智慧交通方案介绍

微信扫码，打开到小程序

Use this title slide only with an image 智慧交通方案介绍 2 Customer 目录 一 背景和 SAP HANA 关键技术 二 智慧交通解决方案 三 SAP 可预测性维护解决方案 3 Customer 设备互联 业务互联 万物互联 现今世界的变化趋势 智慧城市 / 智能交通 能源网络 工业互联 社会互联 车联网 1 B 2005 6 B 2015 50 B* 2020 4 Customer 国家层面的“两化深度融合”战略指出了新方向 -- 党的十八届五中全会提出 “创新、协调、绿色、开放、共享”发展理念，为公司信息化发展指明了新方向 现代制造业 云计算 大数据 物联网 移动互联网 创新融合 工业互联网 电子商务 互联网金融 其他创新产业 数字化促进产业生态创新 新 产 业 形 态 主线 互联网 + 行动计划 中国制造 2025 智能转型 强化基础 创新驱动 绿色发展 网络化 数字化 智能化 产能优化 结构调整 制造强国 工业化与信息化深度融合 主线 中国制造 2025 核心技术 核心目标 重点措施 促进大数据发展行动纲要 发展工业大数据 • 推动大数据在工业研发设计、生产制造、经营管理、 市场营销、售后服务等产品全生命周期、产业链全流 程各环节的应用 • 推动制造业网络化智能化 发展新兴产业大数据 • 大力培育互联网金融、数据服务、数据化学、数据材料等 新业态 • 带动技术研发体系创新、管理方式变革、商业模式创新和 产业价值链体系重构 5 Customer 云计算 大数据 物联网 移动技术 社交媒体 3D 打印 1. Emergence of the Mobile Cloud 2. From Internet of Things to Web of Things 3. From Big Data to Extreme Data 4. The Revolution Will Be 3D 5. Supporting New Learning Styles 6. Next-generation mobile networks 7. Balancing Identity and Privacy 8. Smart and Connected Healthcare 9.E-Government 10.Scientific Cloud Computing - Key to solving grand challenges, pursuing breakthroughs 1. Digital Convergence Erodes Boundaries 2. Digital Experience Delivery Makes (or Breaks) Firms 3. APIs Become Digital Glue 4. The Business Takes Ownership Of Process And Intelligence 5. Firms Shed Yesterday's Data Limitations 6. Sensors And Devices Draw Ecosystems Together 7. 3D Printing emerges in landscape 8. Infrastructure Takes On Engagement 9. Firms Learn from the Cloud and Mobile 10.IT Becomes and Agile Service Broker 1. Consumers will come to expect Smart TV capabilities. 2. Smart watches will become ‘smarter’ 3. Google Glass will still be in “wait and see” mode 4. Other applications and uses for Apple’s TouchID will emerge 5. Xbox One and PS4 will blur the lines between entertainment and video gaming 6.3D Printing will begin to revolutionize production 