Estudio de rendimiento de bases de datos para series temporales aplicado a la construcción de modelos basados en datos para la mejora de eficiencia energética en edificios inteligentes

Abstract

Como resultado del crecimiento exponencial de los datos en numerosos ámbitos, los sistemas gestores de datos se han visto obligados a evolucionar para resolver los retos que plantea el “Big Data" o datos masivos. En el ámbito de la sostenibilidad, los edificios inteligentes generan grandes cantidades de datos constantemente y necesitan emplear métodos basados en datos para intentar mejorar su rendimiento y eficiencia energética en ausencia de modelos detallados. Para la construcción de modelos es necesario analizar datos que tienen asignadas etiquetas temporales, por ello para el presente trabajo contamos con datos de series temporales recopilados del edificio inteligente LUCIA de la Universidad de Valladolid. En este proyecto nos planteamos estudiar distintos sistemas gestores de bases de datos temporales para usarlos posteriormente en sistemas de aprendizaje automático. Estudiamos las cualidades de cuatro sistemas gestores de bases de datos que existen hoy en día en el mercado y analizamos su rendimiento a través de distintas consultas que están relacionadas con consultas típicas de recuperación y análisis de datos. Además, se desarrolla una herramienta que ayuda a la visualización de los resultados.

As a result of the exponential growth of data in many areas, data management systems have been forced to evolve to meet the challenges posed by Big Data. In the eld of sustainability, smart buildings are constantly generating large amounts of data and they need to employ datadriven methods to try to improve their performance and energy e ciency in the absence of detailed models. In order to build models it is necessary to analyze data that have time labels assigned to them, so for the present work we use time series data collected from the LUCIA smart building of the University of Valladolid. In this project we propose to study di erent temporal database management systems for later use in machine learning systems. We study the features of four database management systems that exist today in the market and analyze their performance through di erent queries that are related to typical data retrieval and analysis queries. Moreover, a tool is developed to help in the visualization of the results.