فناوری داده های بزرگ در حمل و نقل. داده های بزرگ برای یک شهر بزرگ. مسکو حمل و نقل و کنترل ترافیک به تعداد

مقدمه

به گفته تحلیلگران ، 67 درصد از شرکتهای صنعت هوافضا پروژه هایی را بر اساس Big Data اجرا می کنند ، 10 درصد دیگر نیز در حال برنامه ریزی چنین پروژه هایی هستند. در مورد خطوط هوایی ، در اینجا اجرای پروژه ها برای فوریه 2019 توسط 44٪ شرکت ها اعلام شد و برنامه هایی برای چنین پروژه هایی 25٪ اعلام شده است.

این نتایج یک مطالعه انجام شده توسط FlightGlobal در دسامبر سال 2017 در رابطه با نقش Big Data در شرکتهای هوافضا و خطوط هوایی است. تحلیلگران همچنین درباره اشتراک داده های وضعیت هواپیما با تولید کنندگان و شرکت های تعمیر و نگهداری اطلاعات دریافتند. در این تحقیق 300 متخصص از صنایع هوافضا و حمل و نقل هوایی شرکت داشتند. اکثر آنها مطمئن هستند که فناوری های Big Data می توانند قابلیت اطمینان عملیاتی و کارایی شرکتهای هواپیمایی را افزایش دهند.

حدود نیمی از پاسخ دهندگان پاسخ دادند كه شركتهای آنها از آرایه های داده در وضعیت هواپیما استفاده می كنند ، این به آنها كمك می كند تا تصمیمات بهتری بگیرند. در کوتاه مدت ، سهم چنین شرکت هایی به 75٪ رشد می یابد.

اشتراک داده با OEM / MRO هنوز هم مشکل ساز است. با این حال ، 38٪ از شرکتهای هواپیمایی معتقدند که چنین مدلی می تواند مزایای تجاری قابل توجهی را برای آنها فراهم کند.

طبق بررسی هواپیمای متصل Honeywell's Connected Aircraft که در ماه مه سال 2018 منتشر شد ، 47٪ از شرکتهای هواپیمایی مورد بررسی ، قصد دارند تا برای هر سال که برای هواپیما هایی که برای اتصال هواپیما به شبکه کار می کنند ، بیش از 1 میلیون دلار در سال آینده هزینه کنند. اکثر این شرکت ها در نظر دارند مبلغ ۰/۱ تا ۰.۵ میلیون دلار را تامین کنند. با این حال ، در یک دوره پنج ساله ، 38 درصد از شرکت های هواپیمایی در حال حاضر سرمایه گذاری 1-10 میلیون دلاری برای هر هواپیما را اعلام کرده اند.

تا فوریه سال 2019 ، هنگام سرمایه گذاری توسط شرکتهای هواپیمایی در فناوریهای مرتبط (فناوریهای متصل) ، در درجه اول تأمین ارتباطات ماهواره ای و Wi-Fi بود. اکنون شرکت ها آماده استفاده از داده هایی هستند که می توانند با استفاده از تجهیزات به طور مستقیم در هواپیما ، از آنها استفاده کنند. برای مثال ، چنین داده هایی می توانند 1٪ از سوخت مصرف شده را برای آنها فراهم كنند كه معادل 50،000 دلار در هر هواپیما در سال است.

استفاده از داده های بزرگ توسط شرکت های هواپیمایی خارجی

از فناوری های Big Data برای انجام تعدادی از کارها در زمینه هواپیمایی کشوری استفاده می شود. در این فصل ، ما به تفصیل بیشتر در مورد مناطق اصلی استفاده در حمل و نقل هوایی در تعدادی از کشورهای خارجی می پردازیم. اول از همه ، تعمیر و نگهداری ، اطمینان از صرفه جویی در مصرف سوخت ، ایجاد دونفره های دیجیتال ، بهینه سازی فعالیت های عملیاتی (از جمله پیش بینی تاخیر در پرواز) ، ایجاد پیشنهادات شخصی برای مسافران و غیره است.

Big Data و Airworthiness

یکی از این مناطق با اولویت در آینده نزدیک تعمیر و نگهداری فنی (MOT) و تعمیر کشتی است. بنابراین ، 88٪ از پاسخ دهندگان مطالعات تحلیلی انتظار دارند كه در این زمینه بتوانند حداكثر مزایای استفاده از فناوری را به دست آورند. تعمیر و نگهداری و تعمیر بسیار مهمتر از سایر مناطق دارای اهمیت هستند. تجزیه و تحلیل و تعمیرات پیش بینی در حمل و نقل هوایی اثربخشی آنها را نشان می دهد و در عمل ثابت می کند که فن آوری های متصل کار می کنند.

پس از تعمیر و نگهداری ، پاسخ دهندگان انتظار دارند مزایای معرفی فن آوری های مربوط به خلبان ، از جمله بهینه سازی مصرف سوخت و زمان تبدیل هواپیما و همچنین خدمات مسافر را داشته باشند.

بنابراین ، در مطالعه "Sky High Economyics: ارزیابی مزایای اقتصادی عملیات هواپیمایی متصل" ، تحلیلگران توجه دارند كه هواپیماهای متصل می توانند داده ها را به سرورهای ابری یا سرورهای زمین منتقل كنند ، جایی كه این داده ها با استفاده از ابزارهای Big Data Analytics قابل تجزیه و تحلیل هستند. به لطف این ، هواپیماهای هوایی می توانند برای مثال در صورت بروز مشکلات اساسی ، عیب یابی کنند. از اطلاعات به دست آمده می توان برای تصمیم گیری بهتر و کاهش خرابی هزینه های هواپیما استفاده کرد (هواپیما در زمین).

علاوه بر این ، با ظهور مدل سازی پیش بینی ، امکان جایگزینی قطعاتی فراهم شد که براساس آنالیز ، قبل از شکست ، یعنی در حین انجام تعمیرات و تعمیرات برنامه ریزی شده ، نیاز به تعویض دارند. همه اینها به کاهش هزینه ها ، افزایش ایمنی پرواز کمک می کند.

Digit Twins چیست؟

مبحث تعمیرات پیش بینی (فعال) نیز ارتباط نزدیکی با استفاده از به اصطلاح "دوقلوهای دیجیتال" دارد. با این حال ، بر خلاف ، به عنوان مثال ، صنعت نفت و گاز ، جایی که مراکز داده از قبل توسط تعدادی از شرکت های بزرگ در عمل استفاده می شوند ، این موضوع هنوز در سطح کارشناسان و تحلیلگران صنعت هوانوردی بیشتر مورد بحث قرار می گیرد.

در سال 2019 ، کارشناسان صنعت حمل و نقل هوایی شروع به ترویج فعالانه استفاده از دوقلوهای دیجیتالی کردند: رهبری شرکت سوئدی IFS ، توسعه دهنده نرم افزار برای مشتریان شرکت ها ، از جمله کسانی که از صنعت حمل و نقل هوایی هستند ، در آوریل 2018 اعلام کرد که یکی از نوآوری های فناوری که می تواند خطوط هوایی را تأمین کند. عملکرد موثر کشتی ها ضمن کاهش هزینه های تعمیر و نگهداری و تعمیرات "همتای دیجیتال" است. همتایان دیجیتال همانندهای مجازی از دارایی های بدنی هستند که می توانند عملکرد موتور را در حالی که هواپیما در هوا قرار دارد نشان دهند. برای انجام این کار ، مهندسان هزاران نقطه جمع آوری داده را در مراحل طراحی و تولید موتور نصب می کنند. سپس از آنها برای ایجاد یک مدل دیجیتالی استفاده می شود که موتور را در زمان واقعی ردیابی و نظارت می کند و اطلاعات لازم را در کل چرخه عمر خود مانند دما ، فشار و جریان هوا فراهم می کند.

GE به توسعه یک دوقلو دیجیتال برای تجهیزات فرود هواپیما کمک کرد. سنسورها روی قسمتهایی از شاسی قرار گرفته بودند که بیشتر مستعد آسیب بودند. در زمان واقعی ، داده هایی از قبیل فشار و دما به متخصصان منتقل شدند و به پیش بینی نقص عملکرد و یا ماندگاری خدمات کمک می کنند. این داده ها با داده های یک دیجیتال دیجیتال مقایسه شد ، که بارهای مشابهی نیز در معرض آن بود.

از دو راه حل برای اجرای مدل پیش بینی تعمیر و نگهداری استفاده می شود - یک سیستم تبادل اطلاعات در هیئت مدیره برای عملیات و نگهداری پرواز (FOMAX) و ابزارهای خارج از هیئت مدیره برای تجزیه و تحلیل داده های حمل و نقل هوایی Skywise. FOMAX ، سرور Rockwell کالینز ، اطلاعات مربوط به تعمیر و نگهداری و عملکرد هواپیما را جمع آوری می کند ، بطور خودکار آن را به مهندسان و تکنسین ها ارسال می کند. SkyWise با پشتیبانی از یک سیستم عامل ابری ، انواع و اقسام آنالیز داده ها را ارائه می دهد ، که بطور مشترک توسط Airbus و Palantir Technologies تهیه شده است.

