Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Il generatore di gemelli digitali (anteprima) è un elemento nel carico di lavoro Real-Time Intelligence in Microsoft Fabric. Crea rappresentazioni digitali di ambienti reali per ottimizzare le operazioni fisiche usando i dati.
Importante
Questa funzionalità si trova in Anteprima.
In questa esercitazione si apprenderà come configurare un elemento del generatore di gemelli digitali e usarlo per creare un'ontologia che contestualizza i dati di esempio trasmessi da un flusso di eventi. Dopo aver costruito l'ontologia nel generatore di gemelli digitali, è possibile usare le scorciatoie per esporre i dati in una house degli eventi e interrogarli utilizzando KQL (Kusto Query Language). Quindi, è possibile visualizzare questi risultati della query in un dashboard di Real-Time.
Prerequisiti
- Un'area di lavoro con una capacità abilitata a Microsoft Fabric.
- Generatore di gemelli digitali (anteprima) abilitato nel tenant.
Gli amministratori di Fabric possono concedere l'accesso al generatore di gemelli digitali in catalogo OneLake>Govern>Configurazioni>Impostazioni del tenant. Abilita Digital Twin Builder (anteprima).
Il tenant non può avere la fatturazione con scalabilità automatica per Spark abilitata, perché il generatore di gemelli digitali non è compatibile con esso. Questa impostazione viene gestita anche nel portale di amministrazione.
Scenario dell'esercitazione
Lo scenario di esempio usato in questa esercitazione è un set di dati degli autobus, contenenti informazioni sugli spostamenti e sulle posizioni degli autobus. Usando il generatore di gemelli digitali (anteprima) per contestualizzare e modellare i dati, è possibile analizzare e stimare il comportamento del bus.
Questa analisi include la stima che un autobus sia in ritardo alla prossima fermata, usando anche i dati sulla posizione a livello di distretto per analizzare i modelli di ritardo. L'analisi può essere usata per stimare i ritardi alle singole fermate e identificare le tendenze geografiche, quali fermate e quartieri subiscono ritardi più frequenti.
Riepilogo dei dati dell'esercitazione
In questa esercitazione si combinano i dati di due fonti di dati: dettagli sul tempismo e il movimento degli autobus in tempo reale (dati fattuali) e dati precisi sulle fermate degli autobus geografiche e contestuali (dati dimensionali). La contestualizzazione dei dati del bus nel generatore di gemelli digitali (anteprima) consente l'analisi dinamica e le informazioni operative. L'incorporazione dei dati di arresto statici degli autobus stabilisce una base per l'analisi localizzata e l'identificazione dei modelli di ritardo. Inoltre, i dati di proprietà e posizionamento del distretto dalle informazioni sulle fermate consentono di comprendere le tendenze geografiche più ampie e l'efficienza complessiva dei transiti.
Le tabelle seguenti riepilogano i dati inclusi in ogni origine dati.
Dati del bus
Questo set di dati è costituito da dati in tempo reale che forniscono informazioni sugli spostamenti degli autobus. Viene trasmesso attraverso Real-Time Intelligence.
| Campo | Descrizione |
|---|---|
Timestamp |
Ora in cui è stato creato lo snapshot dei dati (tempo di sistema in tempo reale). |
TripId |
Identificatore univoco per ogni istanza di viaggio, come una corsa specifica di autobus lungo un percorso. Utile per tenere traccia dei singoli viaggi in autobus. |
BusLine |
Numero del percorso, come 110 o 99. Utile per raggruppare viaggi e fermate per il rilevamento dei modelli su linee specifiche. |
StationNumber |
Sequenza di fermate durante un viaggio (dove 1 è la prima fermata). Utile per tenere traccia dell'avanzamento di un autobus lungo un percorso. |
ScheduleTime |
L'ora pianificata in cui il bus dovrebbe raggiungere la stazione successiva sul suo percorso. Utile per calcolare i ritardi. |
Properties |
Un campo JSON che contiene due valori: BusState che può essere InMotion o Arrived (indica lo stato dello spostamento) e TimeToNextStation, ovvero il tempo stimato rimanente per raggiungere l'arresto successivo. Questa colonna di campo JSON deve essere separata per l'uso nel generatore di gemelli digitali (anteprima). |
Dati relativi alle fermate degli autobus
Questo set di dati è dati dimensionali relativi alle fermate degli autobus. Fornisce informazioni contestuali (simulate) sulla posizione delle fermate. Questi dati vengono caricati come file statici nel lakehouse dell'esercitazione.
| Campo | Descrizione |
|---|---|
Stop_Code |
Identificatore univoco per l'fermata dell'autobus. |
Stop_Name |
Il nome della fermata dell'autobus, come Abbey Wood Road. |
Latitude |
Latitudine della fermata dell'autobus. Utile per le visualizzazioni mappa o il calcolo delle distanze tra le fermate. |
Longitude |
Longitudine della fermata dell'autobus. Utile per le visualizzazioni mappa o il calcolo delle distanze tra le fermate. |
Road_Name |
La strada in cui si trova la fermata. Utile per identificare le tendenze specifiche della strada. |
Borough |
Il borough dove si trova la fermata, come Greenwich. Utile per l'aggregazione e l'analisi geografica. |
Borough_ID |
ID numerico per il distretto. Potrebbe essere usato per l'aggiunta a set di dati a livello di quartiere. |
Suggested_Locality |
Il quartiere o l'area locale a cui appartiene la fermata, come Abbey Wood. Più granulare di borough e utile per l'analisi locale. |
Locality_ID |
Identificatore numerico per la località. |
Passaggi del tutorial
In questa esercitazione si completano i passaggi seguenti per compilare lo scenario dei dati del bus:
- Configura il tuo ambiente e carica dati di esempio contestuali statici in un data lakehouse
- Elaborare i dati di streaming e inserirli nella lakehouse
- Creare un'ontologia nel generatore di gemelli digitali (anteprima)
- Proiettare i dati di ontologia in Eventhouse usando un notebook di Fabric
- Creare query KQL e un dashboard Real-Time per esplorare e visualizzare i dati