I ngeniería I nvestigación y T ecnología

volumen XXI (número 4), octubre-diciembre 2020 1-12

ISSN 2594-0732 FI-UNAM artículo arbitrado
Información del artículo: Recibido: 26 de noviembre de 2019, aceptado: 4 de julio de 2020
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) license
https://doi.org/10.22201/fi.25940732e.2020.21.4.029

Computación paralela para la geocodificación de direcciones postales cubanas

Parallel computing for the Cuban postal addresses geocoding
Alfonso-Cantillo Ofir Sánchez-Ansola Eduardo
Universidad Tecnológica de La Habana Universidad Tecnológica de La Habana
José Antonio Echeverría, Cuba José Antonio Echeverría, Cuba
Corrreo: ofir4991@gmail.com Correo: esanchezansola@gmail.com
https://orcid.org/0000-0003-2401-4565 https://orcid.org/0000-0001-5977-1633

Resumen
Teniendo en cuenta la velocidad y cantidad de datos que se generan en la actualidad, se ha convertido en una necesidad la creación
de sistemas capaces de procesarlos en breves periodos de tiempo. La información espacial no queda exenta de esto por lo que la
utilización de Sistemas de Información Geográfica se ha convertido en una necesidad. GeoServer es uno de los servidores de mapas
que brinda estas funcionalidades mediante servicios. Uno de estos servicios es la geocodificación, que se define como el proceso de
convertir una dirección postal en coordenadas geográficas. Una petición de geocodificación puede contener una o varias direccio-
nes, siendo esta última conocida como geocodificación por lotes, la cual puede estar compuesta por una cantidad ilimitada de di-
recciones. Una de las técnicas que se utiliza para aumentar la capacidad de procesamiento de los sistemas geocodificadores es la
computación paralela, que utiliza múltiples elementos de procesamiento para resolver determinado problema. El objetivo del pre-
sente trabajo consiste en la disminución de los tiempos de respuesta de los algoritmos de geocodificación de direcciones por lotes.
Para lograr dicho objetivo, se desarrollaron varias versiones para la geocodificación haciendo uso de la computación paralela. Cada
una de estas versiones fue incluida en el servidor de mapas GeoServer como un servicio Web y fueron evaluadas, mediante la utili-
zación de pruebas estadísticas, con el fin de obtener la versión que ofrece menor tiempo de procesamiento. Tanto para el desarrollo
de las variantes como para su validación, se tuvieron en cuenta direcciones postales del territorio nacional cubano, pues es el alcan-
ce pretendido con este trabajo. A partir de la evaluación realizada, se puede afirmar que la versión del algoritmo, desarrollada de
forma independiente a la base de datos de referencia, es en la que mejores tiempos se ofrecen las respuestas.
Descriptores: Algoritmo, computación paralela, dirección postal, geocodificación, GeoServer.

Abstract
Taking into account the speed and quantity of data generated today, the creation of systems capable of processing them in a short
period of time has become a necessity. Spatial information is not exempt from this, so the use of Geographic Information Systems has
become a necessity. GeoServer is one of the map servers that provides these functionalities through services. One of these services is
geocoding, which is defined as the process of converting a postal address into geographic coordinates. A geocoding request may
contain one or more addresses, the latter being known as batch geocoding and may be composed of an unlimited number of addres-
ses. One of the techniques used to increase the processing capacity of geocoder systems is parallel computing, which uses multiple
processing elements to solve a given problem. The objective of this work is to reduce the response times of the geocoding algorithms
for batch addresses. To achieve this goal, several versions were developed for geocoding using parallel computing. Each of these
versions was included in GeoServer as a web service and were evaluated, through the use of statistical tests, in order to obtain which
of all versions offers the least processing time. Both for the development of the variants and for their validation, postal addresses of
the Cuban national territory were taken into account, as it is the intended scope of this work. From the evaluation carried out, it can
be affirmed that the version of the algorithm developed independently of the reference database is in which better times the answers
are offered.
Keywords: Algorithm, geocoding, GeoServer, parallel computing, postal address.
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