سیستم FOMAX تمام داده ها را از سیستم FDIMU پردازنده (واحد مدیریت داده رابط پرواز) دریافت می کند. FOMAX قابلیت روتر 4G را دارد: پس از فرود ، تمام داده های با استفاده از آنتن های 4G Gatelink به بستر تحلیلی Skywise منتقل می شوند و توسط متخصصان ایرباس تحلیل می شوند. برای تجزیه و تحلیل ، متخصصان ایرباس به طور مستقل مدلهای خاصی تهیه کردند که می تواند از بروز مشکلات سیستم پیش بینی کند. پس از تجزیه و تحلیل ، نتایج آن به متخصصان EasyJet ارسال می شود ، که از قبل مستقل در مورد نیاز به تعمیر و نگهداری پیش بینی و یا تعمیر تصمیم گیری می کنند. با استفاده از اطلاعات دریافت شده ، متخصصان هواپیمایی می توانند الگوریتم هایی را ایجاد کنند که در آینده به شما امکان می دهد مشکل خاصی را در هر هواپیما پیش بینی کنید.

هواپیمای مدل A320 با FOMAX قادر به جمع آوری بیش از 24000 پارامتر است ، یعنی 100٪ جمع آوری اطلاعات از سیستم ها و قطعات هواپیما را ارائه می دهد. هواپیماهای بدون FOMAX 400 پارامتر جمع می کنند ، یعنی 2٪ از اطلاعات موجود.

به گفته مدیران Delta ، برنامه نگهداری پیش بینی شده پیش بینی شده به شرکت هواپیمایی کمک می کند تا تعداد نقص ها را به میزان قابل توجهی کاهش دهد: در طی 12 ماه گذشته ، استفاده از تعمیر و نگهداری پیشگیرانه به جلوگیری از 1200 تاخیر در پرواز یا لغو کمک کرده است.

در این برنامه از داده های سیستم های مختلف مانند مثال مدیریت بهداشت هواپیما از بوئینگ ، سیستم های ایرباس و GE استفاده شده است. در همان زمان ، اساس ناوگان هواپیمایی این هواپیماها است که قبل از استخراج و تجزیه و تحلیل داده ها تبدیل به یک تابع "ضروری" شده اند. پس از تجزیه و تحلیل داده های دریافت شده ، برنامه توصیه هایی را برای جایگزینی قطعات و مکانیسم ها ارائه می دهد. مطابق گفته Delta Air Lines ، برنامه مورد استفاده میزان 95٪ از دقت را از نظر توصیه هایی برای نیاز به تعویض قطعات نشان می دهد.

در ارائه تصمیم ، این استارتاپ اظهار داشت که در بهار سال 2018 باید یک خلبان با یک شرکت هوایی بزرگ بین المللی اجرا شود. با این حال ، هیچ اطلاعات دیگری در مورد این موضوع منتشر نشده است.

استفاده از Big Data برای تجزیه و تحلیل و پیش بینی تقاضا برای سفرهای هوایی

شرکت صابر ، توسعه دهنده فن آوری هواپیمایی ، توسعه دهنده راه حل ها برای صنعت جهانی گردشگری ، در نوامبر سال 2017 اعلام کرد که او توافق نامه چند ساله را امضا کرده است که براساس آن ، هواپیمایی هونگ کونگ یک راه حل MIDT (اطلاعات اطلاعات بازار) دریافت می کند. این راه حل یک پایگاه داده است که دسترسی به داده های رزرو تاریخی و پیش بینی (عمق تا 11 ماه) را فراهم می کند. داشتن این محصول به شرکتهای هواپیمایی اجازه می دهد تا تاثیر اقدامات در زمینه تنظیم تعرفه و برنامه های بازاریابی را تحلیل کنند.

شرکت هواپیمایی هنگ کنگ انتظار دارد که از این محصول در اجرای برنامه ها برای شروع در بازار آمریکای شمالی استفاده کند. این محصول به شما امکان می دهد گزارشاتی تهیه کنید و از قابلیت های تحلیلی برخوردار است که به کاربر این امکان را می دهد تا کانالهای بهینه برای اجرای یک استراتژی بازاریابی را شناسایی کند. خطوط هوایی هنگ کنگ برای کلیه نقاط عزیمت و مقصد در جایی که شرکت هواپیمایی در آن حضور دارد ، به داده های نماینده صابر در سراسر جهان دسترسی پیدا می کند.

Big Data برای افزایش رضایت و شخصی سازی مشتری

از سال 2013 ، British Airways ، عضو TOP 10 از نظر گردش مسافر ، از Big Data Analytics برای بهبود خدمات به مشتری خود استفاده می کند: این شرکت مخابراتی داده های مختلف مسافری را در یک انبار ویژه جمع می کند ، و سپس آن را در برنامه ای بنام "من می شناسم" بارگذاری می کند. هدف از این برنامه یادگیری و درک بهتر نیازهای مشتری و همچنین استفاده از داده های جمع آوری شده در طی انواع تماس با این مشتریان برای بهبود سطح خدمات آنها است.

"من را بشناس" شامل اطلاعات مختلفی در مورد مسافران است: رفتار با سفارشات آنلاین ، آرزوها هنگام خرید ، ترجیحات در هنگام انتخاب یک مکان. تمام این اطلاعات به طور خودکار در رزرو بعدی ساخته شده توسط مشتری ایجاد و استفاده می شود.

این برنامه با استفاده از نرم افزار تحلیلی از Opera Solutions انجام می شود. همچنین از جستجوی عکس Google نیز برای جستجوی عکس استفاده می شود ، که به کارکنان هواپیمایی امکان می دهد مسافرانی را که به ویژه در زمان ورود به فرودگاه یا صندوق بازرگانی یا مسافر مهم هستند ، بویژه مهم و بسیاری از مسافران پرواز را تشخیص دهند و بر همین اساس خدمات درجه یک را به آنها ارائه دهند.

یکی دیگر از بازیگران مهم بازار ، ویرجین استرالیا ، در اواخر سال 2017 ، اظهار داشت که برنامه های یادگیری دستگاه خود را بهینه می کند. برای این اهداف ، این شرکت راه اندازی DataRobot را راه اندازی کرد. استارتاپ آمریکایی یک بستر تحلیلی پیش بینی کننده ایجاد کرده است تا بتواند به سرعت مدلهای پیش بینی را ایجاد و پیاده سازی کند. این سیستم عامل در حال حاضر به ویرجین استرالیا کمک می کند تا مدت زمان لازم برای ایجاد مدل های پیش بینی را 90٪ کاهش دهد ، در حالی که پیش بینی دقت 15٪ افزایش می یابد.

از فوریه 2019 ، این شرکت هواپیمایی در تلاش است بهینه سازی برنامه وفاداری خود را با سرعت بالایی ، سرعت تجزیه و تحلیل پیش بینی را در آن وارد کند ، که باید در هنگام انتخاب بهترین زمان برای استفاده از امتیازهای دریافتی ، از مشتریان این شرکت پشتیبانی کند. DataRobot وظیفه پیش بینی ساختمان / مدل های کسی را که به احتمال زیاد به سفر می رود ، داده است ، چه قیمتی و چه نوع سفر را ترجیح می دهد. به طور کلی ، ما در مورد بهبود سطح خدمات برای شرکت کنندگان در برنامه وفاداری هواپیمایی صحبت می کنیم.

با استفاده از گپ های هوشمند

راه حل اول یک مدل چت بات است که به ارتباطات انسانی نزدیک است. در همان زمان ، از برنامه ای مبتنی بر یادگیری ماشینی به نام LUIS (سرویس درک اطلاعات زبان) برای بهبود قابلیت های گفتگو استفاده شد. علاوه بر این ، خدمات شناختی ، به ویژه تشخیص چهره ، در ربات چت ادغام می شوند. با تشکر از این ، مشتریان هواپیمایی قادر خواهند بود از لیست فیلم هایی که یک بازیگر خاص در آن بازی می کند ، در هیئت مدیره مشاهده کنند. برای انجام این کار ، شما فقط باید عکسی از این بازیگر را در برنامه بارگذاری کنید.

راه حل دوم یک برنامه مبتنی بر هوش مصنوعی برای تجزیه و تحلیل محتوای ویدیو با استفاده از یادگیری ماشین است. این سکوی قادر به اشیاء ، سناریوها یا محتوای خاصی با محدودیت سنی بود که اغلب مطابق با الزامات محتوای شرکتهای هواپیمایی مورد نیاز است. به عنوان مثال ، هوش مصنوعی قادر است محتوای مرتبط با صحنه سقوط هواپیما یا محتوای بزرگسالان را کشف کرده و آن را فیلتر کند.

در آوریل 2018 ، FoxTripper برای اولین بار برنامه ای را با "نقشه متحرک" نشان داد. این برنامه اطلاعاتی را در مورد مکانهایی که هواپیما پرواز می کنند ، در اختیار مسافران قرار می دهد و به مسافران اجازه می دهد تا در مقصد رزرو کنند. داده های جمع آوری شده در طول پرواز ، همراه با اطلاعات مسافر هواپیمایی ، امکان پیش بینی درمورد کل محصولات و خدمات مربوط به آن را فراهم می کند.

مثال جالب دیگر Gogo Air است. این شرکت سیستم پرواز از طریق پرواز از هوش مصنوعی و یادگیری ماشین برای کمک به خطوط هوایی در بهبود خدمات خود استفاده می کند. Gogo Air از مجموعه ابزار Adobe Analytics ، از جمله Virtual Analyst ، یک ابزار یادگیری ماشین ، برای جمع آوری اطلاعات مشتری برای تعدادی از ایرلاین های اصلی استفاده می کند.

