ACISCgydF4y2Ba 应用计算智能和软计算gydF4y2Ba 1687 - 9732gydF4y2Ba 1687 - 9724gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8081578gydF4y2Ba 8081578gydF4y2Ba 研究文章gydF4y2Ba 语义智能世界框架gydF4y2Ba https://orcid.org/0000 - 0002 - 9953 - 5480gydF4y2Ba ElDahshangydF4y2Ba K。gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 7870 - 927 xgydF4y2Ba 曾gydF4y2Ba e·K。gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0001 - 5797 - 156 xgydF4y2Ba MancygydF4y2Ba H。gydF4y2Ba 2gydF4y2Ba 杨gydF4y2Ba Miin-ShengydF4y2Ba 1gydF4y2Ba 数学系gydF4y2Ba 理学院gydF4y2Ba 爱资哈尔大学gydF4y2Ba 开罗gydF4y2Ba 埃及gydF4y2Ba azhar.edu.eggydF4y2Ba 2gydF4y2Ba 数学系gydF4y2Ba 理学院(女孩)gydF4y2Ba 爱资哈尔大学gydF4y2Ba 开罗gydF4y2Ba 埃及gydF4y2Ba azhar.edu.eggydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 30.gydF4y2Ba 07年gydF4y2Ba 2019年gydF4y2Ba 5gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 16gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020 K。ElDahshan et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本文提出一种通用语义智能世界框架(SSWF),封面候鸟的路径。这个框架结合了语义和大数据技术来支持大数据的意义。为了构建提出智能世界框架,云计算等技术,语义技术,大数据,数据可视化,物联网是混合动力车。我们通过一个案例研究证明该框架自动空气质量指数的预测和不同天气现象在世界上不同的地方。我们发现空气污染和增加天气条件之间的关系。实验结果表明,该框架性能适用于异构大数据。gydF4y2Ba

 1。介绍gydF4y2Ba

候鸟无国界可以从一个地方移动到另一个国家之间;因此,我们需要使用“智能世界”的概念。大数据可以世界世界“智能”的挑战。大多数这些挑战与数据管理。最常见的问题是隐私问题和应对世界数据的异构性。一个重要的问题是如何构建一个通用的智能世界框架来支持所有维度的任何城市无论大小和特征。gydF4y2Ba

快速进化的信息和通讯技术(ICT)和物联网(物联网)影响的城市基础设施、建筑、交通运输系统、治理、环境监测、医疗、等集成的设备,平台和应用程序使用ICT智能城市具有重要意义[gydF4y2Ba 1gydF4y2Ba]。gydF4y2Ba

表达“智能城市”有许多不同的定义。一些作者定义一个集成的智能城市社会、身体、和IT基础设施,提高城市服务的质量。其他作者关注一组信息和通讯技术(ICT)工具集成智能城市环境(gydF4y2Ba 2gydF4y2Ba]。gydF4y2Ba

城市计算是一个习得的过程、集成和分析大量的异构数据在城市空间所产生的不同来源,如传感器、设备、车辆、建筑、和人类。这些来源的目的是解决城市面临的主要问题(例如,空气污染,能源消耗增加,和交通堵塞)(gydF4y2Ba 3gydF4y2Ba]。有三个主要挑战城市计算:传感和数据采集、计算与异构数据和混合动力系统结合物理和虚拟世界。gydF4y2Ba

最近,许多框架提出了在不同维度的智能城市包括运输gydF4y2Ba 4gydF4y2Ba),环境(gydF4y2Ba 5gydF4y2Ba)、能源(gydF4y2Ba 6gydF4y2Ba)、社会(gydF4y2Ba 7gydF4y2Ba)、经济(gydF4y2Ba 8gydF4y2Ba),和公共安全(gydF4y2Ba 9gydF4y2Ba]。大多数这些框架不包括语义解释和专注于特定领域的结果。一般来说,智能城市产生的数据通常不容易理解人类,因为它与大数据相关的挑战。通过考虑五大数据的概念澄清Vs (gydF4y2Ba 10gydF4y2Ba]:gydF4y2Ba

体积:指所有生成的数据的大小不同的来源。gydF4y2Ba

速度:指数据变化的速度。gydF4y2Ba

品种:指的是不同类型的数据生成。gydF4y2Ba

真实性:指的是数据的质量。gydF4y2Ba

价值:是指价值的数据。gydF4y2Ba

因此,有必要需要构建一个通用框架,克服数据带来的挑战。gydF4y2Ba

实现研究目标,本文的结构如下:部分gydF4y2Ba 2gydF4y2Ba评论的背景和以前相关的工作。部分gydF4y2Ba 3gydF4y2Ba照亮拟议的框架体系结构。部分gydF4y2Ba 4gydF4y2BaSSWF描述我们提出的实现框架。部分gydF4y2Ba 5gydF4y2Ba提供了一个案例研究的SSWF分析空气污染和天气候鸟的路径。部分gydF4y2Ba 6gydF4y2Ba结果应用该框架的解释道。部分gydF4y2Ba 7gydF4y2Ba讨论了本研究的重要贡献和局限性,总结了纸。gydF4y2Ba

 2。相关工作gydF4y2Ba

不同的城市已经建立了物联网基础设施和各种传感器设备收集所需的数据。大量的研究项目集中在物联网数据的收集和经济来自智能城市。gydF4y2Ba

许多智能城市框架可以划分为三个不同的类(gydF4y2Ba 11gydF4y2Ba]:gydF4y2Ba

模型:抽象为智能城市框架。gydF4y2Ba

特定目的模型:框架和应用程序相关的智能城市的一个领域。gydF4y2Ba

多畴的模型:描述智能城市框架和应用程序作为一个复杂的系统,考虑多个域。gydF4y2Ba

智能城市框架主要关注现有的智能城市平台。现有的工作主要在四个关键领域:(1)数据采集,(2)语义互操作性,(3)数据分析,和(4)智能城市应用开发支持(gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

我们智能城市的框架分为四个类别,根据技术使用。几乎所有的框架使用至少一个或多个下列技术(大数据、云计算、物联网和语义技术)。图gydF4y2Ba 1gydF4y2Ba提出了技术和它们的功能。gydF4y2Ba