Introducción que recompone una dirección a partir de una previa

descomposición de los elementos significativos de la
El uso de la información geográfica en el día a día de las misma, eliminando errores ortográficos, abreviaturas,
personas, ha tomado un auge significativo en los últi- etcétera. Estos autores demuestran cómo, usando el
mos años. Servicios populares de internet como Google API de geocodificación de Google, con las nuevas direc-
Maps, Bing Maps y OpenStreetMap, los cuales tienen ciones se obtienen más resultados y, a su vez, más pre-
como base el uso de datos geográficos de diversas fuen- cisión.
tes, han provisto a la población de herramientas atracti- Por otra parte, múltiples autores hacen referencia a
vas para la consulta y manipulación de información la geocodificación como herramienta para poder reali-
espacial. zar análisis espaciales más complejos. Tal es el caso de
Los datos geográficos son la clave para diferenciar Präger et al. (2019) que presentan un estudio de viabili-
un Sistema de Información Geográfica (SIG) de otro sis- dad en el uso de los servicios de geocodificación online
tema de información. Los SIG son un potente conjunto de Google y OpenStreetMap (OSM) en la detección de
de herramientas para recolectar, almacenar, recuperar a factores que propician la obesidad, concluyendo que su
voluntad, transformar y presentar datos espaciales pro- validez es razonable y que puede ser utilizado en la vi-
cedentes del mundo real (Burrough, 1986). Común- gilancia de la diabetes. En Chopin & Caneppele (2019),
mente, todas estas funcionalidades se complementan se usa la geocodificación como medio para realizar un
con servicios basados en la localización. análisis exploratorio de la movilidad entre los agreso-
Los Servicios Basados en la Localización (LBS, por res y las victimas en delitos de abuso infantil en Fran-
sus siglas en inglés) en su forma estandarizada OpenLS cia, mientras que en McIntire et al. (2018) se geocodifican
(Open Geospatial Consortium, 2008), definidos por la las direcciones de 10,750 pacientes con cáncer de prós-
Open Geospatial Consortium (OGC), proporcionan al tata del estado de Pensilvania, para crear un índice
usuario información y datos basados en la posición compuesto que identifica los vecindarios con mayor
geográfica. Estos servicios se basan, por lo general, en incidencia de dicha enfermedad.
una red de comunicaciones y una o más tecnologías de En Cuba, particularmente en la CUJAE, entre los
posicionamiento, que en combinación con los SIG reco- años 2011 y 2013 se realizaron avances respecto a la
gen la información y la presentan al usuario final (Sán- geocodificación de direcciones postales cubanas me-
chez, 2012). Los LBS incluyen servicios de ruta, diante la implementación de un sistema de geocodifica-
directorio y geocodificación de direcciones postales ción nacional (De Armas & Gutiérrez, 2013). A partir
(Open Geospatial Consortium, 2008). La geocodifica- del año 2015, el sistema se incluyó como parte de una
ción es un proceso que ayuda a organizaciones a refinar Infraestructura de Datos Espaciales (Sánchez, 2015) y
y enriquecer información existente relacionada con di- en 2017 se comenzaron a ofrecer las funcionalidades de
recciones y localizaciones en una base de datos. Genera geocodificación a partir de GeoServer mediante la utili-
latitud/longitud a partir de una dirección existente, o zación de servicios Web (Girón & Sánchez, 2017). Geo-
localización, asimismo es el primer paso a tomar por Server es un servidor de código abierto escrito en Java
cualquier aplicación que haga uso de servicios basados que permite a los usuarios procesar información espa-
en la localización (Oracle, 2007). cial y posee la capacidad de publicar datos de gran va-
En la actualidad, la geocodificación se ha convertido riedad de fuentes utilizando estándares de OGC
en una necesidad para múltiples análisis espaciales y (GeoServer, 2014).
para la toma de decisiones (Jiang & Stefanakis, 2018). Según los autores: Dueker (1974); Roongpiboonso-
Por esta razón, los investigadores se mantinenen publi- pit & Karimi (2010); Cetl et al. (2016); Vargas & Horfan,
cando avances en la misma, ya sea desde el punto de (2013) el proceso de geocodificación de direcciones pos-
vista de su desarrollo o de cómo puede utilizarse como tales a partir de texto libre está dividido en varias eta-
medio para realizar análisis espaciales de mayor pro- pas: extraer los elementos necesarios para el proceso de
fundidad y valor agregado. En el primer caso se en- geocodificación, normalizar dichos elementos, estanda-
cuentra Yin et al. (2019) que presentan un método de rizarlos y realizar el proceso de geocodificación me-
geocodificación basado en la detección de objetos en diante la utilización de una base de datos de referencia.
imágenes a partir de un marco de Deep Learning y Estos métodos “tradicionales” para realizar el proceso
comparan sus resultados con sistemas de geocodifica- de geocodificación pueden llegar a demorarse tanto en
ción tradicionales a partir de 22,481 direcciones. Asi- un proceso de geocodificación por lotes que su utiliza-
mismo Küçük & Avdan (2018) proponen un algoritmo ción no sea factible en determinadas circunstancias. En
basado en Procesamiento del Lenguaje Natural (PLN) Sen et al. (2012) se realizó un estudio comparativo entre

2 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Alfonso-Cantillo Ofir, Sánchez-Ansola Eduardo