با تهیه محتوای سرگرم کننده و دسترسی Wi-Fi در پرواز ، Gogo Air اطلاعاتی را در مورد مسافران با استفاده از این خدمات جمع آوری می کند. این اطلاعات سپس پردازش و تجزیه و تحلیل می شوند. در نتیجه ، خطوط هوایی داده هایی را دریافت می کنند که به آنها در بهبود خدمات به مشتریان کمک می کند و غالباً به مسافران خود محصولات هدفمند تری ارائه می دهند. شرکتهای هواپیمایی متوجه می شوند که مشتریانی که در طول پرواز به چه کالاهایی علاقه دارند ، از چه وسایلی در پرواز استفاده می کنند ، چقدر زمان را برای گذراندن اینترنت و یا چه نوع سرگرمی در هواپیما ترجیح می دهند.

خطوط هوایی از داده های به دست آمده برای شخصی سازی خدمات بر اساس شرایط موقعیتی استفاده می کنند ، به عنوان مثال ، تطبیق صفحه نمایش سیستم های سرگرمی در هواپیما برای مشتری بسته به طول پرواز ، دستگاه های مورد استفاده مسافر و مقصد.

فن آوری های پذیرایی در هواپیما کنار نیستند. بنابراین ، در آوریل سال 2018 در هامبورگ ، بلک Swan Data ، یک شرکت در حال توسعه راه حل های تجزیه و تحلیل داده ها ، با گیت گروپ به توافق نامه همکاری رسید. هدف از همکاری ، تجزیه و تحلیل داده های مسافر و گرایش ها در شبکه های اجتماعی است تا پیش بینی کند که کدام منو را برای مسافران هواپیما انتخاب می کند. مسافران قادر خواهند بود بعد از سوار شدن سفارش غذای مورد علاقه خود را سفارش دهند و انتظار داشته باشند. پروژه آزمایشی دو شرکت نتایج خوبی را نشان داد: می توان 50 درصد ضایعات مواد غذایی را کاهش داد و بهره وری را 15 درصد افزایش داد.

در ماه مه سال 2018 ، SITA ، توسعه دهنده راه حل های حمل و نقل هوایی ، سیستم ردیابی و مدیریت چمدان ها را معرفی کرد. فناوری BagJourney توسعه یافته توسط او امکان مدیریت بیشتر و بیشتر خطوط هوایی را با کارهای چمدان فراهم می کند. در شش ماه نخست سال 2018 ، بیش از 20 شرکت هواپیمایی این راه حل را انتخاب کردند. SITA BagJourney یکی از راه حل های اصلی است که به صنعت حمل و نقل هوایی کمک می کند تا قطعنامه 753 IATA را رعایت کند ، که نیاز به ردیابی چمدان ها را در هر مرحله از سفر تعیین می کند.

SITA BagJourney همه ساله برای رسیدگی به صدها میلیون چمدان استفاده می شود. به گفته کاربران ، راه حل تعداد خطاها را 30٪ کاهش می دهد. BagJourney با انواع سخت افزار از جمله دستگاههای اسکن موبایل یا دستگاههای ثابت سازگار است.

به گفته BahamasAir ، یکی از کاربران راه حل ، پس از اجرای آن در مدت 7 روز ، امکان دستیابی به دستگاه های تلفن همراه برای ردیابی کلیه چمدان ها در دو مقصد بارگیری شده ترین چمدان - ناسائو و میامی وجود داشت. براساس نتایج شش ماهه ، تعداد شکایات مربوط به مشکلات چمدان در شلوغ ترین جهت 60 درصد کاهش یافته است. شرکت هواپیمایی در نظر دارد راه حل را از همه جهات پیاده سازی کند و انتظار دارد که تا پایان سال به طور کامل الزامات قطعنامه 753 را رعایت کند.

مصاحبه با کارشناسان

کاربرد فن آوری های بزرگ داده در هواپیمایی هواپیمایی روسیه

کار با اعتبار مشتری برای شرکتهای حمل و نقل از جمله حمل و نقل هوایی از اهمیت بالایی برخوردار است. شبکه های اجتماعی به شما امکان می دهند تا در زمان واقعی بازخورد از مسافران جمع آوری کرده و به سرعت به آنها پاسخ دهید.

از مزایای سیستم مورد نظر ، امکان نظارت مداوم بر رضایت شرکت و تعامل با کاربران در شبکه های اجتماعی است. تضمین امنیت و شناسایی سازمان های تروریستی ، افراط گرایی و سایر مشکلات؛ بهبود مستمر پیشنهاد برای مشتری از طریق تجزیه و تحلیل در شبکه های اجتماعی و امکان ارتباط مستقیم با اپراتور؛ حفظ شهرت شرکت هواپیمایی از طریق تماس عملیاتی با مخاطبان در شبکه های اجتماعی. تجزیه و تحلیل تنظیمات ترجیحی کاربر و تهیه پیشنهادات مربوط به محصول ، و همچنین تبلیغات هدفمند موفقیت آمیز. اطلاعات بیشتر در مورد پروژه -

DBMS Tarantool داخلی در پروژه تحلیلی داده های بزرگ

Aeroflot الگوریتم های تحلیلی پیش بینی را به عنوان بخشی از یک پروژه پلت فرم برای تجزیه و تحلیل و پردازش درخواست های مسافر در شبکه های اجتماعی معرفی کرد. به عنوان DBMS ، از توسعه داخلی استفاده شده است - راه حل Tarantool از گروه Mail.Ru.

این مجتمع شامل تعداد زیادی ماژول است که هم نیازهای کارکردی تجاری و هم ماژولهای ادغام را در زیرساختهای موجود فناوری اطلاعات PJSC Aeroflot و کانالهای مختلف جهت دریافت تماس (شبکه های اجتماعی ، ایمیل ، وب سایت رسمی ، حساب شخصی) پوشش می دهد.

ماژول اول وظیفه شناسایی مشتری را براساس یک تحلیل جامع از داده ها ، هم از متن خود و هم برای مشخصات پروفایل نویسنده ، بر عهده دارد. تعداد تماس ها می تواند به چندین هزار در روز برسد.

ماژول دوم برای جستجوی بازدیدهای تکراری طراحی شده است. برای ارسال در منابع مختلف یا ارسال از طریق نامه متن را کپی کنید. پست های معنایی مشابه به منظور شناسایی خوشه هایی که حادثه هستند مشخص می شوند. پردازش چندین مورد از این پستها به یکباره منجر به کاهش قابل توجه بار کارمندان مسئول می شود.

ماژول سوم "Infoprovody" یکی از مهمترین سیستم است. ویژگی اصلی آن شناسایی پیش بینی کننده پست های خطرناک قبل از شروع رشد فعالیت است. بنابراین ، الگوریتم های تعبیه شده حاکی از "اطلاعات بمب" بالقوه هستند و امکان تر کردن ضررهای شهرت را ممکن می سازند.

تعداد تخمین دستیابی به داده ها چندین هزار درخواست در هر ثانیه با پاسخ لازم در چند میلی ثانیه بود. برای پاسخگویی به نیازهای بالای مشتری ، از جمله محدودیت زمانی تعیین شده سه ثانیه\u200cای برای غنی سازی گردش با خواص مختلف ، استفاده از نرم افزارهای پیشرفته فناوری اطلاعات مورد نیاز بود. با توجه به نتایج آزمونهای مربوط به عملکرد ، کیفیت ذخیره سازی داده ها و عملکرد ، تصمیم گرفته شده است از یک توسعه داخلی - DBMS Tarantool استفاده شود.

Tarantool در Platform به عنوان یک بانک اطلاعاتی عملیاتی مورد استفاده قرار می گیرد که در آن مکالمات در قالب ساختار داده های ویژه لازم برای الگوریتم های تجزیه و تحلیل ذخیره می شوند. عملکرد بسیار بالا و حضور در بانک اطلاعاتی خواصی از جمله شاخصهای ثانویه و پشتیبانی از تعداد زیادی از اتصالات بدون از بین رفتن عملکرد ، به ما امکان می دهد ماژول های عملکردی فوق الذکر را با موفقیت پیاده سازی کنیم ، بدون آنکه فراتر از چارچوب زمانی تعیین شده برویم.

استفاده از تحولات داخلی در چنین شرکت بزرگی مانند Aeroflot بسیار مهم است. نرم افزار روسی اغلب از هیچ چیز فرومایه نیست ، اما ، مانند مورد ما ، از آنالوگ های خارجی فراتر می رود. به همین دلیل Tarantool انتخاب شد. و البته یک عامل مهم جایگزینی واردات در حال تحقق است که برای شرکت ما یکی از اولویت های اصلی سال های آینده است.

Kirill Bogdanov ، CIO PJSC Aeroflot

براساس نتایج اجرای ، مشتری با استفاده از این بستر ، کارایی فرآیند رسیدگی به شکایات و شکایات مشتری توسط کارکنان مسئول شرکت PJSC Aeroflot را به میزان قابل توجهی افزایش داده ، زمان تحویل برنامه و زمان پردازش / حل مسئله را به طرز چشمگیری کاهش داده است که ناشی از مکانیسم های غنی سازی برنامه با زمینه ، تونالیته ، تم (برچسب زدن) ، مشخصات نویسنده و غیره همه اینها در جهت دستیابی به یک اثر مثبت اقتصادی و شهرت تقریباً در تمام مراحل ارائه خدمات Aeroflot PJSC است. براساس تجربه موفق ، کلیه شرکت کنندگان در پروژه همچنان به استفاده از نرم افزار Tarantool در پروژه های خود و تقویت مشارکت خواهند پرداخت.

