Статья

Как аналитика помогает создать безопасный и умный город

Big Data
мобильная версия

Что стоит за фразой «умный город» и чем он характеризуется? Концепция умного города предполагает удобство городских услуг и оптимальную работу городских систем и городских объектов – домов, школ, поликлиник. Новые технологии позволяют им лучше удовлетворять потребности человека. За этим стоит повсеместное распространение технологий сбора и обработки данных.

Анализ опыта взаимодействия человека с системой или сервисом позволяет определить направление их развития в будущем или порядок смены режима их работы прямо сейчас. Цифровая трансформация приходит не только в компании, но и в городе. Трансформируются процедуры принятия решений – принимаемые решения должны стать менее субъективными, более прагматичными. Экспертный опыт необходим – решение принимает человек, он не исключается из процедур принятия решений, но на этапе оценки обстановки акцент смещается на использование объективных методов обработки фактических данных для получения знаний, необходимых для принятия решения. В зависимости от типа фактических данных – офлайн или онлайн данные – по-разному осуществляется их обработка.

Чтобы проанализировать первый тип данных используется классический подход: собрать данные, очистить и подготовить для анализа, потом проанализировать, выявить закономерности, выработать, выбрать и принять решение.

Большие данные для государства

Большинство российских ведомств уже накопили достаточно большие массивы данных и теперь могут использовать их потенциал для повышения качества принимаемых решений. За последние годы для повышения безопасности в России реализован ряд инфраструктурных проектов, которые связаны, в первую очередь, с установкой камер видеонаблюдения. Однако данные, поступающие с камер – это только один канал данных. Качественное повышение уровня безопасности требует перехода к про-активной деятельности, позволяющей спрогнозировать преступление и заранее спланировать распределение ресурсов для его предотвращения. Это возможно при анализе исторических данных о прецедентах для построения профилей риска – условий, при которых воспроизводится то или иное событие или совершается преступление. Построение таких профилей возможно с помощью моделирования зависимости между набором характеристик, описывающих объект, и исследуемым явлением.

Например, в Лондоне пожарная служба использует социально-демографические данные для оценки и профилактики пожарных рисков. Такие показатели жителей как возраст, образование, доход, тип занятости, тип жилья и другие позволяют построить предиктивную модель, повышающую качество оценок риска пожара по районам города. Когда мэром Нью-Йорка стал Майкл Блумберг, подход к борьбе с пожарами тоже был «перезагружен»: для определения объектов противопожарных инспекций начали использовать профили риска зданий, разработанные на основе данных генплана, строительного, финансового и противопожарного департаментов.

Другая задача в области пожарной безопасности – географически оптимальное размещение ресурсов для ликвидации уже наступившего пожара. По накопленным данным, характеризующим выезды пожарной бригады на место пожара в прошлом, информации о пробках и доступности транспортных магистралей, осуществляется моделирование зависимости между географической удаленностью пожарной станции и временем, которое требуется бригаде, чтобы доехать до места пожара. Затем решается обратная задача: где должна быть расположена станция, чтобы соблюдались целевые показатели времени?

Еще одни пример – использование больших данных для профилактики преступности. На основе фактов совершенных преступлений разрабатывается график патрулирования местности. Своевременное наличие патрульной машины может помочь предотвратить преступление. Данные о количестве преступлений, их месте, времени, типе и числе пострадавших позволяют определить, сколько требуется машин, где и в какое время, а затем оптимизировать маршрут с учетом этой информации.

Также на основе социальных данных можно разработать профили риска детей, подверженных жестокому обращению. Эти профили позволяют идентифицировать семьи, в отношении которых требуется проведение профилактической работы.

Аналитика на службе городской безопасности

Применение аналитики в области городской безопасности позволяет повысить эффективность уже существующих процессов – инспекций, патрулирования и других. Процесс управления совершенствуется непосредственно в организации, которая осуществляет управление. Решение на поверхности: данные уже есть, их нужно только добавить в анализируемый массив. Для этого не требуется дополнительных вложений в инфраструктуру.

Но оснащение городской инфраструктуры датчиками и ее технологическая модернизация позволяют вывести качество функционирования системы на новый уровень. Водоснабжение, электросеть, транспортную и другие системы оснащают датчиками, которые передают данные о работе конкретного участка системы. Датчик не взаимодействует с другими датчиками, как это происходит в концепции M2M, при которой вся логика обработки сигнала и алгоритмы управляющего воздействия «зашиваются» в непосредственно в устройство.

