Zusammenfassung

Die voranschreitende Digitalisierung macht Big Data und die zugehörigen Teilgebiete wie Industrie 4.0 und Internet of Things zu den IT-Trends unserer Zeit und die Zeitreihe zu einem der häufigsten und wichtigsten Datentypen. Durch die vermehrte Aufzeichnung der Zeitreihen werden große Mengen an Speicherplatz benötigt, sodass eine Kompression unumgänglich wird. Es existieren bereits Kompressionsmethoden, diese erfordern jedoch einen zeit- und rechenintensiven Dekompressionsschritt. Diese Arbeit stellt einen modellbasierten Ansatz zur Kompression vor. Dieser Ansatz nutzt die Ähnlichkeit zwischen den Zeitreihen, um möglichst viele Zeitreihen durch Referenzzeitreihe zu modellieren, damit nur ein Bruchteil des Speichers benötigt wird. Zudem wird in dieser Arbeit ein bereits vorhandenes Verfahren zur Zeitreihenkomprimierung so modifiziert, dass es mit dem neuen modellbasierten Ansatz vergleichbar ist. Beide Verfahren wurden weiterhin bzgl. der Kompressionsrate optimiert und anhand eines realen Datensatzes evaluiert.

Abstract

The advancing digitization makes Big Data and the associated subdivisions such as Industry 4.0 and Internet of Things to that IT trend of our time and the time series to one of the most common and important data types. The increased recording of the time serires requires large amounts of memory space, so thar compression becomes unavoidable. Compression methods already exist, but these require a decompression step which ist time und computationally intensive. This master thesis presents a model-based approach to time series comression. This approach uses the similarity between time series to model as many time series as possible by representatives time series so that only a small part of the memory is needed. Moreover, in this thesis an existing method for time series compression is modified so that it is comparable to the new model-based approach. Both methos were optimized with the focus on the compression rate and evaluated using a real data set.

Mehr