نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

با توجه به توصیف ناقص و متناقض اطلاعات مکانی و زمانی برای داده‌های شهر مشاهده شده توسط حسگرها در زمینه‌های مختلف، اشتراک‌گذاری منابع داده‌های مشاهده نقطه فوری بین‌رشته‌ای عظیم، چند منبعی و ناهمگون یک چالش بزرگ است. در این مقاله، یک مدل ابرداده افزایش یافته مکانی-زمانی برای به اشتراک گذاری داده های مشاهده نقطه ای پیشنهاد شد. فرا-مدل داده پیشنهادی (DMM) بر ویژگی‌های مکانی-زمانی متمرکز بود و یک ساختار توصیفی اطلاعاتی ده تایی را فرموله کرد تا یک توصیف افزایش‌یافته یکپارچه و مکانی-زمانی از داده‌های مشاهده نقطه‌ای ارائه کند. برای بررسی امکان‌سنجی اشتراک‌گذاری داده‌های مشاهده نقطه‌ای بر اساس DMM، یک سیستم نمونه اولیه ایجاد شد. و بهبود عملکرد سرویس مشاهده حسگر (SOS) برای دسترسی فوری و درج داده‌های مشاهده نقطه‌ای از طریق MongoSOS پیشنهادی که یک SOS نه تنها SQL (NoSQL) مبتنی بر پایگاه داده MongoDB است و دارای قابلیت ذخیره‌سازی توزیع شده است، محقق شد. . به عنوان مثال، زمان پاسخ دسترسی و درج برای داده های ناوبری و موقعیت یابی را می توان در سطح میلی ثانیه متوجه شد. مطالعات موردی، از جمله نظارت بر غلظت گاز برای پاسخ اضطراری نشت گاز و نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس سیستم ماهواره‌ای ناوبری BeiDou (BDS) که برای ثبت اطلاعات مشاهده پویا استفاده می‌شود، انجام شد. نتایج تطبیق پذیری و توسعه پذیری DMM را نشان داد،
کلید واژه ها: 

متا مدل داده ; اشتراک گذاری پیشرفته مکانی-زمانی ؛ بین رشته ای ; مشاهدات نقطه ای ؛ شهرهای هوشمند ؛ پاسخ اضطرار ی

 

1. معرفی

از نظر ایجاد آینده ای بهتر برای شهرهای هوشمند، زمانی که در نظر بگیریم چه اطلاعاتی در مقیاس زمانی-مکانی مناسب که افراد را می توان در آن شناسایی کرد، چه اطلاعاتی در دسترس است، بسیار مهم می شود [1 ] . شهر هوشمند به‌عنوان الگوی جدید حکمرانی شهری و توسعه اجتماعی در عصر اطلاعات، می‌تواند فناوری اطلاعات و ارتباطات را با زیرساخت‌های سنتی ادغام، هماهنگ و ادغام کند، زیرساخت‌های سنتی که با داشتن منابع عظیم اطلاعاتی ناهمگون ناشی از رشد عظیم داده‌ها در اندازه و پیچیدگی [ 2 ، 3 ، 4]. از منظر اطلاعات و فضای جغرافیایی، هسته اصلی ساخت و ساز اطلاعات شهر هوشمند، یکپارچه سازی و اشتراک گذاری انواع مختلف منابع داده است.
با تسریع روند شهرنشینی در چین، حوادث اضطراری شهری، مانند بلایای طبیعی و بلایای تصادفی، بیشتر و بیشتر اتفاق می‌افتد، در نتیجه آسیب‌های جدی به جان و امنیت اموال ما وارد می‌کند. در واقع، به دلیل فقدان داده های فوری و قابل اعتماد، جنبه های “هوشمند” واکنش اضطراری به شدت با مشکل مواجه شده است. به ویژه مهم است که بدانیم چگونه می توان سناریوهای واکنش به بلایا را برای به حداقل رساندن تلفات نظارت و رسیدگی کرد [ 5 ]. با ارائه داده‌های پاسخ اضطراری ناهمگون و دسترسی به خدمات نجات اضطراری مناسب، تصمیم‌گیرندگان با واکنش‌های اضطراری سریع‌تر و مناسب‌تر حمایت می‌شوند [ 6]]. علاوه بر این، به منظور دستیابی به هدف به اشتراک گذاری داده ها برای پاسخ های اضطراری، می توان از بین رشته ای به عنوان یک فرآیند تعاملی برای حل یک مشکل پیچیده استفاده کرد [ 7 ، 8 ، 9 ]. با تمرکز بر بدنه های مختلف دانش یا عملکرد پژوهشی، میان رشته ای ترکیبی از ایده ها، داده ها و اطلاعات، روش ها، ابزارها، مفاهیم یا نظریه ها از دو یا چند رشته برای تولید دانش یا محصولات جدید است [10 ، 11 ] . بنابراین، علیرغم تعاریف مختلف مختلف از میان رشته ای که بر جنبه های خاص متمرکز شده است [ 12]، اصطلاح «بین رشته ای» در این مقاله از دیدگاه حوزه های مختلف ارائه شده است. به عبارت دیگر، هر بخش مرتبط با واکنش اضطراری که در زمینه‌های مختلف، مانند علوم محیطی، علوم زمین و پزشکی فعالیت می‌کند، ملزم به تحقق یک تعامل فوری یکپارچه از داده‌های میان رشته‌ای و ارائه طرح زمان‌بندی منابع اضطراری مورد نیاز برای تصمیم‌گیری است.
برای مشاهدات نقطه‌ای، یعنی اندازه‌گیری‌های انجام‌شده در نقطه‌ای از فضا، به‌عنوان مثال، ایستگاه مانیتورینگ درجا و سایت مانیتورینگ سیار، قابل توجه است که اطلاعات مکانی می‌تواند اطلاعات را از کاربردها و کاربران مختلف بین‌رشته‌ای یکپارچه کند [13 ، 14 ] ]، و یک نمایش منسجم از اطلاعات زمانی نیز باید در یک بعد زمانی مناسب برای مدل‌سازی مشاهده باشد [ 15]]. با این حال، به دلیل تنوع کاربرد و توزیع حسگرها، داده های مشاهده نقطه ای از نظر مکان با سطوح مختلف توصیف جزئیات غیرمتمرکز هستند، به عنوان مثال، توصیف های مختلف سیستم مرجع مختصات. در واقع، به دلیل تفاوت در حسگرها و اصول مشاهده، کشف و دسترسی به داده‌های مشاهده نقطه‌ای بین‌رشته‌ای منسجم و فوری دشوار است، مشکل اشتراک‌گذاری مؤثر برای داده‌های چند منبع، غیرمتمرکز و ناهمگن حل نشده است. بنابراین، به اشتراک گذاری داده های مشاهده نقطه فوری چند منبعی، غیرمتمرکز و ناهمگن میان رشته ای با دو مشکل عمده مواجه است. یک مشکل فقدان توضیحات محتوای فراداده موجود است که می تواند به طور موثر ویژگی های داده های مشاهده نقطه ای را نشان دهد. به ویژه توصیف جامع و منسجم اطلاعات مکانی و زمانی. اشتراک‌گذاری داده‌های مشاهده نقطه‌ای در یک چارچوب یکپارچه برای برآورده کردن خواسته‌های کاربر یک چالش بزرگ است. مشکل دیگر پشتیبانی نرم‌افزاری از اشتراک‌گذاری داده‌های مشاهده نقطه‌ای در مقیاس بزرگ و ناهمگن برای بهبود برنامه‌ها و خدمات اطلاعاتی موجود است.
به عنوان بخش کلیدی اشتراک منابع اطلاعاتی، ابرداده ها داده های توصیفی برای کشف صحیح داده های مورد نیاز در زمان و مکان مناسب با کیفیت مناسب هستند [ 16 ]. با این حال، نمایش های مختلف موجود از اطلاعات فراداده منجر به سیلوهای اطلاعاتی در میان سیستم های مختلف می شود [ 17 ]. برای برآوردن نیازهای کاربردی خاص زمینه های مختلف، برخی استانداردهای فراداده مرتبط با فضای مکانی بر اشتراک اطلاعات و قابلیت همکاری متمرکز هستند، اما تفاوت بین آنها هنوز وجود دارد [ 18 ]. همانطور که در جدول 1 نشان داده شده است، شش استاندارد ابرداده مربوط به مکانی یا مشاهده با توصیف محتوای ابرداده، طرحواره رمزگذاری و کاربرد در نظر گرفته شده است. سازمان بین المللی استاندارد (ISO) 19115 [ 19 ] ابرداده ابتدایی را برای توصیف و کشف اطلاعات جغرافیایی فراهم می کند. ISO 19130 [ 20 ] ابرداده را برای مکان یابی داده های سنجش از دور در جنبه مفهومی تعریف می کند، و آژانس ملی اطلاعات جغرافیایی (NGA)، مدل حسگر جامعه (CSM) [21] بیشتر فراداده را در جنبه ارائه می کند . اجرا زبان مدل سنسور کنسرسیوم فضایی باز (OGC) (SensorML) [ 22] نمایش ابرداده مدل‌سازی حسگر، اشتراک‌گذاری و قابلیت همکاری است. طرح‌واره مشاهدات و اندازه‌گیری‌ها (O&M) [ 23 ] و نمایه فراداده مشاهدات زمین O&M [ 24 ، 25 ] به ترتیب ابرداده‌ها را برای قابلیت تعامل داده‌های مشاهدات حسگر از دیدگاه مفهوم و اجرا فراهم می‌کنند. شش استاندارد ابرداده ذکر شده در بالا دارای ویژگی‌های توصیفی متمایز برای برنامه‌های کاربردی مختلف هستند که برای قابلیت همکاری داده‌های خاص نسبتاً عالی هستند، با این حال، پوشش محتوای ابرداده‌ای که ویژگی‌های داده‌های مشاهده نقطه فوری بین‌رشته‌ای مختلف را برآورده می‌کند، هنوز دشوار است.
کارهای قبلی در زمینه فناوری‌های اشتراک‌گذاری داده، تا حدی، عموماً کاربرانی را که از رایانه‌ها و نرم‌افزارهای مختلف در مکان‌های مختلف برای خواندن، کارکرد و تجزیه و تحلیل داده‌های مختلف دیگران استفاده می‌کنند، ارتقا داده است. کریاکوف و همکاران [ 26 ] نشان داد که حاشیه نویسی معنایی می تواند به اطلاعات جدید دسترسی پیدا کند یا اطلاعات موجود را با چندین پیش شرط لازم برای تعریف و پیوند دادن به توصیفات معنایی موجودات مورد نیاز بازنمایی کند. با این حال، پیش‌شرط‌ها منجر به الزامات متعددی مانند مداخله انسان در استخراج اطلاعات، وابستگی به هستی‌شناسی از پیش تعیین‌شده و محدودیت‌هایی در توصیف محتوا می‌شوند و پشتیبانی کامل از استفاده از حاشیه‌نویسی معنایی حل نشده است. گونای و همکاران [ 27] یک دامنه هستی شناسی حمل و نقل برای دستیابی به دسترسی و بازیابی مؤثرتر و دقیق تر برای تعاملات دامنه خاص ایجاد کرد و یک ژئوپورتال حمل و نقل عمومی برای پیاده سازی INSPIRE به عنوان یک استاندارد SDI برای به اشتراک گذاری داده های مکانی مختلف بین کاربران و برنامه ها ایجاد شد. با این حال، هستی شناسی دامنه حمل و نقل نیمه خودکار است که نیاز به یک استراتژی اکتشافی و تخصص دامنه دارد، و توسعه یک معماری وب سرور توزیع شده می تواند مورد نیاز باشد، زمانی که صحبت از در نظر گرفتن یک مجموعه داده بزرگ و عملکرد بهتر برنامه باشد. وانگ و استوارت [ 28] یک هستی شناسی خطر برای استخراج خودکار اطلاعات مکانی و زمانی و معنایی از گزارش های خبری وب ایجاد کرد. با این حال، به کارگیری روش به طور کامل و مستقیم برای ادغام بین مراحل مختلف دشوار است و مکان‌های کلی یا مبهم یا مراجع زمانی هنوز وجود دارند. دیز و همکاران [ 29] نشان داد که رابط برنامه نویسی وب اپلیکیشن می تواند دسترسی به روش ها و سرویس های داده رایج را برای بازیابی داده ها، به ویژه دسترسی به داده های دائماً به روز شده از پایگاه داده زیربنایی، فراهم کند، اما هنوز در سازماندهی و اتصال داده های مرتبط مشکلاتی وجود دارد. برنرز لی و همکاران داده‌های پیوندی را برای انتشار و اتصال داده‌های ساختاریافته در شبکه تشریح کرد، که می‌تواند راهنماهایی در مورد نحوه استفاده از فناوری‌های استاندارد وب برای تحقق پیوندهای داده‌ها از منابع مختلف [30، 31] ارائه دهد، در حالی که مشکلات در رابط برنامه ، صحت داده‌ها و امنیت هنوز وجود دارد [ 32]. شیونگ و همکاران اشاره کرد که Data Vitalization که برای تجزیه و تحلیل و کاربردهای داده های بزرگ مقیاس و ناهمگن اقتباس شده است، داده محور است، بنابراین توسعه دهندگان را به تفکر از زاویه داده سوق می دهد. با این حال، در تحقق رابط کاربری کارآمد منابع داده پیچیده و ناهمگن کمبودهایی دارد [ 33 ]. فن و همکاران [ 4] نشان داد که اینترنت داده ها بر این عقیده است که داده های ایزوله به جای موجودیت های به هم پیوسته، معنای کمی برای اتصال همه موجودیت های داده دیجیتالی دارند، اما به دلیل عدم وجود زبان تعریف شده توسط کاربر برای توصیف داده های مختلف، می تواند تنها به میزان حداقلی با تغییرات سازگار شود. در انواع داده ها و سناریوهایی که در آن داده ها تولید یا استفاده می شوند. تمام روش‌های ذکر شده در بالا قول می‌دهند که راه‌های مؤثری برای اشتراک‌گذاری داده‌ها ارائه کنند. با این حال، هنوز برخی از مشکلات در توصیف محتوای داده، اتصال داده ها، پشتیبانی نرم افزار، و توسعه برنامه برای به اشتراک گذاری داده ها در مقیاس بزرگ و ناهمگن وجود دارد. بنابراین، روش های جدید به اشتراک گذاری داده ها نیاز به بررسی دارد.
برای حل مشکلات فوق مربوط به اشتراک گذاری داده های مشاهدات لحظه ای متنوع از بخش های مختلف شهری، این مقاله هم یک متا مدل داده های پیشرفته فضایی-زمانی (DMM) و هم یک سیستم نمونه اولیه مبتنی بر DMM را پیشنهاد می کند. مشارکت های مطالعه ما را می توان از سه جنبه به شرح زیر خلاصه کرد.
(1) یک مدل ابرداده پیشرفته مکانی-زمانی برای به اشتراک گذاری داده های مشاهده نقطه ای فوری میان رشته ای پیشنهاد شده است که می تواند با تمرکز بر ویژگی های مکانی-زمانی و فرمول دهی اطلاعات ده تایی، یک توصیف ارتقا یافته یکپارچه و مکانی-زمانی از مشاهدات نقطه ای ارائه دهد. ساختار توصیفی DMM پیشنهادی
(2) یک سیستم اشتراک گذاری برای اشتراک گذاری فوری داده های مشاهده نقطه ای طراحی و اجرا شده است. به خصوص زمان پاسخ‌دهی دسترسی و درج داده‌های ناوبری و موقعیت‌یابی را می‌توان در سطح میلی‌ثانیه از طریق MongoSOS پیشنهادی که یک سرویس مشاهده سنسور نه‌تنها SQL (NoSQL) مبتنی بر پایگاه داده MongoDB است و دارای قابلیت است، پی برد. ذخیره سازی توزیع شده
(3) مطالعات موردی، از جمله نظارت بر غلظت گاز و نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس سیستم ماهواره ای ناوبری BeiDou (BDS) انجام شده است. نتایج تطبیق پذیری و توسعه پذیری DMM و اشتراک گذاری افزایش یافته مکانی-زمانی برای مشاهدات نقطه ای میان رشته ای در شهرهای هوشمند را نشان می دهد.

