Dela via

Digital tvillingbyggare (förhandsversion) i självläraren för Real-Time Intelligence: Introduktion

Digital twin builder (förhandsversion) är ett nytt objekt i arbetsbelastningen Real-Time Intelligence i Microsoft Fabric. Den skapar digitala representationer av verkliga miljöer för att optimera fysiska åtgärder med hjälp av data.

Viktigt!

Den här funktionen är i förhandsversion.

I den här självstudien får du lära dig hur du konfigurerar ett digital twin builder-objekt och använder det för att skapa en ontologi som kontextualiserar exempeldata som strömmas från en händelseström. När du har skapat ontologin i Digital Twin Builder använder du genvägar för att exponera data i ett händelsehus och köra frågor mot dem med hjälp av KQL-frågor (Kusto Query Language). Sedan visualiserar du dessa frågeresultat i en Real-Time instrumentpanel.

Förutsättningar

Scenarium

Exempelscenariot som används i den här självstudien är en uppsättning bussdata som innehåller information om bussrörelser och platser. Genom att använda Digital Twin Builder (förhandsversion) för att kontextualisera och modellera data kan du analysera och uppskatta bussbeteendet.

Den här analysen omfattar att uppskatta om en buss kommer att bli försenad vid nästa stopp, samtidigt som platsdata på stadsdelsnivå används för att analysera fördröjningsmönster. Analysen kan användas för att beräkna fördröjningar vid enskilda stopp och identifiera geografiska trender, till exempel vilka stopp och stadsdelar som drabbas av mer frekventa förseningar.

Datasammanfattning

I den här självstudien kombinerar du data från två datakällor: realtidsbussförflyttning och tidsinformation (faktadata) och exakta geografiska och kontextuella busshållplatsdata (dimensionsdata). Kontextualisering av bussdata i Digital Twin Builder (förhandsversion) möjliggör dynamisk analys och driftinsikter. Om du införlivar statiska busshållplatsdata skapas en grund för lokaliserad analys och identifiering av fördröjningsmönster. Dessutom ger stadsdelsägarskap och lokala data från stoppdata förståelse för bredare geografiska trender och övergripande transiteffektivitet.

I följande tabeller sammanfattas de data som ingår i varje datakälla.

Bussdata

Den här datamängden är realtidsdata som ger information om bussrörelser. Den strömmas via Real-Time Intelligence.

Fält Beskrivning
Timestamp Den tid då ögonblicksbilden av data togs (systemtid i realtid).
TripId Den unika identifieraren för varje reseinstans, till exempel en specifik bussresa på en rutt. Användbart för att spåra enskilda bussresor.
BusLine Vägnumret, till exempel 110 eller 99. Användbart för att gruppera resor och stopp för mönsteridentifiering på specifika linjer.
StationNumber Stoppsekvensen inom en resa (1 är det första stoppet). Användbart för att spåra hur en buss går längs en väg.
ScheduleTime Den schemalagda tidpunkt då bussen ska nå nästa station på sin rutt. Användbart för att beräkna fördröjningar.
Properties Ett JSON-fält som innehåller två värden: BusState som kan vara InMotion eller Arrived (anger förflyttningsstatus) och TimeToNextStation, vilket är den beräknade tid som återstår för att nå nästa stopp. Den här JSON-fältkolumnen måste separeras för användning i Digital Twin Builder (förhandsversion).

Busshållplatsdata

Den här datamängden är dimensionsdata om busshållplatser. Den innehåller (simulerad) kontextuell information om var stoppen finns. Denna data laddas upp som en statisk fil till lakehouse för självinstruktionen.

Fält Beskrivning
Stop_Code Den unika identifieraren för busshållplatsen.
Stop_Name Namnet på busshållplatsen, som Abbey Wood Road.
Latitude Busshållplatsens latitud. Användbart för att mappa visualiseringar eller beräkna avstånd mellan stopp.
Longitude Busshållplatsens longitud. Användbart för att mappa visualiseringar eller beräkna avstånd mellan stopp.
Road_Name Vägen där stoppet ligger. Användbart för att identifiera vägspecifika trender.
Borough Staden där stoppet ligger, som Greenwich. Användbart för aggregering och geografisk analys.
Borough_ID Ett numeriskt ID för staden. Kan eventuellt användas för att ansluta till datauppsättningar på stadsdelsnivå.
Suggested_Locality Området eller det lokala området som stoppet tillhör, som Abbey Wood. Mer detaljerad än stadsdel och användbar för lokal analys.
Locality_ID En numerisk identifierare för orten.

Självstudiesteg

I den här självstudien utför du följande steg för att bygga ut scenariot med bussdata:

  • Konfigurera din miljö och ladda upp statiska, kontextuella exempeldata till ett lakehouse
  • Bearbeta strömmande data och få in dem i lakehouse-miljön
  • Skapa en ontologi i Digital Twin Builder (förhandsversion)
  • Projicera ontologidata till Eventhouse med hjälp av en Fabric-notebook-fil
  • Skapa KQL-frågor och en Real-Time instrumentpanel för att utforska och visualisera data

Nästa steg

Självstudie del 1: Ladda upp kontextuella data