modelos representativos e o particionamento do domínio; (4) um processo de inferência online que utiliza o classificador de séries temporais para compor modelos e calcular uma consulta preditiva espaço-temporal. A fim de avaliar a aplicabilidade da metodologia proposta, é utilizado um estudo de caso relacionado à previsão de temperatura, usando dados históricos e modelos autorregressivos. Através dos resultados de experimentos computacionais, é mostrado que é possível alcançar uma qualidade preditiva comparável usando uma composição de modelos baseada em representantes de grupos, com apenas uma fração do custo computacional.A Spatio-Temporal Predictive Serving System is a solution based on pre-trained models that enables users to express Predictive Queries. Spatio-temporal Predictive Queries encompass a spatio-temporal region, a predictive variable, and an evaluation metric. The outcome of such query presents the values of the predictive variable on the specified region computed by predictive models while striving to maximize the evaluation metric. In Spatio-Temporal domains, where datasets are represented by massive amounts of univariate time-series, traditional data processing, and time-series analysis approaches tend to generate predictive models that aim for predictive accuracy, at the cost of large running times and high utilization of computational resources. In this work, we propose a step-by-step methodology for evaluating spatio-temporal predictive queries that aims to reduce the computational workload and time consumed if we were to train a model on each element of a spatio–temporal domain. It is achieved by carefully choosing the predictive models for inference at each element, given a spatio- temporal predictive query. Our methodology has three offline steps and an online step: (1) the domain partitioning, based on clustering techniques with representative elements; (2) the generation of temporal predictive models for the representatives; (3) a time series classification process that leverages underlying relationships between representative models and domain partitioning; (4) an online inference process that uses the time series classifier to compose models and compute a spatio-temporal predictive query. In order to evaluate the applicability of the proposed methodology, we use a case study for temperature forecasting using historical data and auto-regressive models. Results from computational experiments show that it is possible to achieve comparable predictive quality using a model composition based on cluster representatives, with a fraction of the computational cost.Submitted by Patrícia Vieira Silva (library@lncc.br) on 2023-03-29T17:08:06Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_final__Rocio.pdf: 3464466 bytes, checksum: 987c5e035134efa44942cb9bbcdcf0d1 (MD5)Approved for entry into archive by Patrícia Vieira Silva (library@lncc.br) on 2023-03-29T17:08:42Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_final__Rocio.pdf: 3464466 bytes, checksum: 987c5e035134efa44942cb9bbcdcf0d1 (MD5)Made available in DSpace on 2023-03-29T17:09:26Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_final__Rocio.pdf: 3464466 bytes, checksum: 987c5e035134efa44942cb9bbcdcf0d1 (MD5) Previous issue date: 2021-06-01application/pdfhttp://tede-server.lncc.br:8080/retrieve/1379/Tese_final__Rocio.pdf.jpgengLaboratório Nacional de Computação CientíficaPrograma de Pós-Graduação em Modelagem ComputacionalLNCCBrasilCoordenação de Pós-Graduação e Aperfeiçoamento (COPGA)http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessSéries temporaisEspaço temporalAgrupamento de séries temporaisModelos autorregressivosCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISEA spatial: temporal aware model selection for time series analysisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Biblioteca Digital de Teses e Dissertações do LNCCinstname:Laboratório Nacional de Computação Científica (LNCC)instacron:LNCCLICENSElicense.txtlicense.txttext/plain; charset=utf-82165http://tede-server.lncc.br:8080/tede/bitstream/tede/338/1/license.txtbd3efa91386c1718a7f26a329fdcb468MD51CC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://tede-server.lncc.br:8080/tede/bitstream/tede/338/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_texttext/html; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/338/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/338/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54ORIGINALTese_final__Rocio.pdfTese_final__Rocio.pdfapplication/pdf3464466http://tede-server.lncc.br:8080/tede/bitstream/tede/338/5/Tese_final__Rocio.pdf987c5e035134efa44942cb9bbcdcf0d1MD55TEXTTese_final__Rocio.pdf.txtTese_final__Rocio.pdf.txttext/plain239500http://tede-server.lncc.br:8080/tede/bitstream/tede/338/6/Tese_final__Rocio.pdf.txtd24241adddbf3438067da33725795b4dMD56THUMBNAILTese_final__Rocio.pdf.jpgTese_final__Rocio.pdf.jpgimage/jpeg3316http://tede-server.lncc.br:8080/tede/bitstream/tede/338/7/Tese_final__Rocio.pdf.jpgf90ac1a7c0b8fc729cb061b54af46d02MD57tede/3382023-03-30 02:18:04.341oai:tede-server.lncc.br:tede/338Tk9UQTogQ09MT1FVRSBBUVVJIEEgU1VBIFBSw5NQUklBIExJQ0VOw4dBCkVzdGEgbGljZW7Dp2EgZGUgZXhlbXBsbyDDqSBmb3JuZWNpZGEgYXBlbmFzIHBhcmEgZmlucyBpbmZvcm1hdGl2b3MuCgpMSUNFTsOHQSBERSBESVNUUklCVUnDh8ODTyBOw4NPLUVYQ0xVU0lWQQoKQ29tIGEgYXByZXNlbnRhw6fDo28gZGVzdGEgbGljZW7Dp2EsIHZvY8OqIChvIGF1dG9yIChlcykgb3UgbyB0aXR1bGFyIGRvcyBkaXJlaXRvcyBkZSBhdXRvcikgY29uY2VkZSDDoCBVbml2ZXJzaWRhZGUgClhYWCAoU2lnbGEgZGEgVW5pdmVyc2lkYWRlKSBvIGRpcmVpdG8gbsOjby1leGNsdXNpdm8gZGUgcmVwcm9kdXppciwgIHRyYWR1emlyIChjb25mb3JtZSBkZWZpbmlkbyBhYmFpeG8pLCBlL291IApkaXN0cmlidWlyIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyAoaW5jbHVpbmRvIG8gcmVzdW1vKSBwb3IgdG9kbyBvIG11bmRvIG5vIGZvcm1hdG8gaW1wcmVzc28gZSBlbGV0csO0bmljbyBlIAplbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8gb3MgZm9ybWF0b3Mgw6F1ZGlvIG91IHbDrWRlby4KClZvY8OqIGNvbmNvcmRhIHF1ZSBhIFNpZ2xhIGRlIFVuaXZlcnNpZGFkZSBwb2RlLCBzZW0gYWx0ZXJhciBvIGNvbnRlw7pkbywgdHJhbnNwb3IgYSBzdWEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvIApwYXJhIHF1YWxxdWVyIG1laW8gb3UgZm9ybWF0byBwYXJhIGZpbnMgZGUgcHJlc2VydmHDp8Ojby4KClZvY8OqIHRhbWLDqW0gY29uY29yZGEgcXVlIGEgU2lnbGEgZGUgVW5pdmVyc2lkYWRlIHBvZGUgbWFudGVyIG1haXMgZGUgdW1hIGPDs3BpYSBhIHN1YSB0ZXNlIG91IApkaXNzZXJ0YcOnw6NvIHBhcmEgZmlucyBkZSBzZWd1cmFuw6dhLCBiYWNrLXVwIGUgcHJlc2VydmHDp8Ojby4KClZvY8OqIGRlY2xhcmEgcXVlIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyDDqSBvcmlnaW5hbCBlIHF1ZSB2b2PDqiB0ZW0gbyBwb2RlciBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyAKbmVzdGEgbGljZW7Dp2EuIFZvY8OqIHRhbWLDqW0gZGVjbGFyYSBxdWUgbyBkZXDDs3NpdG8gZGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyBuw6NvLCBxdWUgc2VqYSBkZSBzZXUgCmNvbmhlY2ltZW50bywgaW5mcmluZ2UgZGlyZWl0b3MgYXV0b3JhaXMgZGUgbmluZ3XDqW0uCgpDYXNvIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyBjb250ZW5oYSBtYXRlcmlhbCBxdWUgdm9jw6ogbsOjbyBwb3NzdWkgYSB0aXR1bGFyaWRhZGUgZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCB2b2PDqiAKZGVjbGFyYSBxdWUgb2J0ZXZlIGEgcGVybWlzc8OjbyBpcnJlc3RyaXRhIGRvIGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBwYXJhIGNvbmNlZGVyIMOgIFNpZ2xhIGRlIFVuaXZlcnNpZGFkZSAKb3MgZGlyZWl0b3MgYXByZXNlbnRhZG9zIG5lc3RhIGxpY2Vuw6dhLCBlIHF1ZSBlc3NlIG1hdGVyaWFsIGRlIHByb3ByaWVkYWRlIGRlIHRlcmNlaXJvcyBlc3TDoSBjbGFyYW1lbnRlIAppZGVudGlmaWNhZG8gZSByZWNvbmhlY2lkbyBubyB0ZXh0byBvdSBubyBjb250ZcO6ZG8gZGEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvIG9yYSBkZXBvc2l0YWRhLgoKQ0FTTyBBIFRFU0UgT1UgRElTU0VSVEHDh8ODTyBPUkEgREVQT1NJVEFEQSBURU5IQSBTSURPIFJFU1VMVEFETyBERSBVTSBQQVRST0PDjU5JTyBPVSAKQVBPSU8gREUgVU1BIEFHw4pOQ0lBIERFIEZPTUVOVE8gT1UgT1VUUk8gT1JHQU5JU01PIFFVRSBOw4NPIFNFSkEgQSBTSUdMQSBERSAKVU5JVkVSU0lEQURFLCBWT0PDiiBERUNMQVJBIFFVRSBSRVNQRUlUT1UgVE9ET1MgRSBRVUFJU1FVRVIgRElSRUlUT1MgREUgUkVWSVPDg08gQ09NTyAKVEFNQsOJTSBBUyBERU1BSVMgT0JSSUdBw4fDlUVTIEVYSUdJREFTIFBPUiBDT05UUkFUTyBPVSBBQ09SRE8uCgpBIFNpZ2xhIGRlIFVuaXZlcnNpZGFkZSBzZSBjb21wcm9tZXRlIGEgaWRlbnRpZmljYXIgY2xhcmFtZW50ZSBvIHNldSBub21lIChzKSBvdSBvKHMpIG5vbWUocykgZG8ocykgCmRldGVudG9yKGVzKSBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgZGEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvLCBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIGFsw6ltIGRhcXVlbGFzIApjb25jZWRpZGFzIHBvciBlc3RhIGxpY2Vuw6dhLgo=Biblioteca Digital de Teses e Dissertaçõeshttps://tede.lncc.br/PUBhttps://tede.lncc.br/oai/requestlibrary@lncc.br||library@lncc.bropendoar:2023-03-30T05:18:04Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)false |
dc.title.por.fl_str_mv |
A spatial: temporal aware model selection for time series analysis |
title |
A spatial: temporal aware model selection for time series analysis |
spellingShingle |
A spatial: temporal aware model selection for time series analysis Zorrilla Coz, Rocío Milagros Séries temporais Espaço temporal Agrupamento de séries temporais Modelos autorregressivos CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
title_short |
A spatial: temporal aware model selection for time series analysis |
title_full |
A spatial: temporal aware model selection for time series analysis |
title_fullStr |
A spatial: temporal aware model selection for time series analysis |
title_full_unstemmed |
A spatial: temporal aware model selection for time series analysis |
title_sort |
A spatial: temporal aware model selection for time series analysis |
author |
Zorrilla Coz, Rocío Milagros |
author_facet |
Zorrilla Coz, Rocío Milagros |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Porto, Fábio André Machado |
dc.contributor.advisor2.fl_str_mv |
Ogasawara, Eduardo |
dc.contributor.referee1.fl_str_mv |
Traina, Agma Juci Machado |
dc.contributor.referee2.fl_str_mv |
Delicato, Flavia Coimbra |
dc.contributor.referee3.fl_str_mv |
Ferreira, Joao Eduardo |
dc.contributor.referee4.fl_str_mv |
Gomes, Antonio Tadeu Azevedo |
dc.contributor.referee5.fl_str_mv |
Schulze, Bruno Richard |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/5269298101779710 |
dc.contributor.author.fl_str_mv |
Zorrilla Coz, Rocío Milagros |
contributor_str_mv |
Porto, Fábio André Machado Ogasawara, Eduardo Traina, Agma Juci Machado Delicato, Flavia Coimbra Ferreira, Joao Eduardo Gomes, Antonio Tadeu Azevedo Schulze, Bruno Richard |
dc.subject.por.fl_str_mv |
Séries temporais Espaço temporal Agrupamento de séries temporais Modelos autorregressivos |
topic |
Séries temporais Espaço temporal Agrupamento de séries temporais Modelos autorregressivos CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
description |
Um Sistema de Serviço para Predição Espaço-Temporal é uma solução baseada na implan- tação de modelos pré-treinados, que permite aos usuários expressar Consultas Preditivas. As consultas preditivas espaço-temporais abrangem uma região espaço-temporal, uma variável preditiva e uma métrica de avaliação. O resultado dessa consulta contém os valores da variável preditiva na região especificada, calculada por modelos preditivos, procurando ao mesmo tempo maximizar a métrica de avaliação. Em domínios espaço-temporais, nos quais conjuntos de dados são representados por quantidades massivas de séries temporais, as abordagens tradicionais de processamento