2. مدل فراداده پیشرفته فضایی-زمانی برای مشاهدات نقطه ای فوری میان رشته ای

برای پرداختن به روش‌های اشتراک‌گذاری متنوع و ناسازگار، استانداردهای Sensor Web Enablement (SWE) با استفاده از پروتکل‌ها و رابط‌های استاندارد باز، داده‌های حسگر قابل دسترس تحت وب را کشف کرده و با یکدیگر تعامل می‌کنند [ 34 ]. علاوه بر این، به منظور نظارت مؤثر بر منابع اطلاعات محیطی، دستیابی به داده های مکانی-زمانی موجود و مدل های قابل اعتماد [ 35 ] ضروری است، و مدل سازی می تواند هم ابزار ارتباطی و هم روشی برای ترکیب ساختارها و فرآیندهای درگیر در تحقیقات میان رشته ای [ 36]. بنابراین، با در نظر گرفتن زبان نشانه‌گذاری توسعه‌یافته (XML) به‌عنوان فناوری انتخابی برای تبادل اطلاعات در وب، لازم است یک متا مدل داده‌های مشاهده نقطه‌ای مناسب همراه با استانداردهای قابلیت همکاری موجود از طریق XML و XML Schema برای بهبود فضا پیشنهاد شود. اشتراک گذاری پیشرفته زمانی این بخش عمدتاً برای پیشنهاد و ساخت DMM برای اشتراک گذاری مشاهدات نقطه ای بین رشته ای در شهرهای هوشمند است.

2.1. طبقه بندی و ارتباط داده ها

برای مدل‌سازی بهتر مشاهدات نقطه‌ای بین‌رشته‌ای متعدد، یک طبقه‌بندی از داده‌های مشاهده نقطه توسعه داده شده است. طبق مشخصات O&M 2.0 [ 24]، به جز هفت نوع مشاهده به عنوان ثابت (مثلاً اندازه‌گیری، دسته، شمارش، حقیقت، زمانی، هندسه، مختلط)، سه نوع از نتایج مشاهداتی وجود دارد که در طول زمان یا مکان متفاوت هستند، از جمله پوشش DiscretePoint، DiscreteTimeInstantCoverage، و پوشش گسسته. نتایج مشاهدات DiscretePointCoverage و DiscreteTimeInstantCoverage نشان دهنده نقاط گسسته و پوشش زمانی یک بعدی است و با ویژگی های مکانی-زمانی مشاهدات نقطه مطابقت دارد. با این حال، نتایج مشاهدات پوشش گسسته می‌تواند پوشش دو بعدی یا چند بعدی باشد، مانند داده‌های تصویر سنجش از راه دور و داده‌های ابر نقطه LIDAR، که با مشاهدات نقطه‌ای گسسته یا مسیر درونیابی قابل حل نیستند و در کانون توجه نیستند. از این مطالعه
بنابراین، با توجه به ویژگی‌های مکانی-زمانی مختلف مشاهدات نقطه‌ای توسط حسگرهای ثابت یا متحرک، به‌ویژه نتایج مشاهدات مجموعه‌ای از نقاط مجزا هستند که در طول زمان یا مکان تغییر می‌کنند، داده‌های مشاهده نقطه‌ای به دو نوع طبقه‌بندی می‌شوند: داده‌های نظارت درجا و داده‌های ناوبری و موقعیت‌یابی، که می‌توانند به ترتیب به عنوان دو نوع ویژگی O&M، یعنی DiscretePointCoverage و DiscreteTimeInstantCoverage مشاهده شوند. داده های پایش درجا توسط مشاهدات نقطه ثابت در ایستگاه های زمینی تولید می شود. به طور خاص، آنها توسط حسگرهایی مشاهده می شوند که در یک موقعیت ثابت مستقر شده اند تا به طور دوره ای اطلاعات را جمع آوری کنند، که می تواند تغییرات مداوم در بعد زمانی یک پدیده خاص را در یک موقعیت خاص منعکس کند. و همچنین می تواند پوشش پیوسته را از طریق درونیابی در بعد فضایی یک پدیده مشاهده واحد در موقعیت های فضایی چندگانه تشکیل دهد. داده‌های ناوبری و موقعیت‌یابی، داده‌های موقعیت‌یابی مشاهدات نقطه‌ای متحرک از توالی‌های نقطه‌ای مکانی-زمانی با ویژگی‌های پیوستگی، لحظه‌ای و دقت بالا هستند که می‌توانند یک مسیر متحرک پیوسته فضایی را به‌عنوان متغیر زمانی تشکیل دهند.
علاوه بر این، همانطور که در شکل 1 نشان داده شده است، داده های مشاهده نقطه فوری شهر هوشمند از زمینه های مختلف در مراحل مختلف واکنش اضطراری دخیل است که باید به سرعت در بخش های مربوطه توزیع شود. به عنوان مثال، مرحله نظارت عمدتاً مشاهده و ثبت انواع مختلف داده‌های مشاهده نقطه‌ای جدا شده در بخش‌های مختلف، یعنی داده‌های نظارت در محل و داده‌های ناوبری و موقعیت‌یابی است. مرحله هشدار، کشف مکان، زمان و سایر اطلاعات مشاهده برای شرایط اضطراری گزارش شده توسط حسگرها یا شاهدان است. و مرحله پاسخ این است که داده‌های مشاهده نقطه‌ای بین‌رشته‌ای از طریق اشتراک‌گذاری پیشرفته مکانی-زمانی برای وظایف واکنش اضطراری به طور مشترک کار کنند. داده‌های مشاهده نقطه‌ای مختلف می‌توانند اطلاعات مکانی-زمانی شرایط اضطراری شهری را ثبت کنند.

