Unabhängiges Magazin für Wirtschaft und Bildung

29. März 2024

Search form

Search form

Datenstrom gegen Autostrom

Datenstrom gegen Autostrom © piqs.de/jd hancock

Automatisierte Big Data Analysen aus Twitter-Meldungen soll Staubildung in Städten verhindern.

In Saudi-Arabien haben Wissenschaftler der King Abdulaziz University (KAU) ein Big-Data-Analysesystem entwickelt, um beispielweise Staus in Städten vorhersagen zu können. Damit Bürger und Behörden rechtzeitig über entsprechende Entwicklungen informiert werden können, verwenden die Forscher eine Kombination aus Cluster-Computing, maschinellem Lernen und die Geocoding-Applikation von Google Maps. Basis für die Analyse der Daten sind Millionen von Twitter-Meldungen.

Nützliche Datenmengen
"Da die Zahl der mit dem Internet verbundenen Geräte und der Menschen, die online ihre aktuellen Erfahrungen austauschen, kontinuierlich steigen, wird jede Minute eine riesige Menge an nützlichen Daten generiert", erläutert Sugimiyanto Suma, Forscher an der KAU. Mittels dieser Informationen und ihrer entsprechenden Analyse „können Verkehrsströme und andere städtische Ereignisse deutlich verbessert werden“, so der Wissenschaftler.
Das entwickelte System soll dabei sowohl der Stadtverwaltung als auch den Bürgern "ein Gefühl der gegenwärtigen Geschehnisse in ihrer Stadt vermitteln" um möglichst rechtzeitig Entscheidungen treffen zu können. "Mit den Daten von sozialen Online-Medien und technologisch ausgereiften Big-Data-Analysen könnten wir in Zukunft räumlich-zeitliche Events rasch erkennen und vorhersagen", unterstreicht Suma. Erste Testläufe im Großraum London verliefen vielversprechend.

Operative Umsetzung
Für die operative Umsetzung nutzt das Forscherteam das Cluster Computing „Apache Spark“, ein Open-Source-Framework und zur Visualisierung der Daten die Software „Tableau“. Zusätzlich wird die Geocoding-Programmierschnittstelle von Google Maps verwendet, damit wird der örtliche Ursprung von Twitter-Meldungen definiert.
Im nächsten Schritt geht es um die Verbesserung von räumlicher und zeitlicher Dimension sowie Genauigkeit des Systems. "Wir könnten zum Beispiel auch andere Daten von Social-Media-Plattformen wie Facebook oder News-Portalen in die Analyse einbinden und neue Algorithmen entwickeln, um noch bessere Analyseergebnisse zu erzielen", sagt Suma.

Links

PressetextAustria/red/cc, Economy Ausgabe Webartikel, 03.09.2018