Introducción
Los avances en la tecnología móvil aumentaron la necesidad de utilizar, cada vez más, eficientes sistemas de almacenamiento que se caracterizan por incorporar aspectos espaciales (semántica especial junto con funciones) en el modelo de datos y el sistema gestor para su adecuada manipulación en una base de datos espacial. Estos aspectos espaciales definen el marco de referencia para establecer la localización geográfica y la relación entre los objetos que la componen.
Los objetos espaciales que componen una base de datos espacial (geográfica) están representados por geometrías, como puntos, líneas, polígonos, sus colecciones, combinaciones y las relaciones espaciales entre ellos (relaciones topológicas) (Paredaens y Kuijpers, 1998; Paredaens, Van den Bussche y Van Gucht, 1994) como se evidencia en la figura 1. Las geometrías mencionadas se conocen también como datos vectoriales, que se representan en un modelo de datos vectorial y se caracterizan por su naturaleza georreferenciada y multidireccional.
Por un lado, la naturaleza georreferenciada alude a la posición relativa o absoluta del objeto espacial y, por el otro, la multidireccional define las relaciones complejas no lineales, de acuerdo con la primera ley de la geografía: “Todo está relacionado con todo, pero las cosas más cercanas están más relacionadas que las cosas más lejanas” (Tobler, 1970); es decir, que la relación no puede ser unidireccional. Así como los datos vectoriales se representan a partir del modelo de datos vectorial, existe también el modelo de datos conformado por una grilla de un número finito de puntos o píxeles, también llamado modelo raster, obtenido a partir de información espectral de imágenes ortorrectificadas y georreferenciadas utilizadas comúnmente en agricultura de precisión (Camacho, Vargas y Arguello, 2016). Además de los anteriores modelos de datos espaciales, que son los más usados, diferentes autores han propuesto algunos nuevos, como el modelo de datos de triángulos irregulares TIN (trianguled irregular network) (Nguyen, 2010), el polinomial y el topológico (Kanellakis, Kuper y Revesz, 1995; Erwig et al., 1998; Donoso, 2011).
Todos estos tipos de modelos de datos geográficos se han empleado para representar y analizar eventos o elementos que ocurren en un determinado sitio, por ejemplo, sedimentos acumulados en el corredor vial Bogotá-Soacha (Zafra, Peña y Álvarez, 2013), emisiones de fuentes móviles en Bogotá (Carmona et al., 2016),
Tanto en el modelo de datos vectorial como en el raster se define la posición absoluta o relativa de la localización geográfica de los objetos espaciales, pero estos también presentan cambios en el tiempo, en aspectos como:
Los modelos de datos espaciales básicos no permiten la representación de estos cambios y con el desarrollo de los servicios basados en localización (location based services, LBS) (Abul, Bonchi y Nanni, 2008; Djafri, Fernandes, Paton y Griffiths, 2002) como SECONDO (Behr y Güting, 2005; De Almeida, Güting y Behr, 2006; Güting, 2007), DOMINO (Wolfson, Xu, Chamberlain y Jiang, 1998), EDPC (Wu et al., 2011) se requirió el diseño de una nueva base de datos para representar y que soporten consultas con localizaciones y tiempo (Behr, Teixeira de Almeida y Güting, 2006). Estas bases de datos espacio-temporales (Armstrong, 1988) no solo soportan aspectos de tiempo tradicional definido por el usuario, como el atributo de fecha (Ozsoyoglu y Snodgrass, 1995), sino también aspectos de tiempo que permiten cualquier actualización o cambio sin que se pierda el estado anterior y se almacene el nuevo mediante etiquetas de tiempo.
Los componentes de las bases de datos espacio-temporales son definidos con un conjunto finito de puntos en un espacio (Pfoser, Jensen y Theodoridis, 2000) que cambian en el tiempo (posición, geometría y densidad) ante determinados eventos (Shrestha, Miller, Zhu y Zhao, 2013). La información almacenada en las bases de datos espacio-temporales depende de ciertas características, a saber:
La última característica hace referencia, por un lado, al movimiento debido a las alteraciones en la posición en el espacio a lo largo del tiempo; por el otro, el cambio se ocupa de cómo el objeto espacial sufre la transformación en su extensión.
