Big data en streaming avec un impact sur les politiques publiques

Presque tous les domaines d'une ville a la capacité d'utiliser les données de grandes, que ce soit sous la forme de taxes, les capteurs sur les bâtiments et les ponts, la surveillance de la structure du trafic, les données de localisation et des données sur l'activité criminelle. Création de politiques réalistes qui font des villes des lieux plus sûrs, plus efficaces et plus agréable à vivre et le travail nécessite la collecte et l'analyse de grandes quantités de données à partir d'une variété de sources.

La plupart des données qui sont pertinentes à la recherche sur l'amélioration des politiques publiques est recueilli par divers organismes de la ville et a historiquement pris des mois ou des années pour analyser (telles que les données annuelles de recensement, les dossiers de police, et les dossiers fiscaux de la ville). Même au sein d'une agence spécifique, tels que le service de police, les données peuvent être collectées par les districts distincts et pas facilement partagées à travers la ville et ses communautés environnantes.

En conséquence, les dirigeants de la ville ont une abondance de renseignements sur les personnes comment les politiques touchées dans leur ville dans les années antérieures, mais il a été très difficile à partager et à effet de levier en évolution rapide des données pour prendre des décisions en temps réel qui peuvent améliorer la vie de la ville. Ce qui rend misant sur ces données encore plus compliqué est le fait que les données sont gérées et stockées dans des silos distincts.

Cela provoque des problèmes parce qu'une relation direct peut exister entre les différents aspects des opérations de la ville. Les décideurs commencent à réaliser que le changement ne peut se produire si elles peuvent utiliser les données et les données disponibles sur les meilleures pratiques pour transformer l'état actuel de leur environnement. L'une ville plus complexe, plus il existe un besoin pour tirer parti des données de changer les choses pour le mieux.

Ceci est en train de changer que les décideurs politiques, les scientifiques et les innovateurs technologiques équipe pour mettre en œuvre des politiques fondées sur les données en mouvement. Par exemple, pour concevoir et mettre en œuvre un programme d'amélioration de la congestion du trafic, vous pouvez avoir besoin de collecter des données sur la population, chiffres de l'emploi, les conditions routières et météorologiques. Une grande partie de ces données ont été recueillies dans le passé, mais il est stocké dans différents silos et représente une vision statique de l'information historique.

Pour faire des suggestions basées sur l'information en continu en cours, vous avez besoin d'une nouvelle approche. Chercheurs d'une université technique en Europe collectent des données de trafic en temps réel à partir d'une variété de sources telles que Global Positioning System (GPS) des données provenant des véhicules circulant, des capteurs radars sur les routes, et les données météorologiques. Ils ont intégré et analysé les données de transmission en continu pour réduire la congestion de la circulation et d'améliorer la fluidité du trafic.

En analysant les données structurées et non structurées comme les événements se déroulent, les systèmes peuvent évaluer les conditions actuelles des voyages et faire des suggestions sur les itinéraires de rechange qui permettra de réduire le trafic. En fin de compte, l'objectif est d'avoir un impact majeur sur la circulation dans la ville. Les données en mouvement est évaluée en relation avec les données historiques afin que les recommandations de sens dans le contexte des conditions réelles.

Des flux de données peuvent avoir un impact significatif sur les taux de criminalité dans les villes. Par exemple, un service de police utilise l'analyse prédictive pour identifier les tendances de la criminalité par le temps et le lieu. Si un changement soudain se trouve dans un schéma identifié à un nouvel emplacement, la police peut envoyer des officiers au bon endroit au bon moment. Après le fait, ces données peuvent maintenant être utilisé pour analyser plus en détail les comportements criminels.