智能城市平台技术。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba提出了一种智能城市之间的比较研究框架和所使用的技术。表gydF4y2Ba 1gydF4y2Ba探索还安全和API服务。SCDAP“智能城市数据分析小组”是一个大数据分析用于智能城市的应用程序的框架,这个体系结构的主要特征是有限的Apache Hadoop套件作为底层数据存储和管理层(gydF4y2Ba 13gydF4y2Ba]。“CityPulse”框架支持智能城市服务创建语义发现通过一个分布式系统,数据分析和解释附近的大规模实时物联网数据和社交媒体数据流(gydF4y2Ba 12gydF4y2Ba]。Zhang et al。gydF4y2Ba 14gydF4y2Ba)提出了一个语义框架,集成了物联网和智能城市的机器学习。这个框架检索城市某些类型的数据和模型基于语义物联网应用程序和机器学习技术。它是用来检测污染车辆和检测交通模式。喷火式战斗机和iCore框架使用语义技术物联网数据采集(gydF4y2Ba 15gydF4y2Ba]。CITIESData是一个智能城市的数据管理框架,包括数据收集、清洗和发布(gydF4y2Ba 16gydF4y2Ba]。它将智能城市数据不敏感,quasi-sensitive /公众开放水平。然后提出不同的策略来处理和发布在这些类别的数据。Mohbey [gydF4y2Ba 17gydF4y2Ba)提出了一个智能城市框架使用不同技术的大数据和互联网的东西。它关注问题实时决策智能城市。Bibri [gydF4y2Ba 18gydF4y2Ba)提出了一个框架,基于大数据的智能城市和传感器数据。gydF4y2Ba

智能城市框架和技术之间的比较研究。gydF4y2Ba

智能城市框架gydF4y2Ba 类型gydF4y2Ba 技术gydF4y2Ba
物联网gydF4y2Ba 大数据gydF4y2Ba 语义gydF4y2Ba 云计算gydF4y2Ba API \服务gydF4y2Ba 安全gydF4y2Ba
SCDAPgydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
CityPulsegydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
Zhang et al。gydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba √gydF4y2Ba
喷火式战斗机gydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
iCoregydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
CITIESDatagydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
克利须那神gydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba
西蒙gydF4y2Ba FgydF4y2Ba √gydF4y2Ba √gydF4y2Ba √gydF4y2Ba

还有点覆盖。一方面,混合动力技术,如大数据,语义技术、云计算、物联网和数据赋予生命不支持一个更高效的智能城市框架集成。另一方面,大数据框架不支持意义来将值添加到数据。语义框架对数据检索和处理很慢。安全问题仍然盛行在以前的框架。gydF4y2Ba

 3所示。提出了语义智能世界框架(SSWF)体系结构gydF4y2Ba

世界包含的数据中心智能城市,专门从事收集和测量大数据鸟类迁徙等自然现象,环境污染,气候变化。这些数据中心里有许多问题;他们不是连接在一起;他们为世界上智能城市;而且,没有开放存取数据。gydF4y2Ba

SSWF大数据是一个通用的语义框架,结合语义网和大数据技术连接,预测,发现世界大数据的知识。这是城市之间没有界限。gydF4y2Ba

图gydF4y2Ba 2gydF4y2Ba显示语义智能世界的概念框架。gydF4y2Ba

SSWF的概念。gydF4y2Ba

大数据技术所需的大多数数据相关的活动,如存储、处理、分析和共享,而语义技术所需meaning-related活动,如事件检测、推理和决策支持。因此,本研究的目的是建立和开发一个通用智能城市框架,利用数据相关和meaning-related活动的结合。gydF4y2Ba

如图gydF4y2Ba 3gydF4y2Ba智能城市的基础设施产生异构大数据。SSWF包括以下阶段的建筑智能城市基础设施:(1)大数据存储;(2)通用的知识库;(3)并行分布式海量数据处理;(4)语义大数据的动态查询(5);数据分析;(6)数据可视化。gydF4y2Ba

SSWF架构。gydF4y2Ba

在本节中,我们在SSWF架构描述每个组件。智能城市的基础设施产生异构大数据。面临的主要挑战是能够及时收集和推动城市事件的数据从大量的异构数据源,如传感器、服务器、设备、车辆、建筑、人类活动和处理历史和实时大数据。gydF4y2Ba

3.1。大数据存储gydF4y2Ba

这个阶段负责存储数据的智能城市。它使用大数据存储系统(比如Hadoop分布式文件系统(HDFS)和NoSQL数据库。此外,该组件应该能够执行有用的预处理工作,如数据过滤、规范化和转换。gydF4y2Ba

 3.2。通用的知识库gydF4y2Ba

在这个阶段中,我们建立一个通用的基于本体的语义数据模型。这个模型应该自动分类数据,关联关系,并找到新的关系。这是通过使用OWL Web Ontology Language”和本体再造方法合并。gydF4y2Ba

 3.3。并行和分布式海量数据处理gydF4y2Ba

这一阶段负责处理智能城市的数据在分布式集群节点。有两种类型的数据处理:流处理,执行实时数据流;和批处理,执行大量历史数据集。我们应该选择合适的分布式海量数据处理框架。gydF4y2Ba

 3.4。语义大数据的动态查询gydF4y2Ba

这一阶段集成语义与大数据分布式处理动态查询。我们连接NoSQL通用的知识库。支撑动态查询可以直接运行在数据存储在HDFS / NoSQL运动或不需要任何数据转换。有两个主要步骤运行查询:(1)RDF装载机将RDF数据集转换成使用MapReduce的数据布局。(2)查询编译器给定支撑动态重写SQL在大数据生态系统中基于SPARQL的代数表示的表达式。gydF4y2Ba

一般动态SPARQL查询如图gydF4y2Ba 4gydF4y2Ba。由三部分组成:SELECT子句的查询标识变量gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 出现在查询结果中,WHERE子句提供了基本的图形模式gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba ,gydF4y2Ba ZgydF4y2Ba 匹配数据图,和过滤器包含关联规则或条件。查询可以包括修饰词(组,有秩序,限制,抵消,和值)。gydF4y2Ba