Es así como existen, al igual que los modelos de bases de datos espaciales (Huibing et al., 2012), los modelos espaciotemporales (Jianqiu Xu, 2012), como los que aparecen a continuación (Rojas, 2010; Rodríguez, Zambrana y Bernabé, 2009):
Modelo de datos Snapshot, (Martínez-Rosales y Levachkine, 2014; Gutiérrez, 2007; Armstrong, 1988).
Modelo de datos basado en time-stamping (Tao y Dimitris, 2001).
Modelo de datos espacio-temporales con objetos en movimiento.
Modelo espacio-temporal entidad/relación (Zapata y Durango, 2013).
Modelo de datos espacio-temporales orientado a objetos (Durango, 2014; Brodsky, Segal, Chen y Exarkhopoulo, 1999).
Modelo de datos espaciotemporales polinomiales (Rojas, 2010).
Modelo compuesto de espacio-tiempo STC (Nadi y Delavar, 2003)
Modelo de datos orientado a eventos ESTDM (Lohfink, Carnduff, Thomas y Ware, 2007).
Las bases de datos que parten del modelo de datos espaciotemporales con objetos en movimiento son de interés para el presente artículo, ya que solo representan cambios relacionados con los movimientos y cambios de los objetos, a diferencia de las demás bases espacio-temporales, donde la identidad de la componente geográfica también cambia en el tiempo (Correa, Ortiz y Gagliardi, 2004).
Bases de datos espaciotemporales con objetos en movimiento
Las bases de datos espacio-temporales con objetos en movimiento capturan y etiquetan la posición de objetos que están moviéndose en el espacio a través del tiempo (Trajcevski et al., 2006). En estas bases ocurre que los objetos cambian sus ubicaciones o formas a través del tiempo, es decir, se modifica la posición geográfica del objeto (Praing y Schneider, 2007; Qi y Schneider, 2012).
Los movimientos se definen como un segmento de líneas conectadas, definidas comúnmente como trayectorias que, mediante métodos de regresión, permiten modelar los cambios de localización en variables (Abdessalem, Decreusefond y Moreira, 2006) de forma continua del objeto en movimiento (Ortiz, 2014).
Para representar en los sistemas estas trayectorias se emplea la abstracción moving point, o si se quiere registrar sus variaciones geométricas (tanto el crecimiento como la disminución del mismo) se emplea moving region (Rojas, 2010; Behr, Texeira de Almeida y Güting, 2006; Erwig, Güting, Schneider y Vazirgiannis, 1999; Olsen y Mckenney, 2013).
Taxonomía
Hay una diferencia crítica en la estructura de los objetos que se mueven y la estructura de objetos estáticos. Con los objetos estáticos, las estructuras de datos espaciales asumen que los objetos son constantes, mientras que los objetos en movimiento requieren actualizaciones frecuentes de sus ubicaciones (Alamri, Taniar y Safar, 2014; Martínez-Rosales y Levachkine, 2014), como se observa en la figura 2.
De acuerdo con Alamri, Taniar y Safar (2014), los objetos en movimiento, debido a su propia naturaleza, muestran nuevas características, como dirección, velocidad y patrones de movimiento. Las consultas de objetos en movimiento comprenden cinco perspectivas (Viqueira y Lorentzos, 2007):
Localización: incluye consultas espaciales básicas comunes en las bases de datos espaciales (Join, Reverse Nearest Neighbor [RNN], K, vecinos más cercanos, rangos y otros) (Chunming, 2013).
Movimiento: que cubre las consultas de dirección, velocidad, distancia y desplazamiento. El movimiento puede ser observado mediante la vinculación de una referencia a un objeto en movimiento y medir su cambio de ubicación con respecto al otro marco de referencia. Los vectores de movimiento se clasifican como: velocidad, dirección, distancia y desplazamiento.