diferentes servicios geocodificadores disponibles en in- • Calle principal y división político administrati-
ternet (Google Maps, Bing y Yahoo Place Finder) donde va. Por ejemplo: Monte Núm. 852 Apto. 3, Habana
se geocodificaron varias bases de datos, entre ellas una Vieja, La Habana.
con un millón de instancias, y su geocodificación com-
pleta duró poco más de un año. El tiempo que duró la 2. Modelo de referencia lineal, ampliamente uti-
geocodificación fue, de acuerdo con los autores, muy lizado en zonas rurales. Por ejemplo: Carretera a
superior a lo que necesitaban para cubrir las necesida- Viñales Km 4, José María Pérez, Pinar del Río, Pinar
des de geocodificación que tenían, por lo que tuvieron del Río.
que desarrollar un sistema de geocodificación que utili- 3. Modelo en el que se utiliza como referencia un
zara técnicas de computación paralela. asentamiento poblado o un punto de interés. Por
Paralelismo es una propiedad de la computación en ejemplo: Los Mangos, Amancio, Las Tunas.
la cual las porciones de la funcionalidad a ejecutar y los 4. Modelo utilizado en un amplio conjunto de ur-
datos son independientes, por lo tanto, permiten ser banizaciones edificadas en las últimas décadas don-
procesados al mismo tiempo (Foster, 1995). Existen di- de solamente se utiliza como referencia el número o
ferentes opciones para la explotación del paralelismo, nombre de los edificios y el nombre de la urbaniza-
desde computadoras independientes trabajando para ción. Por ejemplo: Edif. 674 Apto. 30, Alamar 19, Ha-
conseguir un mismo objetivo hasta una misma compu- bana del Este, La Habana.
tadora que contenga varios elementos de procesamien-
to accediendo a la misma memoria (sistemas de En Girón & Sánchez (2017) se presentó un componente
memoria compartida) (Pacheco, 2011). para GeoServer, cuyo objetivo fue brindar al servidor
El objetivo del presente trabajo es disminuir el tiem- de mapas servicios basados en la localización. Entre es-
po del proceso de geocodificación de direcciones posta- tos servicios se encuentra la geocodificación de direc-
les cubanas. Para ello se realizará un diseño paralelo del ciones postales. El proceso de geocodificación realizado
algoritmo de geocodificación tomando como punto de por esta extensión se muestra en un diagrama de activi-
partida los antecedentes de la geocodificación de direc- dades en la Figura 1.
ciones postales cubanas, planteados anteriormente. La geocodificación se realiza de forma secuencial,
por ello cuando se desee procesar una petición de
Geocodificación de direcciones postales en cuba geocodificación por lotes, la geocodificación de una di-
rección comienza cuando la anterior termina. Para po-
En la era de la información, los datos espaciales son der geocodificar una dirección primero se realiza un
considerados como uno de los valores añadidos que proceso de normalización mediante el cual se eliminan
más se valoran de la información. La forma más común los caracteres extraños que pueda contener, después se
de obtener información espacial es mediante la inter- extraen los elementos útiles para el proceso de geocodi-
pretación de las direcciones, ya que una dirección pos- ficación, se establece el nivel de precisión que se quiere
tal es la forma fundamental en que las personas (calle, esquina, reparto o provincia) y, por último, se
describen dónde se encuentra algo o alguien (Roongpi- procede a buscar la dirección en la base de datos de re-
boonsopit & Karimi, 2010). En el proceso de geocodifi- ferencia. De acuerdo con los experimentos realizados,
cación es necesario conocer las diferentes variantes de la configuración ideal para la geocodificación por lotes
escritura de las direcciones postales. En De Armas & sería el procesamiento de cinco direcciones en cada
Gutiérrez (2013) se documentaron los siguientes mode- lote. Esto trae consigo que sea necesario un pre-proce-
los de direcciones postales en Cuba: samiento de la información para dividirla en lotes pe-
queños cuando se quieran geocodificar grandes
1. Modelo básico urbano de calles y entrecalles. Inclu- cantidades de direcciones con la configuración reco-
ye tres variantes: mendada por el autor, lo que conllevaría a un esfuerzo
mayor por parte del usuario y, por ende, un consumo
• Calle principal, entre calles y división político mayor de tiempo en todo el proceso.
administrativa. Por ejemplo: Avenida 27 Núm. El componente al que se hace referencia, hace uso
4207 entre calle 42 y calle 44, Playa, La Habana. del sistema gestor de bases de datos Oracle para el al-
• Intersección entre dos calles y división político macenamiento de la base de datos de referencia necesa-
administrativa. Por ejemplo: 23 y 12, Plaza de la ria en la geocodificación de direcciones postales. Parte
Revolución, La Habana. de la lógica del proceso de geocodificación se encuentra
anclada a la base de datos mediante procedimientos al-

I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM 3
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

Figura 1. Versión secuencial de la

geocodificación de direcciones postales

macenados de acuerdo con lo que plantea el autor. Esta recciones no dependen una de la otra para su geocodi-
lógica se encuentra duplicada en una base de datos ficación, por lo que este proceso se pudiera desarrollar
PostgreSQL, con su extensión espacial PostGIS, debido en paralelo.
a la necesidad de contar con una fuente de datos que Tomando como punto de partida el sistema de
utilice tecnologías libres. Esto trae consigo diversos geocodificación que se plantea en Sánchez (2015), se di-
problemas, por ejemplo, si se necesitara utilizar otro señaron varias versiones del componente de acuerdo
sistema de base de datos o actualizar los actuales, sería con si se emplea o no computación paralela en su fun-
necesario no solo migrar o actualizar los datos utiliza- cionamiento, o si la lógica del proceso de geocodifica-
dos en el proceso de geocodificación, sino que habría ción se encuentra anclada o no a la base de datos de
que actualizar parte de la lógica del proceso en todos referencia para la geocodificación. Dichas versiones se
los sistemas donde se encuentre, lo que conllevaría un muestran en la Tabla 1.
esfuerzo mayor por parte de los desarrolladores.
Diseño paralelo del algoritmo para la
Particularidades de la geocodificación geocodificación de direcciones postales
de direcciones postales
Los algoritmos de geocodificación secuenciales plan-
La geocodificación de direcciones, según el estándar teados realizan el proceso de geocodificación sobre una
OpenLS, se puede realizar en lotes de más de una direc- dirección a la vez. Esto trae consigo demoras en el pro-
ción. Una petición que sigue el estándar OpenLS y que ceso de geocodificación que pueden ser mitigadas utili-
contiene más de una dirección a geocodificar se mues- zando un modelo de paralelismo de datos. Utilizando
tra en la Figura 2 (izquierda). el paralelismo de datos se puede aplicar el algoritmo de
Cuando se recibe una petición como la que se mues- geocodificación sobre una determinada cantidad de di-
tra en el código anterior, se geocodifica en un primer recciones en forma simultánea.
instante la dirección: “60 # 109 Apto 2 E/ Ave 1 A Y Ave 1, Este diseño se muestra en el diagrama de la Figura
Miramar, Playa, La Habana” y cuando finaliza ese proce- 3. El proceso se inicia mediante una aplicación cliente,
so comienza la geocodificación de la dirección: “340 E/ encargada de construir una petición de geocodificación
107 Y 109, Rpto Alt Naranjal, Munic Matanzas, Matan- utilizando el estándar OpenLS para su posterior proce-
zas”. Para cada una de las direcciones contenidas en el samiento y haciendo uso del algoritmo paralelo imple-
lote se debe ofrecer una respuesta al usuario. mentado para GeoServer. Utilizando herramientas y
Como se puede observar en la Figura 2 (derecha), la bibliotecas nativas de Java se identifica la cantidad de
respuesta al cliente está compuesta por dos etiquetas elementos de procesamientos que contiene físicamente
GeocodeResponseList dentro de las cuales se encuen- el servidor sobre el cual se está ejecutando GeoServer,
tran las direcciones geocodificadas para cada una de las por lo tanto, el algoritmo de geocodificación. Esta canti-
2 direcciones enviadas al servidor para su geocodifica- dad de elementos de procesamiento será el número de
ción. Se le proporciona una respuesta al cliente que con- direcciones simultáneas que podrán ser procesadas por
tiene la posición geográfica en formato longitud/latitud el algoritmo.
y la dirección encontrada escrita en formato libre de Posteriormente, las direcciones se normalizan con el
acuerdo con el modelo de direcciones cubano. Estas di- objetivo de eliminar cualquier carácter especial que pu-

