디지털 트윈 빌더(미리 보기)는 Microsoft Fabric의 Real-Time Intelligence 워크로드 내의 새 항목입니다. 데이터를 사용하여 물리적 작업을 최적화하기 위해 실제 환경의 디지털 표현을 만듭니다.
중요합니다
이 기능은 프리뷰 상태입니다.
이 자습서에서는 디지털 트윈 빌더 항목을 설정하고 이를 사용하여 이벤트 스트림에서 스트리밍된 샘플 데이터를 컨텍스트화하는 온톨로지를 빌드하는 방법을 알아봅니다. 디지털 트윈 작성기에서 온톨로지 빌드 후 바로 가기를 사용하여 이벤트 하우스에 데이터를 노출하고 KQL(Kusto 쿼리 언어) 쿼리를 사용하여 쿼리합니다. 그런 다음, Real-Time 대시보드에서 이러한 쿼리 결과를 시각화합니다.
필수 조건
- Microsoft Fabric가 활성화된 용량을 보유한 작업 공간.
- 테넌트에서 디지털 트윈 빌더(미리 보기 기능)가 활성화되었습니다.
패브릭 관리자는관리 포털에서 디지털 트윈 빌더에 대한 액세스 권한을 부여할 수 있습니다. 테넌트 설정에서 Digital Twin Builder(미리 보기)를 사용하도록 설정합니다.
테넌트는 디지털 트윈 빌더가 호환되지 않기 때문에 Spark에 대한 자동 크기 조정 청구를 활성화할 수 없습니다. 이 설정은 관리 포털에서도 관리됩니다.
시나리오
이 자습서에서 사용되는 샘플 시나리오는 버스 이동 및 위치에 대한 정보를 포함하는 버스 데이터 집합입니다. 디지털 트윈 빌더(미리 보기)를 사용하여 데이터를 컨텍스트화하고 모델링하면 버스 동작을 분석하고 예측할 수 있습니다.
이 분석에는 버스가 다음 정류장에서 늦게 도착할지 여부를 예측하는 동시에 자치구 수준 위치 데이터를 사용하여 지연 패턴을 분석하는 것이 포함됩니다. 분석을 사용하여 개별 정류장에서 지연을 예측하고 중지 및 자치구에서 더 빈번한 지연을 경험하는 것과 같은 지리적 추세를 식별할 수 있습니다.
데이터 요약
이 자습서에서는 실시간 버스 이동 및 타이밍 세부 정보(팩트 데이터) 및 정확한 지리적 및 상황별 버스 정류장 데이터(차원 데이터)의 두 데이터 원본의 데이터를 결합합니다. 디지털 트윈 빌더(미리 보기)에서 버스 데이터를 컨텍스트화하면 동적 분석 및 운영 인사이트를 사용할 수 있습니다. 정적 버스 정류장 데이터를 통합하면 지역화된 분석 및 지연 패턴 식별의 기반이 됩니다. 또한 중지 데이터의 자치구 소유권 및 지역 데이터를 통해 광범위한 지리적 추세와 전반적인 교통 효율성을 이해할 수 있습니다.
다음 표에서는 각 데이터 원본에 포함된 데이터를 요약합니다.
버스 데이터
이 데이터 집합은 버스 이동에 대한 정보를 제공하는 실시간 데이터입니다. Real-Time 인텔리전스를 통해 스트리밍됩니다.
| 분야 | 설명 |
|---|---|
Timestamp |
데이터 스냅샷이 생성된 시간(실시간 시스템 시간)입니다. |
TripId |
경로에서 실행되는 특정 버스와 같은 각 여정 인스턴스에 대한 고유 식별자입니다. 개별 버스 여정을 추적하는 데 유용합니다. |
BusLine |
경로 번호(예: 110 또는 99)입니다. 특정 줄에서 패턴 검색을 위해 여행 및 정지를 그룹화할 때 유용합니다. |
StationNumber |
여정 내의 중지 시퀀스입니다(첫 번째 중지 시퀀스인 1). 버스가 경로를 따라 진행되는 방식을 추적하는 데 유용합니다. |
ScheduleTime |
버스가 해당 경로의 다음 역에 도달해야 하는 예약된 시간입니다. 지연 계산에 유용합니다. |
Properties |
다음 중지에 도달할 때까지 InMotionArrived 남은 예상 시간인 두 값(이동 상태를 나타낸 것)과 TimeToNextStation같은 두 가지 값 BusState 이 포함된 JSON 필드입니다. 이 JSON 필드 열은 디지털 트윈 빌더(미리 보기)에서 사용하기 위해 구분되어야 합니다. |
버스 정류장 데이터
이 데이터 집합은 버스 정류장에 대한 차원 데이터입니다. 중지 지점이 있는 위치에 대한 (시뮬레이션된) 컨텍스트 정보를 제공합니다. 이 데이터는 자습서 Lakehouse에 정적 파일로 업로드됩니다.
| 분야 | 설명 |
|---|---|
Stop_Code |
버스 정류장의 고유 식별자입니다. |
Stop_Name |
애비 우드 로드와 같은 버스 정류장의 이름입니다. |
Latitude |
버스 정류장의 위도입니다. 정지 사이의 거리를 맵 시각화 또는 계산하는 데 유용합니다. |
Longitude |
버스 정류장의 경도입니다. 정지 사이의 거리를 맵 시각화 또는 계산하는 데 유용합니다. |
Road_Name |
정류장이 있는 도로입니다. 도로별 추세를 식별하는 데 유용합니다. |
Borough |
그리 니치처럼 정류장이 있는 자치구입니다. 집계 및 지리적 분석에 유용합니다. |
Borough_ID |
자치구의 숫자 ID입니다. 잠재적으로 자치구 수준 데이터 세트와 조인하는 데 사용될 수 있습니다. |
Suggested_Locality |
수도원 나무처럼 정류장이 속한 이웃이나 지역. 자치구보다 세분화되고 로컬 분석에 유용합니다. |
Locality_ID |
지역성에 대한 숫자 식별자입니다. |
자습서 단계
이 자습서에서는 다음 단계를 완료하여 버스 데이터 시나리오를 빌드합니다.
- 환경 설정 및 정적 컨텍스트 샘플 데이터를 Lakehouse에 업로드
- 스트리밍 데이터를 처리하고 레이크하우스로 가져옵니다.
- 디지털 트윈 빌더에서 온톨로지 빌드(미리 보기)
- Fabric Notebook을 사용하여 Eventhouse에 온톨로지 데이터 프로젝트
- KQL 쿼리 및 Real-Time 대시보드를 만들어 데이터 탐색 및 시각화