2.2. فرا مدل سازی داده ها

فرا-مدل عمدتاً برای ارائه چارچوبی است که به مجموعه مفاهیم انتزاعی در یک حوزه خاص اشاره می کند و محدودیت ها و قوانین را برای مدل سازی برای تکمیل یک فرآیند نرم افزار خاص خاص فرموله می کند [ 37 ، 38 ]. این یک راه حل خوب برای مشکل تولید مدل و یکپارچه سازی است. برای به کارگیری بهتر متا مدل در مدل سازی عملی، گروه مدیریت شی، تسهیلات متا شیء (MOF) را بر اساس یک معماری چهار لایه پیشنهاد کرده است که به یک استاندارد بین المللی برای متا مدل ها تبدیل شده است [39، 40 ، 41 ] . ] برای طیف وسیع تری از برنامه های اشتراک گذاری و قابلیت همکاری.
یک چارچوب کلی می‌تواند گروه وسیع‌تر و انعطاف‌پذیرتری از ویژگی‌ها را برای تسهیل برخورد با مقادیر بزرگ‌تر و منابع داده ناهمگون‌تر فراهم کند [ 42 ]. برای استانداردسازی تعریف مدل توصیف مشاهدات نقطه‌ای، یک چارچوب فرامدل توصیف داده‌های مشاهده نقطه‌ای بهبود یافته مکانی-زمانی بر اساس سطح MOF پیشنهاد شده است، همانطور که در شکل 2 نشان داده شده است.. با تمرکز بر ویژگی‌های مکانی-زمانی، برای مثال، افزودن مراجع فضا-زمان برای داده‌های مشاهده نقطه‌ای، و استانداردسازی ساختار سلسله مراتبی فرامدل که شامل لایه متا مدل، لایه متا مدل، لایه مدل و نمونه است. لایه، چارچوب فرامدل توصیف داده‌ها می‌تواند مفاهیم، ​​عناصر و ساختارهای مدل‌سازی و همچنین توصیف روابط بین آنها را در بعد مکانی-زمانی محقق کند.
لایه متا مدل متا، یعنی بالاترین سطح M3، انتزاع کل چارچوب است که مفاهیم درگیر در مدل‌سازی مشاهدات نقطه‌ای، مانند اجزای فراداده، مدل اطلاعات داده و نمونه‌های داده را تعریف می‌کند. روابط بین مفاهیم پالایش شده است و سطوح مختلف سطوح مختلف انتزاع فرامدل را نشان می دهد. به طور خاص، مدل اطلاعات داده نمونه ای از اجزای فراداده است و نمونه های داده نمونه هایی از مدل اطلاعات داده هستند.
لایه متا مدل، یعنی سطح M2، نمونه ای از لایه متا مدل است. این لایه شامل سه متا مدل، فرامدل رسمی‌سازی، فرامدل تسهیلات مدل‌سازی و اطلاعاتی است که متا مدل را توصیف می‌کند. متا مدل رسمی سازی برای بیان رسمی متا مدل استفاده می شود. فرامدل تسهیلات مدل‌سازی، تسهیلات مدل‌سازی مدل اطلاعات داده را نشان می‌دهد. اطلاعات توصیف کننده متا مدل شامل اجزای فراداده است که توسط شش نوع مختلف کلاس فراداده، از جمله برچسب، محتوا، فضا-زمان، کیفیت، توزیع و مرجع جمع‌آوری شده‌اند که هسته سطح M2 است.
لایه مدل، یعنی سطح M1، نمونه ای از لایه متا مدل است. این لایه یک ساختار ابرداده ده تایی را بر اساس چارچوب کلی تعریف شده توسط اطلاعات توصیف کننده متا مدل در سطح M2 تعیین می کند. برای رسمی کردن ساختار ابرداده ده تایی، استفاده از امکانات مدل‌سازی و بیان رسمی ضروری است که با متا مدل رسمی‌سازی و فرامدل تسهیلات مدل‌سازی در سطح M2 و همچنین تسهیلات مدل‌سازی بر اساس تعریف می‌شوند. کدگذاری استاندارد XML، بنابراین مدل متا توصیف مشاهدات نقطه ای را ایجاد می کند.
لایه نمونه، یعنی سطح M0 در پایین، همچنین شامل نمونه هایی از مشاهدات نقطه ای است که حاوی داده های نظارت درجا و داده های ناوبری و موقعیت یابی است. هر نمونه اطلاعات داده خود را دارد که با امکانات مدل‌سازی و قوانین خاصی از بیان رسمی رسمیت می‌یابد تا در نهایت مدل توصیف داده‌های مشاهده نقطه‌ای را ایجاد کند که می‌تواند توسط رایانه‌ها شناسایی شده و در محیط شبکه جهانی به اشتراک گذاشته شود.

2.3. اجزای اصلی فراداده DMM

اجزای فراداده همانطور که در لایه متا مدل ذکر شده است، شامل شش قسمت، برچسب، محتوا، فضا-زمان، کیفیت، توزیع و مرجع است که برای توضیحات اطلاعات اولیه DMM استفاده می‌شود، بنابراین به کشف نمونه‌های DMM که خواسته‌ها را برآورده می‌کنند کمک می‌کنند. وظایف واکنش اضطراری

  • برچسب: اطلاعات برچسب شامل اطلاعات شناسایی و محصول، مانند مجموعه داده ها و ویژگی های مشاهده است، که می تواند اطلاعات فراداده توصیفی را برای کشف داده ها فراهم کند و تعیین کند که آیا خود داده ها می توانند به سرعت برای پاسخ های اضطراری پیدا شوند یا خیر.
  • محتوا: اطلاعات محتوا نوع داده مشاهدات نقطه ای را پوشش می دهد. به دلیل مکانیسم مشاهده متفاوت، داده‌های مشاهده نقطه‌ای تولید شده توسط حسگرهای مختلف تفاوت‌های اساسی در محتوای داده دارند، بنابراین به انتخاب DMM در محدوده خاصی کمک می‌کنند.
  • فضا-زمان: اطلاعات فضا-زمان ویژگی های مکانی و زمانی اضطراری را با جزئیات ثبت می کند، مانند اطلاعات مکان، زمان، و چارچوب مرجع مکان و زمان، که می تواند توصیف اطلاعات مکانی-زمانی را بهبود بخشد و برای آن بسیار مهم است. اتصال داده ها و برنامه های کاربردی مشترک برای منابع داده پاسخ های اضطراری.
  • کیفیت: اطلاعات کیفی عمدتاً مربوط به نتایج مشاهده و روش نمونه‌گیری است و نقش مهمی در کاربرد داده‌های مشاهده نقطه‌ای به ویژه در زمینه توانایی یا تناسب دارد.
  • توزیع: اطلاعات توزیع عمدتاً شامل قالب توزیع، تماس توزیع و نوع انتقال است و اطلاعات مالکیت داده را منعکس می کند. علاوه بر این، نحوه توزیع داده ها تحت تأثیر تنظیم کننده ها، سطح دسترسی و تأثیر شرایط محدودیت های قانونی و امنیتی است که برای در دسترس بودن داده ها ضروری است.
  • مرجع: اطلاعات مرجع اطلاعات مربوط به ابرداده و عناصر مشاهده را پوشش می دهد که برای کشف داده های مشاهده نقطه ای مهم است و همچنین می تواند به عنوان اطلاعات اولیه پرس و جو داده ها استفاده شود. علاوه بر این، اطلاعات مشاهده مربوطه به کاربران اجازه می دهد تا درک منابع داده مرتبط را برای وظایف خاص افزایش دهند.

2.4. ساختار توضیحات اطلاعات ده تایی

با توجه به کلیت داده‌های مشاهده نقطه‌ای، که شامل همبستگی ناهمگن عظیم، چند منبعی و مکانی-زمانی است، و همچنین بر اساس چارچوب فرامدل توصیف داده‌های مشاهده نقطه‌ای، DMM برای اشتراک‌گذاری مشاهدات نقطه‌ای میان رشته‌ای سازماندهی شده است. همانطور که در شکل 3 نشان داده شده است . علاوه بر این، فلش های موجود در شکل 3سه رابطه بیان متفاوت را نشان می دهد. فلش‌های جامد قهوه‌ای به معنای رابطه انتساب است که نشان می‌دهد ساختار ابرداده 10 تایی عناصر ویژگی دقیق نوع ابرداده است. فلش‌های نقطه‌دار سبز به رابطه تجمع اشاره دارد که نشان می‌دهد شش مؤلفه اصلی ابرداده که می‌توانند بیشتر به ساختار ابرداده ده تایی تقسیم شوند. و فلش های جامد آبی به معنای رابطه مونتاژ است که نشان می دهد DMM را می توان با استفاده از نوع فوق داده خاص بیان کرد و اشتراک مشاهدات نقطه ای را می توان با اطلاعات دقیق اجزای فراداده توصیف کرد.
با اشاره به استانداردهای ابرداده مرتبط، ساختار سازمانی شش جزء فراداده، همانطور که در شکل 3 نشان داده شده است.، می تواند بیشتر تجزیه و به یک ساختار ابرداده ده تایی مشاهدات نقطه ای تبدیل شود. به عنوان هسته کل متا مدل، ساختار ابرداده ده تایی شامل شناسایی، برچسب محصول، محتوای داده، بعد زمانی، بعد مکانی، کیفیت داده، فرمت توزیع، نوع انتقال، تماس توزیع کننده و مرجع مشاهده است. علاوه بر این، DMM برای اشتراک گذاری مشاهدات نقطه فوری میان رشته ای عمدتاً با استفاده از نوع فراداده توصیفی، نوع فراداده ساختاری و نوع ابرداده مدیریتی بیان می شود. ابرداده توصیفی عنصری است که مستقیماً ویژگی‌های ذاتی داده‌های مشاهده نقطه‌ای مانند شناسایی، برچسب محصول و محتوای داده را توصیف می‌کند. فراداده ساختاری برای توصیف ساختار فضا-زمان مشاهدات نقطه ای برای ناوبری استفاده می شود. بازیابی و نمایش اطلاعات، مانند بعد زمانی و بعد مکانی. مدیریت ابرداده عنصر ویژگی برای مدیریت منابع مشاهدات نقطه ای است، مانند کیفیت داده، قالب توزیع، نوع انتقال، تماس توزیع کننده و مرجع مشاهده. بنابراین، ساختار ابرداده 10 تایی می‌تواند یک مدل اشتراک‌گذاری داده مشاهده نقطه‌ای کلی را شکل دهد که حاوی اطلاعات فرامدل پیشرفته یکپارچه، جامع و مکانی-زمانی است.

  • شناسایی : شامل عنوان، چکیده، شناسه داده و تاریخ ایجاد است که می‌تواند اطلاعات داده‌های پایه منابع مشاهدات نقطه‌ای را توصیف کند و همچنین داده‌ها را به‌طور منحصربه‌فرد برای کشف داده شناسایی کند.
  • برچسب محصول : شامل هدف، کلمات کلیدی و اطلاعات طرف مسئول برای توصیف اطلاعات محصول مشخصه داده های مشاهده نقطه ای است.
  • محتوای داده : شامل دسته موضوع و محتوای نتیجه مشاهده است. این اطلاعات می تواند زمینه های کاربردی مختلف و نتیجه ویژگی مشاهده شده داده های مشاهده نقطه ای را توصیف کند.
  • بعد زمانی : شامل زمان پدیده، زمان نتیجه و چارچوب مرجع زمانی برای توصیف یکنواخت اطلاعات زمانی داده‌های مشاهده است که می‌تواند تعیین کند که آیا DMM برای یک زمان خاص پاسخ اضطراری در دسترس است یا خیر.
  • بعد فضایی : شامل پوشش صفحه، پوشش عمودی و چارچوب مرجع فضایی برای توصیف یکنواخت اطلاعات مکان برای داده‌های مشاهده نقطه‌ای است که می‌تواند تعیین کند که آیا DMM برای یک مکان خاص واکنش اضطراری در دسترس است یا خیر.
  • کیفیت داده ها : به کیفیت داده ها، فاصله زمانی نمونه گیری و روش نمونه، یعنی دستورالعمل های کلی که توسط تولیدکنندگان داده برای ارزیابی روش و فرآیند کیفیت مجموعه داده های مربوطه ارائه می شود، اطلاق می شود.
  • قالب توزیع : شامل نام قالب توزیع مجموعه داده است که بر دسترسی به داده های مشاهده نقطه ای تأثیر می گذارد.
  • نوع انتقال : شامل گزینه‌های انتقال، مانند پیوند داده‌های مشاهده نقطه‌ای است که می‌تواند راه اکتساب داده‌ها را فراهم کند.
  • تماس با توزیع کننده : شامل اطلاعات تماس توزیع کننده داده ها، مانند نام، سازمان، تلفن و آدرس است، بنابراین برای تماس بیشتر بین کاربران و توزیع کنندگان پشتیبانی می کند.
  • مرجع مشاهده : به مشاهدات مرتبط اشاره دارد، به عنوان مثال، sensorID، که همچنین می تواند برای کشف سریع نمونه های DMM مرتبط توزیع شود.
با توجه به ساختار توصیف اطلاعات ده تایی، DMM برای به اشتراک گذاری مشاهدات نقطه ای در نمودار UML (زبان مدل سازی یکپارچه) نشان داده شده در شکل 4 تعریف شده است که ویژگی های مشترک برای توصیف کلی منابع داده مشاهدات نقطه ای مختلف را نشان می دهد. طرح مربوط به DMM را می توان در فایل تکمیلی S1 یافت . در فایل S1 ، طرح XML DMM شامل سه بخش TenTupleGroup.xsd، SixComponents.xsd و DataML.xsd است که می تواند برای تأیید و توسعه توسط کاربران استفاده شود.

