Please use this identifier to cite or link to this item: http://hdl.handle.net/1942/38535
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorVANSUMMEREN, Stijn
dc.contributor.advisorNEVEN, Frank
dc.contributor.authorBekkers, Liese
dc.date.accessioned2022-09-26T08:21:13Z-
dc.date.available2022-09-26T08:21:13Z-
dc.date.issued2022
dc.identifier.urihttp://hdl.handle.net/1942/38535-
dc.description.abstractGedurende de COVID pandemie werden computermodellen gebruikt om de verspreiding van besmettingsziekten te simuleren. Hiermee kon men het effect van verzachtende maatregelen op bijvoorbeeld het aantal infecties bestuderen. In de huidige simulator, Stride, is het tijdrovend om nieuwe features aan het model toe te voegen omdat deze simulator low-level geïmplementeerd is. Daarom bespreekt deze thesis een domeinspecifieke taal genaamd EpiQL die toelaat om transmissiemodellen declaratief en high-level te definiëren zodat ze sneller kunnen worden aangepast. Dit onderzoek tracht efficiënte uitvoeringsplannen te vinden voor EpiQL modellen en onderzoekt of probabilistische databases (PDBs) hiervoor kunnen worden gebruikt. Een EpiQL simulatie is equivalent aan een Markov ketting van PDBs. Daarom worden methoden besproken om deze PDBs te representeren en queryen. Uiteindelijk is men geïnteresseerd in de marginale probabiliteit van een tuple in de probabilistische database. Deze thesis toont echter aan dat exacte berekeningen van deze probabiliteiten onhaalbaar zijn met de huidige technieken. Ook kunnen bestaande probabilistische database systemen niet worden gebruikt om een EpiQL model te simuleren. Daarom berekent onze implementatie deze probabiliteiten bij benadering. Het simuleert een EpiQL model met behulp van database query processing technologie in main memory. Onze implementatie is ruwweg tien keer trager dan Stride en heeft meer geheugen nodig. Een EpiQL model is echter wel veel flexibeler om aan te passen dan een Stride model.
dc.format.mimetypeApplication/pdf
dc.languagenl
dc.publishertUL
dc.titleLeveraging probabilistic databases for modeling and simulating infectious diseases
dc.typeTheses and Dissertations
local.bibliographicCitation.jcatT2
dc.description.notesmaster in de informatica
local.type.specifiedMaster thesis
item.fullcitationBekkers, Liese (2022) Leveraging probabilistic databases for modeling and simulating infectious diseases.-
item.accessRightsOpen Access-
item.fulltextWith Fulltext-
item.contributorBekkers, Liese-
Appears in Collections:Master theses
Files in This Item:
File Description SizeFormat 
e6efe760-7103-4a0f-9ecb-ec875726cb49.pdf2.91 MBAdobe PDFView/Open
Show simple item record

Page view(s)

82
checked on Sep 10, 2023

Download(s)

36
checked on Sep 10, 2023

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.