Self-adjusting Model-based Processing of Declarative Forecast Queries in Data-Warehouse-Systems
Final Report Abstract
Die Zielstellung des Projektes bestand darin Wartungsmechanismen für Prognosemodelle zu entwickeln, die in einem Data Warehouse gespeichert sind. Dabei sollte die Planung der Wartungsmaßnahmen sich auch an den verfügbaren Systemressourcen und dem aktuellen Anfrageworkload orientieren, welcher einen Teil der verfügbaren Ressourcen bindet. Darüber hinaus sollte untersucht werden, wie hochparallele Hardware, wie z.B. APUs/GPUs, für die Modellwartung/-schätzung gewinnbringend eingesetzt werden kann. Die Forschungsergebnisse lassen sich in Wesentlichen in drei Bereiche einordnen: 1) Es wurden Wartungsmechanismen für Prognosemodelle entworfen, welche die im Data Warehouse gespeicherten Modelle aktuell halten und anpassen, sodass eine kontinuierlich hohe Prognosegenauigkeit sichergestellt werden kann. 2) Es wurde das Parallelisierungspotential des Prognoseprozesses für Zeitreihendaten untersucht und eine modellhafte Parallelisierung unter Nutzung von APUs umgesetzt. 3) Ist eine lastorientierte Ressourcenzuteilung entwickelt worden, welche effizient die Wartungsaufgaben an den gespeicherten Modellen vornimmt. Dazu wurde ein Priorisierungskonzept umgesetzt, welches unmittelbar zur Anfrageverarbeitung benötigte Modelle bevorzugt wartet und so eine schnelle Anfrageverarbeitung sicherstellt.
Publications
- 2017. „CSAR: The Cross-Sectional Autoregression Model.” In 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA) (pp. 232–241). Tokyo
Hartmann, C., Hahmann, M., Habich, D., & Lehner, W.
(See online at https://doi.org/10.1109/DSAA.2017.27) - 2019. „CSAR: the crosssectional autoregression model for short and long-range forecasting.” International Journal of Data Science and Analytics
Hartmann, C., Ressel, F., Hahmann, M., Habich, D., & Lehner, W.
(See online at https://doi.org/10.1007/s41060-018-00169-7)