Technoserv یک سیستم هوشمند سازی تقسیم مشتری را برای آئروفت انجام داده است

Technoserv تأیید کرد که فناوری های Big Data به طور کلی در صنعت حمل و نقل مورد تقاضا هستند و این با افزایش تعداد پروژه های با استفاده از این فناوری ها تأیید می شود. علاوه بر این ، موضوعات پروژه ها ، به گفته وی ، کاملاً متفاوت هستند. اینها وظایف افزایش شخصی سازی ارتباطات با مشتریان ، تعمیر تجهیزات پیشرو ، پیش بینی تقاضا و سایر کارهایی است که با استفاده از الگوریتم های یادگیری ماشین حل شده و تجزیه و تحلیل حجم زیادی از داده های ساخت یافته ، بدون ساختار و ضعیف هم برای شرکت هواپیمایی و هم شرکای آن انجام می شود. سرعت حل و فصل از 14 روز به 23 ثانیه افزایش یافته است.

ما برای خرید بلیت از طریق api blockchain باز به بانک معامله کردیم ، اما من اطمینان دارم که چنین طرحی به زودی توسط بسیاری از شرکت ها در سراسر جهان استفاده می شود. سکوی blockchain به شما امکان می دهد فرآیندهای تجاری را به میزان قابل توجهی بهینه کنید. این هر طرح تسویه حساب متقابل ، حتی یک طرح بسیار پیچیده - به عنوان مثال ، تحویل انبار را خودکار می کند. با چنین مکانیسمی ، مشارکت انسانی عملاً موردنیاز نیست: نیازی به صدور صورت حساب ، آشتی یا نوشتن اعمال ضروری نیست. به طور بالقوه ، ارائه دهندگان خدمات پذیرایی ، سوخت ، خدمات فرودگاهی می توانند به سیستم عامل متصل شوند - تمام شرکتهایی که شرکت هواپیمایی S7 دارند و نه تنها دائماً کار می کنند. (قراردادهای هوشمند حمل و نقل هوایی ، AFSC) مبتنی بر blockchain. این پروژه امکان خودکار سازی برنامه ریزی و حسابداری از سوخت را فراهم کرده و به گونه ای طراحی شده است که در هنگام سوخت گیری هواپیما سرعت تسویه حساب های متقابل را افزایش می دهد.

براساس بیانیه نمایندگان گازپروم چپ ، این نخستین تجربه استفاده از فناوری های توزیع لجر توزیع شده برای بازار هواپیمایی روسیه است. با کمک آنها ، شرکت هواپیمایی توانست هنگام سوخت گیری در هواپیما بدون پیش پرداخت ، ضمانت بانکی و ریسک های مالی برای شرکت کنندگان در معامله ، بلافاصله هزینه مستقیم سوخت را بپردازد. طبق گفته شرکت نفت و گاز ، این رویکرد باعث افزایش راندمان عملیات مالی و کاهش هزینه های نیروی کار می شود.

پیش بینی سقوط هواپیمای هواپیمایی S7 با استفاده از آموزش ماشین و تجزیه و تحلیل داده های بزرگ

در آغاز ماه مارس سال 2018 ، هواپیمایی S7 یک سیستم تعمیر و نگهداری پیش بینی کرد. به گفته خود این شرکت ، این نخستین شرکت هواپیمایی هوایی روسیه بود که توسعه چنین سیستمی را به پایان رساند.

در ابتدا از این هواپیماها برای هواپیماهای ایرباس A319 استفاده می شود. در آینده ، این سیستم برای کل ناوگان سازگار خواهد شد.

یک سیستم نگهداری پیش بینی شامل تجزیه و تحلیل مجموعه ای از داده های تاریخی در مورد نگهداری هواپیما و عملکرد اجزای انفرادی است.

نرم افزاری برای تجزیه و تحلیل داده ها و ساختن یک مدل ریاضیاتی توسط S7 Airlines در رابطه با شرکت روسی Datadvance ، و متخصص در زمینه تولید راه حل های تحلیلی پیش بینی شده تهیه شده است.

در مارس 2018 ، مجموعه ای از داده ها برای دوره 2012 تا 2017 برای تجزیه و تحلیل در دسترس بوده است. این داده هایی است که در سیستم های سنجش هواپیما ، بانک اطلاعاتی نگهداری و تعمیر تجهیزات S7 Technics و داده های هواشناسی ثبت شده است.

وظایف اصلی که شرکت انتظار دارد با کمک تعمیرات پیش بینی حل کند ، کاهش تعداد تاخیر در پروازهای به دلایل فنی ، بهبود ایمنی پرواز و کارایی نگهداری کشتی ، پیش بینی احتمال خرابی احتمالی برای هر هواپیما در ناوگان شرکت است.

چند صد برچسب RFID در هر یک از هواپیماها به معنای واقعی کلمه ای که چسبیده نیست وصل می شود - از کاپوت های زندگی تا کمربند ایمنی. همچنین برچسب ها به دستکش های مقاوم در برابر حرارت ، مگافون ها ، سیلندرهای اکسیژن ، ماسک ها ، خاموش کننده های آتش و غیره وصل شده اند.

هدف از این پروژه تسریع موجودی تجهیزات نجات است که پس از هر پرواز رخ می دهد. یکی از نگهبانان پرواز برنامه ویژه ای را روی رایانه لوحی راه اندازی کرده و از داخل کابین عبور می کند ، برچسب های RFID را اسکن می کند. هر برچسب شناسایی شده با صدای بوق کوتاه پاسخ می دهد و در پایان برنامه گزارشی از در دسترس بودن کلیه تجهیزات اضطراری تهیه می کند. این گزارش بلافاصله در سرور بارگذاری می شود: سیم کارت ها در تبلت ها نصب شده اند ، و بخش ابر مبتنی بر Microsoft Azure است.

اگر برخی تجهیزات در دسترس نباشد ، این بلافاصله در گزارش قابل مشاهده است ، به همین ترتیب ، در این حالت ، دستور اعزام اتوبوس های پیش بند با مسافران وجود ندارد و آنها بررسی می شوند.

بدون تجهیزات ، هواپیما در پرواز بعدی مجاز نخواهد بود (یعنی اگر در هواپیما جک زندگی کافی نباشد ، بدین معنی است که یکی از مسافران از حمل محروم می شود). موجودی دستی زمان و تلاش بسیار بیشتری را می طلبد: 189 جلیقه به تنهایی در زیر صندلی های صندلی ، و همه آنها نیاز به بررسی دارند. بنابراین ، به لطف فناوری RFID ، Pobeda موفق شد حداقل زمان چرخش برای هواپیما را از 30 به 25 دقیقه کاهش دهد. این یکی از KPI های کلیدی در حمل و نقل هوایی مسافر است: نکته این است که هرچه زمان کمتری از ورود به فرودگاه تا عزیمت به پرواز بعدی بگذرد ، راندمان اقتصادی شرکت هواپیمایی بالاتر می رود ، زیرا هواپیما فقط هنگام پرواز ، درآمد دارد و نه در زمین. با اندازه ناوگان پیروزی یک و نیم هواپیما ، کاهش زمان موجودی هر طرف 5 دقیقه باعث می شود حداقل یک پرواز اضافی بدون افزایش ناوگان انجام شود.

ایجاد مرکز نوآوری در زمینه هواپیمایی شهری برای تقویت تخصص Big Data

در سال 2017 ، Innodata ، توسعه دهنده نرم افزار روسی در زمینه فن آوری های نوآورانه ، و Innopolis ، یک دانشگاه فناوری اطلاعات روسیه ، مرکز نوآوری در هواپیمایی کشوری (TsIGA) را ایجاد کرد. هدف این انجمن توسعه حضور فناوری و دیجیتالی در حمل و نقل هوایی مدنی مدرن ، ترویج افشای جوهر و اهمیت فن آوری های مدرن است که بر عرضه و تقاضای بازیکنان در صنعت حمل و نقل هوایی تأثیر می گذارد و ادغام نوآوری های دنیای دیجیتال در فن آوری های فعلی هواپیمایی هواپیمایی. در سال 2018 ، گروه RAMACS با هدف تقویت تخصص های موجود در زمینه فناوری و همچنین ایجاد راه حل های تخصصی برای صنعت هوانوردی ، به عنوان شریک این مرکز تبدیل شد.

فعالیت های اصلی به ترتیب توسعه موجود و ایجاد راه حل های جدید برای صنعت حمل و نقل هوایی است. این مرکز هم فعالیت های آموزشی و هم طراحی را انجام می دهد ، خواه اجرای پروژه ها در هواپیمای علمی ، فنی ، ابتکاری یا اطلاعات-تحلیلی باشد. TsIGA همچنین برای ارتقاء فن آوری ها و راه حل های پیشرفته برای پروژه های آزمایشی باز است و آماده ارائه پشتیبانی توسعه است.