4 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Alfonso-Cantillo Ofir, Sánchez-Ansola Eduardo

Figura 2. Formatos de geocodificación de

múltiples direcciones. Izquierda: petición,
derecha: respuesta

Tabla 1. Versiones del sistema de geocodificación de direcciones postales

Versión Características
1 Lógica del proceso de geocodificación anclado a la base de datos de referencia, con un diseño secuencial del sistema.
Lógica del proceso de geocodificación independiente a la base de datos de referencia, con un diseño secuencial del
2
sistema.
3 Lógica del proceso de geocodificación anclado a la base de datos de referencia, con un diseño paralelo del sistema.
Lógica del proceso de geocodificación independiente a la base de datos de referencia, con un diseño paralelo del
4
sistema.

Figura 3. Versión paralela de la

geocodificación de direcciones postales
utilizando N elementos de procesamiento

I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM 5
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

dieran contener y así evitar algunos errores en su inter- ponente pueda procesar una petición de geocodifica-
pretación. A cada dirección se le realiza un proceso de ción, incluyendo los parámetros necesarios para que el
interpretación donde se le extraen sus componentes o componente se pueda conectar a la base de datos de
TOKENS, utilizando un módulo de interpretación de referencia. El paquete “geocode” es el contenedor de
direcciones. Luego, el conjunto de direcciones se divide las clases y métodos necesarios para el correcto proce-
en la forma más homogénea posible para su geocodifi- samiento de una dirección postal. El paquete “query
cación, utilizando cada elemento de procesamiento del Builder” es el contenedor de la totalidad de la lógica del
sistema. De forma simultánea, sobre cada conjunto de proceso de geocodificación para las versiones 2 y 4 del
direcciones, el algoritmo permite establecer el tipo de sistema; finalmente en la versión 3 es la encargada de
dirección a geocodificar y se construye una solicitud de ejecutar la petición a la base de datos de referencia para
geocodificación para ser comparada con los datos de que continúe con el proceso de geocodificación.
referencia. Esta solicitud de geocodificación es la que El paquete “connection” modelado en la Figura 4 es
puede variar de acuerdo con la versión del sistema que el encargado del proceso de conexión a cada una de las
se esté empleando debido a que la lógica de este proce- bases de datos de referencia, tanto en Oracle como en
so puede encontrarse anclada o no a la base de datos de Postgre, mientras que el subsistema “OpenLSCore”
referencia. contiene todas las clases que describen los elementos
Finalmente, del conjunto de direcciones posibles se que se encuentran en la especificación OpenLS de OGC
selecciona la que mayor concordancia presente de necesarias para la correcta construcción e interpreta-
acuerdo con la dirección de entrada y se culmina el pro- ción de los XML de petición y respuesta a los LBS. El
ceso obteniendo una lista de direcciones geocodificadas subsistema “AddressParser” provee al sistema la capa-
en el mismo orden, las cuales se recibieron en los datos cidad de interpretar direcciones postales cubanas y ob-
de entrada. tener los elementos de interés de cada dirección para su
En la Figura 4 se muestra un diagrama de estructu- posterior geocodificación (Girón & Sánchez, 2017).
ración en capas que muestra la arquitectura de los com- Como el sistema se basa en un modelo de paralelis-
ponentes fundamentales del sistema mediante paquetes mo de datos, los paquetes diseñados corresponden
y subsistemas de acuerdo con el nivel de reutilización prácticamente con los de un sistema secuencial. La dife-
que pudieran tener. rencia radica en que, al recibirse una petición con múl-
El sistema está compuesto por varios paquetes y tiples direcciones, se crean tantos hilos de ejecución
cada uno de estos contiene una o más clases dedicadas, como elementos de procesamiento que se hayan identi-
en conjunto, al proceso de geocodificación de direccio- ficado para procesar dichas direcciones. Este proceso
nes postales cubanas. El paquete “request” contiene la ocurre en el paquete “geocode” y se extiende hacia los
gestión de la configuración necesaria para que el com- paquetes “queryBuilder” y “connection”, pues las cla-