3. پیاده سازی نرم افزار

3.1. معماری سیستم

برای آزمایش امکان اشتراک گذاری پیشرفته مکانی-زمانی مبتنی بر DMM، یک سیستم نمونه اولیه، به عنوان مثال، سیستم اشتراک گذاری مشاهدات نقطه ای میان رشته ای شهر هوشمند، بر اساس DMM تحت محیط معماری سرویس گرا [43] طراحی و اجرا شده است . خدمات وب داده، مانند سرویس کاتالوگ برای وب (CSW) و SOS، برای دسترسی پویا، ادغام، کشف و به اشتراک گذاری منابع داده مشاهده نقطه ای برای کاربران مختلف در وب استفاده می شود. CSW می تواند رابط های بین کلاینت های مبتنی بر وب و سرورها را برای یافتن داده ها یا خدمات مورد نیاز از رجیستری ها تعریف کند [ 44 ]. SOS می‌تواند به فراداده‌های مشاهداتی دسترسی داشته باشد و از آنها پرس و جو کند، و همچنین داده‌های مشاهده‌ای را از طریق واسط‌های خدمات وب استاندارد برای برنامه‌های کاربردی مختلف کاربر منتشر کند [ 45]، 46 ]. معماری سرویس گرا سیستم نمونه اولیه همانطور که در شکل 5 نشان داده شده است، پیشنهاد شده است که دارای چهار لایه اصلی است، یعنی لایه ارائه، لایه تجاری، لایه مؤلفه و لایه داده.
لایه ارائه برای کمک به کاربران برای استفاده از اطلاعات فراداده ده تایی مرتبط DMM، به عنوان مثال، عنصر topicCategory اطلاعات محتوای داده، برای کشف و تجسم نمونه های داده مورد نیاز ارائه شده توسط لایه داده است. درخواست کننده سرویس در این لایه، ارائه نیازهای کاربر و یافتن خدمات ارائه شده توسط لایه تجاری است. سپس نتایج را می توان به عنوان نمونه های متا مدل از طریق تجسم وب دسکتاپ و تجسم موبایل اندروید ارائه کرد.
لایه کسب و کار شامل یک مرکز ثبت است که عمدتاً در مورد ثبت نمونه های متا مدل از پیش تعیین شده از طریق سرویس های وب داده مانند CSW و SOS است. کارگزار خدمات می تواند درخواست های خدمات را به عهده بگیرد و همچنین داده های مشاهده نقطه ای ارائه شده توسط ارائه دهنده خدمات را در لایه داده ثبت و منتشر کند. علاوه بر این، می تواند به کاربران در لایه ارائه کمک کند تا DMM را پیدا کنند و نتایج مربوطه را از طریق SOS به دست آورند، به عنوان مثال، عنصر ObservedResultProperty اطلاعات محتوای داده.
لایه کامپوننت یک سرویس ریز دانه است و مولفه های مدیریتی و اجزای سرویس را که در لایه تجاری استفاده می شود، ارائه می دهد. در همین حال، از طریق اطلاعات ابرداده ده تایی، به عنوان مثال، پیوند اطلاعات نوع انتقال، می تواند از خواندن، ذخیره و مدیریت نمونه های متا مدل مختلف ثبت شده در مرکز ثبت لایه کسب و کار پشتیبانی کند.
لایه داده، به عنوان ارائه دهنده خدمات، پایه و اساس کل سیستم است. داده‌های مشاهدات نقطه‌ای مختلفی را در شهرهای هوشمند فراهم می‌کند، از جمله داده‌های نظارت درجا و داده‌های ناوبری و موقعیت‌یابی، که می‌تواند مدیریت یکپارچه‌سازی را در لایه مؤلفه از طریق اطلاعات فراداده ده تایی DMM، به عنوان مثال، dataIdentifier انجام دهد. از اطلاعات شناسایی داده های مشاهده نقطه ای ارائه شده در این لایه در قالب نمونه های متا مدل برای لایه مؤلفه، لایه تجاری و لایه ارائه استفاده می شود.

3.2. ارزیابی عملکرد سیستم در SOS

SOS یک راه استاندارد برای مدیریت فراداده و داده های مشاهده حسگرهای ناهمگن ارائه می دهد. برای استفاده در معماری سرویس گرا، که دارای قابلیت همکاری و قابلیت استفاده مجدد نسبتاً بالا و ویژگی های جفت کم است، مناسب است و می تواند دسترسی را کشف کند و توسط مشتریان مختلف با یک روش وب سرویس فراخوانی شود [43 ، 47 ] . این یکی از خدمات اصلی OGC SWE است و عملکرد سرویس آن برای کل برنامه سیستم ما اهمیت زیادی دارد.
برای داده های لحظه ای مشاهده نقطه ای، دو عملیات اصلی SOS به ترتیب در نظر گرفته می شود، GetObservation و InsertObservation که نشان دهنده توانایی دسترسی و درج داده های مشاهده شده است. به عنوان نتیجه ارزیابی عملکرد SOS که قبلاً ساخته ایم، زمان پاسخ GetObservation در تک کاربره می تواند حدود 115 میلی ثانیه حفظ شود، اما در مورد 200 همزمان، نزدیک به 10 ثانیه است. نسبتاً، InsertObservation عملکرد کمی بهتر نشان می‌دهد، زمان پاسخ‌دهی آن برای یک کاربر بیشتر از 15 میلی‌ثانیه نیست و 1000 همزمان با بیش از 10 ثانیه [48 ] . بنابراین، در زمان واقعی بسیار سختگیرانه نیست و کاربردهای آن در موارد متعدد همزمان باید به دقت مورد بررسی قرار گیرد.
به منظور حل مشکلات عملکرد در اشتراک گذاری فوری داده های مشاهده نقطه جرم، یک SOS ذخیره سازی توزیع شده NoSQL را طراحی و پیاده سازی کرده ایم که با تمرکز بر عملکرد SOS و بر اساس پایگاه داده MongoDB MongoSOS نام دارد. معماری MongoSOS در شکل 6 نشان داده شده است، که شامل یک خوشه داده MongoDB، چندین نمونه از MongoSOS (به یک پایگاه داده اشاره می کند)، کاربر و حسگر است. MongoSOS یک سرویس وب است که در تامکت اجرا می شود و می تواند چندین نمونه سرویس MongoSOS را بر روی چندین ماشین مستقر کند و هر نمونه با همان توابع سرویس به یک خوشه پایگاه داده MongoDB متصل است. حسگر و کاربر می توانند داده های مشاهده را از هر نمونه سرویس MongoSOS وارد کنند تا داده های مشاهده شده را به دست آورند. خوشه MongoDB از سه مؤلفه به نام های mongod، mongos و config تشکیل شده است و یک خوشه می تواند چندین مؤلفه را پیکربندی کند. Mongod گره های ذخیره سازی تکه تکه شده است و مسئول داده های ذخیره سازی سپرده واقعی است. Mongos، یعنی مسیریابی پرس و جو، به عنوان کل خوشه ورودی، وظیفه زمان بندی عملیات پایگاه داده را بر عهده دارد. پیکربندی، یعنی

3.3. پیاده سازی سیستم

سیستم اشتراک گذاری مشاهدات لحظه ای میان رشته ای شهر هوشمند از پنج ماژول شامل مدل سازی، دسترسی و انتشار، پرس و جو، مدیریت و تجسم تشکیل شده است. می تواند مجموعه ای از توابع، مانند مدل سازی سریع داده ها، ویرایش مدل، پرس و جو داده ها، و همچنین تجسم داده ها و اطلاعات تصمیم را پیاده سازی کند.
تابع مدل‌سازی عبارت است از ایجاد سریع نمونه‌های DMM داده‌های مشاهده نقطه‌ای مختلف از طریق راهنماهای مدل‌سازی ارائه‌شده برای مدل‌سازی روی الگوهای DMM. برای مدل‌سازان، دانش قبلی غیرضروری است، و آنها به سادگی باید داده‌های مشاهده نقطه‌ای را برای مدل‌سازی انتخاب کنند و سپس با استفاده از راهنمای مدل‌سازی برای پایان مدل‌سازی، مقادیر فراداده را کلید بزنند یا انتخاب کنند.
عملکرد دسترسی و انتشار تکمیل یک سری عملیات مانند ثبت مدل، پیکربندی دسترسی، محصور کردن سرویس و ثبت سرویس برای متا مدل های از پیش تعیین شده از طریق استفاده از CSW و SOS است. CSW قرار است متا مدل های از پیش تعیین شده را در مرکز ثبت ثبت کند. دسترسی برای ذخیره داده های مشاهده نقطه ای در پایگاه داده SOS است. انتشار برای مرتبط کردن سرویس با DMM و انتشار سرویس داده مشاهده نقطه مرتبط به عنوان SOS است.
تابع پرس و جو، یعنی با توجه به اطلاعات موجود در فرامدل داده های مشاهده ای موجود، مانند اطلاعات پایه، اطلاعات موضوعی و اطلاعات مکانی-زمانی برای انجام پرس و جو پایه شامل یک شرط واحد یا پرس و جو ترکیبی با شرایط چندگانه. سپس، متا مدل خاص و خدمات مربوطه برای تسهیل بازیابی فوری سریع برای کاربران بازگردانده می شوند.
تابع مدیریت شامل مجموعه ای از عملیات برای متا مدل های موجود مانند بارگذاری، ویرایش، اصلاح، ذخیره، افزودن و حذف است و می تواند با بارگذاری و همچنین به روز رسانی لیست متا مدل های داده ارائه شده توسط مرکز ثبت اجرا شود. . از آنجایی که سیستم با مرکز ثبت هماهنگ شده است، می تواند مدیریت یکپارچه سازی منابع داده مشاهده نقطه ای در شهرهای هوشمند را تحقق بخشد.
عملکرد تجسم نمایش داده‌های مشاهده نقطه‌ای و اطلاعات تصمیم‌گیری از طریق پایانه‌های مختلف، به عنوان مثال، وب دسکتاپ و موبایل اندرویدی است، بنابراین به صورت پویا اطلاعات فوری در مورد برنامه‌ریزی و برنامه‌های مشترک برای تصمیم‌گیرندگان ارائه می‌دهد. وب دسکتاپ و موبایل اندرویدی می‌توانند پایانه‌های مختلفی را ارائه دهند تا دسترسی و اشتراک‌گذاری داده‌های مشاهده نقطه‌ای را برای کاربران راحت‌تر کنند.