واقعیت مجازی برای مقابله با هوافوبی ، ناوبری در فرودگاه بر اساس فن آوری واقعیت مجازی ، تجزیه و تحلیل رفتاری از فعالیت های کارکنان در زمینه اطلاعات ، پیش بینی قدرت خرید مسافران و ایجاد توصیه های پویا برای تغییر قیمت بلیط ، برنامه ریزی برنامه پرواز و تجزیه و تحلیل بهینه سازی برنامه فصلی ، مدیریت پیش بینی جریان مسافر ، مدیریت پرسنل در فرودگاه ها ، توسعه سیستم انتخاب گزینه های پیشنهادی بسته شخصی خطوط هوایی و شریک خدمات و همچنین روش هایی برای اسکن سطح هواپیما در حین نگهداری پس از پرواز ، تجزیه و تحلیل باند ، مدیریت سطوح بیش از حد رزرو ، تجزیه و تحلیل منافع مسافر و تشکیل پیشنهادها برای آنها.

نتیجه

نمونه های ذکر شده در بالا نشان می دهد که شرکت های هواپیمایی دیگر فقط هواپیما نیستند ، حامل هایی که به آنها عادت کرده ایم. مبنای مهم توسعه آنها فناوریهایی است که به عنوان مثال امکان شخصی سازی خدمات را فراهم می آورد. پیشنهادهای فردی که سفر هر مسافر را تا حد امکان راحت کند. جستجوی اطلاعات سفر ، سفارش بلیط ، نمایش داده شد - هرگونه اقدام در شبکه ، ردپای دیجیتالی را که می تواند مورد تجزیه و تحلیل قرار بگیرد ، برای هدفمندترین بسته خدمات ارائه می دهد. علاوه بر این ، کار با داده های بزرگ می تواند مثلاً با پاسخ سریع به درخواست های مسافر ، وفاداری مشتری را افزایش دهد.

سیستم های تولید حتی داده های بیشتری تولید می کنند. هواپیماها ، لوکوموتیو های ریلی و قطارها منبع جریان گسترده ای از داده های فنی هستند که از سنسورهای نصب شده در موتورها و سیستم های پشتیبانی از زندگی حاصل می شوند. تجزیه و تحلیل دقیق این داده ها به شما امکان می دهد نیاز به تعمیر یک قسمت خاص را شناسایی و پیش بینی کنید. بنابراین ، آنها می توانند سطح امنیت را افزایش داده و همچنین بودجه قابل توجهی را برای شرکتهای حمل و نقل صرفه جویی کنند. مدت زمان تعمیر مورد نیاز کاهش می یابد و هواپیما می تواند برای مدت زمان طولانی تر برای اهداف مورد نظر خود استفاده شود.

مطالب پیشنهادی به برخی از فرصت ها و نتایج عملی استفاده از فناوری های Big Data در صنعت حمل و نقل هوایی پرداخته است ؛ در واقعیت ، هر روز فرصت های بیشتری برای توسعه وجود دارد.

10/01/2018 ، دوشنبه ، 10:03 ، زمان مسکو ، متن: ماریا سیسوکینا

مرکز نوآوری حمل و نقل ایمن ، که یک سال پیش به عنوان بخشی از مترو مسکو ایجاد شده است ، توسعه دهندگان راه حل ها را برای کار با فناوری های دیجیتال متحد می کند. در چارچوب اولین جلسه استراتژیک مرکز نوآوری ، بحثی در مورد فناوریهای جدید ارائه شده توسط شرکتهای روسی و همچنین ابتکاراتی که قبلاً توسط این مرکز اجرا شده است ، برگزار شد.

اجتماع اطراف حمل و نقل ایمن

مرکز نوآورانه "حمل و نقل ایمن" ایجاد جامعه ای از متخصصان و توسعه دهندگان را برای تبادل ایده و تجربه در مورد استفاده از فن آوری های نوین در حل مشکلات مختلف حمل و نقل برای مسکو آغاز کرد. در درون جامعه ، هر دو شرکتهایی که در حال حاضر با ایمن حمل و نقل و اعضای جدید همکاری می کنند متحد خواهند شد. در اولین جلسه استراتژیک این مرکز ، نمایندگان ABBYY ، Maxima Telecom ، Yandex.Taxi ، Avito ، Software Product و دیگران نظرات خود را در مورد تحولات لازم فن آوری در حمل و نقل در مسکو به اشتراک گذاشتند ، در مورد نقش فناوری ها در شکل گیری خدمات جدید نوآورانه و ایده هایی برای شخصی سازی تعامل شهر با ساکنان آن ارائه شده است.

داده های بزرگ ارتباطات را تغییر می دهد

ایده ایجاد این مرکز در آگوست سال 2018 به دنیا آمد. هدف اصلی این ابتکار تحول تعامل با مسافران ، برقراری ارتباط با شهروندان به سطح جدید و شخصی سازی شده است. تجزیه و تحلیل داده های بزرگ به شما کمک می کند تا به اهداف خود برسید. مرکز نوآوری توانایی کار با داده های وابسته به سازمان حمل و نقل سازمان ها ، انجام تحقیقات خود ، آزمایش فرضیه ، انجام کار بخش های ساختمانی برای شرکتهای ارتباطی هدفمند را دارد.

رئیس مرکز نوآوری توضیح می دهد: "ما تعداد زیادی از داده های شخصی سازی شده غیرمجاز زیادی را در مورد مسافران جمع آوری می کنیم و بر اساس آنالیز ، می توانیم اطلاعات مهم را به شهروندان ارائه دهیم." یوری املیانوف. - سناریوها می توانند بسیار متفاوت باشند. به عنوان مثال ، اغلب در ارتباط با برخی حوادث ، حوادث تغییراتی در مسیرها ، تعمیرات ، انسدادهای ترافیکی ایجاد می شود. با تجزیه و تحلیل داده ها ، می توانیم شخصاً از تغییرات آن دسته از مسافرانی که غالباً در این مسیرها سفر می کنند ، مطلع شویم. "

پروژه های مرکز نوآوری

به عنوان مثال ، پروژه های کلان در بانک مرکزی این مرکز وجود دارد ، مثلاً تجزیه و تحلیل رضایت مناطق شهر مسکو از استفاده از حمل و نقل زمینی. کارشناسان این مرکز نظرسنجی های بسیاری را در مورد این موضوع انجام داده اند ، نتایج را مورد تجزیه و تحلیل قرار داده و به دنبال نتایج ابتکار عمل در مورد تغییر مسیرها ، برنامه ها و توقفها تهیه شده اند. این مرکز این ابتکارات را به کمیته های مختلف مدیریتی که در مجتمع حمل و نقل برگزار شده اند ارسال می کند و در صورت تصویب ، توسط سازمان های تابعه اجرا می شود. بازخورد در مورد اقدامات انجام شده به مرکز نوآوری برمی گردد ، جایی که نتایج کار و میزان رضایت شهروندان ارزیابی می شود. این برنامه از مارس 2018 آغاز شده و در حال حاضر ثابت شده است که بسیار موفق است. اکنون این مرکز به طور جدی در برنامه مشابه مترو مسکو شرکت می کند.

پروژه مرکز برای پشتیبانی تحلیلی از وقایع در چارچوب جام جهانی از اهمیت ویژه ای برخوردار است. کارشناسان این مرکز ، طی روزهای مسابقات که در استادیومهای مسکو (منطقه فن هوایی لژنیکی ، اسپارتاک ، ووروبیووی گوری) برگزار شد ، میزان ترافیک مسافر را تحلیل کردند ، نظرسنجی رضایتمندی را در اسرع وقت پس از بازی انجام دادند و توصیه هایی را برای بهینه سازی بار در سیستم حمل و نقل شهر و کارآمدتر ساختن آن ارائه دادند. سازمان خدمات حمل و نقل.

ارزیابی توزیع بار در ورزشگاه لژنیکی. بخشی از گزارش تحلیلی درباره مسابقه روسیه - عربستان سعودی ، که در تاریخ 14 ژوئن برگزار شد ، در روز افتتاحیه قهرمانی

بخش جداگانه ای از کار این مرکز پشتیبانی از برنامه های تلفن همراه برای شهروندان بود. حمل و نقل ایمن با تعدادی از توسعه دهندگان از جمله Infocompas که در حال توسعه برنامه دستیار مسکو است ، همکاری می کند. "ما در تلاش هستیم تا از ابتکارات برای ایجاد خدمات مختلف بر اساس برنامه های تلفن همراه برای شهروندان پشتیبانی کنیم. برای ما ، این یکی از کانالهای ارتباط با جمعیت شهر است. " "به عنوان مثال ، متخصصان این مرکز به همراه برنامه نویسان برنامه موبایل Assistant Moscow" ، در تلاشند تا الگوریتم تشخیص علائم ثبت احوال را بهبود بخشند. " مرکز نوآوری برای چالش های جنجالی بسیاری برای آینده 2019 روبرو است.

شرکت مگافون نسخه آزمایشی خدمات را برای تجزیه و تحلیل ترافیک مسافر ، براساس "داده های بزرگ" ، برای استفاده از شرکتهای تابعه راه آهن روسیه تهیه و ارائه کرده است که براساس "داده های بزرگ" ، RBC با اشاره به نماینده اپراتور ماکسیم موتین گزارش می دهد. این ابزار به تعیین اندازه و ویژگی های دقیق بازار حمل و نقل و همچنین سهم شرکت حمل و نقل در آن در حالت نزدیک به زمان واقعی کمک می کند.