Figura 4. Vista de la arquitectura del

software desde un punto de vista de
reutilización

6 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Alfonso-Cantillo Ofir, Sánchez-Ansola Eduardo

ses de estos dos últimos son instanciadas para cada hilo • Procesos del sistema operativo: En el momento en
de ejecución. que se realizan las peticiones al servidor hay proce-
sos ejecutándose en el sistema operativo del servidor
Evaluación que consumen recursos y no pueden ser detenidos.

Luego del desarrollo del software es necesaria la reali- De acuerdo con los factores controlables del experi-
zación de un conjunto de pruebas con las que se pue- mento se define como la cantidad de direcciones envia-
dan comprobar el comportamiento del componente das en una petición como 10,000, la cantidad máxima
ante determinadas circunstancias. Con el objetivo de de direcciones de respuesta serán 10 para cada una de
comparar el comportamiento de las cuatro versiones las direcciones enviadas y se realizarán 10 réplicas de la
del sistema de geocodificación de direcciones postales prueba para cada versión del sistema.
cubanas, en cuanto al tiempo de procesamiento, se La unidad experimental que se utilizará para el des-
identificaron varios factores controlables y no controla- pliegue de los sistemas desarrollados contiene un mi-
bles para la ejecución de las pruebas. A continuación, se croprocesador Intel (R) Core (TM) i5-4200U @ 1.60HGz
definen los factores controlables identificados: 2.30 GHz, 8 GB de memoria Ram, 1 TB de almacena-
miento HDD y utiliza el sistema operativo Windows
• Cantidad de direcciones enviadas: Es la cantidad de 8.1 Pro. La base de datos de referencia a utilizar se en-
direcciones que se envía en el fichero de la petición cuentra en 2 servidores en Real Application Cluster de
al servicio de geocodificación. Oracle que cuentan con 2 CPU AMD(R) Opteron @
• Cantidad de direcciones recibidas: Es la cantidad de 2.60GHz, 6 GB de memoria Ram, 70 GB de almacena-
direcciones que se reciben en el fichero de la res- miento HDD y utilizan el sistema operativo SUSE Li-
puesta que se obtiene del servicio de geocodifica- nux Enterprise Server 11. 64 bits.
ción para cada dirección solicitada. Los resultados de la ejecución de la prueba utilizan-
• Cantidad de ejecuciones (Ciclos): Es la cantidad de do las versiones secuenciales y las versiones paralelas
veces que se repetirá la prueba. Al recibir la respues- del sistema se muestran en la Tabla 2.
ta a una petición, se envía la nueva petición corres- Con el objetivo de demostrar que las nuevas varian-
pondiente a la siguiente ejecución. tes del sistema mejoran el tiempo de ejecución de la va-
riante original y establecen comparaciones entre ellas
Dentro de los factores no controlables se señalan: de acuerdo con los resultados obtenidos, se utilizarán
pruebas estadísticas. Dentro de las pruebas de hipótesis
• Tráfico de la red: Las fuentes de datos se encuentran se encuentra la prueba de Kruskal-Wallis, que se utiliza
ubicadas en unidades de la red del centro donde se para determinar si las medianas de dos o más muestras
ejecutan los experimentos. En el momento en que se difieren. Esta prueba se utiliza para comprobar si exis-
realizan las peticiones no se puede controlar el tráfi- ten diferencias entre los tiempos de ejecución de cada
co que existe en la red. una de las variantes del algoritmo. Para ello se definen
como hipótesis las siguientes:

Tabla 2. Tiempo de ejecución de cada variante del sistema en minutos

Petición Versión 1 (min) Versión 2 (min) Versión 3 (min) Versión 4 (min)

1 200.7251 187.1409 52.02323 45.50525
2 201.1681 188.0125 47.1555 48.82272
3 197.1450 191.1899 46.88175 40.2178
4 215.1457 198.088 47.26227 40.6072
5 213.394 197.3034 47.17183 40.57968
6 199.4715 188.8933 47.37605 40.74093
7 214.8107 201.9182 47.24465 49.06213
8 212.0311 203.3355 52.40212 45.75048
9 197.2248 187.1072 48.23388 41.58937
10 195.5374 193.0839 47.97737 41.40887

I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM 7
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

