Big Transmissão de dados com um impacto de Políticas Públicas

Quase todas as áreas de uma cidade tem a capacidade de utilizar os dados grandes, quer sob a forma de impostos, sensores em edifícios e pontes, a monitorização padrão de tráfego, dados de localização e dados sobre a atividade criminal. Criação de políticas viáveis ​​que tornam as cidades mais seguras, mais eficientes e mais desejável lugares para viver e trabalhar requer a coleta e análise de grandes quantidades de dados a partir de uma variedade de fontes.

Grande parte dos dados que é pertinente para a investigação sobre o aperfeiçoamento das políticas públicas é recolhido por várias agências da cidade e tomou historicamente meses ou anos para analisar (como dados anuais do censo, registros policiais e registros fiscais da cidade). Mesmo dentro de uma agência específica, como o departamento de polícia, os dados podem ser recolhidos por distritos separados e não são facilmente compartilhadas por toda a cidade e suas comunidades vizinhas.

Como resultado, os líderes da cidade têm uma abundância de informações sobre pessoas como as políticas impactaram em sua cidade em anos anteriores, mas tem sido muito desafiador para compartilhar e alavancagem rápida mudança de dados para tomar decisões em tempo real que podem melhorar a vida da cidade. O que faz com que esta alavanca de dados ainda mais complicado é o facto de que os dados são geridos e armazenado em silos separados.

Isso causa problemas, porque uma relação direta pode existir entre os diferentes aspectos das operações da cidade. Os decisores políticos estão começando a perceber que a mudança só pode acontecer se eles podem usar os dados e os dados disponíveis a partir de melhores práticas para transformar o estado atual de seu ambiente. A cidade mais complexo, mais existe uma necessidade para alavancar dados de mudar as coisas para melhor.

Isso está mudando como os decisores políticos, cientistas e inovadores de tecnologia se unem para implementar políticas com base em dados em movimento. Por exemplo, para projetar e implementar um programa para melhorar o congestionamento do tráfego, você pode precisar de recolher dados relativos à população, os números do emprego, as condições da estrada e do tempo. Muitos desses dados foram coletados no passado, mas é armazenado em vários silos e representa uma visão estática da informação histórica.

Para fazer sugestões com base em informações de streaming atual, você precisa de uma nova abordagem. Pesquisadores de uma universidade técnica na Europa estão coletando dados de tráfego em tempo real a partir de uma variedade de fontes, tais como dados de Sistema de Posicionamento Global (GPS) a partir de veículos que viajam, sensores de radar nas estradas, e dados meteorológicos. Eles integrados e analisados ​​os dados de fluxo contínuo para diminuir o congestionamento do tráfego e melhorar o fluxo de tráfego.

Ao analisar dados estruturados e não estruturados como os eventos estão acontecendo, os sistemas podem avaliar as condições de viagem atuais e fazer sugestões sobre rotas alternativas que irá reduzir o tempo de trânsito. Em última análise, o objectivo é ter um grande impacto sobre o fluxo de trânsito na cidade. Os dados em movimento é avaliado em conexão com dados históricos de modo que as recomendações fazem sentido no contexto com condições reais.

streaming de dados pode ter um impacto significativo sobre as taxas de criminalidade nas cidades. Por exemplo, um departamento de polícia usa análise preditiva para identificar padrões do crime pelo tempo e localização. Se uma mudança repentina é encontrado em um padrão identificado para um novo local, a polícia pode despachar policiais para o local certo, na hora certa. Após o fato, estes dados podem agora ser usado para analisar os padrões de comportamento criminal.