Antal tweets i perioden med karnevallet i London. Kredit:Suma et al.
Med et voksende antal enheder forbundet til internettet og utallige mennesker, der deler deres liveoplevelser online, en enorm mængde nyttige data bliver genereret hvert minut. Analysen af disse data kan forbedre formidlingen og forståelsen af information om trafik, begivenheder, og andre byrelaterede oplevelser.
Big Data Analytics vil højst sandsynligt spille en nøglerolle i morgendagens byer, muliggør systemer, der registrerer en by på mikroniveauer og informerer både regeringer og borgeres beslutninger inden for begrænsede tidsrammer. Forskere ved King Abdulaziz University, i Saudi-Arabien, har for nylig brugt Big Data Analytics til at opdage rumlige og tidsmæssige begivenheder rundt om i London, teste potentialet af disse værktøjer til at udnytte værdifuld live information.
"Min forskning var en anvendelse til smart samfund som en del af smart city, " Sugimiyanto Suma, en af de forskere, der har udført undersøgelsen, fortalte Tech Xplore. "Det var et workflow-design, der brugte Apache Spark og Tableau til at detektere rumlige og tidsmæssige begivenheder i byen, for bybevidsthed, beslutningstagning, og byplanlægning. Det var baseret på analyser af sociale medier ved at indsamle, behandling og analyse af store data fra Twitter, som lykkedes med at opdage begivenheder i London med deres placeringsformidling, arrangementets navn og tidspunkt. "
Undersøgelsen var rettet mod effektivt at opdage begivenheder rundt om i London ved at analysere data indsamlet på sociale medieplatforme, samtidig med at man udvikler arkitektur for big data-analyse, der kan være nyttig til spatio-tidsmæssig hændelsesdetektering. At gøre dette, forskerne brugte big data og machine learning -platforme Spark og Tableau til at analysere over tre millioner tweets, der var relevante for London.
Tweet-intensitet relateret til karneval i London. Kredit:Suma et al.
Dette var den første undersøgelse, der effektivt brugte Apache Spark, en open source-klyngecomputerramme, til registrering af hændelser på sociale medier. Ud over, de brugte Google Maps Geocoding Application Programming Interface (API) til at lokalisere diskanthøjttalere rundt om i London og udføre yderligere analyser.
"Vi fandt og lokaliserede overbelastning omkring London og demonstrerede empirisk, at hændelser kan detekteres automatisk ved at analysere data, " sagde Suma. "Vi opdagede forekomsten af flere hændelser, både deres steder og tidspunkter, inklusive London Notting Hill Carnival 2017-begivenheden, som vi ikke havde nogen forudgående viden om."
I fremtiden, big data analytics workflow til rumlig-temporal hændelsesdetektion udviklet af Suma og hans kollegaer kunne adopteres og perfektioneres af andre forskere for at opnå mere detaljerede resultater om hændelser. Det kan også hjælpe regeringen og andre interessenter i deres beslutningstagning og byplanlægningsprocesser.
Forskerne undersøger nu måder at forbedre deres system yderligere på, for at opnå større detektionsnøjagtighed, bredere rumlig-temporal detektion, og en højere kvalitet af analyser.
"For detektionsnøjagtigheden, vi planlægger at udvikle algoritmer og sammenligne resultatet med faktisk information ved at knytte det til begivenhedsrapportering såsom nyheder eller mediewebsteder, "Forklarede Suma." For bredere detektion, vi ville anskaffe flere sociale mediedata såsom Facebook. Endelig, for bedre analysekvalitet, vi håber at kunne bruge flere AI-teknikker."
Undersøgelsen blev offentliggjort i Smarte samfund, Infrastruktur, Teknologier og applikationer .
© 2018 Tech Xplore