Key points are not available for this paper at this time.
La prévision du coût des requêtes joue un rôle important dans les bases de données d'objets mobiles. Des prévisions précises aident les administrateurs de bases de données à programmer efficacement les charges de travail et à atteindre des stratégies optimales d'allocation des ressources. Il existe des travaux se concentrant sur la prédiction du coût des requêtes, mais la plupart d'entre eux utilisent des méthodes analytiques pour obtenir un modèle de prédiction des coûts basé sur des index. L'exactitude peut être sérieusement mise à l'épreuve à mesure que la charge de travail du système de gestion de base de données devient de plus en plus complexe. Contrairement aux travaux précédents, cet article propose une méthode appelée CPRQ (Prédiction du Coût de la Requête de Plage) qui est basée sur des techniques d'apprentissage automatique. La méthode proposée comprend quatre modèles d'apprentissage : le modèle de régression polynomiale, le modèle de régression d'arbre de décision, le modèle de régression de forêt aléatoire, et le modèle de régression KNN (k-Nearest Neighbor). En utilisant R-carré et MSE (Erreur Quadratique Moyenne) comme mesures, nous effectuons une évaluation expérimentale approfondie. Les résultats montrent que CPRQ atteint une haute précision et que le modèle de régression de forêt aléatoire obtient la meilleure performance prédictive (R-carré de 0,9695 et MSE de 0,154).
Guo et al. (Thu,) ont étudié cette question.