Objeto: incluye las consultas de tipo y de forma del objeto. La primera lo examinará desde una perspectiva de tipo único o tipos múltiples, y la forma podría consultar características de longitud y área.
Temporal: define la trayectoria y marcas de tiempo (timestamped), y se relaciona con consultas como: inside, disjoint, meet, equal, contain, superposición y consultas de periodos. Donde, las consultas pueden ser históricas (temporales), actuales o futuras (predicciones) para los objetos que se desplazan de un lugar a otro dada una trayectoria de acuerdo a la figura 4.
Patrones de movimiento: donde los objetos están utilizando el movimiento indefinido o patrones de movimiento predefinidos, que pueden ser los patrones de movimiento espacial y patrones de movimiento temporales. Las consultas se clasifican en tres patrones espaciales, espacio-temporales. De estos tres, este artículo solo detallará el de movimiento espaciotemporal.
Al considerar que los objetos se mueven en un espacio bidimensional (x, y) como el mostrado en la figura 2, y que pueden ser representados en el espacio tridimensional (x, y, t) (Erwig et al., 1999), donde x y y son variables espaciales, y t representa la variable temporal. El espacio tridimensional está definido desde diferentes entornos, y el conocimiento del entorno o ambiente de movimiento de los objetos es esencial, ya que, dependiendo del tipo de ambiente, se debe ilustrar el tipo de consulta. Los diferentes entornos de movimiento incluyen el espacio euclidiano que es un ambiente sin restricciones, la red de caminos espaciales que es un ambiente restringido a una red de caminos y celdas espaciales que es un ambiente restringido (Giraudi et al., 2007) observados en la figura 3.
La diferencia básica entre las celdas espaciales, el espacio euclidiano y las redes de caminos espaciales es la dependencia de la representación geométrica de la propiedad espacial. Las consultas en el espacio euclidiano o en la red espacial de caminos tienen en cuenta los movimientos de los objetos entre pares de coordenadas, mientras que las consultas en las celdas espaciales se basan en notaciones de celdas, por ejemplo: ¿Cuáles son los objetos que se mueven en la celda C1? (Alamri, Taniar y Safar, 2014). De forma que, en un espacio geométrico, tanto la posición actual como las posiciones futuras son representadas como n-tuplas coordenadas, en forma de puntos, áreas y volúmenes.
En las consultas históricas temporales de trayectorias, el valor de un objeto será diferente en dos estados de bases de datos respectivas; por tanto, las consultas de tiempo se pueden clasificar como etiqueta de tiempo pasada, etiqueta de tiempo actual, etiqueta de tiempo futura y el intervalo (rango) de etiquetas de tiempo.
Índices y estructuras de datos de objetos en movimiento
Este tipo de consultas debe contar con la indexación adecuada (Giraudi et al., 2007; Correa, Ortiz y Gagliardi, 2004), por esto las estructuras de índices han evolucionado iniciando con el índice de estructura árbol: R-tree y el B-tree, que son los padres de los objetos en movimiento. El primero permite el acceso a la extensión espacial y el segundo aporta la extensión temporal (Marín y Rodríguez, 2010; Yim, Joo y Park, 2011), lo que genera el índice RB-tree que brinda una indexación espacio-temporal, pero que no soporta consultas sobre trayectorias. Por esto se han propuesto índices derivados de índices espacio-temporales considerando las cinco perspectivas de consultas objeto en movimiento mencionadas por Alamri, Taniar y Safar(2014).
Algunos índices más novedosos como TPR-tree (parámetros de tiempo R-tree), DV-TPR*-tree (dirección y velocidad -tree), STAR-tree (Lin, 2012), TB-tree (trayectoria pasada -tree) (Lange, Dürr y Rothermel, 2008), REXP-tree no solo permiten el acceso a los modelos de este tipo de datos, sino que también soporta procesamiento en múltiples dimensiones y permite indexar movimientos de trayectorias pasadas, actuales y futuras estimadas (Lin, 2012).