7.The movement towards natural language search will make search more accurate and intuitive 1.Computing Everywhere 2.The Internet of things 3.3-D Printing 4.Advanced, pervasive, invisible analytics 5.Context-rich systems 6.Smart machines 7.Cloud/client architecture 8.Software- defined infrastructure and applications 9.Web-Scale IT 10.Risk-based security and self-protection Gartner:2015 年 10 大技术趋势 Forbes: 2014 年 7 大技术趋势 Forrester:2014-2016 十大趋势 IEEE: 2014 年十大技术趋势 信息技术的发展提出了新要求 -- 主流研究机构对未来技术发展趋势的展望：六项关键的驱动技术 6 Customer 近年来，云计算、大数据等 IT 新技术快速兴起，推动信息系统向集中部署发展，促进数据标准统一和 集中共享，充分发挥企业数据资产的价值。 信息技术的发展提出了新要求 -- 新技术驱动下的信息系统部署趋向云化，集中化部署 7 Customer 目录 一 背景和 SAP HANA 关键技术 二 智慧交通解决方案 三 SAP 可预测性维护解决方案 8 Customer 无需等待数据处理 实时 简化 创新 同一平台处理分析型和事 务型应用 内存计算技术为数据架构变革提供可能性 只有数据在内存中处理才能满足实时要求 能够处理广泛 的数据类型 适用于所有应用的内存计算平台 Manufacturing App Finance App Sales App Service App Streaming App Predictive App Analytics App Spatial App Data Logic Logic Logic Logic Logic Logic Logic Logic 9 Customer 基于 SAP HANA 平台一体化数据中心架构 SAP HANA Platform 热点数据统一存储区 采集层 分析层 Infinite Insight (KXEN) Business Objects WebI 水晶报表 仪表盘 Analysis Office Lumira SAP IQ Hadoop 数据管 控 平台 电子邮件 办公软件 NWBC 移动终端 Web Portal 大屏幕 Smart Data Access 扩展表 表 基于规则的数据移动 展现层 集成化建模工具 预测分析支 持库 TPF Explorer 属性视图 分析视图 计算视图 空间数据引 擎 SAP MDM SAP IS 图形文本分 析引擎 计划引擎 MPX VLDB 数据库内分 析 非结构化数 据分析 高级安全 SQL script 行 + 列混合存 储 实时数据 非结构化 数据 空间数据 XS 引擎 存储层 业务数据统一存储区 数 据 中 心  一套数据 Single point of truth  减少数据冗余，降低数据存储成本， 总部与企业在“唯一真实的数据”前提下 进行数据分析  统一数据平台 总部和企业采用一种技术平台，统一 设计、统一标准、统一管理，保证应 用开发技术一致性，降低运维成本、 提升数据效率  大数据分析  提升数据分析的层次，充分利用互联 网数据提升分析能力  云计算架构  可灵活扩展的系统架构，支持业务与 数据的不断扩展 经营管理数据（ IT ） ERP TBM 其他 … 生产运营数据（ OT ） SMES LIMS 其他 … 生产过程数据 （ OT ） RTDB 第三方 数据 CRM HR 源数据 （集团或 分子公 司） SLT Service API ETL PCITC DXS 流数据 DB-Connect … 10 Customer SAP HANA 实时计算平台 应用服务 数据集成服务 数据库服务– 基本功能 与处理能力 SAP HANA – 数据库服务 数据领域的革新  将数据转化为实时的信息  