Основные отличия принципа работы М2М и интернета вещей


Источник: SAS, 2016

Датчики нового типа, а точнее счетчики (smart meters), вообще ни с чем не взаимодействует, кроме центральной системы в которую они передают данные. Потоковые технические данные со всех счетчиков анализируют в режиме «скользящего окна», чтобы в онлайн-режиме выделить важную информацию для оперативного управляющего воздействия на систему. Обычно это предполагает выполнение простого набора функций, таких как поиск экстремумов за временное окно (максимальная температура воды в системе), агрегация (количество отпущенных кубометров), инкрементальное обновление метрик с поступлением новых данных (нет ли аномальных показателей за «окно»?). Наибольший положительный эффект достигается при возвращении этих результатов в хранилище данных и их дальнейший углубленный анализ в офлайн режиме.

Сочетание двух типов аналитики для обработки данных датчиков позволяет понять, что происходит с городской системой, какие операционные решения сейчас нужны, как реагировать на возникшие ситуации. Такая концепция называется интернетом вещей в городской инфраструктуре, позволяющим организациям увеличить прибыль за счет улучшения операционной эффективности, а потребителям сэкономить за счет оптимизации потребления.

Интернет вещей в городе

Интернет вещей в городе создает новые рынки продуктов и услуг. Это видно из тенденций в инсталляциях счетчиков.

Распределение датчиков по сегментам


Источник: SAS, 2016

Например, в соответствии со статистикой американского энергетического агентства, основная доля установок счетчиков (около 88%) в области электроэнергетики (smart grid) приходится на сегмент конечных потребителей. Smart grid делает возможной реализацию идеи ценозависимого потребления, при которой баланс спроса и предложения в пиковые часы обеспечивается не только за счет увеличения предложения (дополнительная выработка электроэнергии), но и за счет снижения спроса в пиковые часы. Электроэнергетическая компания может анализировать особенности потребления клиентов с учетом времени, погоды, сезона, профиля домохозяйства и других факторов и разрабатывать персонализированные тарифы для управления потреблением. Кроме того, анализ данных о потреблении позволяет сегментировать клиентов, формировать целевые предложения и проводить кросс-селлинг другой продукции.

Из выступлений руководства СО ЕЭС следует, что уже сейчас в России может быть практически полезна концепция ценозависимого потребления. Хотя изначально ее развитие было связано с необходимостью нивелировать сложности предсказания объема выработки из альтернативных источников, уже сейчас она может быть использована для разгрузки наиболее дорогих и неэффективных мощностей, подключаемых в часы пиковых нагрузок (пик потребления либо дефицит генерации).

Как это связано с концепцией умного города

При государственной поддержке модернизации инфраструктуры компании получают возможность инвестировать в коммерчески выгодные проекты. Проекты в рамках концепции умного города могут стать примером эффективной реализации государственно-частного партнерства. В 2014-2015 гг. разработаны ISO-стандарты, в которых отмечено, что существует три уровня проектов: инфраструктурный уровень, уровень объектов и уровень городских услуг.

Три уровня проектов в городе


Источник: SAS, 2016

В стандартах определен перечень целевых показателей, измерение и контроль которых позволяет городам оценивать их развитие. ISO 37120:2014 «Устойчивое развитие сообщества. Показатели городских услуг и качества жизни» регламентирует 46 обязательных и 56 вспомогательных показателей по 17 направлениям.

Основные метрики ISO-стандартов


Источник: SAS, 2016

Стандарт ISO 37151:2015 «Интеллектуальные инфраструктуры коммунального хозяйства. Принципы и требования к системе рабочих показателей» содержит методику оценки производительности коммунальной инфраструктуры умных городов по 14 категориям основных потребностей сообщества (с точки зрения жителей, руководителей и окружающей среды).

Сбор данных от городов и их анализ осуществляет международная организация Всемирного совета по городским данным World Council on City Data (WCCD), выполняющая функции сертификации городов по соответствию ISO-стандартам.

Использование стандартов помогает количественно измерить состояние различных направлений в городах и определить проблемные области. Используя принятие решений, основанное на данных, города улучшают ключевые показатели и укрепляют позиции в международном реестре WCCD.

Примеры показателей ISO 37120:2014


Источник: SAS, 2016

Метрики ISO-стандартов отражают работу на разных направлениях: повышение качества услуг, эффективности инфраструктуры и отдельных объектов. Это предполагает оптимизацию систем энергоснабжения, водоснабжения, общественного транспорта, освещения и т.д., что требует комплексного использования аналитики.

Андрей Денисенко

 


Крупнейшие поставщики BI-решений в России 2017

№ 2016 Название организации Выручка по направлению BI с НДС в 2016 г., ₽тыс. Рост 2016/2015
1 Softline 1 661 471 14,2%
2 GlowByte Consulting 1 450 000 27,1%
3 AT Consulting 1 408 954 4,3%
4 Крок 1 308 708 22,9%
5 Сапран * 590 000 29,9%

смотреть полный рейтиг