¿Cuáles son las aplicaciones del big data y la minería de datos en el campo del transporte?

Habrá bastantes escenarios para el análisis y la aplicación de big data en el campo del transporte. Aquí cabe señalar dos puntos: uno es la plataforma de procesamiento técnico de big data en sí y el otro son los datos. algoritmo de análisis y minería. Escribí sobre los escenarios específicos en ese momento de la siguiente manera:

La planificación y el diseño de rutas de autobuses es un escenario de aplicación potencial de big data. La planificación de rutas de autobuses tradicionales a menudo requiere una gran cantidad de mano de obra para invertir en OD. encuestas y recopilación de datos en la etapa inicial. Especialmente después de la popularidad de las tarjetas de autobús, podemos ver que para los datos de tráfico OD, se pueden recopilar datos relevantes sobre el flujo de tráfico y la dirección del flujo de la tarjeta de autobús, incluida información detallada como la ruta a pie diaria y el número de transbordos para la misma tarjeta. Para una gran ciudad con una población de decenas de millones, los datos de tráfico diario serán bastante grandes. Un solo análisis de los datos de un día puede no ser de valor relevante, pero un análisis de los cambios de tendencia de los datos durante un período será bastante valioso. Combinado con cambios en las tendencias de los datos del flujo de tráfico, puede ayudar al departamento de transporte público a ajustar las rutas de operación de los autobuses, diseñar estaciones de transferencia y muchas otras cosas. Es posible que algunas personas hayan pensado en este método hace mucho tiempo, pero fue realmente difícil implementarlo cuando las tarjetas de bus no eran populares o las capacidades informáticas y de procesamiento masivo de datos no podían mantenerse al día. Pero ahora es el momento de implementarlo. completamente.

Desde un único flujo de tráfico de autobuses hasta el análisis dinámico de datos, el big data suele poner más énfasis en el análisis de correlación. Por ejemplo, cuando hay un cambio de tendencia detallado en los datos de flujo y dirección de autobuses dentro de un cierto período de tiempo, ¿qué posibles eventos importantes o cambios en otros factores influyentes están relacionados con este cambio de tendencia? ¿Cómo analizar estas correlaciones y proponer? la respuesta correcta. Para dar un ejemplo simple, cuando el alquiler de casas en el centro de la ciudad continúa aumentando, definitivamente afectará los cambios en el flujo de tráfico. Muchas personas pueden mudarse a vivir más lejos, lo que naturalmente generará más flujo de autobuses y. información de dirección. En "La era del Big Data", se menciona que se prestará más atención a la correlación que a la causalidad. De hecho, todavía es importante explorar la causalidad. Tomar el ejemplo de los pañales y la cerveza parece muy simple, pero ¿quién descubrió esto? La correlación es más importante. El proceso de descubrir la correlación es a menudo un proceso de encontrar la causa a partir del efecto; de lo contrario, le resultará difícil determinar verdaderamente que existe una correlación.

En segundo lugar, en términos de transporte inteligente, las aplicaciones de transporte inteligentes actuales a menudo pueden monitorear las condiciones del tráfico en todo el entorno de la gran ciudad y publicar la información correspondiente sobre el estado de las carreteras. En la navegación GPS, a menudo se puede ver la congestión del tráfico correspondiente y otra información en tiempo real, lo que facilita a los conductores elegir nuevas rutas. Pero esto sigue siendo un mecanismo para el análisis y procesamiento posterior al evento. Un buen sistema inteligente de navegación y guía del flujo de tráfico debe proporcionar la mejor ruta de navegación para cada vehículo basándose en una gran cantidad de análisis de datos en tiempo real, en lugar de procesarlos después del evento. hecho. Los modelos de inducción y distribución del flujo de tráfico en el transporte inteligente son muy complejos y, frente a una gran cantidad de recopilación de datos en tiempo real, es realmente difícil realizar análisis y cálculos en tiempo real basados ​​​​en el modelo para brindar resultados valiosos bajo la tecnología de la información original. Con el desarrollo continuo de diversas tecnologías, como Internet de las cosas e Internet de los vehículos, la computación distribuida y el procesamiento de flujos en tiempo real basado en big data, la navegación inteligente del tráfico y el análisis y predicción de tendencias serán gradualmente posibles.

Otra cosa que se puede ver a menudo en los éxitos de taquilla extranjeros es el seguimiento de vehículos en tiempo real. Con la construcción de ciudades inteligentes, hay cámaras en todas partes de la ciudad para recopilar datos sobre cómo realizar un seguimiento cuando un vehículo está bloqueado. ¿Según la ubicación del vehículo? Las características o el número de placa y otra información se pueden utilizar para rastrear la ruta y la ubicación del vehículo en tiempo real. Esto a menudo requiere la recopilación de datos de video en tiempo real, el análisis y la comparación en tiempo real de los datos recopilados y el suministro de información y datos de referencia correspondientes. Personalmente, creo que esto es bastante difícil. Debe saber que la comparación y el análisis de transmisiones de video e información de imágenes a menudo consumen más recursos informáticos y requieren ciclos informáticos más prolongados para recopilar y procesar datos de miles de cámaras en la ciudad. El análisis cumple plenamente con las características del big data en las cuatro dimensiones de datos masivos, datos heterogéneos, velocidad y valor. Se puede hacer en base a vehículos y también se puede hacer en base a personas. Espero que este tipo de aplicaciones puedan aparecer gradualmente, al menos ahora tenemos la capacidad de aplicar big data en función de las capacidades y la tecnología a nivel de hardware.

-