Die fortschreitende Digitalisierung erzeugt eine noch nie da gewesene Fülle an umfassenden Mobilitätsdaten. Dadurch ergeben sich bisher ungeahnte Möglichkeiten, Mobilitätsinformationen zu analysieren und vorherzusagen – aber auch neue Herausforderungen, die es zu bewältigen gilt: Räumlich-zeitliche Abhängigkeiten in Bewegungsdaten erfordern neue, hochspezialisierte Methoden für eine effiziente Auswertung, Analyse und Speicherung.
Etablierte Lösungen wie Apache Hadoop funktionieren bei der Verarbeitung großer Datenmengen einwandfrei, für räumliche Daten werden zusätzlich Erweiterungen wie GeoSpark oder GeoMesa verwendet. Bewegungsdaten sind allerdings eine Kombination aus zeitlichen und räumlichen Aspekten, die von bestehenden Tools nicht zufriedenstellend unterstützt werden. Implementierungen solcher komplexen Analysen werden zwar von der Data Science-Community entwickelt, sind aber in der Regel auf verhältnismäßig kleine Datensätze beschränkt. Wir schließen diese Lücke und integrieren hochentwickelte Analysemethoden für räumlich-zeitliche Daten in verteilte Datenmanagement- und Datenverarbeitungslandschaften. Somit bieten wir eine Lösung für die effiziente Verarbeitung umfassender Bewegungsdaten.
Wir bieten eine Lösung aus einer Hand. Unser Fokus liegt dabei auf der effizienten Wissensextraktion aus großen Mengen räumlich-zeitlicher Mobilitäts- und Verkehrsdaten.