توضیحات
ABSTRACT
Smart cities are providing advanced services aggregating and exploiting data from different sources. Cities collect static data such as road graphs, service description, as well as dynamic/real time data like weather forecast, traffic sensors, bus positions, city sensors, events, emergency data, flows, etc. RDF stores may be used to set up knowledge bases integrating heterogeneous information for web and mobile applications to use the data for new advanced services to citizens and city administrators, thus exploiting inferential capabilities, temporal and spatial reasoning, and text indexing. In this paper, the needs and constraints for RDF stores to be used for smart cities services, together with the currently available RDF stores are evaluated. The assessment model allows a full understanding of whether an RDF store is suitable to be used as a basis for Smart City modeling and applications. The RDF assessment model is also supported by a benchmark which extends available RDF store benchmarks at the state the art. The comparison of the RDF stores has been applied on a number of well-known RDF stores as Virtuoso, GraphDB (former OWLIM), Oracle, StarDog, and many others. The paper also reports the adoption of the proposed Smart City RDF Benchmark on the basis of Florence Smart City model, data sets and tools accessible as Km4City Http://www.Km4City.org, and adopted in the European Commission international smart city projects named RESOLUTE H2020, REPLICATE H2020, and in Sii-Mobility National Smart City project in Italy.
INTRODUCTION
Smart cities produce large amount of data having a large variability, variety, velocity, and size; and thus complexity. The varietyand variability of data can be due to the presence of several different formats, and to the interoperability among semantics of the single fields and of the several data sets . Static data are rarely updated, for instance once per month/year, which is quite the opposite with dynamic data: they can be updated from once a day up to every minute so as to get real time data. The data velocity is related to the frequency of data update for dynamic data such as position of buses, flow of people status, position of waste collectors, etc. or as data streams. Thus the size of the store grows over time accumulating new data every day and week. At architectural level, smart city solutions .typically adopt n-tier architectures
چکیده
شهرهای هوشمند ارائه خدمات پیشرفته جمع آوری و بهره برداری از داده ها از منابع مختلف است. شهرهای جمع آوری داده های ایستا مانند نمودار جاده، شرح خدمات، و همچنین داده های پویا / زمان واقعی مانند پیش بینی آب و هوا، سنسورهای ترافیک، موقعیت های اتوبوس، سنسورهای شهر، حوادث، اطلاعات اضطراری، جریان ها، و غیره. پایگاه های اطلاعاتی یکپارچه اطلاعات ناهمگن برای برنامه های کاربردی وب و تلفن همراه را برای استفاده از داده ها برای خدمات پیشرفته جدید به شهروندان و مدیران شهرستان، در نتیجه بهره برداری از قابلیت های استنباط، استدلال زمانی و فضایی و نمایه سازی متن. در این مقاله، نیازها و محدودیت های فروشگاه های RDF برای سرویس های شهر های هوشمند و همچنین فروشگاه های RDF در حال حاضر مورد بررسی قرار می گیرند. مدل ارزیابی اجازه می دهد تا درک کامل اینکه آیا یک فروشگاه RDF مناسب است به عنوان پایه ای برای مدل سازی و برنامه های Smart City استفاده شود. مدل ارزیابی RDF نیز توسط معیار ارایه شده است که معیارهای فروشگاه RDF موجود در State art را گسترش می دهد. مقایسه فروشگاه های RDF در تعدادی از فروشگاه های RDF شناخته شده به عنوان Virtuoso، GraphDB (OWLIM سابق)، اوراکل، StarDog و بسیاری دیگر استفاده شده است. این مقاله همچنین تصویب پیشنهادی Smart City RDF بر اساس مدل شهر فلورانس Smart City، مجموعه داده ها و ابزارهای موجود به عنوان Km4City Http://www.Km4City.org و در پروژه های هوشمند شهری بین المللی به نام ” RESOLUTE H2020، REPLICATE H2020 و پروژه Sii-Mobility National Smart City در ایتالیا.
مقدمه
شهرهای هوشمند مقدار بزرگی از داده ها را با تغییرات، تنوع، سرعت و اندازه تولید می کنند. و در نتیجه پیچیدگی است. تنوع و تنوع داده ها می تواند به دلیل حضور چندین فرمت مختلف و همچنین قابلیت همکاری در معناهای زمینه های تک و چند مجموعه داده باشد. داده های استاتیک به ندرت به روز رسانی می شوند، به عنوان مثال یک بار در ماه / سال، که کاملا مخالف با داده های پویا است: آنها می توانند از یک بار در روز تا هر دقیقه به روز شود تا اطلاعات زمان واقعی دریافت شود. سرعت داده ها به فرکانس به روز رسانی داده ها برای داده های پویا نظیر موقعیت اتوبوس ها، جریان وضعیت افراد، موقعیت جمع کننده های ضایعات، و غیره یا به عنوان جریان داده ها مربوط می شود. بنابراین حجم فروشگاه در طول زمان با افزایش داده های جدید هر روز و هفته افزایش می یابد. در سطح معماری، راه حل های شهر هوشمند، معماری n-tier را به طور معمول اتخاذ می کنند
Year: 2018
Publisher : ELSEVIER
By : Pierfrancesco Bellini , Paolo Nesi
File Information: English Language/ 15 Page / size: 1.04 MB
سال : 1396
ناشر : ELSEVIER
کاری از : پیپر فرانسکو بلینی، پائولو نسی
اطلاعات فایل : زبان انگلیسی / 15 صفحه / حجم : MB 1.04
نقد و بررسیها
هنوز بررسیای ثبت نشده است.