de dados e da análise de séries temporais tendem a gerar modelos preditivos que visam a acurácia na predição, resultando em tempos de execução e utilização de recursos computacionais elevados. Neste trabalho, é proposta uma metodologia passo a passo para a avaliação de consultas preditivas espaço-temporais, que visa reduzir a carga de trabalho computacional e o tempo que seria consumido se fosse treinado um modelo em cada um dos elementos de um domínio espaço–temporal. Isso é obtido escolhendo cuidadosamente os modelos preditivos a serem utilizados para inferência em cada elemento, dada uma consulta preditiva espaço–temporal. A metodologia proposta está composta de três etapas offline e uma etapa online: (1) o particionamento do domínio, baseado em técnicas de agrupamento com elementos representativos; (2) a geração de modelos preditivos temporais para os representantes; (3) um processo de classificação de série temporal que alavanca relacionamentos subjacentes entre modelos representativos e o particionamento do domínio; (4) um processo de inferência online que utiliza o classificador de séries temporais para compor modelos e calcular uma consulta preditiva espaço-temporal. A fim de avaliar a aplicabilidade da metodologia proposta, é utilizado um estudo de caso relacionado à previsão de temperatura, usando dados históricos e modelos autorregressivos. Através dos resultados de experimentos computacionais, é mostrado que é possível alcançar uma qualidade preditiva comparável usando uma composição de modelos baseada em representantes de grupos, com apenas uma fração do custo computacional. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-06-01 |
dc.date.accessioned.fl_str_mv |
2023-03-29T17:09:26Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
ZORRILLA COZ, R. M. A spatial: temporal aware model selection for time series analysis. 2021. 110 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2021. |
dc.identifier.uri.fl_str_mv |
https://tede.lncc.br/handle/tede/338 |
identifier_str_mv |
ZORRILLA COZ, R. M. A spatial: temporal aware model selection for time series analysis. 2021. 110 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2021. |
url |
https://tede.lncc.br/handle/tede/338 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Computacional |
dc.publisher.initials.fl_str_mv |
LNCC |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA) |
publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do LNCC instname:Laboratório Nacional de Computação Científica (LNCC) instacron:LNCC |
instname_str |
Laboratório Nacional de Computação Científica (LNCC) |
instacron_str |
LNCC |
institution |
LNCC |
reponame_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
collection |
Biblioteca Digital de Teses e Dissertações do LNCC |
bitstream.url.fl_str_mv |
http://tede-server.lncc.br:8080/tede/bitstream/tede/338/1/license.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/338/2/license_url http://tede-server.lncc.br:8080/tede/bitstream/tede/338/3/license_text http://tede-server.lncc.br:8080/tede/bitstream/tede/338/4/license_rdf http://tede-server.lncc.br:8080/tede/bitstream/tede/338/5/Tese_final__Rocio.pdf http://tede-server.lncc.br:8080/tede/bitstream/tede/338/6/Tese_final__Rocio.pdf.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/338/7/Tese_final__Rocio.pdf.jpg |
bitstream.checksum.fl_str_mv |
bd3efa91386c1718a7f26a329fdcb468 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 987c5e035134efa44942cb9bbcdcf0d1 d24241adddbf3438067da33725795b4d f90ac1a7c0b8fc729cb061b54af46d02 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC) |
repository.mail.fl_str_mv |
library@lncc.br||library@lncc.br |
_version_ |
1797683219917701120 |