• H0: Los sistemas son iguales en cuanto a tiempo de ferroni que plantea ajustar el nivel de significancia a
respuesta. α/m siendo m la cantidad de comparaciones que se rea-
• H1: Al menos uno de los sistemas es diferente al res- lizarán.
to en cuanto a su tiempo de respuesta. En un primer momento se realizarán las compara-
ciones necesarias para demostrar que todas las versio-
H0 corresponde a la hipótesis nula y H1 es la hipótesis nes nuevas del sistema de geocodificación son más
alternativa. Se utiliza un α = 0.05 (nivel de significa- rápidas que la versión original. Para ello se define un
ción). En la Tabla 3 se muestra el resultado de realizar la α = 0.05 y el número de comparaciones a realizar 3 por
prueba usando el software Minitab 16. lo que αajustada = 0.017.
Al realizar la prueba se obtuvo un valor p = 0.000
como resultado de un redondeo. Como este valor es
Comparación entre la versión 1 y la versión 2
menor que α se rechaza la hipótesis nula y se acepta la
hipótesis alternativa, por lo que se puede concluir que Para determinar si existen diferencias entre los tiempos
los sistemas difieren en cuanto al tiempo de respuesta. de ejecución de las variantes 1 y 2 se definen como hipó-
Una vez comprobado que los tiempos de respuesta tesis las siguientes:
de los sistemas difieren entre sí se pasa a comprobar
que las nuevas implementaciones (versiones 2, 3 y 4) • H0: Las versiones 1 y 2 son iguales en cuanto a tiem-
ofrecen mejores prestaciones que la versión 1 en cuanto po de respuesta.
a tiempo de ejecución. La demostración se realizará • H1: La versión 1 del algoritmo presenta tiempos de
apoyándose de la prueba de hipótesis Mann-Whitney. ejecución mayores que la 2.
Cuando se realizan dos o más comparaciones entre
muestras para determinar cuál de ellas es menor, ma- El resultado de la prueba se muestra en la Tabla 4.
yor o igual que las otras, la probabilidad de rechazar Al realizar la prueba se obtuvo un valor p = 0.0086,
una hipótesis nula que en realidad es verdadera (error que es menor que el αajustada = 0.017 por lo que se rechaza
de tipo 1) es mayor que α debido a la repetición de la la hipótesis nula y se acepta la hipótesis alternativa.
prueba con un nivel de significancia determinado, por De forma similar se utilizó la prueba de hipótesis de
lo que se debería utilizar un método que ajuste el nivel Mann-Whitney para realizar comparaciones entre la
de significancia. Según García & Lara (1998) uno de los versión 1 y las versiones 3 y 4 del sistema y en todos los
métodos que tratan este problema es el método de Bon- casos se obtuvo un valor p menor que αajustada por lo que

Tabla 3. Resultado de la ejecución de la prueba de Kruskal-Wallis

Prueba de Kruskal-Wallis: Tiempo vs. Versión del Sistema
Versión N Mediana Clasificación Z
del promedio
Versión 1 10 200.95 33.7 4.12
Versión 2 10 192.14 27.3 2.12
Versión 3 10 47.32 13.9 -2.06
Versión 4 10 41.50 7.1 -4.19
General 40 20.5
H = 32.46 GL = 3 P = 0.000

Tabla 4. Prueba Mann-Whitney para comparar las versiones 1 y 2 del sistema de geocodificación
Prueba de Mann-Whitney e IC: Versión 1; Versión 2
Versión N Mediana
Versión 1 10 200.95
Versión 2 10 192.14
La estimación del punto para ETA1-ETA2 es 10.12
95.5 El porcentaje IC para ETA1-ETA2 es (3.42;18.95)
W = 137.0
Prueba de ETA1 = ETA2 vs. ETA1 > ETA2 es significativa en 0.0086

8 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Alfonso-Cantillo Ofir, Sánchez-Ansola Eduardo

todas las versiones nuevas del sistema disminuyen los Comparación entre la versión 2 y la versión 3
tiempos de ejecución del sistema de geocodificación de
direcciones postales. Para determinar si existen diferencias entre los tiempos
Con el objetivo de verificar cuál de las tres nuevas de ejecución de las variantes 2 y 3 se definen como hipó-
versiones ofrece menor tiempo de respuesta se realiza tesis las siguientes:
un procedimiento similar al realizado anteriormente.
Para determinar si existen diferencias entre los tiem- • H0: Las versiones 2 y 3 son iguales en cuanto a tiem-
pos de respuesta de las variantes 2, 3 y 4 del sistema se po de respuesta.
realizará una prueba Kruskal-Wallis donde las hipóte- • H1: La versión 2 del algoritmo presenta tiempos de
sis definidas son las siguientes: ejecución mayores que la 3.

• H0: Los sistemas son iguales en cuanto a tiempo de El resultado de la prueba se muestra en la Tabla 6.
respuesta. Al realizar la prueba se obtuvo un valor p = 0.0001,
• H1: Al menos uno de los sistemas es diferente al res- que es menor que el αajustada por lo que se rechaza la hi-
to en cuanto a su tiempo de respuesta. pótesis nula y se acepta la hipótesis alternativa.

Donde H0 es la hipótesis nula y H1 es la hipótesis alter- Comparación entre la versión 2 y la versión 4

nativa. Se utiliza un α = 0.05. En la Tabla 5 se muestra el
resultado de realizar la prueba. Para determinar si existen diferencias entre los tiempos
Al realizar la prueba se obtuvo un valor p = 0.000 de ejecución de las variantes 2 y 4 se definen como hipó-
como resultado de un redondeo. Como este valor es tesis las siguientes:
menor que α se rechaza la hipótesis nula y se acepta la
hipótesis alternativa, por lo que se puede concluir que • H0: Los sistemas son iguales en cuanto a tiempo de
los sistemas difieren en cuanto al tiempo de respuesta. respuesta.
Con el objetivo de encontrar cuál de las tres versio- • H1: La versión 2 del algoritmo presenta tiempos de
nes ofrece los mejores tiempos se va a realizar un proce- ejecución mayores que la 4.
dimiento de comparaciones múltiples donde se define
como nivel de significancia α = 0.05 y la cantidad de Como se observa en la Tabla 7, se obtuvo un valor
comparaciones a realizar 3, luego αajustada = 0.017. p = 0.0001, que es menor que el αajustada por lo que se recha-
za la hipótesis nula y se acepta la hipótesis alternativa.