اولگ یمچنکو ، رئیس سیستم های ERP (سیستم های برنامه ریزی منابع سازمانی) واحد فناوری اطلاعات راه آهن فدرال راه آهن فدرال ، کار مقدماتی را برای معرفی سیستمی برای تجزیه و تحلیل داده های بزرگ در حال انجام است. یمچنکو گفت: "این تنها در سال 2016 در یک پروژه خاص قابل تجسم است."

مگافون با هدف اصلی پیش بینی بارهای شبکه ، سرویس ژئوآنالیز را در سال 2013 راه اندازی کرد. با استفاده از آن می توانید حجم دقیق تردد مسافر را ارزیابی کرده و از مسیرها (چه کسی ، چه موقع ، کجا و به کجا بروید) ، نحوه چیدمان با نحوه حمل و نقل اطلاعات کسب کنید. در این سرویس همچنین میزان پرداخت پول و ماهیت سفر (مسافرت کاری ، گردشگری ، نیازهای شخصی) ارزیابی می شود. همه داده ها جدا از همبستگی هستند.

رومن پستنیکوف ، مدیر بازاریابی سگمنت و تجزیه و تحلیل مشتری گفت: شما می توانید بیش از 10 هزار رویداد در هر ثانیه را با توجه به بیش از هزار پارامتر تحلیل کنید. در طول سه سال ، بیش از 5 petabytes اطلاعات جمع شده است - حجمی قابل مقایسه با بیش از 30 میلیارد عکس در فیس بوک. Postnikov اطمینان می دهد که هر مشتری لیست پارامترهای خاص خود را برای تجزیه و تحلیل دارد ، یعنی در واقع ما در مورد یک راه حل جهانی ابری صحبت می کنیم ، که می تواند توسط انواع کاملاً متفاوتی از مشتریانی که نیاز به تجزیه و تحلیل مقادیر زیادی از داده ها دارند ، استفاده شود.

مگافون تخمین می زند که شرکت های حمل و نقل در روسیه سالانه بیش از 1.2 میلیارد روبل برای تحقیق در مورد جریان مسافر هزینه می کنند. Postnikov می گوید: "در همان زمان ، شرکت ها می توانند تنها بخشی از داده های در دسترس آنها را جمع آوری کنند ، و خدمات ما این امکان را می دهد که کل تصویر بازار به طور کلی مشاهده شود." او می گوید ، حتی اگر به لطف معرفی خدمات ، شرکت هواپیمایی بتواند سهم خود را در بازار حمل و نقل مسافر عمومی 1.5 تا 2 درصد افزایش دهد ، اما این میلیارد دلار است.

راه حل های Big Data همچنین می تواند برای مدیریت زیرساخت های شهری استفاده شود. مرکز خبره ایالت الکترونیکی ، دولت مسکو در صدد است قراردادی را منعقد کند که براساس آن ، داده های فضائی ناشناس جمع آوری شده از کاربران اپراتورهای مخابراتی محلی در 11 بخش مختلف به مدت دو سال دریافت خواهد کرد. مصرف کنندگان این اطلاعات GUP "NI و برنامه کلی PI مسکو" ، وزارت حمل و نقل و توسعه زیرساخت های حمل و نقل جاده ای ، وزارت فرهنگ و سایر بخش های کلانشهر خواهند بود.

براساس سرشماری سال 2013 ، مسکو یک کلان شهر بزرگ با 11979.529 نفر جمعیت است. هر کدام از آنها به سر کار می روند ، از یک تلفن همراه (یا حتی بیش از یک دستگاه) استفاده می کنند ، از مترو پایین می روند و در ترافیک ایستاده اند. همه اینها توسط خدمات شهری ، آژانسهای دولتی ، شرکتهای خصوصی که خدمات مختلفی ارائه می دهند ، کنترل می شود. هزاران دوربین ، صدها هزار سنسور ، مانیتورهایی که بر زندگی شهر نظارت می کنند ، میلیون ها تلفن همراه ، مودم های 3G / 4G. و با هم ، میلیارد ها منبع داده ، پردازش می شوند که می توانید برای برنامه ریزی بیشتر توسعه شهر ، مدیریت جریان ترافیک آن ، اطمینان از ایمنی کلان شهرها ، اطلاعات کسب کنید. یکی از معدود ابزارهایی که می تواند پردازش چنین میزان اطلاعات را کنترل کند ، راه حلهای کلاس Big Data است. برای شروع ، در نظر بگیرید که می توان از آنها استفاده کرد.

تراکم جمعیت و داده های جابجایی

ابزار اصلی برای تعیین اندازه و ساختار جمعیت ، توزیع آن توسط مساحت در حال حاضر سرشماری است. اشکال اصلی سرشماری هزینه سرشماری و عدم وجود اطلاعات در مورد حرکت ساکنان است. منبع اطلاعات برای سرشماری ، خود ساکنان هستند که بررسی آنها در محل سکونت آنها انجام شده است.

مزایای استفاده از راه حل های Big Data چیست؟ برای پاسخ به این سؤال ، ابتدا تعیین می کنیم که به چه داده هایی نیاز داریم:

جایی که ساکنان شب و کار می کنند.
روزها و آخر هفته ها کجا و کجا می روند؛
مسکوویان و میهمانان پایتخت از چه حمل و نقل استفاده می کنند.
از کجا به شهر آمده اند و چرا.

برای جمع آوری این اطلاعات ، ابتدا باید منبع داده ها و روش تحلیل را تعیین کنیم. برای تعیین محل سکونت ، مطلوب ترین استفاده از داده های محل تلفن همراه وی (او همیشه با اوست) است. چگونه انجامش بدهیم؟

در دسترس:

اطلاعات مربوط به اپراتورهای تلفن همراه در مورد محل تلفن.
اطلاعات مربوط به خدمات تخصصی (مانند Yandex.Tracks)؛
داده های برنامه های کاربردی تلفن همراه با قابلیت مکان داخلی که برای راحتی ساکنان توسط شهر ارائه شده است.

برای تجزیه و تحلیل اطلاعات دریافت شده ، بسته به منبع ، قالب و روش تهیه آنها می توان از الگوریتم های مختلفی استفاده کرد. اما در اینجا نکات اصلی ذکر شده است.

با تعیین داده های مربوط به حرکت و اقدامات انجام شده ، تعیین محلی که ساکنین شب را در آنجا می گذرانند و محل کارشان است. به عنوان مثال ، عدم حضور دوره ای از تماس از 22:00 تا 7:00 و عدم حرکت نشان می دهد که شخص در کجا زندگی می کند ، و عدم حرکت در ساعات کاری - همانجا که همان شخص کار می کند ، و یکی از معیارهای افزایش دقت ، حضور تلفن مشترک خواهد بود. موقعیت مکانی داده شده در اینجا همچنین می توان تعیین کرد که شخص در طی ساعات کاری چند بار حرکت می کند ، چه تعداد از افراد در شهر مواضع مربوط به حرکت مداوم را دارند (پیک ، راننده و سایر حرفه ها).

جهت حرکت حرکات ساکنان به طور مشابه تعیین می شود ، با توجه به همان داده های مربوط به حرکت مشترکین تلفن همراه ، و به شما امکان می دهد جریان اصلی حرکت ساکنان محلی ، بازدید کنندگان ، مهاجران کارگری را شناسایی کنید ، آمار مربوط به حرکات را بر اساس منطقه و مقصد جمع آوری کنید ، بدانید که چند بار ساکنان و میهمانان از مغازه ها ، فرهنگی بازدید می کنند. وقایع ، جاذبه های شهر و همچنین میزان محبوبیت این یا سایر مناطق در شهر چیست.

با ردیابی سرعت حرکت و مکانهای بازدید شده ، می توان تشخیص داد که شخص از چه نوع حمل و نقل استفاده می کند: ماشین ، مترو ، حمل و نقل عمومی زمینی ، حمل و نقل بین شهری.

تحلیل زیرساخت های شهری و اطمینان از ایمنی عمومی

تعداد زیادی چراغ راهنمایی ، سیستم های کنترل ترافیک شهری ، سیستم های ضبط ویدئویی از وقایع (دوربین های مدار بسته) ، کنترل حمل و نقل عمومی در داخل شهر با جمعیت بیش از یک میلیون نفر نیاز به یک رویکرد هماهنگ برای مدیریت داده و متمرکز شدن دارد. یکی از مشکلاتی که در زمان معرفی سیستم های نظارت تصویری در سطح شهر شناسایی شد ، عدم توانایی در کنترل رویدادهای جاری (به عنوان مثال ، شناسایی اقدامات غیرقانونی) توسط مأمورین وظیفه عملیاتی بود. با توجه به قابلیت های فعلی فن آوری های نوین ، امکان ایجاد سیستم های توزیع شده یکپارچه فراهم می شود که هم تشخیص وقایع توسط منابع مختلف (سیستم های کنترل ترافیک ، دوربین های نظارتی و غیره) فراهم شود و هم تجزیه و تحلیل آنها به منظور پاسخ عملیاتی: تماس با پلیس ، سازمان های تعمیر و سایر خدمات عملیاتی شهرها کاربرد دیگر راه حل های Big Data ، ذخیره و توزیع طولانی مدت اطلاعات جمع آوری شده ، جستجوی داده های لازم و رویدادهای مرتبط است. چه عواملی باعث تغییر یا تغییر اوضاع در شهر شده است ، چه حوادثی پیش از آن ، چه کسی تحت تأثیر آن قرار گرفته است - اینها بخش کوچکی از سؤالاتی هستند که "داده های بزرگ" به آنها پاسخ می دهند.

