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.
Explorative Datenanalyse
Maschinelles Lernen und Algorithmen- entwicklung
Professionelles Software- und System-Engineering
Explorative Datenanalyse
Wir beurteilen die Datenqualität, prüfen das Potenzial für Wissensextraktion, finden Datenlücken und Inkonsistenzen und entwickeln Strategien zum Umgang mit diesen. So werden Potenzial und mögliche Fallstricke in Ihren Mobilitätsdatensätzen im Vorfeld einer erweiterten datengetriebenen Analyse untersucht und offengelegt.
Maschinelles Lernen und Algorithmenentwicklung
Wir setzen klassisches maschinelles Lernen und Deep Learning ein und entwickeln neue problemspezifische Algorithmen für Bewegungsdaten. Alle Algorithmen zur Wissensextraktion werden von uns sorgfältig validiert. Darüber hinaus setzen wir Lösungen für verteiltes Rechnen um.
Somit wird die Struktur in Ihren Mobilitätsdatensätzen mit wissenschaftlich und technisch erprobten Verfahren des maschinellen Lernens zur Wissensextraktion effizient erfasst und ausgeschöpft.
Professionelles Software- und System-Engineering
Wir entwickeln und integrieren Softwaremodule, optimieren die Laufzeit von Algorithmen und konzipieren verteilte IT-Infrastrukturen (inklusive Cloud Computing).
Das Design und die Implementierung unserer Software zur Wissensextraktion ist solide und kann problemlos in ihre bestehende IT-Infrastruktur integriert werden.
Referenzen
Echtzeitprognose von Reisezeiten für österreichische Autobahnen und Schnellstraßen
> 4.300 km Autobahnen und Schnellstraßen, 915 Straßenabschnitte, 955 Verkehrsdetektoren (VMIS), 950 Reisezeit-Sensoren
Explorative Datenanalyse:
Integration von Verkehrsdetektoren, Reisezeit-Sensoren, Verkehrsereignis-Datenbank (Unfälle, Staus, Baustellen) sowie Wettervorhersagen
Maschinelles Lernen und Algorithmenentwicklung:
Echtzeitprognose für die Verkehrslage basierend auf Verkehrssensor-Daten:
- Kurzfrist-Prognose (die folgenden 4 Stunden)
- Langfrist-Prognose (bis zu 2 Wochen)
Professionelles Software- und System Engineering:
Integration des entwickelten Python-basierten Systems in die Produktionsumgebung des Kunden
Extraktion von Bewegungsmustern aus anonymisierten Mobilfunkdatensätzen
Milliarden von Datensätzen täglich
Explorative Datenanalyse:
Beurteilung der Datenqualität
Untersuchung von Bewegungsmustern
Maschinelles Lernen und Algorithmenentwicklung:
Trajektorienbasierte CDR (Call Detail Records) Analysealgorithmen, wie zum Beispiel:
- Analyse der Verkehrsnachfrage (inklusive Quelle-Ziel-Matrizen, Rückschlüssen auf Reiseroute und Verkehrsmittel, Verkehrsaufkommen und Passagierzahlen)
- Klassifikation von funktionaler Landnutzung
Professionelles Software- und System-Engineering:
Integration in das bestehende Framework des Kunden (Apache Hadoop Cluster)
Laufzeit-Optimierung von Spark Code
Datengetriebene Prognosen & Meldungen für maritime Kontrollzentren
Milliarden von Datensätzen von zehntausenden Schiffen
Explorative Datenanalyse:
Beurteilung des Potenzials großer Bewegungsdatensätze des Automatischen Identifikationssystems (AIS) für die Entwicklung von datengetriebenen Support-Tools zur Entscheidungsfindung.
Maschinelles Lernen und Algorithmenentwicklung:
Methoden zur Erkennung von Anomalien
Erstellung von Vorhersagemodellen
- Reisezeit
- Zukünftige Bewegungen
Professionelles Software- und System-Engineering:
Integration in die Microservices-Architektur des Kunden via Docker
Skalierung der Datenexploration und des Modelltrainings von Millionen auf Milliarden Datensätze
Laufzeit-Optimierung von Spark-Code & Java-Code