对于复杂的分析和即席查询无需数据库调优  在同一份数据副本上构建交易和分析型应用  支持预置型、云部署或者混合部署  对系统的内存大小没有限制 高级压缩 多租户数据库 内存计算 / 列式存储 数据动态分层 多线程 / 并行处理 11 Customer SAP HANA – 数据库服务 高级的数据处理与分析引擎 SAP HANA 实时计算平台 应用服务 集成服务 数据库服务– 基本功能 与处理能力 搜索 文本分析 功能库函数 空间数据管理 图像处理 文本挖掘 预测分析 数据质量管理 序列数据  在同一系统中支持多种类型数据的处理  在同一份数据上优化图形，规划和规则应用  通过内置的预测分析、业务函数库类和数据质量处理提升业务管理水平 12 城市拥有巨量的数据 寻找大数据的价值，向大数据要生产力 为帮助城市实现卓越的运营管理 , SAP 与城市联合创新挖掘交通大数据的价值  中国大城市已经建设了非常好的交通基础设施 , 并且积累了大量的交通出行相关的数据  城市期望从大数据中挖掘价值以帮助城市管理运行的更加卓越，但是在交通信息化建设中面临了传统 IT 技术的性能瓶颈  SAP 的大数据技术创新为城市搭建新一代高性能大数据处理与分析平台提供了可能 关键信息 城市车辆 (RFID) 每年超过 30 亿条 地铁乘客 每年超过 10 亿条 出租车轨迹 (GPS) 每年超过 80 亿条 摄像头识别 每年超过 40 亿条 公交轨迹 (GPS) 每年超过 60 亿条 公交乘客 每年超过 10 亿条 13 | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | I I I I | 识别和衡量问题 分析成因 决策支撑 解决问题 跟踪问题、评估成效 总结规律、自我学习、完善模型 基于大数据分析的智慧交通蓝图 大数据可全面支撑城市管理部门和业内企业需求 第三方数据资源 交通数据融合技术平台 城市交通统一数据模型 交通数据基础分析平台 交通专业分析模型 . 算法库 数据卓越 城市数据中心 交通管理 交通管理部门 城市规划 城市规划部门 公共交通 交通企业管理 交通排放 环保部门 合作伙伴应用创新接口 交通指标体系 交通 KPIs ( 拥 堵指数 ) 规划 KPIs ( 职 住分布 ) 公交 KPIs ( 公 交 & 出租车 ) 污染 KPIs ( 碳 排放 ) 数据 KPIs ( 准 确度 ) 14 交通指标体系 可量化的交通情况、科学化的评价体系 交通指标体系 交通运行评价指标 路段运行  路段平均行驶速度  路网的断面流量 拥堵评价  道路拥堵指数、拥堵强度  拥堵时间比例、拥堵路段时空分布  拥堵出行比例、日拥堵出行百分比 公交服务评价指标 具体线路  地铁 / 公交拥挤指数  准点率、出行时间 时空维度  出行成本、行程速度、服务可靠性 公交线网  公共交通分担率、周转量、运输量  公交站点覆盖率 关键信息： 多维度的成因分析 交通情况的短时预测 直观的 3D 仿真展示 数据质量评价指标 数据质量洞察  数据接入 KPI （流量、密度）  数据时空分布、历史对比分析  数据冗余率、错误率、转化率 数据质量预警  数据接入异常、转化异常 智能纠错与维护  数据纠错、传感器设备维护计划 15 交通指标体系 例：交通运行评价指标 拥堵指数 交通拥堵评价 指标体系 K1 强度 交通拥堵 指数 K2 范围 拥堵里程 比例 K3 时间 拥堵持续 时间 K4 频率 拥堵路段 分布 K5 概率 时间可靠 性指数 K6 波动 速度稳定 性指数 大数据实时处理 与分析 内存计算 交通数据门类较 完整 浮动车、车牌识别 （ 320 ）、市民卡 • 业务痛点：无法科学量化交通情况 • 方案价值： • 科学客观量化交通状态的标尺 • 政府和公众衡量交通工作、评估交通政策的重要依据 • 研究交通问题的成因分析以及交通资源配置优化，提供决策依据 • 市民一起参与和感受交通政策实施后的改善情况的客观体现 16 路网、局域、重点交通走廊等不同空间粒度 进行细化 对年、月、周、日、时、分等不同时间粒度 进行细化 支持结合时空范围对重点保障区域进行 分析和研究 从速度、时间、空间分布等方面对交通运行 进行评价 交通指标体系 例：交通运行评价指标 拥堵指数 17 交通管理 实时展现交通状况、实时分析交通数据、实时提供决策建议 交通流量热点分析 交通流结构组成 发现热点交通需求 