نقشه برداری داده ها

یکی از مهمترین لحظه های وقایع ، تعیین خصوصیات اشیاء درگیر در آنها است. برای جمع آوری داده ها می توان از منابع کاملاً متفاوتی استفاده کرد: به عنوان مثال ، برای داده های دریافت شده از یک اپراتور تلفن همراه ، مشخصات فردی که سیم کارت در آن ثبت شده است ، برای سیستم های نظارت ، اطلاعات مربوط به سیستم های تشخیص چهره ، بانک اطلاعاتی دپارتمان. یكی از نكات مهم امكان ناشناس كردن اطلاعات ، به استثنای مؤلفه های شخصی هنگام انتقال داده ها از صاحبان مختلف ، منابع است.

مشکلات اصلی

و با این وجود در همه اینها مگس در پماد وجود دارد. مشکل اصلی کلیه راه حلهای ادغام ، به ویژه اگر داده ها بین بخشها ، سازمانها و سازمانهای مختلف رد و بدل شده باشد ، محدودیتهای قانونی است که اجازه نمی دهد داده ها را به شکلی که در آن وجود دارد ، فراهم کند. در نتیجه ، پردازش اولیه آنها از طرف مالک لازم است.

جمع

خلاصه ، می خواهم توجه داشته باشم که فن آوری های مدرن پردازش "داده های بزرگ" به ما این امکان را می دهد تا خیلی بیشتر از خدمات فناوری اطلاعات موجود را به شهر ارائه دهیم. در عین حال ، بروز کردن زیرساخت های موجود ضروری نیست ، زیرا از منابع داده ای که هم اکنون در دسترس هستند می توان استفاده کرد.

با کمک راه حل های کلاس Big Data امکان افزایش راحتی ساکنان شهر و میهمانان آن ، کاهش تعداد ترافیک نه به دلیل محدودیت ورود به شهر ، بلکه با کنترل جریان ترافیک ، کاهش تعداد جرائم به دلیل پاسخ سریع ، بهبود کیفیت خدمات شهری به دلیل سریع و خودکار بودن آنها فراهم می شود. کنترل.

سالهاست که پایتخت با توجه به سرعت رو به رشد تعداد اتومبیل ها در خیابان هایش ، سقوط ترافیک را پیش بینی می کند. با این حال ، سیستم حمل و نقل هوشمند که در سالهای اخیر در شهر معرفی شده است ، اجازه نمی دهد این پیش بینی به واقعیت بیفتد. الکساندر پلیاکوف ، مدیر مؤسسه تحقیق و طراحی شهر شهری مسکو (SUE MosgortransNIIproekt) ، گفت: درباره نحوه کنترل ترافیک در پایتخت ، که در سال 2013 نظارت بر توسعه تحلیلی حمل و نقل ، ساخت سیستم های اطلاعاتی و توسعه برنامه های جامع توسعه بود. زیرساخت های حمل و نقل ، به عنوان معاون رئیس مرکز مدیریت ترافیک دولت مسکو. در مجمع BIG DATA 2017 که توسط انتشارات Open Systems در 29 مارس برگزار شد ، وی در مورد چگونگی استفاده از مجموعه حمل و نقل مسکو از Big Data برای توسعه یک سیستم حمل و نقل هوشمند ، چگونگی ایجاد سیستم های مدیریت ترافیک بر اساس آنها و چگونگی حل آن صحبت کرد. وظایف ما می توانند از واقعیت مجازی و افزودنی استفاده کنند.

- چه زمانی "رقمی سازی" حمل و نقل مسکو آغاز شد؟

همه این کارها با یک فرمان توسعه سیستم حمل و نقل هوشمند در شهر آغاز شد که دولت مسکو در 11 ژانویه 2011 تصویب کرد.

از آن زمان ، وزارت حمل و نقل با استفاده از سیستم های اطلاعاتی مدرن در تلاش است تا زیرساخت های حمل و نقل را توسعه دهد.

به عنوان بخشی از این پروژه ، در سال 2014 ، یک مرکز داده ایجاد شد که متخصصان آن مسئولیت ساماندهی ترافیک و کلیه سیستمهای درگیر در کار این مرکز را شامل می شوند ، از جمله آنهایی که امکان مدیریت چراغ راهنمایی و دوربین های مداربسته ، نظارت بر شرایط ترافیک ، اطلاعات بصری کاربران جاده را می دهند. ضبط عکس و فیلم از تخلفات کنترل حمل و نقل مسافر شهری زمینی.

- پروژه های کدام کشورها به عنوان نمونه گرفته شد؟

تجربه کشورهای اروپایی به ویژه اسپانیا و آلمان در نظر گرفته شد ، تجربه سنگاپور ، هنگ کنگ و تعدادی از شهرهای آمریکا نیز در نظر گرفته شد. اما در عین حال ، ما فهمیدیم که هر شهر منحصر به فرد است ، بنابراین زیرساخت های حمل و نقل مسکو مطابق سناریوی خاص خود در حال توسعه است ، نه اینکه به بارهای موجود در خیابان ها اشاره کنیم. اکنون بگوییم 683 هزار ماشین در مسکو رانندگی می کنند.

- اکنون مدیریت ترافیک در پایتخت چگونه تنظیم شده است؟

در سال های اخیر تعدادی از سیستم های IT در مجتمع حمل و نقل مسکو ایجاد شده اند که مشکلات مختلفی را در این زمینه از جمله استفاده از Big Data حل می کنند.

مدل حمل و نقل استاتیک ساخته شده در سال 2013 به ما این امکان را می دهد تا با در نظر گرفتن گزینه های مختلف برای تغییر وضعیت جاده ، وضعیت را برای طولانی مدت پیش بینی کنیم. با کمک آن ، می توان سناریوها را در سطح شهر محاسبه کرد ، خواه مسدود کردن طولانی مدت ترافیک یا راه اندازی وییوچت های جدید باشد.

این مدل ، در میان چیزهای دیگر ، داده های مربوط به ساکنان ارائه شده توسط خدمات مختلف را در نظر می گیرد: بر تعداد افراد ، سن آنها ، جنسیت ، وضعیت اجتماعی ، چند نفر از کارگران ، تعداد بیکار و غیره. مسکو به مناطق به اصطلاح حمل و نقل تقسیم می شود ، و ما ما تجزیه و تحلیل می کنیم که ساکنان هر منطقه از کجا می روند ، چرا ، در چه زمانی.

با تشکر از داده های دریافت شده ، ما ماتریس مکاتبات را تجزیه و تحلیل می کنیم - کلیه همه "مبادلات" ترافیک بین مناطق. به عنوان مثال ، اگر 600 کودک پیش دبستانی در منطقه و 500 مکان در مهدکودک ها حضور داشته باشند ، بدیهی است که صد کودک در صبح به منطقه دیگری منتقل می شوند. برای روشن شدن تصویری کلی از آنچه اتفاق می افتد ، ما نظرسنجی انجام می دهیم تا به شما کمک کند درک کنیم چه نوع حمل و نقل و در چه مواردی افراد را انتخاب می کنند: چه زمانی - ماشین شخصی خود ، چه زمانی - حمل و نقل عمومی. علاوه بر این ، ما باید پیش بینی کنیم که تغییرات خاص در چیدمان شهر یا سازماندهی ترافیک چگونه بر ترجیحات حمل و نقل افراد تأثیر خواهد گذاشت و این مساله باعث مسدود شدن جاده در هنگام ساخت و ساز یا برعکس ، باز شدن یک مورد جدید خواهد شد.

ما وضعیت فعلی را با کمک یک مدل حمل و نقل پویا نظارت می کنیم ، که تصویر کاملی از ترافیک مسکو را در زمان واقعی ارائه می دهد و به شما امکان می دهد تا به مشکلات پاسخ دهید. برای انجام این کار ، DTM داده های به دست آمده از سنسورهای GLONASS نصب شده در حمل و نقل شهری ، دوربین های ضبط عکس و فیلم ، آشکارسازهای حمل و نقل - سنسورهای رادار را جمع می کند ، که شدت ترافیک ، سرعت خودرو و تعدادی پارامتر دیگر را می خواند.

DTM به شما اجازه می دهد تا چراغ راهنمایی را کنترل کنید ، مناطق مشکل را تجزیه و تحلیل کنید ، به عنوان مثال ، مراکز تصادف را تشخیص دهید ، مکانهایی که در تمام مدت از نظر ترافیکی مشکل دارند شناسایی مشکلات در تردد وسایل نقلیه مسافری و از بین بردن آنها. نظارت بر عملکرد سیستم های ضبط عکس و فیلم موبایل (به اصطلاح parkons رفع جرائم) ، ارزیابی تقاضای حمل و نقل بر اساس ماتریس مکاتبات روزانه.

نقشه راه تعاملی مسکو بر اساس DTM ایجاد شده است که براساس آن ، اطلاعات بصورت واقعی در مورد تراکم ترافیک در نقاط ، تعداد تصادفات ، وسایل نقلیه در لحظه و روز ، حمل و نقل مسافر شهری زمینی و تعداد تخلفات راهنمایی و رانندگی ثبت شده توسط دوربین ها نمایش داده می شود.