3.4. تست های عملکرد MongoSOS

تست های عملکرد بر روی هر عملیات SOS MongoSOS و 52nSOS [ 49 ] توسط JMeter [ 50 ] که یک ابزار تست عملکرد منبع باز است، انجام می شود.
(1) داده‌های آزمایشی : داده‌های آزمایشی انتخاب‌شده، داده‌های GPS (سیستم موقعیت‌یابی جهانی) وسایل نقلیه شناور در ووهان، چین است و 1000 مورد از آنها به‌طور تصادفی از 13000 وسیله نقلیه به‌عنوان داده‌های تست همزمان انتخاب شده‌اند. فرکانس مشاهده اولیه وسایل نقلیه شناور حدود 30 ثانیه تا یک دقیقه و بازه زمانی داده خام سه روز است. بر اساس این داده ها، JMeter برای شبیه سازی و اصلاح زمان مشاهده هر داده رصدی به عنوان زمان سیستم فعلی سیستمی که شبیه ساز در آن قرار دارد و برای درج تعداد زیادی داده مشاهده به طور همزمان استفاده می شود.
(2) محیط تست : محیط آزمایش شامل نرم افزار و سخت افزار است که در جدول 2 و جدول 3 زیر توضیح داده شده است.
(3) طراحی موارد تست عملکرد : استقرار نمونه SOS شامل نمونه استقرار 52nSOS و نمونه استقرار MongoSOS است. شکل 7 a استقرار 52nSOS را با استفاده از یک نمونه SOS، یک نمونه واحد از PostgreSQL و دو نمونه تست JMeter نشان می دهد. همانطور که شکل 7 ب استقرار MongoSOS را با استفاده از دو نمونه SOS، یک نمونه خوشه MongoDB، دو نمونه JMeter، و در میان آنها، استقرار خوشه MongoDB با استفاده از یک مثال mongos، سه نمونه mongod، و سه نمونه پیکربندی نشان می‌دهد. و دو نمونه SOS به یک پایگاه داده در خوشه MongoDB اشاره می کنند، جایی که MongoDB از موتور ذخیره سازی WiredTiger استفاده می کند.
(4) فرآیند آزمایش : از JMeter برای ساختن طرح آزمایشی عملیات SOS، مانند GetObservation و InsertObservation، با خواندن فایل‌های داده خام متنی CSV (مقادیر جدا شده با کاما) ذخیره شده محلی برای ساخت XML مربوطه برای هر عملیات SOS استفاده کنید و به نمونه‌های SOS از طریق کدگذاری HTTP (پروتکل انتقال متن فوق‌العاده)، POST یا UTF-8 (فرمت تبدیل یونیکد 8 بیتی) و سپس برای دریافت اطلاعات پاسخ SOS و تعیین موفقیت‌آمیز بودن عملیات.
(5) نتایج آزمون و تجزیه و تحلیل : نتیجه تست های عملکرد در مورد GetObservation و InsertObservation با شرایط خاص. به عنوان مثال، تنظیم موقعیت GPS وسایل نقلیه شناور در حداقل جعبه مرزی ووهان به عنوان شرایط فضایی GetObservation در جدول 4 نشان داده شده است .
نتیجه آزمایش تأیید کرد که MongoSOS عملکرد بهتری نسبت به 52nSOS و یک روش ذخیره سازی توزیع شده بهتر برای مشخصات SOS دارد. عملیات دسترسی و درج برای داده های ناوبری و موقعیت یابی را می توان در سطح میلی ثانیه انجام داد. علاوه بر این، MongoSOS یک بخش کلیدی از معماری سرویس‌محور در سیستم نمونه اولیه پیشنهادی ما است و می‌تواند برای بهبود عملکرد اشتراک‌گذاری پیشرفته مکانی-زمانی داده‌های مشاهده نقطه‌ای متنوع باشد. از آنجایی که GetObservation و InsertObservation دو عملیات مهم و پیچیده MongoSOS هستند، بهبود عملکرد در زمان پاسخگویی آنها در مقایسه با 52nSOS به طور قابل توجهی کاهش می یابد.

4. مطالعات موردی

4.1. مورد اول: نظارت بر غلظت گاز

4.1.1. سناریوی واکنش اضطراری نشت گاز

پاسخ‌های اضطراری شهر هوشمند شامل داده‌های مشاهده نقطه‌ای در زمان واقعی از زمینه‌های مختلف است، به عنوان مثال، امنیت پلیس، نجات آتش‌نشانی، پزشکی، ترافیک، هواشناسی، محیط‌زیست، زمین و منابع، خدمات عمومی، حفاظت از آب، برق و صنعت گاز. با این حال، تحقق به اشتراک گذاری منابع اطلاعاتی توزیع شده بین بخش های مختلف تقریبا غیرممکن است. علاوه بر این، هنگامی که بلایای طبیعی، آلودگی محیط زیست، نشت گاز و سایر موارد اضطراری شهری در مقیاس بزرگ رخ می دهد، بخش های متعددی که درگیر هستند، برنامه ها و اقدامات اضطراری خاص خود را دارند. در مواجهه با شرایط اضطراری در شهرهای هوشمند، هماهنگ کردن بخش‌های مختلف برای پاسخ‌های اضطراری کارآمد دشوار است.
به اشتراک گذاری مشاهدات نقطه فوری میان رشته ای می تواند سناریوهای کاربردی واکنش های اضطراری در شهرهای هوشمند را ارائه دهد. به طور معمول، نظارت بر حسگر در محل، به عنوان مثال، نظارت بر غلظت گاز، بسیار مهم است زیرا پدیده نشت گاز ناشی از پیر شدن خطوط لوله و ترافیک سنگین همیشه منجر به آلودگی محیطی، خفگی کارگران، آتش‌سوزی و حتی انفجار می‌شود. با توجه به داده‌های بین‌رشته‌ای مختلف مشاهده نقطه‌ای که در پاسخ‌های اضطراری دخیل هستند، این مقاله پاسخ اضطراری نشت گاز را به عنوان یک سناریوی تجربی برای تکمیل کل فرآیند مدل‌سازی داده‌ها و کاربرد اشتراک‌گذاری می‌گیرد.

4.1.2. مدل سازی داده ها و ثبت نام

مدل‌سازی داده‌های مشاهده نقطه‌ای برای ایجاد متا مدل‌های داده اطلاعات اضطراری نشت گاز که از پایش فوری حسگر و همچنین گزارش شاهدان به‌دست آمده‌اند، استفاده می‌شود. رابط مدل سازی سیستم اصلی، یعنی راهنمای مدل سازی، در شکل 8 نشان داده شده است . برچسب‌های مربوط به راهنمای مدل‌سازی را می‌توان برای تکمیل مدل‌سازی کل داده‌ها، از جمله مدل‌سازی اطلاعات برچسب، مدل‌سازی اطلاعات محتوا، مدل‌سازی اطلاعات فضا-زمان، مدل‌سازی اطلاعات توزیع، مدل‌سازی اطلاعات کیفیت و مدل‌سازی اطلاعات مرجع با در نظر گرفتن شش فراداده انتخاب کرد. اجزاء. اطلاعات شرح برچسب‌های دقیق داده‌های مشاهده نقطه‌ای با ابرداده ده تایی مطابقت دارد.
با در نظر گرفتن مثال مدل‌سازی اطلاعات فضا-زمان، طبق راهنمای مدل‌سازی ارائه‌شده، اطلاعات توصیفی پیشرفته مکانی-زمانی هم در بعد مکانی و هم زمانی را می‌توان در نمونه‌های DMM، مانند مشاهده غلظت گاز و نظارت بر وسایل نقلیه عمومی، ثبت کرد. بر اساس BDS نمونه‌های کامل مدل‌سازی داده‌های مشاهده نقطه‌ای را می‌توان در فایل تکمیلی S2 و فایل S3 مشاهده کرد .
پس از اتمام کل مدل‌سازی، از طریق مرکز ثبت، ثبت استاندارد نمونه‌های DMM تک یا چندگانه تکمیل می‌شود. سپس، کاربران می توانند به صورت آنلاین مرور کنند، به صورت بلادرنگ به روز رسانی کنند و به طور یکنواخت متا مدل های داده مشاهده نقطه ای را که ثبت شده اند مدیریت کنند.

4.1.3. کاربرد و تجسم داده ها

برنامه اشتراک گذاری فوری بین رشته ای برای تحقق یافتن داده های پاسخ اضطراری مربوط به نشت گاز برای نیاز به هماهنگی اضطراری چند بخش، و تجسم داده های مشاهده فوری در بعد مکانی-زمانی برای کاربران برای به دست آوردن بصری مشاهدات نقطه ای مورد نیاز است. اطلاعات از طریق پایانه های ثابت یا سیار.
برای کشف داده‌های مشاهده نقطه‌ای مرتبط مورد نیاز برای پاسخ اضطراری، یک درخواست پرس و جوی مکانی-زمانی بر اساس نمونه‌های ثبت‌شده DMM نشت گاز شهری به شرح زیر ساخته می‌شود: محدوده زمانی مشاهده از فرم 2016-04-09 23:10:23Z است. به 2016-04-09 23:10:43Z; موقعیت فضا 112.5616 درجه شرقی و 37.8074 درجه شمالی است. دسته موضوع داده های نظارت درجا است. و خاصیت مشاهده شده غلظت متان با مقدار 4 و واحد به صورت درصد تنظیم شده است. سپس همانطور که در شکل 9 نشان داده شده است، سه نمونه DMM به عنوان نتیجه پرس و جو برگشت داده می شود، از جمله غلظت متان، فشار خط لوله و داده های نظارت Beidou که می تواند الزامات مکانی-زمانی داده شده را برآورده کند و شرایطی که غلظت متان بیشتر از 4٪ باشد. در همین حال، هر کد ID از نمونه‌های DMM به‌دست‌آمده نشان‌دهنده شناسایی منحصربه‌فرد عوامل نظارتی مختلف و ایستگاه‌های نظارت مرکب برای مدیریت یکپارچه‌سازی جامع یکپارچه است.
برای تجسم نظارت بر غلظت گاز برای پاسخ اضطراری نشت گاز، ترمینال تلفن همراه Android به عنوان مثال در نظر گرفته شده است ( شکل 10 را ببینید )، تا به صورت پویا اطلاعات مکانی-زمانی و اطلاعات تصمیم گیری مربوطه را نمایش دهد. همانطور که در شکل 10 نشان داده شده است، با انتخاب یک منطقه مربوطه و یک محدوده زمانی تقریبی اضطراری، اطلاعات اضطراری شهر مربوطه شامل نام، زمان وقوع، مکان و وضعیت اضطراری را می توان در Tianditu نشان داد [51] .] که برای ارائه خدمات اولیه اطلاعات جغرافیایی در چین استفاده می شود. نتیجه تصمیم پایش غلظت گاز، از جمله منطقه انتشار گاز و غلظت گاز در هر نقطه در منطقه انتشار شبیه سازی شده از طریق مدل انتشار گاوسی [ 52 ]، همانطور که در شکل 10 ب نشان داده شده است، به صورت بصری برای تصمیم گیرندگان نمایش داده می شود. به عنوان مثال، رنگ نقطه مشاهده در منطقه انتشار با افزایش غلظت گاز عمیق تر می شود و تصمیم گیرندگان می توانند از طریق مقادیر مشاهداتی خاص خودروها را برای رقیق سازی غلظت گاز ارسال کنند. علاوه بر این، کاربران همچنین می‌توانند برای پاسخ‌های اضطراری نشت گاز به پیام‌های اعلامیه بخش‌های مربوطه مراجعه کنند ( شکل 10 را ببینید.ج)، برای بهبود سطح هوش واکنش های اضطراری شهر هوشمند.