Se encuentran otras propuestas que van dirigidas directamente a aplicaciones sobre redes fijas (Correa, Ortiz y Gagliardi, 2004) como el índice I+MON-Tree yel indice Statistics and trace-based meta-index (STM-index) que es diseñado para resolver intervalo de tiempo o intervalo de tiempo de las consultas y las consultas sobre la ubicación de un objeto en particular, en un instante de tiempo dado (Marín y Rodríguez, 2010; Giraudi et al., 2007).
Mientras Indoor-tree registra movimientos dentro de las celdas espaciales (Alamri, Taniar y Safar, 2014). Otras propuestas de estructuras e índice incluyen la capacidad de procesar datos de objetos en movimientos considerando objetos vecinos también en movimiento como el M2TPR-tree (Chunming, 2013).
Por otro lado, también existen herramientas que permiten el modelaje de estos índices y tipos de objetos en movimiento, como el denominado STXER (Jin, Wan y Yue, 2008).
Patrones espacio-temporales
De acuerdo con Alamri, Taniar y Safar (2014), estos patrones abordan las características espaciales y temporales, en conjunto, de los objetos en movimiento; algunos de los patrones espacio-temporales son los incidentes, los constantes, los secuenciales, los periódicos, los de agrupación y los de cluster en movimiento. Los patrones de movimientos incidentes entre objetos se pueden dividir en cuatro tipos:
Concurrencia: patrón que contiene un conjunto de entidades que tiene valores similares de atributos de movimiento para cierta duración de tiempo.
Coincidencia: un tipo específico de la incidencia que tiene en cuenta la similitud de las posiciones de los objetos en movimiento. Puede haber completa coincidencia, lo que significa que los mismos lugares se alcanzan al mismo tiempo, o coincidencia con rezago, que significa que las mismas ubicaciones se alcanzan después de un retardo de tiempo.
Oposición: arreglo multipolar de valores de parámetros de movimiento, como un grupo repentino de movimiento de objetos hacia dos direcciones opuestas.
Dispersión: movimiento no uniforme o concurrencia opuesta.
Los patrones constantes ocurren cuando el movimiento se compone de parámetros de los mismos valores o solo cuando cambia ligeramente para una duración determinada. Por ejemplo, un grupo de coches se están moviendo en una carretera recta a una velocidad específica, y la dirección y los parámetros derivados siguen siendo los mismos para una duración particular.
Además, los patrones secuenciales son una serie de lugares que han sido visitados como una lista ordenada. Este tipo de patrón indica un punto de inicio y uno final conocido en el espacio y tiempo. Por ejemplo: un grupo de turistas que visita un conjunto de lugares, como el zoológico, el museo y la galería, en secuencia particular en una duración de tiempo determinado.
Así mismo, los patrones periódicos muestran un patrón cíclico a través de un periodo de tiempo. Este tipo muestra una repetición regular del movimiento (periodicidad espacio-temporal) para una duración determinada. Por ejemplo: los coches de seguridad patrullando regularmente y que monitorean lugares específicos en cada periodo de tiempo.
El patrón de agrupación consiste en un conjunto de objetos en movimiento agrupados en una particular localización. Por ejemplo, en la figura 5, un grupo de niños se reúnen para tomar el mismo bus.
Finalmente, los cluster de movimiento son un conjunto de objetos que quedan cerca uno del otro mientras se mueven en un camino similar por una duración específica; por ejemplo, las tropas en movimiento en un campo de batalla.
Conclusiones
Con el desarrollo de GPS y wifi, el correcto registro de los lugares se ha convertido en una fuente de generación de información; así mismo, este registro se emplea para el desarrollo de diferentes aplicaciones de seguridad, tráfico, servicios de taxi y ambientales que permiten ser consultadas en las bases de datos de los objetos en movimiento.
Debido a la gran cantidad de aplicaciones de servicios basados en localización que tienen las bases de datos de los objetos en movimiento, se considera que podrían usarse para, por ejemplo, seguir a las personas, lo cual afectaría la privacidad. Por esto últimamente se han iniciado investigaciones para que, aunque se usen aparatos digitales como iPad y smartphones, se pueda mantener la privacidad (Abul, Bonchi y Nanni, 2010).