一般的动态查询。gydF4y2Ba

我们在数据可视化阶段配置通用动力SPARQL查询。gydF4y2Ba

 3.5。数据分析gydF4y2Ba

处理过的数据进一步分析了在这个阶段利用事件,帮助决策者采取正确的决定。这个阶段支持语义过滤、语义监控、事件检测、和知识发现。语义过滤是s过滤基于表达式的形式结合富含猫头鹰的描述逻辑原子数据类型和SWRL内置函数(语义Web的规则语言)。我们在通用语义数据模型建立筛选器表达式。然后转化为SPARQL查询筛选器表达式。语义监控允许事件类型分类和事件参数定义本体。我们定义的通用语义数据模型。事件检测转化为寻找一组给定的事件发生的事件类型属于自己的领域。gydF4y2Ba

知识发现(或数据挖掘技术)必须适应适合大数据分析。在这个阶段中,我们处理了伽马关联系数适合使用。gydF4y2Ba

的gydF4y2Ba γ关联系数gydF4y2Ba(也称为gydF4y2Ba 伽马统计)gydF4y2Ba向我们展示了如何在一系列紧密的项目集数据或交易“匹配”。γ可以计算顺序(命令)变量连续变量(如温度或湿度)或离散变量(如“热”或“冷”)。γ估计是基于观测的数量是一致的和不一致的。它忽略了与双(即。,pairs of observations having the same XgydF4y2Ba 值或相同的gydF4y2Ba YgydF4y2Ba 值)。γ系数范围在−1和1之间。值1表示完美的正相关,而值−1意味着完美逆协会。如果没有关联变量、值将是零(gydF4y2Ba 19gydF4y2Ba]。gydF4y2Ba

我们假设交叉制表或2×2交叉表显示为方程的公式gydF4y2Ba (1)gydF4y2Ba。gydF4y2Ba (1)gydF4y2Ba

在哪里gydF4y2Ba 一个gydF4y2Ba 是变量的频率gydF4y2Ba XgydF4y2Ba −gydF4y2Ba 对gydF4y2Ba YgydF4y2Ba −gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 是变量的频率gydF4y2Ba XgydF4y2Ba +gydF4y2Ba 对gydF4y2Ba YgydF4y2Ba −gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 是变量的频率gydF4y2Ba XgydF4y2Ba −gydF4y2Ba 对gydF4y2Ba YgydF4y2Ba +gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba 是变量的频率gydF4y2Ba XgydF4y2Ba +gydF4y2Ba 对gydF4y2Ba YgydF4y2Ba +gydF4y2Ba 。gydF4y2Ba

方程gydF4y2Ba (2)gydF4y2Ba显示了伽马关联系数γgydF4y2Ba (2)gydF4y2Ba γgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba −gydF4y2Ba bgydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba +gydF4y2Ba bgydF4y2Ba cgydF4y2Ba 。gydF4y2Ba

请注意,gydF4y2Ba γgydF4y2Ba 比较了对角细胞的产物gydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba 一个产品的非对角的细胞gydF4y2Ba bgydF4y2Ba cgydF4y2Ba 。分母是确保调整gydF4y2Ba γgydF4y2Ba 总是−1和+ 1之间。gydF4y2Ba

我们广义2×2表的任何类别属性数据集在方程gydF4y2Ba (3)gydF4y2Ba:gydF4y2Ba

让gydF4y2Ba XgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ngydF4y2Ba 和gydF4y2Ba YgydF4y2Ba =gydF4y2Ba {gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 米gydF4y2Ba }gydF4y2Ba 然后将交叉表gydF4y2Ba (3)gydF4y2Ba

然后为每个两类gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba jgydF4y2Ba ,我们在方程2×2交叉表gydF4y2Ba (4)gydF4y2Ba。gydF4y2Ba (4)gydF4y2Ba

我们可以简化变量2×2交叉表gydF4y2Ba

一个gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 它是满足数量的记录gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba &gydF4y2Ba ygydF4y2Ba jgydF4y2Ba 类情况,gydF4y2Ba

bgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba kgydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba egydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 在哪里gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba kgydF4y2Ba 总记录数的满足gydF4y2Ba ygydF4y2Ba jgydF4y2Ba kgydF4y2Ba ≠gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba

cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba rgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba jgydF4y2Ba =gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba ggydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 在哪里gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba 总记录数的满足gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba rgydF4y2Ba ≠gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

dgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba kgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 米gydF4y2Ba kgydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba rgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba jgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 米gydF4y2Ba kgydF4y2Ba −gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba TgydF4y2Ba −gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba kgydF4y2Ba −gydF4y2Ba tgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba rgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ≠gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

然后方程gydF4y2Ba (5)gydF4y2Ba显示了通用2×2交叉表将gydF4y2Ba (5)gydF4y2Ba

然后方程gydF4y2Ba (6)gydF4y2Ba显示最简单的形式gydF4y2Ba γgydF4y2Ba 适用于大数据gydF4y2Ba (6)gydF4y2Ba γgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba −gydF4y2Ba ggydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba −gydF4y2Ba ggydF4y2Ba −gydF4y2Ba egydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba egydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 。gydF4y2Ba

以这种方式简化所需的数gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba TgydF4y2Ba 和这个计算必须在任何关联规则发现计算的支持和信心。gydF4y2Ba

 3.6。数据可视化gydF4y2Ba

前面的组件产生的输出作为一系列的值。代表这些值,它将需要使用可视化技术。在这种技术中,我们关注的是如何使知识的表示的更容易理解。一些表现形式可能比其它的更适合特定的知识。用户可以选择或者是数据驱动的。可视化技术可以分为(图形、表格、或只使用颜色)。用户可以访问该框架由一组数据可视化组件,如仪表板和APL的移动应用程序。gydF4y2Ba

 4所示。实现SSWF拟议的框架gydF4y2Ba

在本节中,我们说明拟议的框架中使用的硬件和软件SSWF SSWF提出和解释数据流框架。gydF4y2Ba

实现SSWF,我们需要在每一层中使用合适的软件。我们使用高性能计算系统的见闻》太阳Tflops集群性能峰值的11.8,130 8核计算节点,每个节点2四核的套接字,每个都是英特尔四核至强E5440 @ 2.83 GHz,每节点,8 GB的内存总内存1.05 Tera字节,36个结核病共享,新型互连,以太网& 4 x特别提款权Infiniband网络MPI, 4 x特别提款权Infiniband网络I / O全球光泽文件系统。gydF4y2Ba

