Big Spatial Data Analysis and Processing

Big Data steht für solch grosse Datensätze, bei welchen traditionelle Ansätze und Technologien an
ihre Grenzen kommen und Abfragen nicht mehr in zumutbarer Zeit ausgeführt werden können. Da
allerdings heutzutage immer mehr Daten gesammelt und verarbeitet werden, haben sich verschiedene
Technologien etabliert die das Speichern, Prozessieren, Analysieren und auch Visualisieren von Big
Data effizienter machen.
Geospatial Big Data kann als Subset von Big Data verstanden werden, bei welchem die Daten geographische
Attribute wie Punkte, Linien und Flächen beinhalten. Da der Anteil der geographischen
Daten immer weiter wächst, wird das performante Prozessieren dieser immer wichtiger. Dafür existieren
bereits Erweiterungen für verbreitete Big Data Technologien, dessen Funktionsumfang allerdings
noch sehr klein ist.
Das Ziel dieser Thesis ist es, den Einsatz von Geospatial Big Data Technologien anhand zweier Anwendungsfälle
zu evaluieren. Beim ersten Anwendungsfall werden aus OpenstreetMap Daten sogenannte
Areas-of-Interest (AOIs) extrahiert, welche dem Leser einer Karte einen Eindruck über hochfrequentierte
und sehenswerte Bereiche einer Stadt geben. Beim zweiten Anwendungsfall, der in Zusammenarbeit
mit einem Industriepartner entwickelt wird, werden Berechnungen und Auswertungen auf einer
grossen Anzahl GPS-Punkte ausgeführt. Beide Anwendungsfälle stossen an das Limit eines klassischen
DBMS, welches im ersten Teil dieser Thesis anhand einer Implementierung mit PostgreSQL aufgezeigt
wird. Im zweiten Teil wird ein geeigneter Big Data Technologie Stack eingeführt und dessen Potential
und Limitierungen aufgezeigt.