Tabla 5. Prueba Kruskal-Wallis para comparar las versiones 2, 3 y 4 del sistema de geocodificación
Prueba de Kruskal-Wallis: Tiempo vs. Versión
Clasificación
Versión N Mediana Z
del promedio
Versión 2 10 192.14 27.3 4.40
Versión 3 10 47.32 13.9 -0.70
Versión 4 10 41.50 7.1 -3.70
General 30 15.5
H = 22.34 GL = 2 P = 0.000

Tabla 6. Prueba Mann-Whitney para comparar las versiones 2 y 3 del sistema de geocodificación
Prueba de Mann-Whitney e IC: Versión 2; Versión 3
Versión N Mediana
Versión 2 10 192.14
Versión 3 10 47.32
La estimación del punto para ETA1-ETA2 es 144.03
95.5 El porcentaje IC para ETA1-ETA2 es (139.97;150.71)
W = 155.0
Prueba de ETA1 = ETA2 vs. ETA1 > ETA2 es significativa en 0.0001

I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM 9
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

Tabla 7. Prueba Mann-Whitney para comparar las versiones 2 y 4 del sistema de geocodificación
Prueba de Mann-Whitney e IC: Versión 2; Versión 4
Versión N Mediana
Versión 2 10 192.14
Versión 4 10 41.50
La estimación del punto para ETA1-ETA2 es 148.85
95.5 El porcentaje IC para ETA1-ETA2 es (145.68;156.50)
W = 155.0
Prueba de ETA1 = ETA2 vs. ETA1 > ETA2 es significativa en 0.0001

Comparación entre la versión 3 y la versión 4 rresponde a la implementación paralela con la lógica del
proceso de geocodificación independiente a la base de
Para determinar si existen diferencias entre los tiempos datos de referencia. No obstante, se recomienda la reali-
de ejecución de las variantes 3 y 4 se definen como hipó- zación de otras pruebas para verificar cómo se comporta
tesis las siguientes: la versión 4 del sistema con lotes pequeños de direccio-
nes, incluyendo la geocodificación de una sola dirección.
• H0: Las versiones 3 y 4 son iguales en cuanto a tiem- Asimismo, es recomendable realizar una nueva
po de respuesta. comparación, similar a la realizada en De Armas & Gu-
• H1: La versión 3 del algoritmo presenta tiempos de tierrez (2013), entre la mejor versión obtenida en el pre-
ejecución mayores que la 4. sente trabajo y un servicio online de geocodificación,
como el API de geocodificación de Google o Nomina-
El resultado de la prueba se muestra en la Tabla 8. tim de OSM, con el fin de verificar la calidad de las di-
Al realizar la prueba se obtuvo un valor p = 0.0057, recciones encontradas y al mismo tiempo, comparar los
que es menor que el αajustada por lo que se rechaza la hi- tiempos de respuesta de cada servicio; ya que, en este
pótesis nula y se acepta la hipótesis alternativa. momento, dicha comparación no fue posible debido a
De forma gráfica se puede observar el comporta- la calidad de los datos en Cuba de estos servicios. Esta
miento respecto al tiempo de las diferentes versiones carencia trae consigo una alta probabilidad de que se
del sistema en la Figura 5, donde se observa una dife- queden muchas direcciones sin encontrar, lo que falsea-
rencia significativa entre las versiones secuenciales del ría los resultados para comparar.
sistema (versiones 1 y 2) respecto a las versiones parale-
las del mismo (versiones 3 y 4). Conclusiones
De acuerdo con las versiones 3 y 4 del sistema en la
Figura 6 se puede observar que en determinadas ins- A partir de la realización de este trabajo se puede con-
tancias el tiempo de procesamiento con ambos sistemas cluir que los objetivos y tareas planteadas fueron cum-
paralelos fue similar, pero en la mayoría de las ejecucio- plidos. Además, se arriba a las siguientes conclusiones:
nes, el tiempo que se demoró el proceso de geocodifica-
ción con la versión 4 fue inferior que con la versión 3. • La utilización de la geocodificación de direcciones
Como resultado de las pruebas realizadas se obtuvo postales en lote es muy utilizada en el mundo, cre-
que la versión 4 es la que más reduce los tiempos de res- ciendo cada vez más las necesidades de geocodifi-
puesta del sistema de geocodificación. Dicha versión co- cación.

