Construtor de gémeos digitais (pré-visualização) no tutorial do Real-Time Intelligence: Introdução

O construtor de gémeos digitais (prévia) é um item da tarefa Real-Time Intelligence no Microsoft Fabric. Ele cria representações digitais de ambientes do mundo real para otimizar as operações físicas usando dados.

Importante

Este recurso está em pré-visualização.

Neste tutorial, você aprenderá a configurar um item de construtor de gêmeos digitais e usá-lo para criar uma ontologia que contextualiza dados de exemplo transmitidos de um fluxo de eventos. Depois de criar a ontologia no Digital Twin Builder, utiliza atalhos para expor os dados num eventhouse e consultá-los através de consultas KQL (Kusto Query Language). Em seguida, você visualiza esses resultados de consulta em um Real-Time Dashboard.

Pré-requisitos

Cenário tutorial

O cenário de exemplo utilizado neste tutorial é um conjunto de dados de autocarros, que contém informações sobre os movimentos e as localizações dos autocarros. Usando o construtor de gêmeos digitais (visualização) para contextualizar e modelar os dados, você pode analisar e estimar o comportamento do barramento.

Essa análise inclui estimar se um ônibus se atrasará na próxima parada, ao mesmo tempo em que usa dados de localização em nível de bairro para analisar padrões de atraso. A análise pode ser usada para estimar atrasos em paradas individuais e identificar tendências geográficas, como quais paradas e distritos sofrem atrasos mais frequentes.

Resumo dos dados do tutorial

Neste tutorial, vai combinar dados de duas fontes de dados: o movimento dos autocarros em tempo real e informações horárias (dados factuais), e dados geográficos e contextuais precisos sobre as paragens de autocarro (dados dimensionais). A contextualização dos dados de barramento no construtor de gêmeos digitais (visualização) permite análises dinâmicas e insights operacionais. A incorporação de dados estáticos de pontos de ônibus estabelece uma base para análise localizada e identificação de padrões de atraso. Além disso, os dados sobre o município responsável e a localidade, extraídos dos dados das paragens, permitem compreender tendências geográficas mais amplas e a eficiência global da rede de transportes.

As tabelas a seguir resumem os dados incluídos em cada fonte de dados.

Dados de barramento

Este conjunto de dados contém dados em tempo real que fornecem informações sobre os movimentos dos autocarros. É transmitido através do Real-Time Intelligence.

Campo Descrição
Timestamp A hora em que o instantâneo de dados foi tirado (tempo do sistema em tempo real).
TripId O identificador exclusivo para cada instância de viagem, como uma corrida de ônibus específica em uma rota. Útil para rastrear viagens de ônibus individuais.
BusLine O número da rota, como 110 ou 99. Útil para agrupar viagens e paragens para deteção de padrões em linhas específicas.
StationNumber A sequência de paragem dentro de uma viagem (sendo 1 a primeira paragem). Útil para acompanhar como um ônibus progride ao longo de uma rota.
ScheduleTime A hora programada em que o ônibus deve chegar à próxima estação de sua rota. Útil para calcular atrasos.
Properties Um campo JSON que contém dois valores: BusState que pode ser InMotion ou Arrived (indica o status do movimento) e TimeToNextStation, que é o tempo estimado restante para alcançar a próxima parada. Esta coluna de campo JSON precisa ser separada para uso no construtor de gêmeos digitais (visualização).

Dados da paragem de autocarro

Este conjunto de dados são dados dimensionais sobre paragens de autocarro. Ele fornece informações contextuais (simuladas) sobre onde as paradas estão localizadas. Esses dados são carregados como um arquivo estático para o tutorial lakehouse.

Campo Descrição
Stop_Code O identificador exclusivo do ponto de ônibus.
Stop_Name O nome do ponto de ônibus, como Abbey Wood Road.
Latitude A latitude do ponto de ônibus. Útil para visualizações de mapas ou cálculo de distâncias entre paradas.
Longitude A longitude do ponto de ônibus. Útil para visualizações de mapas ou cálculo de distâncias entre paradas.
Road_Name A estrada onde a parada está localizada. Útil para identificar tendências específicas de estradas.
Borough O bairro onde a parada está localizada, como Greenwich. Útil para agregação e análise geográfica.
Borough_ID Um ID numérico para o bairro. Poderia potencialmente ser usado para se juntar a conjuntos de dados de nível de bairro.
Suggested_Locality O bairro ou área local a que a parada pertence, como Abbey Wood. Mais granular do que o bairro e útil para a análise local.
Locality_ID Um identificador numérico para a localidade.

Etapas do tutorial

Neste tutorial, irá concluir os seguintes passos para desenvolver o cenário de dados de autocarro:

  • Configure seu ambiente e carregue dados de amostra estáticos e contextuais em uma casa de lago
  • Processe dados de streaming e coloque-os na casa do lago
  • Criar uma ontologia no criador de gémeos digitais (pré-visualização)
  • Use um notebook do Fabric para projetar os dados da ontologia no Eventhouse
  • Crie consultas KQL e um Painel de Real-Time para explorar e visualizar os dados

Próximo passo

Tutorial parte 1: Carregar dados contextuais

  • Last updated on