我们使用java JDK开发语义仪表板,然后使用门生构建一个通用的知识库。来自不同数据源的数据推到NoSQL存储大型队列的工具。根据数据的大小,SSWF数据存储在HDFS或Hbase。SSWF处理数据流处理批处理历史数据或实时数据。使用的SSWF Sempala亚历山大(gydF4y2Ba 20.gydF4y2Ba]互动SPARQL查询处理SQL Hadoop。SSWF生成一个动态的SPARQL查询城市的普遍语义数据模型。gydF4y2Ba

一个完整的动态的SPARQL查询是如何翻译的例子引发SQL如图gydF4y2Ba 5gydF4y2Ba(1)第三季度的SPARQL查询要求平均在2010年“伦敦”,对应的代数树见(2)和火花的SQL查询(3)中给出了。gydF4y2Ba

动态查询流。gydF4y2Ba

在数据处理阶段;Alkatheri [gydF4y2Ba 21gydF4y2Ba)建立了一个大数据框架之间的比较研究。与火花相比,Apache风暴,Flink和Apache Hadoop框架nonreal-time数据,这种比较公认的火花作为胜利者在各种关键性能指标(KPI),同时,对于流处理,Flink是最好的。CPU消耗,这些kpi处理时间延迟,执行时间,任务的性能和可伸缩性。我们比较火花和Flink框架在高性能计算(HPC)。我们发现火花框架是最好的框架对透水kpi。gydF4y2Ba

火花是非常快速和容易收集大量的数据处理。Apache火花是一个分布式处理的框架,在内存系统上工作。它是高性能著称。这是易于使用和灵活性和效率在处理庞大的数据。此外,它支持应用程序开发语言,像Python和Java使用基于Hadoop的存储系统。gydF4y2Ba

表gydF4y2Ba 2gydF4y2Ba介绍了拟议的框架中使用的软件包SSWF及其功能。gydF4y2Ba

使用的软件框架和它的功能。gydF4y2Ba

软件gydF4y2Ba 函数gydF4y2Ba
大队列(gydF4y2Ba 22gydF4y2Ba]gydF4y2Ba 数据转换gydF4y2Ba
HDFS [gydF4y2Ba 23gydF4y2Ba],HBASE [gydF4y2Ba 24gydF4y2Ba]gydF4y2Ba 数据存储gydF4y2Ba
火花(gydF4y2Ba 25gydF4y2Ba]和Hadoop [gydF4y2Ba 23gydF4y2Ba]gydF4y2Ba 数据处理gydF4y2Ba
火花(gydF4y2Ba 25gydF4y2Ba]gydF4y2Ba 流处理gydF4y2Ba
Hadoop纱(gydF4y2Ba 23gydF4y2Ba]gydF4y2Ba 集群管理gydF4y2Ba
REST API的gydF4y2Ba 数据访问gydF4y2Ba
火花MLib [gydF4y2Ba 25gydF4y2Ba]gydF4y2Ba 机器学习gydF4y2Ba
SPARQL [gydF4y2Ba 26gydF4y2Ba]gydF4y2Ba 语义逻辑gydF4y2Ba
猫头鹰(gydF4y2Ba 27gydF4y2Ba)和RDF (gydF4y2Ba 28gydF4y2Ba]门徒gydF4y2Ba 知识库gydF4y2Ba
Sempala亚历山大(gydF4y2Ba 20.gydF4y2Ba]gydF4y2Ba 互动在Hadoop SPARQL查询处理gydF4y2Ba
Java (gydF4y2Ba 29日gydF4y2Ba]gydF4y2Ba 指示板gydF4y2Ba

对应的序列图说明这个数据流过程如图gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

数据序列图。gydF4y2Ba

 5。SSWF的案例研究,分析空气污染和天气候鸟的路径gydF4y2Ba

世界卫生组织(世卫组织)显示,每10个人中就有9呼吸空气含有高水平的污染物。它估计每年约有700万人死于暴露于空气污染(gydF4y2Ba 30.gydF4y2Ba]。大多数组织拒绝访问他们的数据由外部研究由于隐私问题。gydF4y2Ba

我们研究空气质量gydF4y2Ba 30.gydF4y2Ba和天气预报gydF4y2Ba 31日gydF4y2Ba)监测数据为40个欧洲国家从1969年到2012年。每年的数据的大小是1.5 GB。多个气象因素(温度、风速、湿度、降雨量等)考虑基于每小时监控。空气污染物包括颗粒物空气动力学直径≤10gydF4y2Ba µgydF4y2Ba米(PM10), PM2.5、二氧化氮(没有gydF4y2Ba2gydF4y2Ba)、二氧化硫(gydF4y2Ba2gydF4y2Ba)、一氧化碳(CO)和臭氧(OgydF4y2Ba3gydF4y2Ba)。欧洲环境局(EEA)推出欧洲空气质量指数(AQI)检查当前空气质量在欧洲的城市和地区。我们比较我们的结果与欧洲空气质量指数(AQI) (gydF4y2Ba http://airindex.eea.europa.eu/gydF4y2Ba检查我们的预测。gydF4y2Ba

我们发现知识运用系数γ协会中的某些类通用的知识库。我们之间建立关联规则发现PM2.5,温度和湿度在2011年在伦敦。gydF4y2Ba

我们预测的任何属性的值在通用的知识库。缺失数据的主要挑战是在一些地方候鸟的路径。所以,SSWF搜索最近的地区数据和预测丢失的数据。在这种情况下;我们预测的年度平均水平gydF4y2Ba2gydF4y2Ba2011年在埃及。gydF4y2Ba

现在,我们将在以下部分中SSWF。gydF4y2Ba

5.1。数据存储gydF4y2Ba

在这个阶段,可以从不同来源收集数据。BigQueue把数据从所有来源的NoSQL存储和HDFS。它可以打开一个连接到数据库和同步。为了加快查询添加到地理位置列族,日期时间信息域添加DateTime列族,空气污染空气质量信息域添加列族,天气和天气信息域添加列族,分别与整个表的逻辑视图所示表gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