Tabla 8. Prueba Mann-Whitney para comparar las versiones 3 y 4 del sistema de geocodificación
Prueba de Mann-Whitney e IC: Versión 3; Versión 4
Versión N Mediana
Versión 3 10 47.319
Versión 4 10 41.50
La estimación del punto para ETA1-ETA2 es 6.274
95.5 El porcentaje IC para ETA1-ETA2 es (1.650;6.954)
W = 139.0
Prueba de ETA1 = ETA2 vs. ETA1 > ETA2 es significativa en 0.0057

10 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Alfonso-Cantillo Ofir, Sánchez-Ansola Eduardo

Figura 5. Gráfica de caja del tiempo

de procesamiento de las versiones del
sistema

Figura 6. Gráfica de caja del tiempo de

procesamiento de las versiones 3 y 4 del
sistema

• La utilización de técnicas de computación paralela Referencias

es una variante válida para disminuir el tiempo de
procesamiento de la geocodificación de direcciones Burrough, P. A. (1986). Principles of geographical information systems
en lotes. for land resources assessment (Vol. 12). New York: Clarendon
• Se implementaron tres variantes de geocodificación Press.
de direcciones postales cubanas, dos con un diseño Cetl V. Kliment T. &Jogun T. (2016). A comparison of address
paralelo y otra con un diseño secuencial, que permi- geocoding techniques-case study of the city of Zagreb, Croa-
ten disminuir los tiempos de respuesta y mantener tia. Survey Review Ltd, 11. https://doi.org/10.1080/00396265.201
la calidad y cantidad de direcciones encontradas de 6.1252517
los servicios anteriores. Chopin, J. & Caneppele, S. (2019). Geocoding child sexual abuse:
• La versión paralela del sistema de geocodificación An explorative analysis on journey to crime and to victimiza-
postales cubanas, que contiene la lógica del proceso tion from French police data. Child Abuse & Neglect, 91, 116-
de geocodificación independiente a la base de datos, 130. https://doi.org/10.1016/j.chiabu.2019.03.001
es la que más reduce los tiempos de procesamiento De Armas, C. J. & Gutierrez, A. A. (2013). Deployment of a Natio-
de direcciones postales en lote. nal Geocoding Service: Cuban Experience. URISA Journal, 25.
Dueker, K. J. (1974). Urban Geocoding. Annals of the association of
american geographers, 64.

I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM 11
https://doi.org/10.22201/fi.25940732e.2020.21.4.029
Computación paralela para la geocodificación de direcciones postales cubanas

Foster, I. (1995). Designing and building parallel programs: Concepts Präger, M., Kurz, C., Böhm, J., Laxy, M. & Maier, W. (2019). Using
and tools for parallel software engineering. Boston, MA, USA: data from online geocoding services for the assessment of en-
Addison-Wesley Longman Publishing Co., Inc. vironmental obesogenic factors: a feasibility study. Internatio-
García, J. & Lara, A.M. (1998). Diseño estadístico de experimentos. nal Journal of Health Geographics, 18(1), 13. https://doi.
Análisis de la varianza. org/10.1186/s12942-019-0177-9
GeoServer. (2014). GeoServer User Manual Release. Roongpiboonsopit, D. & Karimi, H. A. (2010). Comparative eva-
Girón, L. & Sánchez, E. (2017). Servicios basados en la localización luation and analysis of online geocoding services. Internatio-
para GeoServer. Paper presented at the VIII Convención Agri- nal Journal of Geographical Information Science, 24(7), 1081-1100.
mensura, La Habana. https://doi.org/10.1080/13658810903289478
Jiang, W. & Stefanakis, E. (2018). What 3Words Geocoding Exten- Sánchez, E. (2015). Servicios basados en localización para una infraes-
sions. Journal of Geovisualization and Spatial Analysis, 2(1), 7. tructura de datos espaciales. (Tesis en opción al título de máster
https://doi.org/10.1007/s41651-018-0014-x en Informática Aplicada). Instituto Superior “José Antonio
Küçük, D. & Avdan, U. (2018). Address standardization using the Echeverría” (ISPJAE), Habana, Cuba.
natural language process for improving geocoding results. Sánchez, L. (2012). Servicio de directorio para consultas basadas en la
Computers, environment and urban systems, 70, 1-8. https://doi. localización. (Trabajo de diploma para optar por el título de
org/10.1016/j.compenvurbsys.2018.01.009 Ingeniería Informática). Instituto Superior Politécnico José
McIntire, R. K., Keith, S. W., Boamah, M., Leader, A. E., Glanz, K., Antonio Echeverría, Habana, Cuba.
Klassen, A. C. & Zeigler-Johnson, C. M. (2018). A Prostate can- Sen Xu, Soren Flexner & Vitor Carvalho. (2012, Septembre 18-12,
cer composite score to identify high burden neighborhoods. 2012). Geocoding billions of addresses: toward a spatial record
Preventive Medicine, 112, 47-53. https://doi.org/10.1016/j.yp- linkage system with big data. Paper presented at the GIScience in
med.2018.04.003 the Big Data Age (GIScience 2012), Colombus, OH, USA.
Open Geospatial Consortium. (2008). OpenGIS Location Services Vargas, J. A. & Horfan, D. (2013). Proceso de Geocodificación de
(OpenLS): Core Services. In E. Marwa Mabrouk (Ed.): OGC. direcciones en la Ciudad de Medellín, una técnica determinís-
Oracle. (2007). Oracle Spatial 11g: Administración avanzada de datos tica de georreferenciación de direcciones. Ing. USBMed, 4, 15.
espaciales para aplicaciones empresariales. United States of Ame- Yin, Z., Ma, A. & Goldberg, D. W. (2019). A deep learning ap-
rica. proach for rooftop geocoding. Transactions in GIS, 23(3), 495-
Pacheco, P. S. (2011). An introduction to parallel programming. Burl- 514. https://doi.org/10.1111/tgis.12536
ington, USA: Morgan Kaufmann Publishers.

12 I ngeniería I nvestigación y T ecnología , volumen XXI (número 4), octubre-diciembre 2020: 1-12 ISSN 2594-0732 FI-UNAM