Nota
O acesso a esta página requer autorização. Podes tentar iniciar sessão ou mudar de diretório.
O acesso a esta página requer autorização. Podes tentar mudar de diretório.
O construtor de gêmeos digitais (visualização) é um novo item dentro da carga de trabalho doReal-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 construtor de gêmeos digitais, você usa atalhos para expor os dados em uma casa de eventos e consultá-los usando consultas KQL (Kusto Query Language). Em seguida, você visualiza esses resultados de consulta em um Real-Time Dashboard.
Pré-requisitos
- Um espaço de trabalho com uma capacidade ativada por Microsoft Fabric.
- Ferramenta de criação de gémeos digitais (pré-visualização) ativada no seu tenant.
Os administradores de rede podem conceder acesso à ferramenta de construção de gêmeos digitais no portal administrativo. Nas configurações do cliente, ative o Digital Twin Builder (visualização).
O locatário não pode ter o Autoscale Billing for Spark ativado, pois a ferramenta de criação de gémeos digitais não é compatível com ele. Essa configuração também é gerenciada no portal de administração.
Cenário
O cenário de exemplo usado neste tutorial é um conjunto de dados de barramento, contendo informações sobre movimentos e locais de barramento. 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
Neste tutorial, você combina dados de duas fontes de dados: movimento de barramento em tempo real e detalhes de tempo (dados de fatos) e dados precisos geográficos e contextuais de parada de ônibus (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 de propriedade do bairro e localidade dos dados de parada permitem a compreensão de tendências geográficas mais amplas e eficiência geral do trânsito.
As tabelas a seguir resumem os dados incluídos em cada fonte de dados.
Dados de barramento
Este conjunto de dados é um conjunto de dados em tempo real que fornece informações sobre os movimentos dos barramentos. 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, conclua as seguintes etapas para criar o cenário de dados de barramento:
- 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
- Construir uma ontologia no construtor de gêmeos digitais (visualização)
- Projete os dados de ontologia para o Eventhouse usando um bloco de anotações de malha
- Crie consultas KQL e um Painel de Real-Time para explorar e visualizar os dados