Projekt RETROFIT (Učinkovita stvarnovremenska obrada brzih geoprostornih podataka) rješava otvorena pitanja vezana uz filtriranje i obradu tokova podataka u stvarnom vremenu. Pritom se uglavnom bavi tokovima geoprostornih podataka, kao posebnom vrstom tokova podataka koji uključuju geoprostorne informacije (npr. geografsku širinu i dužinu). Kroz svoje ciljeve istraživanja, projekt RETROFIT istražuje učinkovitu usporedbu objekata iz geoprostornih tokova podataka s unaprijed definiranim interesima za njima te primjenu tehnika strojnog učenja u stvarnom vremenu nad njima kako bi ponudio rješenje za stvarnovremensku obradu geoprostornih tokova podataka. Kako bi se učinkovito nosio s problemom velike frekvencije takvih tokova podataka, projekt RETROFIT se bavi raspodijeljenom obradom podataka u računalnom grozdu. Osnovni podaci o projektu RETROFIT:

Projekt RETROFIT ima 5 općenitih ciljeva i 3 izravna znanstvena cilja. Općeniti ciljevi su upravljati projektom, uspostaviti istraživačku grupu, postaviti i održavati laboratorijsku opremu, prijaviti se na stale izvore financiranja te širiti informacije o postignućima na projektu. Znanstveni ciljevi su opisani u nastavku.

Cilj O4: Razviti algoritme za stvarnovremensku usporedbu brzih geoprostornih podataka
Opis: Ovim znanstvenim ciljem se razvija model za geoprostorne podatkovne objekte te algoritmi za njihovu učinkovitu usporedbu.
Očekivani rezultati:

• Model (objava i pretplata) kao geoprostornih objekata,
• Pregled centraliziranih i raspodijeljenih algoritama za usporedbu geoprostornih objekata,
• Učinkovita implementacija centraliziranih algoritama usporedbe (za geoprostorne objekte),
• Učinkovita implementacija raspodijeljenih algoritama usporedbe (za geoprostorne objekte) i
• Eksperimentalna evaluacija koja pokazuje prednost raspodijeljenih algoritama usporedbe s njihovim centraliziranim verzijama.

Utjecaj: Pomoću modela (objava i pretplata kao) geoprostornih objekata formalno će se opisati dolazeće objekte unutar geoprostornih tokova podataka te pretplate kao iskaze interesa za takve objekte. Razvijeni algoritmi za usporedbu bit će glavni građevni blok za platforme Interneta stvari koje rade s geoprostornim tokovima podataka. Eksperimentalna evaluacija omogućit će bolje razumijevanje prednosti korištenja računalnog grozda za učinkovitu obradu tokova podataka.

Cilj O5: Primijeniti tehnike strojnog učenja na brze geoprostorne podatke
Opis: Ovim znanstvenim ciljem će se pronaći značajni studijski slučajevi za primjenu tehnika strojnog učenja na geoprostorne tokove podataka koje će se zatim analizirati te nad njima primijeniti tehnike strojnog učenja.
Očekivani rezultati:

• Skup analiziranih istaknutih studijskih slučajeva (za primjenu tehnika strojnog učenja na brze geoprostorne podatke) s njihovim povijesnim geoprostornim podacima,
• Pregled tehnika strojnog učenja koje su prikladne za prethodno pronađene studijske slučajeve,
• Centralizirani i raspodijeljeni analitički modeli predikcije i njihove eksperimentalne procjene.

Utjecaj: Korištenjem prediktivnih metoda popunit će se nedostajuće vrijednosti u povijesnim geoprostornim podacima i na temelju trenutnih podataka predvidjeti buduće vrijednosti. S raspodijeljenim rješenjem moći će se učiniti isto, ali učinkovitije. Eksperimentalna evaluacija omogućit će bolje razumijevanje prednosti korištenja računalnog grozda za primjenu tehnika strojnog učenja na tokove podataka.

Cilj O6: Razviti raspodijeljeno rješenje za stvarnovremensku obradu brzih geoprostornih podataka u računalnom grozdu
Opis: Ovim znanstvenim ciljem će se primijeniti raspodijeljena implementacija algoritama usporedbe iz cilja O4 zajedno s raspodijeljenim rješenjem iz cilja O5 kako bi se u računalnom grozdu obradili stvarni geoprostorni tokovi podataka s Interneta stvari u stvarnom vremenu.
Očekivani rezultati:

• Parseri i konektori za dovođenje u računalni grozd javno dostupnih geoprostornih tokova podataka u stvarnom vremenu i
• Raspodijeljeno rješenje za obradu brzih geoprostornih tokova u stvarnom vremenu unutar računalnog grozda.

Utjecaj: Razvijeno raspodijeljeno rješenje će (za nekoliko studijskih slučajeva) demonstrirati funkcionalne aplikacije Interneta stvari u računalnom grozdu koje u stvarnom vremenu filtriraju ulazne tokove podataka s Interneta stvari i na njima primjenjuju tehnike strojnog učenja u stvarnom vremenu.