Hbase表结构和设计。gydF4y2Ba

Cf:通用gydF4y2Ba CF:日期时间gydF4y2Ba Cf: airqualitygydF4y2Ba
经度gydF4y2Ba 纬度gydF4y2Ba 一天gydF4y2Ba 月gydF4y2Ba 一年gydF4y2Ba 小时gydF4y2Ba 有限公司gydF4y2Ba OgydF4y2Ba3gydF4y2Ba 没有gydF4y2Ba2gydF4y2Ba 所以gydF4y2Ba2gydF4y2Ba 可吸入颗粒物gydF4y2Ba PM2.5gydF4y2Ba
CF:天气gydF4y2Ba
温度gydF4y2Ba 湿度gydF4y2Ba 降雨gydF4y2Ba 降水gydF4y2Ba 风gydF4y2Ba 太阳辐照gydF4y2Ba
5.2。通用的知识库gydF4y2Ba

我们创建一个共同的本体知识库智能城市环境(SCEO)可以处理静态的,semi-static和实时数据。SCEO可以用来预测查询,建议,和扣除。gydF4y2Ba

SCEO是一个通用的本体,合并多个本体。这次合并将扩展知识库。这个合并对于不同知识库之间的知识转移是必要的。本体之间的共同的组件的位置和时间。gydF4y2Ba

使用标准的地理位置和时间组件W3C本体(gydF4y2Ba http://www.w3.org/2003/01/geo/gydF4y2Ba)。我们定义了一组用于空气质量指数的关联规则和天气。表gydF4y2Ba 4gydF4y2Ba显示了空气质量指数与空气污染参数值。gydF4y2Ba

空气质量指数。gydF4y2Ba

乐队gydF4y2Ba 指数gydF4y2Ba 二氧化氮小时指的是(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)gydF4y2Ba 臭氧8个小时的意思(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)gydF4y2Ba PM10颗粒24小时指的是(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)gydF4y2Ba PM2.5颗粒24小时指的是(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)gydF4y2Ba 二氧化硫平均15分钟(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)gydF4y2Ba
最小值gydF4y2Ba 马克斯gydF4y2Ba 最小值gydF4y2Ba 马克斯gydF4y2Ba 最小值gydF4y2Ba 马克斯gydF4y2Ba 最小值gydF4y2Ba 马克斯gydF4y2Ba 最小值gydF4y2Ba 马克斯gydF4y2Ba
低gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 67年gydF4y2Ba 0gydF4y2Ba 33gydF4y2Ba 0gydF4y2Ba 16gydF4y2Ba 0gydF4y2Ba 11gydF4y2Ba 0gydF4y2Ba 88年gydF4y2Ba
2gydF4y2Ba 68年gydF4y2Ba 134年gydF4y2Ba 34gydF4y2Ba 66年gydF4y2Ba 17gydF4y2Ba 33gydF4y2Ba 12gydF4y2Ba 23gydF4y2Ba 89年gydF4y2Ba 177年gydF4y2Ba
3gydF4y2Ba 135年gydF4y2Ba 200年gydF4y2Ba 67年gydF4y2Ba One hundred.gydF4y2Ba 34gydF4y2Ba 50gydF4y2Ba 24gydF4y2Ba 35gydF4y2Ba 178年gydF4y2Ba 266年gydF4y2Ba
温和的gydF4y2Ba 4gydF4y2Ba 201年gydF4y2Ba 267年gydF4y2Ba 101年gydF4y2Ba 120年gydF4y2Ba 51gydF4y2Ba 58gydF4y2Ba 36gydF4y2Ba 41gydF4y2Ba 267年gydF4y2Ba 354年gydF4y2Ba
5gydF4y2Ba 268年gydF4y2Ba 334年gydF4y2Ba 121年gydF4y2Ba 140年gydF4y2Ba 59gydF4y2Ba 66年gydF4y2Ba 42gydF4y2Ba 47gydF4y2Ba 355年gydF4y2Ba 443年gydF4y2Ba
6gydF4y2Ba 335年gydF4y2Ba 400年gydF4y2Ba 141年gydF4y2Ba 160年gydF4y2Ba 67年gydF4y2Ba 75年gydF4y2Ba 48gydF4y2Ba 53gydF4y2Ba 444年gydF4y2Ba 532年gydF4y2Ba
高gydF4y2Ba 7gydF4y2Ba 401年gydF4y2Ba 467年gydF4y2Ba 161年gydF4y2Ba 187年gydF4y2Ba 76年gydF4y2Ba 83年gydF4y2Ba 54gydF4y2Ba 58gydF4y2Ba 533年gydF4y2Ba 710年gydF4y2Ba
8gydF4y2Ba 468年gydF4y2Ba 534年gydF4y2Ba 188年gydF4y2Ba 213年gydF4y2Ba 84年gydF4y2Ba 91年gydF4y2Ba 59gydF4y2Ba 64年gydF4y2Ba 711年gydF4y2Ba 887年gydF4y2Ba
9gydF4y2Ba 535年gydF4y2Ba 600年gydF4y2Ba 214年gydF4y2Ba 240年gydF4y2Ba 92年gydF4y2Ba One hundred.gydF4y2Ba 65年gydF4y2Ba 70年gydF4y2Ba 888年gydF4y2Ba 1064年gydF4y2Ba
非常高的gydF4y2Ba 10gydF4y2Ba 601年gydF4y2Ba 241年gydF4y2Ba 101年gydF4y2Ba 71年gydF4y2Ba 1065年gydF4y2Ba

图gydF4y2Ba 7gydF4y2Ba展示了一个通用的本体的智能城市环境结构。SCEO包含组类(县、市、车站、装置、传感器、空气污染、天气、水、空气质量、气候变化)。它也包含子类像空气污染(有限公司OgydF4y2Ba3gydF4y2Ba,没有gydF4y2Ba2gydF4y2Ba,所以gydF4y2Ba2gydF4y2BaPM2.5.PM10)和气候(温度、风、湿度、降雨量等)。gydF4y2Ba

智能城市环境本体。gydF4y2Ba

 5.3。数据处理gydF4y2Ba

在此阶段,动态SPARQL查询可以在大型分布式处理内存中的数据集有效的现有集群的高性能计算平台没有数据准备开销。动态的SPARQL查询可以运行在Sempala把SPARQL查询代数表示法,然后引发SQL。gydF4y2Ba

 5.4。数据可视化gydF4y2Ba

地理仪表板已经实现。Apache tomcat服务器用于主机仪表板。图gydF4y2Ba 8gydF4y2Ba显示了该成为一个容易的仪表板使用仪表板配置动态SPARQL查询控制。结果可以通过一系列过滤或输出值的数量。仪表板提供了一个动画标记聚类。gydF4y2Ba