4.2. مورد دوم: نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS

ناوبری و نظارت بر موقعیت، به عنوان مثال، نظارت بر وسایل نقلیه عمومی شهری مبتنی بر BDS عمدتاً برای ضبط اطلاعات مشاهدات شهری پویا (به عنوان مثال، زمان، مکان، سرعت و جهت) که در فرآیند حرکت توسط وسیله نقلیه عمومی تولید می‌شود، استفاده می‌شود. BDS نصب شده است. BDS یک سیستم ناوبری ماهواره ای ملی اختصاصی چین است که تأیید شده است که دقت موقعیت یابی و کاربردهای آن با GPS قابل مقایسه است [ 53 ، 54 ]. بنابراین، نظارت بر وسایل نقلیه عمومی شهری مبتنی بر BDS می‌تواند مکان دقیق و اطلاعات زمانی ثابت را برای مدیریت پویا کنترل ترافیک و تخلیه اضطراری فراهم کند.
به طور کلی، آزمایش نظارت بر وسایل نقلیه عمومی شهر هوشمند مبتنی بر BDS نیز تکمیل مدل‌سازی، ثبت، درخواست و تجسم مربوطه است. در مقایسه با نظارت بر غلظت گاز، آزمایش نظارت بر وسایل نقلیه عمومی شهر هوشمند مبتنی بر BDS عمدتاً بر داده‌های ناوبری و موقعیت‌یابی برای نظارت بر وسایل نقلیه عمومی و برنامه‌های کاربردی ترافیک متمرکز است. مدل سازی داده ها و ثبت دو آزمایش با استفاده از راهنمای مدل سازی ارائه شده و مرکز ثبت مشابه است. کاربرد داده، کشف داده‌های نظارت بر وسایل نقلیه عمومی بر اساس BDS از طریق اطلاعات مکانی-زمانی مربوطه برای کاربران است تا مدیریت یکپارچه‌سازی و برنامه‌های اشتراک‌گذاری برای مشاهدات نقطه‌ای میان رشته‌ای را درک کنند.
تجسم نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS برای برنامه‌ریزی خودرو، همانطور که در شکل 11 نشان داده شده است، اجرا شده است . پس از انتخاب پلت فرم حسگر موبایل مربوطه و یک دوره معین در تگ مشاهده، مکان های وسیله نقلیه عمومی در لحظات مختلف و همچنین مسیر دویدن پیوسته را می توان در تیاندیتو نشان داد و اطلاعات اولیه مانند نام (به عنوان مثال ، شماره پلاک)، زمان، سرعت و جهت نیز می تواند به کاربران ارائه شود. علاوه بر این، اطلاعات جزئیات نمونه DMM مربوطه برای مشاهدات فوری وسایل نقلیه عمومی شهر هوشمند در پایین نمایش داده می شود تا به کاربران امکان مشاهده اطلاعات مشاهدات نقطه ای بیشتری را بدهد.

5. بحث

5.1. تطبیق پذیری و توسعه پذیری برای مدل سازی داده های مشاهدات نقطه ای

در مقایسه با استانداردهای ابرداده مربوط به زمین فضایی یا مشاهده ( جدول 1، DMM پیشنهادی از طریق ساختار توصیف اطلاعات ابرداده ده تایی بر اساس MOF بر چندین مشکل غلبه کرده است. اول، محتوای توصیف مکانی و زمانی نامفهوم و متناقض ناشی از آگاهی ذهنی متنوع مدل‌سازان مختلف یا همان مدل‌ساز در دوره‌های مختلف، به‌طور یکسان با توصیف افزایش‌یافته مکانی-زمانی بیان شده‌اند. دوم، عدم وجود ابرداده مشترک که بتواند ویژگی‌های کلی داده‌های مشاهده نقطه‌ای را برآورده کند، برطرف شده است. DMM برای ارائه یک چارچوب ابرداده برای مدل‌سازی اطلاعات مشاهده نقطه‌ای پیشنهاد شده است، و ساختار توصیف اطلاعات ده تایی، اطلاعات توصیف فراداده کلی داده‌های مشاهده نقطه‌ای را تعریف می‌کند. علاوه بر این، طرح DMM ( فایل S1) از چندین عنصر ابرداده از استانداردهای فراداده مرتبط، مانند SensorMll.0.0، SWECommon1.0.1، O&M2.0.0 و زبان نشانه گذاری توسعه پذیر MetaData جغرافیایی (GMD) 1.0.0، همانطور که در جدول 5 نشان داده شده است، برای پشتیبانی از سازگاری و بیان اطلاعات جامع، مجددا استفاده می کند. ، بنابراین تطبیق پذیری برای مدل سازی داده های مشاهده نقطه ای را درک می کند.
علاوه بر این، خاص به انواع داده‌های مختلف و ویژگی‌های منحصربه‌فرد داده‌های مشاهده نقطه‌ای، مکانیسم گسترش DMM برای گسترش مجموعه‌های عناصر مورد نیاز با استفاده از معماری MOF توسعه‌یافته توسعه یافته است. مجموعه‌های المان توسعه‌یافته، توصیف بهبودیافته بر اساس ساختار متادیتا ده تایی DMM هستند، مانند محتوای داده، بعد فضایی و مرجع مشاهده، همگی مجموعه‌های متادیتا مهمی هستند که در ساختار ده تایی تعریف شده‌اند و حاوی ویژگی‌ها و مقادیر مختلفی هستند که باید بر اساس نوع داده خاص برای داده های مشاهده نقطه ای مختلف گسترش یابد. بخش‌های شرح اطلاعات توسعه‌یافته نمونه داده‌های مشاهده غلظت گاز و نمونه داده‌های نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS در نشان داده شده‌اند.شکل 12 a،b، به ترتیب، مانند عنصر ObservedPropertyResult محتوای داده، عنصر planeCoverage بعد فضایی و عنصر مشاهدات مرتبط مرجع مشاهده. برای داده‌های ناوبری و موقعیت‌یابی، همانطور که در شکل 12 ب نشان داده شده است، عنصر originPointName، عنصر destinationPointName و عنصر accessState محتوای داده‌ها نیز می‌توانند نیازهای برنامه اشتراک‌گذاری مکانی-زمانی گسترده‌تری را برآورده کنند.
از طریق آزمایش واکنش اضطراری نشت گاز، نمونه‌های DMM از داده‌های مشاهده نقطه فوری میان رشته‌ای مختلف (به عنوان مثال، داده‌های نظارت درجا و داده‌های ناوبری و موقعیت‌یابی) ایجاد می‌شوند، همانطور که در فایل S2 و فایل S3 نشان داده شده است . از منظر ساختار فایل، توضیحات محتوای ساختار توضیحات اطلاعات ده تایی توسط یک ماشین قابل خواندن است. به عنوان فایل‌های XML استاندارد، طرح مربوط به DMM ( فایل S1 ) و نمونه‌های داده ( File S2 و File S3 ) توسط نرم‌افزار Altova XMLSpy از طریق نگاشت نوع فوق‌داده خاص به نوع عنصر ابرداده مدل‌های توصیفی مربوط به مکانی و مشاهدات تأیید شده است. همانطور که در جدول 5 نشان داده شده است. Altova XMLSpy یک محیط توسعه استاندارد XML برای مدل‌سازی، ویرایش، تبدیل و اشکال‌زدایی فناوری‌های مرتبط با XML است [ 55]]. با Altova XMLSpy، کاربران می‌توانند مستقیماً از طرح و نمونه‌های DMM استفاده کنند، و همچنین آنها را بر اساس نیازهای داده خاص گسترش دهند. ویژگی‌های کلی داده‌های مشاهده نقطه‌ای به طور مصنوعی در ساختار ابرداده ده تایی توضیح داده شده است و کاربران می‌توانند با انتخاب نوع عنصر مناسب و نگاشت آیتم‌های ابرداده جدید به چارچوب فرامدل، پسوند مربوطه را بر اساس طرح موجود DMM درک کنند. . علاوه بر این، برای کاربردهای به اشتراک گذاری گسترده تر برای انواع دیگر داده های مشاهدات نقطه ای، ویژگی های منحصر به فرد منابع مشاهدات نقطه ای با مکانیسم گسترش ساخت الگوهای اطلاعاتی خاص بیان می شود. برای مثال، عنصر insituObservationResultContent و عنصر navObservationResultContent از محتوای داده همانطور که در شکل 12 نشان داده شده است.a،b، به ترتیب، دو عنصر فراداده توسعه یافته جدید برای انواع داده های مختلف هستند. بنابراین، تطبیق پذیری و توسعه پذیری DMM برای انواع مختلف مدل سازی داده های مشاهده نقطه ای نشان داده شده است.

5.2. اشتراک گذاری مشاهدات نقطه ای فوری میان رشته ای فضایی-زمانی

با توجه به مشکلات به اشتراک گذاری داده های موجود برای داده های مقیاس بزرگ و ناهمگن، مانند توصیفات غیر جامع محتوای داده از اطلاعات مکانی و زمانی، و همچنین فقدان اتصال داده ها، DMM نشان داده شده در این مقاله منجر به اشتراک گذاری پیشرفته مکانی-زمانی برای مشاهدات نقطه ای بین رشته ای در شهرهای هوشمند
از یک طرف، DMM می‌تواند یک توصیف اطلاعات جامع و قابل توسعه ارائه دهد، بنابراین کمبود اطلاعات محتوای محدود در حاشیه‌نویسی معنایی و اینترنت داده‌ها را جبران می‌کند. در عین حال، دارای مولفه های مربوط به داده ها و توضیحات اطلاعاتی بعد مکانی و بعد زمانی است که هم اطلاعات مکانی-زمانی فوری جامع و پیوسته خود داده ها و هم سایر داده های مشاهده نقطه ای مربوطه را ارائه می دهد و در نتیجه به فضای زمانی- مکانی پی می برد. ارتباط متقابل داده ها را افزایش داده و منابع داده های مشاهده نقطه فوری میان رشته ای مفیدتر را فراهم می کند.
از سوی دیگر، در مورد مشکلات برنامه اشتراک گذاری، به عنوان مثال، رابط برنامه و امنیت داده، که در داده های پیوندی و زنده سازی داده ها وجود دارد، از طریق آزمایش پاسخ اضطراری نشت گاز شامل نظارت بر غلظت گاز و وسیله نقلیه عمومی شهر هوشمند. با پایش در زمینه‌های مختلف، توصیف جامع و منسجم اطلاعات مکانی و زمانی برای داده‌های رصد نقطه‌ای میان رشته‌ای محقق شده است. با پرس و جو ترکیبی از اطلاعات مکانی-زمانی، متا مدل های خاص و خدمات داده مربوطه، که شرایط داده شده را برآورده می کنند، به طور موثر بازگردانده می شوند. علاوه بر این، مدیریت یکپارچه‌سازی بین‌رشته‌ای یکپارچه مشاهدات نقطه‌ای توسط ثبت و انتشار استاندارد بر اساس خدمات وب اجرا می‌شود. مانند CSW و SOS. علاوه بر این، برای درک بهتر اشتراک‌گذاری پیشرفته مکانی-زمانی داده‌های مشاهده نقطه‌ای متنوع، عملیات دسترسی و درج برای داده‌های ناوبری و موقعیت‌یابی را می‌توان در سطح میلی‌ثانیه از طریق MongoSOS به دست آورد. به عنوان مثال، همانطور که در نشان داده شده استجدول 4 ، زمان پاسخ برای عملیات GetObservation (با شرایط مکانی) MongoSOS 458 میلی ثانیه است و عملکرد 2.3 درصد در مقایسه با عملکرد مشابه 52nSOS در شرایط مشابه بهبود یافته است. علاوه بر این، به مناسبت درج حجم زیاد داده، MongoSOS می تواند به 4320 بار در ثانیه برای سرعت 300 میلیون بار عملیات InsertObservation برسد، در حالی که 52nSOS تنها می تواند 146 بار در ثانیه برای سرعت 10 میلیون بار عملیات InsertObservation دریافت کند. . تجسم اطلاعات مکانی-زمانی برای داده‌های مشاهده نقطه‌ای نه تنها به کاربران کمک می‌کند تا منابع داده را در بعد مکانی-زمانی به اشتراک بگذارند، بلکه به زمان‌بندی بیشتر داده‌ها و تجزیه و تحلیل تصمیم‌گیری کمک می‌کند.