در سال 2015 ، متخصصان دیتاسنتر مبتنی بر مدل پویا ، یک سیستم واقعیت مجازی و افزوده ایجاد کردند که یک پرواز را بر فراز یک شهر شبیه سازی می کند و اطلاعات ترافیک آنلاین را در مورد وضعیت ترافیک ارائه می دهد. با تشکر از این سیستم ، اکنون می توانید با اتصال به دوربینی که یک تصویر واقعی سه بعدی از این منطقه را نشان می دهد ، احتقان حاصل را مشاهده کنید ، که به شما امکان می دهد وضعیت را بهتر درک کنید.

برای شهروندان ، این نقشه اطلاعات مختلفی (متن ، عکس و فیلم) راجع به اشیاء مهم تاریخی ، فرهنگی و اجتماعی در حقیقت واقعیت افزوده ارائه می دهد.

- با چه کانالهایی شهروندان را از وضعیت ترافیک مطلع می کنید؟

داده های دریافت شده از DTM توسط تعدادی از ایستگاه های رادیویی ، پیام رسان تلگرام و نمایشگرهای راهنمایی و رانندگی در زمان واقعی پخش می شود. نقشه ای از وضعیت فعلی در جاده های شهری در کانال تلویزیونی مسکو 24 و درگاه اینترنتی آن m24.ru نشان داده شده است.

چنین اطلاعاتی همچنین وسیله ای برای کنترل جریان ترافیک است. مسكويت ها وضعيت را در خيابان هاي مورد علاقه خود مي بينند ، مسيرهاي گذرگاه را انتخاب مي كنند ، امكان سفر با وسايل حمل و نقل را در نظر مي گيرند ، مثلاً انتقال از شخصي به عموم.

- آیا شاخص های عددی در مورد اثربخشی کار شما وجود دارد؟

یک طرح جامع مدیریت ترافیک به منظور بهینه سازی مدیریت ترافیک در خیابان های شهر و همچنین افزایش ظرفیت ترافیک آنها ، در سال 2015 به بهره برداری رسید. و در حال حاضر در سال اول ما توانستیم به نتایج قابل توجهی برسیم.

من به شما چنین شماره هایی را خواهم داد. در این شهر هم اکنون 4.6 میلیون دستگاه اتومبیل ثبت شده است ، در حالی که میزان تصادفات طبق گفته پلیس راهنمایی و رانندگی در ده سال گذشته کمترین میزان را دارد. در سال 2016 ، در مقایسه با سال 2010 ، تعداد تصادفات 45 درصد و تعداد کشته ها - 56 درصد کاهش یافته است. در بخش مرکزی شهر ، در داخل حلقه حمل و نقل سوم ، میانگین سرعت وسایل نقلیه انفرادی 11 درصد و حمل و نقل مسافر - 7 درصد افزایش یافته است. در خطوط تعیین شده معرفی شده در سال 2016 ، میزان تردد مسافر به طور متوسط \u200b\u200b11٪ افزایش یافته است. میانگین زمان رسیدن آمبولانس از 21 دقیقه به 8 ، تقریباً سه برابر کاهش یافته است ، زیرا به دلیل ظهور خطوط برای وسایل نقلیه عمومی ، و اتوبوس ها و واگن برقی ها می توانند با رفتن به جیب در ایستگاه ها ، آمبولانس را کنار بگذارند.

اگر دوره های نزدیکتر را با هم مقایسه کنیم ، در سال 2016 در مقایسه با سال 2015 ، تعداد تصادفات با خسارت به املاک 18٪ کاهش یافته است ، حوادث با صدمات 12٪ و تعداد موارد برخورد با عابر پیاده 14٪ کاهش یافته است.

- براساس تصمیمات شما ، توسعه مرکز داده ساخته شده است؟

ما بهترین پیشرفت های غربی را در پیش می گیریم. به عنوان مثال ، سیستم کنترل چراغ راهنمایی فعلی بر اساس راه حل اسپانیایی است ، مدل حمل و نقل استاتیک بر روی یک سکوی آلمانی ساخته شده است. اما راه حلی که ترکیبی از همه این پیشرفت ها باشد داخلی است. تمام این سیستم ها توسط کارشناسان ما یکپارچه شده است.

بر اساس تجربه ما ، ما راه حل های مدیریت ترافیک را برای سایر شهرها هم در کشور خود و هم در خارج از کشور ایجاد می کنیم. مثلاً برای تهران.

- تاکنون ما فقط درگیر چیزی هستیم یا از کشورهای دیگر در مقدماتی جلوتر هستیم؟

ما در راه یک مدل مدیریتی جدید هستیم. سال گذشته ، یک پروژه آزمایشی برای کنترل اتوماتیک چراغ راهنمایی بر اساس سیستم کنترل ترافیک خودکار آغاز شد. اکنون این سیستم در شاخه های Altufevskoye و Varshavskoye و همچنین در خیابان Andropov ، که بر اساس داده های DTM در مورد تراکم ترافیک ، چراغ راهنمایی به طور خودکار تغییر می کند ، کار می کند. این در هیچ شهری در جهان یافت نمی شود. به عنوان مثال ، حتی در سیستم حمل و نقل سیستم حمل و نقل لندن برای لندن ، حالت ترافیک توسط اپراتورها پذیرفته می شود.

اکنون ما وظیفه خود را برای گسترش کار این سیستم به سایر بزرگراه ها قرار داده ایم. مشکل در این واقعیت نهفته است که همه جاده ها به هم پیوسته اند و لازم است برخی از آنها را "پاکسازی" کنید نه اینکه به سختی در امتداد سایر حرکت کنید.

- چه پروژه های جدیدی برنامه ریزی شده است؟

ما به توسعه بیشتر سیستم پیش بینی حوادث رانندگی ادامه خواهیم داد. برای انجام پیش بینی ، او دائماً شرایط آب و هوایی ، ویژگی های بخش های جاده ای مشکل ساز (پیکربندی های تنگنا ، میزان کاهش ظرفیت ترافیک آنها) ، شاخص های جریان ترافیک (میانگین نمره تراکم ترافیک در شهر و در بخش جاده) ، میزان جریان در بخش جاده و غیره را مورد تجزیه و تحلیل قرار می دهد. )

ما باید برای این واقعیت آماده باشیم که در آینده وسایل نقلیه بدون راننده وجود داشته باشد. به عنوان مثال ، اطلاعات در ناوبری آنها بارگیری می شود ، در مورد محدودیت های سرعت در یک بخش خاص ، و اتومبیل به تنهایی حالت سرعت ایمن را انتخاب می کند.

چشم اندازهای بلند مدت شامل توسعه سیستم حمل و نقل عمومی است که باید به یک جایگزین جذاب برای یک ماشین شخصی تبدیل شود. از جمله موارد دیگر ، یک زیرساخت حمل و نقل توسعه یافته یک عامل مهم اقتصادی است که در جذب شهرها در جذب گردشگر ، کارآفرین و غیره نقش دارد.

آنها به تخلیه جاده ها و سیستم های واقعیت افزوده کمک می کنند. در صورت عدم امکان مراجعه به کنفرانس ، بلکه تماشای فیلم هایی از محل کار با سخنرانی در قالب 360 درجه یا حتی شرکت در آن و نه از طریق عینک مخصوص ، بلکه در صفحه گوشی های هوشمند ، بسیاری از این گزینه را ترجیح می دهند.

مسکو حمل و نقل و کنترل ترافیک به تعداد

در مرکز پردازش داده ها ، که در زیر ساختمان مرکز وضعیت دیتاسنتر واقع شده است ، بیش از 100 سرور نصب شده است که در مجموع حدود 2 PB داده ذخیره می کند. بخشی از اطلاعات به طور مداوم به روز می شود - به عنوان مثال ، داده های دریافت شده از دوربین ها به مدت هفت روز در سرورها ذخیره می شوند. در ارتباط با رشد مداوم جریان داده ها ، برنامه ریزی شده است تا ظرفیت های سرور را به میزان قابل توجهی افزایش دهد.

در یک صبح روز عادی ، حدود 700 هزار اتومبیل برای "شریان های حمل و نقل" اصلی مسکو عزیمت می کنند.

در ساعت شلوغی ، 71 درصد از مسافرها به وسایل نقلیه عمومی سقوط می کند ، به همین دلیل دقیقاً منافع وی در وزارت حمل و نقل مهم است.

دوربین های ضبط ویدیویی حداکثر 22 نوع تخلف را تشخیص می دهند - از جمله آنها سوار شدن در کنار جاده یا یک خط مشخص شده ، چرخش از ردیف دوم ، رانندگی به سمت تقاطع شلوغ ، عبور نکردن از عابر پیاده ، رانندگی در کامیون های بدون مجوز و غیره برای یک روز ، اطلاعات مربوط به 100 هزار نفر را به پلیس راهنمایی و رانندگی منتقل می کنند. نقض (مقدار گرد)

مفاهیم "ظهر حمل و نقل" و "نیمه شب حمل و نقل" وجود دارد. در مسکو آواره شده اند - "ظهر" از 14:00 تا 15:00 ادامه می یابد ، و "نیمه شب" ساعت 3 بعد از ظهر می رسد.

اشتراک گذاری

توییت

پسندیدن