Digital Twin Builder (Vorschau) im Real-Time Intelligence-Lernprogramm: Einführung

Digital Twin Builder (Vorschau) ist ein Element im Real-Time Intelligence-Workload in Microsoft Fabric. Es erstellt digitale Darstellungen von realen Umgebungen, um physische Vorgänge mithilfe von Daten zu optimieren.

Von Bedeutung

Dieses Feature befindet sich in der Vorschauphase.

In diesem Lernprogramm erfahren Sie, wie Sie ein Digitales Twin Builder-Element einrichten und es verwenden, um eine Ontologie zu erstellen, die Beispieldaten kontextualisiert, die aus einem Ereignisstream gestreamt werden. Nachdem Sie die Ontologie in digital twin builder erstellt haben, verwenden Sie Verknüpfungen, um die Daten in einem Eventhouse bereitzustellen und sie mithilfe von KQL-Abfragen (Kusto Query Language) abzufragen. Anschließend visualisieren Sie diese Abfrageergebnisse in einem Real-Time Dashboard.

Voraussetzungen

Unterrichtsszenario

Das in diesem Lernprogramm verwendete Beispielszenario ist eine Reihe von Busdaten, die Informationen zu Busbewegungen und -standorten enthalten. Mithilfe von Digital Twin Builder (Vorschau) können Sie Daten kontextualisieren und modellieren, um das Verhalten von Bussen zu analysieren und abzuschätzen.

Diese Analyse umfasst die Schätzung, ob ein Bus am nächsten Halt verspätet sein wird, während auch Standortdaten auf Stadtebene verwendet werden, um Verzögerungsmuster zu analysieren. Die Analyse kann verwendet werden, um Verzögerungen an einzelnen Haltestellen zu schätzen und geografische Trends zu identifizieren, z. B. welche Haltestellen und Bezirke häufigere Verzögerungen erleben.

Lernprogrammdatenzusammenfassung

In diesem Lernprogramm kombinieren Sie Daten aus zwei Datenquellen: Echtzeit-Busbewegungen und Timing-Details (Faktendaten) sowie präzise geografische und kontextbezogene Busstoppdaten (dimensionale Daten). Die Kontextualisierung der Busdaten im digitalen Twin Builder (Vorschau) ermöglicht eine dynamische Analyse und operative Einblicke. Durch die Integration statischer Busstoppdaten wird eine Grundlage für die lokalisierte Analyse und die Identifizierung von Verzögerungsmustern geschaffen. Darüber hinaus ermöglichen die Daten des Stadtbesitzes und der Lokalität aus den Stoppdaten das Verständnis von breiteren geografischen Trends und gesamter Transiteffizienz.

In den folgenden Tabellen sind die Daten zusammengefasst, die in jeder Datenquelle enthalten sind.

Busdaten

Diese Datenmenge sind Echtzeitdaten, die Informationen zu Busbewegungen liefern. Es wird über Real-Time Intelligence gestreamt.

Feld BESCHREIBUNG
Timestamp Die Zeit, zu der die Datenmomentaufnahme erstellt wurde (Echtzeit-Systemzeit).
TripId Die eindeutige Kennung für jede Fahrtinstanz, z. B. eine bestimmte Busfahrt auf einer Linie. Nützlich für die Verfolgung einzelner Busfahrten.
BusLine Die Routennummer, z. B. 110 oder 99. Nützlich zum Gruppieren von Reisen und Stopps für die Mustererkennung in bestimmten Linien.
StationNumber Die Stoppsequenz innerhalb einer Reise (1 ist der erste Stopp). Nützlich für die Nachverfolgung, wie ein Bus entlang einer Route voranschreitet.
ScheduleTime Die geplante Zeit, zu der der Bus die nächste Station auf seiner Route erreichen sollte. Nützlich für die Berechnung von Verzögerungen.
Properties Ein JSON-Feld, das zwei Werte enthält: BusState, das InMotion oder Arrived sein kann (gibt den Bewegungsstatus an), und TimeToNextStation, die geschätzte verbleibende Zeit bis zum Erreichen des nächsten Halts. Diese JSON-Feldspalte muss zur Verwendung im Digital Twin Builder (Vorschau) separiert werden.

Busstoppdaten

Diese Datenmenge ist dimensionale Daten zu Bushaltestellen. Sie stellt kontextbezogene (simulierte) Informationen darüber bereit, wo sich die Stopps befinden. Diese Daten werden als statische Datei in das Lernprogramm lakehouse hochgeladen.

Feld BESCHREIBUNG
Stop_Code Der eindeutige Bezeichner für die Bushaltestelle.
Stop_Name Der Name der Bushaltestelle, wie Abbey Wood Road.
Latitude Der Breitengrad der Bushaltestelle. Nützlich für Kartenvisualisierungen oder das Berechnen von Abständen zwischen Stopps.
Longitude Der Längengrad der Bushaltestelle. Nützlich für Kartenvisualisierungen oder das Berechnen von Abständen zwischen Stopps.
Road_Name Die Straße, auf der sich die Haltestelle befindet. Nützlich für die Identifizierung von straßenspezifischen Trends.
Borough Der Bezirk, in dem sich die Haltestelle befindet, wie Greenwich. Nützlich für Aggregation und geografische Analyse.
Borough_ID Eine numerische ID für den Bezirk. Könnte möglicherweise für die Verknüpfung mit Datensätzen auf Bezirksebene verwendet werden.
Suggested_Locality Die Nachbarschaft oder das Lokale Gebiet, zu dem die Haltestelle gehört, wie Abbey Wood. Präziser als Bezirk und hilfreicher für die lokale Analyse.
Locality_ID Ein numerischer Bezeichner für die Lokalität.

Anleitungsschritte

In diesem Lernprogramm führen Sie die folgenden Schritte aus, um das Busdatenszenario zu erstellen:

  • Richten Sie Ihre Umgebung ein und laden Sie statische, kontextbezogene Beispieldaten in ein Lakehouse hoch
  • Streamingdaten verarbeiten und in das Lakehouse laden
  • Erstellen einer Ontologie in Digital Twin Builder (Vorschau)
  • Projizieren Sie die Ontologiedaten mit einem Fabric-Notebook auf Eventhouse.
  • Erstellen von KQL-Abfragen und einem Real-Time Dashboard zum Untersuchen und Visualisieren der Daten

Nächster Schritt

Lernprogramm Teil 1: Hochladen kontextbezogener Daten

  • Last updated on