SSWF仪表板。gydF4y2Ba

 6。分析的结果gydF4y2Ba

用于评估目的,我们测量的时间处理动态查询检索所有过滤空气质量和气象参数在不同时期的时期,如图gydF4y2Ba 9gydF4y2Ba。表gydF4y2Ba 5gydF4y2Ba显示了比较正常的RDF和拟议的框架处理时间的查询代码2。图gydF4y2Ba 10gydF4y2Ba的条形图显示时间(秒)处理原始数据在不同的时间和拟议的框架。gydF4y2Ba

动态查询来检索所有空气质量和气象参数过滤在不同时期的时期。gydF4y2Ba

时间处理数据之间的比较(秒)和不同时期的时间。gydF4y2Ba

时间gydF4y2Ba 原始数据gydF4y2Ba 提出了框架gydF4y2Ba
处理时间(秒)gydF4y2Ba 处理时间(秒)gydF4y2Ba
1年gydF4y2Ba 34.3gydF4y2Ba 14.1gydF4y2Ba
10年gydF4y2Ba 350.1gydF4y2Ba 30.5gydF4y2Ba
20年gydF4y2Ba 500.4gydF4y2Ba 45.3gydF4y2Ba
30年gydF4y2Ba 800.6gydF4y2Ba 62.4gydF4y2Ba
40年gydF4y2Ba 1500.50gydF4y2Ba 75.2gydF4y2Ba

条形图时间处理原始数据,提出框架在不同时期的时期。gydF4y2Ba

我们测量PM10月平均空气质量指数从2008年到2012年在伦敦gydF4y2Ba https://data.london.gov.uk/gydF4y2Ba和我们建议的框架,如图gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

PM10的月平均空气质量指数从2008年到2012年在伦敦。gydF4y2Ba

图gydF4y2Ba 12gydF4y2Ba显示了比较PM10的月平均空气质量指数从2008年到2012年在伦敦和我们建议的框架。匹配的比例在框架之间的空气质量指数计算,真正的数据是98%。gydF4y2Ba

PM10的月平均空气质量指数从2008年到2012年在伦敦。gydF4y2Ba

现在,我们可以发现知识通过应用伽马关联系数两类。gydF4y2Ba

我们之间建立关联规则发现PM2.5,温度和湿度在2011年在伦敦。gydF4y2Ba

在哪里gydF4y2Ba 一个gydF4y2Ba 在每个规则PM2.5的数量。即。,satisfy the two classes at the same time.

egydF4y2Ba PM2.5的总数在第二类,每个类gydF4y2Ba

TgydF4y2Ba 是样品的总数。gydF4y2Ba

举个例子,如果我们不计数的PM2.5(事件)和范围(10 - 20(低gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba))和湿度低类型(不超过70),然后图gydF4y2Ba 13gydF4y2Ba展示了语义Web的规则语言(SWRL)规则。gydF4y2Ba

SWRL数”gydF4y2Ba 一个gydF4y2Ba ”。gydF4y2Ba

表gydF4y2Ba 6gydF4y2Ba可视化的结果伽马关联系数和关系关联规则发现的日平均湿度和PM2.5在2011年在伦敦。gydF4y2Ba

γ关联系数之间的湿度和PM2.5的日成交均值。gydF4y2Ba

没有的事件gydF4y2Ba 湿度gydF4y2Ba PM25gydF4y2Ba γgydF4y2Ba (伽马协会系数)gydF4y2Ba
278年gydF4y2Ba 低gydF4y2Ba 低gydF4y2Ba 76.16%gydF4y2Ba
62年gydF4y2Ba 不低gydF4y2Ba 低gydF4y2Ba 16.98%gydF4y2Ba

有一种强烈的PM2.5类低(10 - 20之间的关系(gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba))和湿度低类型(小于70)和周不低PM2.5和低湿度之间的关系。gydF4y2Ba

图gydF4y2Ba 14gydF4y2Ba显示湿度之间的关系曲线,温度和PM2.5在2011年在伦敦证实上述知识发现规则。gydF4y2Ba

湿度曲线之间的关系,温度和PM2.5在2011年在伦敦。gydF4y2Ba

最后,我们可以应用关联规则发现功能预测的任何属性的值在通用的知识库。面临的主要挑战是数据不可用在一些国家或城市候鸟的路径。所以,SSWF搜索最近的区域可用的数据和预测新领域数据值。在这种情况下,我们预测的年度平均水平gydF4y2Ba2gydF4y2Ba2011年在埃及。我们的案例研究数据没有任何关于埃及的信息。埃及最近的区域是塞浦路斯远离埃及有956公里。根据埃及环境事务机构(EEAA) (gydF4y2Ba http://www.eeaa.gov.eggydF4y2Ba),没有的年平均gydF4y2Ba2gydF4y2Ba2011年在埃及是58 (gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)。预计的年平均的框架gydF4y2Ba2gydF4y2Ba是56.25 (gydF4y2Ba µgydF4y2Bag mgydF4y2Ba−3gydF4y2Ba)与准确性的比例为96.9%。gydF4y2Ba

 7所示。结论gydF4y2Ba

聪明的世界是一个梦想,但我们能做到,像候鸟在世界各地没有签证。本文旨在构建一个通用的框架语义大数据框架,一个智能的世界。SSWF提供了一个通用的知识库由不同数据源的数据。SSWF不仅提供了数据,但是对数据的含义的理解阅读,上下文和数据之间的关系,事实,和事件。SSWF一直在RDF三元组添加数百万条记录通过使用空气质量和天气监测数据为40个欧洲国家。这个框架的优点是:(1)提高终端用户的自主能力来自不同数据源的数据。(2)独立框架领域的服务和环境。(3)管理来自不同数据源的概念和关系。这个框架的主要特点是(1)构建一个通用的语义数据模型。(2)定义一组关联规则发现预测,建议,和扣除。 (3) Service-Oriented Architecture (SOA). (4) Use of semantic RDF standards to make the data “self-describing”. (5) Management of big data. The matching ratio between framework calculation and real data in the Air quality index is 98%. The matching ratio between framework calculation and real data in prediction new values is up to 96.9%. Finally, in future work, we will add more analysis techniques. We will merge Smart City ontologies with different domains to increase knowledge and pattern detection.

