¿Cuáles son las aplicaciones del big data y la minería de datos en el campo del transporte?
Es un escenario potencial de aplicación de big data para la planificación y el diseño de líneas de autobuses. La planificación tradicional de líneas de autobuses a menudo requiere la inversión de una gran cantidad de mano de obra en OD. Encuestas e investigaciones 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 el flujo de personas de las tarjetas de autobús, incluida información detallada como las rutas recorridas por la misma tarjeta todos los días y el número de transbordos. 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 analizar los cambios de tendencia de los datos durante un período será bastante valioso. Combinado con los datos de cambio de tendencias del flujo de tráfico, puede ayudar al departamento de transporte público a ajustar las rutas de operación de autobuses, diseñar estaciones de transferencia y muchas otras cosas. Es posible que se haya pensado en este método hace mucho tiempo, pero fue realmente difícil ponerlo en práctica cuando la tarjeta de autobús no era popular o las capacidades informáticas y de procesamiento masivo de datos no podían seguir el ritmo. Pero ahora es el momento de implementarlo. en práctica.
Desde el punto de vista del análisis dinámico único, los datos de flujo de autobuses son solo un aspecto del big data, y el big data a menudo enfatiza el análisis de correlación. Por ejemplo, si hay cambios de tendencia detallados en los datos de flujo y dirección de autobuses dentro de un cierto período de tiempo, ¿qué eventos potenciales o cambios en otros factores están relacionados con estos cambios de tendencia, cómo analizar estas correlaciones y tomar decisiones correctas? Para dar un ejemplo simple, cuando los alquileres en el centro de la ciudad continúan aumentando, afectará el flujo de tráfico que muchas personas se alejarán de la ciudad, lo que naturalmente generará más flujos e información de autobuses nuevos. En la era del big data, algunas personas dicen que la correlación, más que la causalidad, es sólo un aspecto. De hecho, en muchos casos sigue siendo importante explorar la causalidad. Tomemos el ejemplo de los pañales y la cerveza. Parece muy simple, pero quién exactamente. ¿Lo es? Es más importante descubrir esta correlación. El proceso de descubrir la correlación es a menudo el proceso del efecto a la causa; de lo contrario, será difícil determinar si esta correlación está disponible.
En segundo lugar, en lo que respecta al transporte inteligente, las aplicaciones de transporte inteligentes actuales a menudo pueden monitorear de manera muy integral las condiciones del tráfico en todo el entorno de las grandes ciudades y publicar la información correspondiente sobre el estado de las carreteras. La congestión del tráfico correspondiente en tiempo real y otra información a menudo se pueden ver en la navegación GPS, lo que facilita a los conductores elegir nuevas rutas. Pero esto sigue siendo un mecanismo de procesamiento y análisis posterior al evento. Un buen sistema inteligente de navegación y guía del flujo de tráfico debe basarse en una gran cantidad de análisis de datos en tiempo real para proporcionar la mejor ruta de navegación para cada vehículo, en lugar de procesarla después. el hecho. El modelo de orientación y distribución del flujo de tráfico en el transporte inteligente es muy complejo frente a una gran cantidad de recopilación de datos en tiempo real, el análisis y el cálculo de subelementos en tiempo real basados en el modelo pueden dar resultados valiosos. Tecnología de la información original. Es realmente difícil de resolver. Con el continuo desarrollo del mercado de 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, la ciudad está llena de cámaras para recopilar datos cuando un vehículo está bloqueado. ¿Se puede basar en las características del vehículo? O en el número de matrícula y otra información para rastrear la ruta y ubicación del vehículo en tiempo real. Esto a menudo requiere la recopilación de datos de vídeo 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 muchos recursos informáticos y requieren un largo ciclo informático. Requiere recopilar datos de miles de cámaras en la ciudad y realizar operaciones reales. -El análisis del tiempo puede cumplir plenamente con las características de big data en las cuatro dimensiones de datos masivos, datos heterogéneos, velocidad y valor. Se puede hacer en base a automóviles, pero también se puede hacer en base a personas. Espero que este tipo de aplicación pueda surgir gradualmente. Al menos ahora tenemos la capacidad de aplicar este tipo de big data desde la perspectiva de las capacidades del hardware. fundamentos técnicos.