5.3. سایر سناریوهای کاربردی

برای سنسورهای درجا در پایش محیطی، زمان معمولاً خیلی مهم نیست، یعنی به زمان حساس نیست. معمولاً مشاهده می شود که میزان نمونه برداری از سنسورها در مورد پایش محیطی ممکن است چند دقیقه یا حتی چند ساعت باشد. فقط در مواقع اضطراری نرخ نمونه‌برداری تا چند ثانیه تنظیم می‌شود، همانطور که در مورد پایش غلظت گاز که DMM پیشنهادی ما برای انجام مشاهدات فشرده برای دریافت دینامیک سناریوی مشاهده‌شده اعمال می‌شود.
از طرف دیگر، از آنجایی که هر داده ناوبری و موقعیت یابی اطلاعات مکان را حمل می کند، هر مقدار مشاهده دارای یک مقدار موقعیت است که در سیستم پیشنهادی ما در ذخیره سازی MongoSOS درج شده است. برای داده های ناوبری و موقعیت یابی، زمان پاسخ دسترسی و درج را می توان در سطح میلی ثانیه متوجه شد. اطلاعات مکان را می توان با سرویس اطلاعات جغرافیایی برای کنترل بهتر داده های مشاهده نقطه ای توزیع شده جغرافیایی از طریق برنامه های کاربردی مبتنی بر وب در موقعیت های حساس به مکان مورد استفاده قرار داد. این مقادیر با اطلاعات زمان و موقعیت را می توان بیشتر برای کاربردهای مکانی-زمانی استفاده کرد.
برای داده‌های مشاهده نقطه‌ای ناهمگن شهری میان رشته‌ای و چند منبعی، از جمله داده‌های نظارت درجا و داده‌های ناوبری و موقعیت‌یابی، اشتراک‌گذاری مبتنی بر DMM می‌تواند یک توصیف اطلاعات همه‌کاره و توسعه‌یافته و اشتراک‌گذاری پیشرفته مکانی-زمانی ارائه دهد. با این حال، برای دو نوع داده مشاهدات نقطه‌ای، الگوهای DMM از قبل تنظیم شده‌اند، بنابراین برای انواع دیگر داده‌های مشاهده فوری، مکانیسم گسترش متناظر باید به‌ویژه بر اساس ویژگی‌های داده مرتبط و استانداردهای فراداده مشاهده ایجاد شود. بنابراین، مکانیسم های گسترش خودکار بیشتری قرار است توسعه یابد. این کمبود مستلزم انطباق بیشتر برای اشتراک گذاری مشاهده نقطه فوری بین رشته ای است.

6. نتیجه گیری

با هدف تحقق مدیریت ادغام بین رشته‌ای و به اشتراک گذاری برنامه‌های کاربردی در بعد مکانی-زمانی برای داده‌های مشاهده نقطه‌ای فوری در شهرهای هوشمند، اشتراک‌گذاری بر اساس یک DMM پیشنهادی که بر ویژگی‌های مکانی-زمانی تمرکز دارد و یک ساختار توصیف اطلاعات ده‌گانه را برای ارائه توصیف ارتقا یافته یکپارچه و مکانی-زمانی داده های مشاهده نقطه ای در این مقاله نشان داده شده است. علاوه بر این، از طریق ساختن سیستم نمونه اولیه و انجام یک آزمایش پاسخ اضطراری نشت گاز، امکان‌سنجی، تطبیق پذیری و توسعه‌پذیری DMM تأیید می‌شود و نتایج به اشتراک‌گذاری افزایش یافته مکانی-زمانی برای داده‌های مشاهده نقطه فوری بین‌رشته‌ای شهر را نشان می‌دهد. به خصوص، زمان پاسخ دسترسی و درج برای داده های ناوبری و موقعیت یابی را می توان در سطح میلی ثانیه از طریق MongoSOS پیشنهادی متوجه شد. بنابراین، با اشتراک‌گذاری پیشرفته مکانی-زمانی مبتنی بر DMM برای بهینه‌سازی زمان‌بندی و مدیریت منابع داده‌های مشاهده نقطه‌ای، سطح هوشمندی تصمیم‌گیری اداری و تراکنش‌های اضطراری بهبود می‌یابد. با توجه به داده‌های مشاهدات لحظه‌ای شهری در زمینه‌های مختلف، اشتراک‌گذاری مشاهدات نقطه‌ای سناریوهای کاربردی بسیاری در شهرهای هوشمند دارد، مانند نظارت بر غلظت گاز و نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS، و همچنین سایر پاسخ‌های اضطراری حاوی نظارت درجا و ناوبری و نظارت بر موقعیت. با اشتراک‌گذاری پیشرفته مکانی-زمانی مبتنی بر DMM برای بهینه‌سازی زمان‌بندی و مدیریت منابع داده‌های مشاهده نقطه‌ای، سطح هوشمندی تصمیم‌گیری اداری و تراکنش‌های اضطراری بهبود می‌یابد. با توجه به داده‌های مشاهدات لحظه‌ای شهری در زمینه‌های مختلف، اشتراک‌گذاری مشاهدات نقطه‌ای سناریوهای کاربردی بسیاری در شهرهای هوشمند دارد، مانند نظارت بر غلظت گاز و نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS، و همچنین سایر پاسخ‌های اضطراری حاوی نظارت درجا و ناوبری و نظارت بر موقعیت. با اشتراک‌گذاری پیشرفته مکانی-زمانی مبتنی بر DMM برای بهینه‌سازی زمان‌بندی و مدیریت منابع داده‌های مشاهده نقطه‌ای، سطح هوشمندی تصمیم‌گیری اداری و تراکنش‌های اضطراری بهبود می‌یابد. با توجه به داده‌های مشاهدات لحظه‌ای شهری در زمینه‌های مختلف، اشتراک‌گذاری مشاهدات نقطه‌ای سناریوهای کاربردی بسیاری در شهرهای هوشمند دارد، مانند نظارت بر غلظت گاز و نظارت بر وسایل نقلیه عمومی شهر هوشمند بر اساس BDS، و همچنین سایر پاسخ‌های اضطراری حاوی نظارت درجا و ناوبری و نظارت بر موقعیت.
در این مقاله، اشتراک گذاری فوری میان رشته ای مبتنی بر DMM عمدتاً بر روی مشاهدات نقطه ای متمرکز است و به ویژه برای دو نوع داده (به عنوان مثال، داده های نظارت در محل و داده های ناوبری و موقعیت یابی) مناسب است. بنابراین، در آینده، برای اشتراک‌گذاری مشاهده فوری بین رشته‌ای مشاهدات پوشش، انواع داده‌های بیشتر و بیشتر، مانند داده‌های صوتی تصویری و داده‌های شبکه اجتماعی، مکانیسم‌های گسترش خودکار بیشتر با منشأ داده‌ها و همچنین زمان واقعی‌تر برنامه‌های کاربردی، به عنوان مثال، چارچوب‌های اینترنت اشیا با اکوسیستم‌های بلادرنگ برای اشتراک‌گذاری پیشرفته مکانی-زمانی برای برآوردن نیازهای کاربردی شهری پیچیده‌تر در شهرهای هوشمند بیشتر مورد مطالعه قرار خواهند گرفت.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

ISO سازمان بین المللی استاندارد سازی
NGA آژانس ملی اطلاعات جغرافیایی
CSM مدل سنسور جامعه
SensorML زبان مدل سنسور
O&M طرح واره مشاهدات و اندازه گیری
OGC کنسرسیوم فضایی باز
DMM متا مدل داده
NoSQL نه تنها SQL
SOS سرویس مشاهده سنسور
MongoSOS سرویس مشاهده حسگر مبتنی بر MongoDB
SWE فعال سازی وب سنسور
XML زبان نشانه گذاری توسعه پذیر
MOF تسهیلات Meta Object
CSW خدمات کاتالوگ برای وب
52nSOS سرویس مشاهده حسگر شمالی 52
جی متر Apache JMeter™
BDS سیستم ماهواره ای ناوبری BeiDou
GMD زبان نشانه گذاری توسعه پذیر MetaData جغرافیایی