行使轨迹查询 18 关键信息 智慧交通专业数据分析工具，帮助城市深度挖掘城市出行的整体特征，通过不同的可视化展现让专业用户精确 把握细节、快速得到分析结果 o 交通小区自动划分（含编辑工具） o 专业 OD 分析（多样可视化展现） 交通小区自动划分 交通小区手工微调 小区之间出行规律 出行规律多样展示 出行规律多样展示 小区连通性预测 城市规划 城市居民出行特征分析 19 信息来源基站分布 中位值 :4 23:00 06:00 居住地 : 在 23:00 ~ 6:00 中访问频率最高的地 点 根据基站记录 的时间 , 位置 , 出现频率以及 变化情况识别 职住分离 办公地 居住地 城市规划 城市居民职住分离空间分布 20 公共交通 出租车运营分析：把握运营特征、多维度分析、运力调度、决策支持 驾驶舱 / 仪表盘 运价 分析 卓越运营 轨迹追踪 道路监测 失物招领 OD 分析 异常预警 供求分析 21 公共交通 公交车运营分析：实时监控、预测预警、成因追溯、决策支持 车辆运营管理 站点流量及流向分析 公交延误预测及影响分析 假设分析和决策支持 22 • 车牌识别 (LPR) 基于摄像头拍摄的高清晰图片，是城市交通管理基础设施上收集的重要交通数据之一 • 车牌识别的准确度受到多种因素的影响，如天气、树木遮挡或设备异常，因此对于海量车牌识别数据的纠错成为城市交通信息化中的一个重点课题 • SAP 南京创新中心利用 SAP HANA 技术平台研发了车牌识别数据智能纠错系统，基于海量历史数据使用全样本数据挖掘技术智能识别数据错误模式，并自动进行精准数据纠错，同时还为管理部门动态生成精确的设备维护计划 基于全样本历史数据自动识别错误模式 数据错误模式识别  自动全样本数据挖掘 错误智能识别  准确率 99.9% 自动数据纠错  准确率 94.5% 自动生成设备维护计划建议 自动完成数据纠错 数据卓越 车牌识别数据智能纠错系统 23 数据卓越 摄像头设备维护建议，减少设备巡检工作量 由于摄像头闪光灯原因，导致图 1 中夜间难以获取牌照信息。图 2 、 3 中 各车道未识别 / 误识别率分布均匀，更说明是由于闪光灯造成识别率低。 第 2 车道未识别率和误识别率明显高于第 1 车道，对比拍摄图发现，该车 道上有树木遮挡。 24 目录 一 背景和 SAP HANA 关键技术 二 智慧交通解决方案 三 SAP 可预测性维护解决方案 25 Customer 2015 年 3 月在德国汉诺威 CeBIT 2015 ，中国副总理马凯、德国副总理西格玛尔 . 加布里埃尔，中国工业和信息 化部部长苗圩及其他政府官方访问 SAP 展台，中德在物联网 / 工业 4.0 的合作创新演示给双方政府代表团留下了深刻 的印象。 SAP 可预测性维护与服务 CeBIT 2015 @ 汉诺威展示 26 可预测维护与服务 利用业务运营见解，推动创新新的商业模式 分析和监测设备数据和业务信息关 联来预测未来的故障 远程感知设备运行数据 监测 分析 预测 执行 传感器 优化维护和业务运营，围绕设备建 立新的商业模式 -44% 降低非计划停机 -17% 降低年度服务和维护成本 +28% 资产回报更高 典型结果 * 采取预防和预测性维护和服务的组织与传统的采取应急维护和服务的组织相比 * SAP 测评结果 27 Customer 预测性维护是提升故障处理的关键技术 预测 行动 (samples) Source: Gartner 连接的设备数量 2020* 50 billion 今天传感器、无线设备微处理与 4 年前的价格 1/5 40-50% 到 2020* M2M 的复合增长率 传感器数据 业务数据 其它数据 ( 环境 , 语义 , …) 数据挖掘 关系 / 模式 / 规则 / 异常 / 程控 / 原因 / 预测 - 创建通知 - 修改维护计划 - 准备备件 - 提高产品质量 *Source: Gartner – “Top 10 Tech Trends for 2013” – 2012 **Source: Economist Intelligence Unit – ”The Rise of the Machines” – 2012 传感器 IoT M2M IT/OT - 改变产品的规格 - 服务调度 - 推荐服务 - 基于成本较低成本选择方案 29 Customer SAP HANA Platform(