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

作者要感谢HPC硬件团队支持我们的框架和感谢空气质量和天气数据提供者。gydF4y2Ba

 埃文斯gydF4y2Ba D。gydF4y2Ba 物联网:互联网的下一个进化是如何改变一切gydF4y2Ba 2011年gydF4y2Ba 桑塔纳gydF4y2Ba E·E。gydF4y2Ba 软件平台为智能城市:概念、需求、挑战,和一个统一的参考体系结构gydF4y2Ba ACM计算调查(CSUR)gydF4y2Ba 2018年gydF4y2Ba 78年gydF4y2Ba 110年gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba ·卡普拉gydF4y2Ba lgydF4y2Ba 沃尔夫森gydF4y2Ba O。gydF4y2Ba 杨gydF4y2Ba H。gydF4y2Ba 城市计算:概念、方法和应用gydF4y2Ba ACM智能交易系统和技术(TIST)gydF4y2Ba 2014年gydF4y2Ba 38gydF4y2Ba 52gydF4y2Ba 10.1145 / 2629592gydF4y2Ba 2 - s2.0 - 84907023884gydF4y2Ba DjahelgydF4y2Ba 年代。gydF4y2Ba DoolangydF4y2Ba R。gydF4y2Ba 统治下gydF4y2Ba G.-M。gydF4y2Ba 墨菲gydF4y2Ba J。gydF4y2Ba communications-oriented角度在城市智能交通管理系统:挑战和创新方法gydF4y2Ba IEEE通信调查和教程gydF4y2Ba 2015年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 125年gydF4y2Ba 151年gydF4y2Ba 10.1109 / COMST.2014.2339817gydF4y2Ba 2 - s2.0 - 84925870624gydF4y2Ba 郑gydF4y2Ba y A.-Y。gydF4y2Ba 一个基于云计算的知识发现细粒度的空气质量监测系统gydF4y2Ba 2014年gydF4y2Ba 微软技术报告gydF4y2Ba 商gydF4y2Ba J。gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba 通gydF4y2Ba W。gydF4y2Ba 常gydF4y2Ba E。gydF4y2Ba 余gydF4y2Ba Y。gydF4y2Ba 推断天然气消费和污染排放的车辆在一个城市gydF4y2Ba 20 ACM SIGKDD国际会议的程序知识发现和数据挖掘gydF4y2Ba 2014年gydF4y2Ba 纽约,美国gydF4y2Ba ACMgydF4y2Ba 10.1145/2623330.2623653gydF4y2Ba 2 - s2.0 - 84907029245gydF4y2Ba 元gydF4y2Ba J。gydF4y2Ba 郑gydF4y2Ba Y。gydF4y2Ba 谢gydF4y2Ba X。gydF4y2Ba 发现在城市地区的不同的功能使用人类的机动性和POIsgydF4y2Ba 18 ACM SIGKDD学报》国际会议上知识发现和数据挖掘gydF4y2Ba 2012年gydF4y2Ba 中国,北京gydF4y2Ba ACMgydF4y2Ba 10.1145/2339530.2339561gydF4y2Ba 2 - s2.0 - 84866045445gydF4y2Ba 熊gydF4y2Ba y F。gydF4y2Ba 建模的地理依赖房地产排名gydF4y2Ba ACM交易知识发现的数据(TKDD)gydF4y2Ba 2016年gydF4y2Ba 11gydF4y2Ba 35gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba SumiyagydF4y2Ba K。gydF4y2Ba 测量地理的人群行为规律twitter geo-social事件检测gydF4y2Ba 第二届ACM SIGSPATIAL国际研讨会在基于位置的社交网络gydF4y2Ba 2010年gydF4y2Ba 加利福尼亚州圣何塞gydF4y2Ba ACMgydF4y2Ba 10.1145/1867699.1867701gydF4y2Ba 2 - s2.0 - 78650855097gydF4y2Ba JayashreegydF4y2Ba k·R。gydF4y2Ba AbiramigydF4y2Ba R。gydF4y2Ba 先生gydF4y2Ba R。gydF4y2Ba 物联网的合作方式,大数据,智能城市gydF4y2Ba 大数据分析的智能和连接城市gydF4y2Ba 2019年gydF4y2Ba IGI全球gydF4y2Ba 25gydF4y2Ba 37gydF4y2Ba 10.4018 / 978 - 1 - 5225 - 6207 - 8. - ch002gydF4y2Ba 涅洛gydF4y2Ba G。gydF4y2Ba 加埃塔gydF4y2Ba M。gydF4y2Ba OrciuoligydF4y2Ba F。gydF4y2Ba 一种基于语义的方法在智能城市流推理来支持决策过程gydF4y2Ba 远程信息处理和信息gydF4y2Ba 2018年gydF4y2Ba 35gydF4y2Ba 1gydF4y2Ba 68年gydF4y2Ba 81年gydF4y2Ba 10.1016 / j.tele.2017.09.019gydF4y2Ba 2 - s2.0 - 85030849704gydF4y2Ba PuiugydF4y2Ba D。gydF4y2Ba BarnaghigydF4y2Ba P。gydF4y2Ba TonjesgydF4y2Ba R。gydF4y2Ba 坎普gydF4y2Ba D。gydF4y2Ba 阿里gydF4y2Ba m . I。gydF4y2Ba MileogydF4y2Ba 一个。gydF4y2Ba 泽维尔佩雷拉gydF4y2Ba J。gydF4y2Ba 费舍尔gydF4y2Ba M。gydF4y2Ba KolozaligydF4y2Ba 年代。gydF4y2Ba FarajidavargydF4y2Ba N。gydF4y2Ba 高gydF4y2Ba F。gydF4y2Ba IggenagydF4y2Ba T。gydF4y2Ba 范教授gydF4y2Ba T.-L。gydF4y2Ba NechiforgydF4y2Ba c。gydF4y2Ba PuschmanngydF4y2Ba D。gydF4y2Ba 费尔南德斯gydF4y2Ba J。gydF4y2Ba CityPulse:智能城市的大规模数据分析框架gydF4y2Ba IEEE访问gydF4y2Ba 2016年gydF4y2Ba 4gydF4y2Ba 1086年gydF4y2Ba 1108年gydF4y2Ba 10.1109 / ACCESS.2016.2541999gydF4y2Ba 2 - s2.0 - 84978630397gydF4y2Ba 奥斯曼gydF4y2Ba a . m . S。