Direkt zum Inhalt

Large-Scale Mobility Data Analytics

Large-Scale Mobility Data Analytics

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

Schiffsbewegungen auf einer Karte eingezeichnet

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.

Bewegungsdaten mittels Datenvolumen und Komplexität

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.

Bewegungsdaten Wien eingezeichnet

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

ASFINAG Logo

 

 

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

 

Magenta Business Logo

 

 

 

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

 

Logo Frequentis

 

 

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

 

 

Research Field