Med ett växande antal enheter anslutna till internet och otaliga människor som delar sina liveupplevelser online, en enorm mängd användbar data genereras varje minut. Analysen av dessa data kan förbättra spridningen och förståelsen av information om trafik, evenemang, och andra stadsrelaterade upplevelser.

Big Data Analytics kommer sannolikt att spela en nyckelroll i morgondagens städer, möjliggör system som känner av en stad på mikronivåer och informerar både regeringar och medborgares beslut inom begränsade tidsramar. Forskare vid King Abdulaziz University, i Saudiarabien, har nyligen använt Big Data Analytics för att upptäcka rumstidshändelser runt om i London, testa potentialen för dessa verktyg för att utnyttja värdefull levande information.

"Min forskning var en applikation mot smart samhälle som en del av smart city, "Sugimiyanto Suma, en av forskarna som genomförde studien, berättade Tech Xplore. "Det var en arbetsflödesdesign som använde Apache Spark och Tableau för att upptäcka rumstidsmässiga händelser i staden, för medvetenhet om staden, beslutsfattande, och stadsplanering. Den baserades på analys av sociala medier genom att samla in, bearbeta och analysera stora data från Twitter, som lyckades upptäcka händelser i London med sin spridning av plats, händelsens namn och tid. "

Studien syftade till att effektivt upptäcka händelser runt om i London genom att analysera data som samlats in på sociala medieplattformar, samtidigt som man utvecklar arkitektur för big data-analys som kan vara användbar för spatio-temporal händelsedetektering. Att göra detta, forskarna använde stordata och maskininlärningsplattformar Spark och Tableau för att analysera över tre miljoner tweets relevanta för London.

Detta var den första studien som effektivt använde Apache Spark, ett ramverk med öppen källkod, för identifiering av sociala medier. Dessutom, de använde Google Maps Geocoding application programming interface (API) för att lokalisera diskanthögtalare runt om i London och utföra ytterligare analyser.

"Vi hittade och lokaliserade trängsel runt London och visade empiriskt att händelser kan detekteras automatiskt genom att analysera data, "Suma sa." Vi upptäckte förekomsten av flera händelser, både deras platser och tider, inklusive evenemanget London Notting Hill Carnival 2017, som vi inte hade några förkunskaper om. "

I framtiden, det stora dataanalys-arbetsflödet för spatio-temporal händelsedetektering som utvecklats av Suma och hans kollegor kan antas och fulländas av andra forskare för att uppnå mer detaljerade resultat om händelser. Det kan också hjälpa regeringen och andra intressenter i deras beslutsfattande och stadsplaneringsprocesser.

Forskarna undersöker nu sätt att ytterligare förbättra sitt system, för att uppnå större detekteringsnoggrannhet, bredare spatio-temporal detektion, och en högre kvalitet på analyserna.

"För detekteringsnoggrannheten, vi planerar att utveckla algoritmer och jämföra resultatet med verklig information genom att associera den med händelserapportering som nyheter eller mediasajter, "Förklarade Suma." För bredare upptäckt, vi skulle skaffa mer sociala mediedata som Facebook. Till sist, för bättre analyskvalitet, Vi hoppas kunna använda fler AI -tekniker. "

Studien publicerades i Smarta samhällen, Infrastruktur, Teknik och applikationer .

© 2018 Tech Xplore