gydF4y2Ba 一种新颖的大数据分析智能城市的框架gydF4y2Ba 未来的计算机系统gydF4y2Ba 2019年gydF4y2Ba 91年gydF4y2Ba 620年gydF4y2Ba 633年gydF4y2Ba 10.1016 / j.future.2018.06.046gydF4y2Ba 2 - s2.0 - 85051668070gydF4y2Ba 张gydF4y2Ba N。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 陈gydF4y2Ba X。gydF4y2Ba 陈gydF4y2Ba J。gydF4y2Ba 语义框架的物联网智能城市:案例研究gydF4y2Ba 传感器gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 9gydF4y2Ba 1501年gydF4y2Ba 15024年gydF4y2Ba 10.3390 / s16091501gydF4y2Ba 2 - s2.0 - 84987711793gydF4y2Ba 斯特gydF4y2Ba D。gydF4y2Ba 罗默gydF4y2Ba K。gydF4y2Ba BimschasgydF4y2Ba D。gydF4y2Ba KleinegydF4y2Ba O。gydF4y2Ba MietzgydF4y2Ba R。gydF4y2Ba TruonggydF4y2Ba C。gydF4y2Ba HasemanngydF4y2Ba H。gydF4y2Ba KrollergydF4y2Ba 一个。gydF4y2Ba 由此gydF4y2Ba M。gydF4y2Ba Hauswirth认为gydF4y2Ba M。gydF4y2Ba KarnstedtgydF4y2Ba M。gydF4y2Ba LeggierigydF4y2Ba M。gydF4y2Ba 进行中gydF4y2Ba 一个。gydF4y2Ba 理查森gydF4y2Ba R。gydF4y2Ba 喷火式战斗机:语义web的事情gydF4y2Ba IEEE通讯杂志gydF4y2Ba 2011年gydF4y2Ba 49gydF4y2Ba 11gydF4y2Ba 40gydF4y2Ba 48gydF4y2Ba 10.1109 / MCOM.2011.6069708gydF4y2Ba 2 - s2.0 - 81355138520gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 海勒gydF4y2Ba 一个。gydF4y2Ba 尼尔森gydF4y2Ba p S。gydF4y2Ba CITIESData:智能城市数据管理框架gydF4y2Ba 知识和信息系统gydF4y2Ba 2017年gydF4y2Ba 53gydF4y2Ba 3gydF4y2Ba 699年gydF4y2Ba 713年gydF4y2Ba 10.1007 / s10115 - 017 - 1051 - 3gydF4y2Ba 2 - s2.0 - 85017466074gydF4y2Ba MohbeygydF4y2Ba K·K。gydF4y2Ba 一个高效的智能城市框架使用大数据技术和物联网gydF4y2Ba 先进的智能系统和计算gydF4y2Ba 2019年gydF4y2Ba 319年gydF4y2Ba 328年gydF4y2Ba 10.1007 / 978 - 981 - 13 - 0224 - 4 - _29gydF4y2Ba 2 - s2.0 - 85050375165gydF4y2Ba BibrigydF4y2Ba s E。gydF4y2Ba 智能物联网的可持续城市的未来:一个分析框架,基于传感器大数据应用环境可持续性gydF4y2Ba 可持续城市和社会gydF4y2Ba 2018年gydF4y2Ba 38gydF4y2Ba 230年gydF4y2Ba 253年gydF4y2Ba 10.1016 / j.scs.2017.12.034gydF4y2Ba 2 - s2.0 - 85040043708gydF4y2Ba 系数γgydF4y2Ba 2019年gydF4y2Ba https://www.statisticshowto.datasciencecentral.com/gamma-coefficient-goodman-kruskal/gydF4y2Ba 亚历山大gydF4y2Ba 年代。gydF4y2Ba 马丁gydF4y2Ba P.-Z。gydF4y2Ba 安东尼gydF4y2Ba N。gydF4y2Ba GeorggydF4y2Ba lgydF4y2Ba Sempala:互动在Hadoop SPARQL查询处理gydF4y2Ba 《第13次国际语义Web会议gydF4y2Ba 2014年gydF4y2Ba 意大利gydF4y2Ba 施普林格gydF4y2Ba 19gydF4y2Ba 23gydF4y2Ba 10.1007 / 978 - 3 - 319 - 11964 - 9 - _11gydF4y2Ba AlkatherigydF4y2Ba 年代。gydF4y2Ba 阿巴斯gydF4y2Ba 年代。gydF4y2Ba 西迪基gydF4y2Ba M。gydF4y2Ba 大数据框架的比较研究gydF4y2Ba 国际计算机科学与信息安全杂志(IJCSIS)gydF4y2Ba 2019年gydF4y2Ba ZareiangydF4y2Ba 年代。gydF4y2Ba FokaefsgydF4y2Ba M。gydF4y2Ba KhazaeigydF4y2Ba H。gydF4y2Ba LitoiugydF4y2Ba M。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 一个大数据云监控框架gydF4y2Ba 第二届国际研讨会上大数据软件工程——BIGDSEgydF4y2Ba 2016年gydF4y2Ba 美国奥斯汀,得克萨斯州gydF4y2Ba IEEEgydF4y2Ba 58gydF4y2Ba 64年gydF4y2Ba 10.1109 / BIGDSE.2016.018gydF4y2Ba Apache HadoopgydF4y2Ba 2019年gydF4y2Ba https://hadoop.apache.org/gydF4y2Ba Apache HBASEgydF4y2Ba 2019年gydF4y2Ba https://hbase.apache.org/gydF4y2Ba Apache火花gydF4y2Ba 2019年gydF4y2Ba https://spark.apache.org/gydF4y2Ba SPARQL查询语言gydF4y2Ba 2019年gydF4y2Ba https://www.w3.org/TR/rdf-sparql-query/gydF4y2Ba Web本体语言gydF4y2Ba 2019年gydF4y2Ba https://www.w3.org/OWL/gydF4y2Ba 资源描述框架gydF4y2Ba 2019年gydF4y2Ba https://www.w3.org/RDF/gydF4y2Ba Java语言gydF4y2Ba 2019年gydF4y2Ba https://www.java.com/gydF4y2Ba 欧洲环境局gydF4y2Ba https://www.eea.europa.eugydF4y2Ba 欧洲气候评估和数据集gydF4y2Ba 2019年gydF4y2Ba https://www.ecad.eu/gydF4y2Ba