منابع

  1. باتی، م. Axhausen، KW; جیانوتی، اف. پوزدنوخوف، ا. بذانی، ع. واچوویچ، ام. اوزونیس، جی. پرتغالی، ی. شهرهای هوشمند آینده. یورو فیزیک J. Spec. بالا. 2012 ، 214 ، 481-518. [ Google Scholar ] [ CrossRef ]
  2. Lv، Z. لی، ایکس. ژانگ، بی. وانگ، دبلیو. زو، ی. هو، جی. Feng, S. مدیریت اطلاعات شهرهای بزرگ بر اساس WebVRGIS. IEEE Access 2016 ، 4 ، 407-415. [ Google Scholar ] [ CrossRef ]
  3. فرناندز، سی. Manyà، F. ماتو، سی. Sole-Mauri، F. مدل سازی مصرف انرژی در سیستم های جمع آوری زباله های خلاء خودکار. محیط زیست مدل. نرم افزار 2014 ، 56 ، 63-73. [ Google Scholar ] [ CrossRef ]
  4. فن، دبلیو. چن، ز. Xiong، Z. چن، اچ. اینترنت داده: ایده ای جدید برای گسترش IOT در دنیای دیجیتال. جلو. محاسبه کنید. علمی 2012 ، 6 ، 660-667. [ Google Scholar ] [ CrossRef ]
  5. لورینچ، ک. مالان، دی جی; Fulford-Jones, TR; ناوج، ع. کلاول، ا. شنیدر، وی. سرزمین اصلی، جی. ولز، ام. Moulton، S. شبکه های حسگر برای پاسخ اضطراری: چالش ها و فرصت ها. IEEE Pervas. محاسبه کنید. 2004 ، 3 ، 16-23. [ Google Scholar ] [ CrossRef ]
  6. شان، اس. وانگ، ال. لی، ال. Chen, Y. چارچوب سیستم پشتیبانی تصمیم واکنش اضطراری برای کاربرد در دولت الکترونیک. Inf. تکنولوژی مدیریت کنید. 2012 ، 13 ، 411-427. [ Google Scholar ] [ CrossRef ]
  7. استوکولز، دی. هال، KL; تیلور، BK; Moser, RP علم علوم تیمی: مروری بر این رشته و معرفی مکمل. صبح. J. قبلی پزشکی 2008 ، 35 ، 77-89. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. لام، JCK; واکر، آر.ام. هیلز، پی. میان رشته ای در مطالعات پایداری: مروری. سوست توسعه دهنده 2014 ، 22 ، 158-176. [ Google Scholar ] [ CrossRef ]
  9. هاپاسااری، پ. کولمالا، س. کوئیکا، اس. رشد به سمت میان رشته ای: چگونه زیست شناسی، اقتصاد و علوم اجتماعی را در تحقیقات شیلات همگرا کنیم؟ Ecol. Soc. 2012 ، 17 . [ Google Scholar ] [ CrossRef ]
  10. هوتونیمی، ک. کلاین، جی تی; بروون، اچ. Hukkinen, J. تجزیه و تحلیل بین رشته ای: گونه شناسی و شاخص ها. Res. سیاست 2010 ، 39 ، 79-88. [ Google Scholar ] [ CrossRef ]
  11. کلاین، JT ادغام تحقیقات: یک پایگاه دانش مقایسه ای. در مطالعات موردی در تحقیقات بین رشته ای ; Repko, AF, Newell, WH, Szostak, R., Eds. انتشارات سیج: هزار اوکس، کالیفرنیا، ایالات متحده آمریکا، 2012; ص 283-289. [ Google Scholar ] [ CrossRef ]
  12. کروگر، ام. Schäfer, M. توسعه سناریو به عنوان ابزاری برای فرآیندهای یکپارچه سازی بین رشته ای در تحقیقات کاربری پایدار. آتی 2016 ، 84 ، 64-68. [ Google Scholar ] [ CrossRef ]
  13. Horsburgh, JS; تاربتون، دی جی; پیاسکی، م. Maidment، DR; زاسلاوسکی، آی. ولنتاین، دی. Whitenack, T. یک سیستم یکپارچه برای انتشار داده های مشاهدات محیطی. محیط زیست مدل. نرم افزار 2009 ، 24 ، 879-888. [ Google Scholar ] [ CrossRef ]
  14. Tuchyna, M. ایجاد زیرساخت داده های مکانی در بخش محیط زیست در جمهوری اسلواکی. محیط زیست مدل. نرم افزار 2006 ، 21 ، 1572-1578. [ Google Scholar ] [ CrossRef ]
  15. رودا، اف. Musulin، E. یک چارچوب مبتنی بر هستی شناسی برای پشتیبانی از تجزیه و تحلیل داده های هوشمند اندازه گیری حسگر. کارشناس. سیستم Appl. 2014 ، 41 ، 7914-7926. [ Google Scholar ] [ CrossRef ]
  16. دی، ال. Moe، KL; Yu, G. تجزیه و تحلیل الزامات فراداده برای وب حسگر در حال ظهور این به صورت شفاهی در مجمع عمومی اتحادیه علوم زمین اروپا 2008، وین، اتریش، 13-18 آوریل 2008 ارائه شد . جی دیجیت. زمین 2009 ، 2 ، 3-17. [ Google Scholar ] [ CrossRef ]
  17. فن، اچ. لی، جی. چن، ن. هو، سی. مدل نمایش قابلیت برای سنسورهای سنجش از دور ناهمگن: مطالعه موردی در پایش رطوبت خاک. محیط زیست مدل. نرم افزار 2015 ، 70 ، 65-79. [ Google Scholar ] [ CrossRef ]
  18. چن، ن. Hu, C. یک متا مدل قابل اشتراک و قابل اجرا برای سنسورها و مشاهدات ماهواره ای جوی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 1519-1530. [ Google Scholar ] [ CrossRef ]
  19. اطلاعات جغرافیایی – فراداده – قسمت 1: مبانی. ISO 19115–1:2014. در دسترس آنلاین: https://www.iso.org/obp/ui/#iso:std:53798:en (در 3 آگوست 2014 قابل دسترسی است).
  20. اطلاعات جغرافیایی – مدل‌های حسگر تصویر برای موقعیت‌یابی جغرافیایی. ISO/TS 19130:2010. در دسترس آنلاین: https://www.iso.org/obp/ui/#iso:std:iso:ts:19130:ed-1:v1:en (در 3 اوت 2014 قابل دسترسی است).
  21. سند الزامات فنی مدل سنسور جامعه (CSM). NGA.STND.0017_3.0. در دسترس آنلاین: http://www.gwg.nga.mil/documents/csmwg/documents/CSM_TRD_Version_3.0__15_November_2010.pdf (در 8 اکتبر 2014 قابل دسترسی است).
  22. بوتس، ام. Robin, A. مشخصات پیاده سازی زبان مدل سنسور OpenGIS® (SensorML). OGC® 07-000. در دسترس آنلاین: http://www.opengeospatial.org/standards/sensorml (دسترسی در 5 مارس 2015).
  23. Cox, S. اطلاعات جغرافیایی: مشاهدات و اندازه‌گیری‌ها – OGC Abstract Specification موضوع 20. OGC 10-004r3. در دسترس آنلاین: http://www.opengeospatial.org/docs/as (در 7 مه 2015 قابل دسترسی است).
  24. کاکس، اس. مشاهدات و اندازه گیری ها – پیاده سازی XML. OGC 10-025r1. در دسترس آنلاین: http://www.opengis.net/doc/IS/OMXML/2.0 (در 17 ژوئیه 2015 قابل دسترسی است).
  25. گاسپری، جی. هوبی، اف. وولف، ا. Smolders، S. Earth Observation Metadata Profile of Observations & Measurements. OGC 10-157r4. در دسترس آنلاین: http://docs.opengeospatial.org/is/10-157r4/10-157r4.html (در تاریخ 12 ژوئن 2016 قابل دسترسی است).
  26. کریاکوف، آ. پوپوف، بی. ترزیف، آی. مانوف، دی. Ognyanoff، D. حاشیه نویسی معنایی، نمایه سازی، و بازیابی. وب سمنت 2004 ، 2 ، 49-79. [ Google Scholar ] [ CrossRef ]
  27. گونای، ا. آکچای، او. Altan, MO ساخت یک ژئوپورتال حمل و نقل عمومی مبتنی بر معنایی مطابق با موضوع داده شبکه حمل و نقل INSPIRE. علوم زمین Inf. 2014 ، 7 ، 25-37. [ Google Scholar ] [ CrossRef ]
  28. وانگ، دبلیو. استوارت، ک. استخراج اطلاعات مکانی-زمانی و معنایی از گزارش های خبری وب در مورد خطرات طبیعی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 50 ، 30-40. [ Google Scholar ] [ CrossRef ]
  29. دیز، تی. اختر، س. کوواس، دی. اولسون، آر. اوربیک، آر. ونشتاین، وی. استیونز، آر. Edwards, RA دسترسی به پایگاه های داده ژنوم SEED از طریق API خدمات وب: ابزارهایی برای برنامه نویسان. بیوانفورم BMC 2010 ، 11 ، 319. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. برنرز لی، تی. داده های پیوندی-مسائل طراحی. در دسترس آنلاین: https://www.w3.org/DesignIssues/LinkedData.html (در 10 اوت 2015 قابل دسترسی است).
  31. بیزر، سی. هیث، تی. Berners-Lee, T. داده های مرتبط – داستان تاکنون. بین المللی ج. سمنت. وب اطلاعات سیستم 2009 ، 5 ، 1-22. [ Google Scholar ] [ CrossRef ]
  32. بیزر، سی. شبکه نوظهور داده های مرتبط. IEEE Intell. سیستم 2009 ، 24 ، 87-92. [ Google Scholar ] [ CrossRef ]
  33. Xiong، Z. لو، دبلیو. چن، ال. زنده‌سازی داده‌های Ni، LM: یک الگوی جدید برای تجزیه و تحلیل مجموعه داده در مقیاس بزرگ. در مجموعه مقالات سیستم های موازی و توزیع شده (ICPADS)، 2010 شانزدهمین کنفرانس بین المللی IEEE، شانگهای، چین، 8 تا 10 دسامبر 2010. صص 251-258.
  34. بوتس، ام. پرسیوال، جی. رید، سی. Davidson, J. OGC® Sensor Web Enabled: Overview and High Level Architecture. در GeoSensor Networks، مجموعه مقالات دومین کنفرانس بین المللی، GSN 2006، بوستون، MA، ایالات متحده آمریکا، 1-3 اکتبر 2006 . Nittel, S., Labrinidis, A., Stefanidis, A., Eds. Springer: برلین/هایدلبرگ، آلمان، 2008; صص 175-190. [ Google Scholar ]
  35. دیاز، ال. برورینگ، آ. مکینرنی، دی. لیبرتا، جی. Foerster، T. انتشار مشاهدات حسگر در زیرساخت های اطلاعات مکانی: یک مورد استفاده در ارزیابی خطر آتش سوزی. محیط زیست مدل. نرم افزار 2013 ، 48 ، 65-80. [ Google Scholar ] [ CrossRef ]
  36. کرگت، من؛ رابسون، بی جی؛ نقش Macleod، CJ Modellers در ساختار پروژه های تحقیقاتی یکپارچه. محیط زیست مدل. نرم افزار 2013 ، 39 ، 322-330. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. ویسکونتی، ام. Cook, CR یک چارچوب متا مدل برای مدل سازی فرآیند نرم افزار. In Product Focused Software Process Improvement، مجموعه مقالات چهارمین کنفرانس بین المللی، Profes 2002، Rovaniemi، فنلاند، 9-11 دسامبر 2002 . Oivo, M., Komi-Sirviö, S., Eds. Springer: برلین/هایدلبرگ، آلمان، 2002; صص 532-545. [ Google Scholar ]
  38. چن، ن. وانگ، ک. شیائو، سی. Gong, J. یک متا مدل گره وب حسگر ناهمگن برای مدیریت یک سیستم نظارت بر سیل. محیط زیست مدل. نرم افزار 2014 ، 54 ، 222-237. [ Google Scholar ] [ CrossRef ]
  39. اتکینسون، سی. کوهنه، تی. توسعه مبتنی بر مدل: یک پایه مدلسازی. IEEE Softw. 2003 ، 20 ، 36-41. [ Google Scholar ] [ CrossRef ]
  40. مشخصات Meta Object Facility (MOF). ISO/IEC 19502:2005(E). در دسترس آنلاین: http://www.omg.org/spec/MOF/ISO/19502/PDF (دسترسی در 10 سپتامبر 2015).
  41. فناوری اطلاعات – هسته اصلی گروه مدیریت شیء متا (MOF). ISO/IEC 19508:2014(E). در دسترس آنلاین: http://www.omg.org/spec/MOF/ISO/19508/PDF (دسترسی در 10 سپتامبر 2015).
  42. ویتولو، سی. الخطیب، ی. رویسر، دی. Macleod، CJ; Buytaert، W. فن آوری های وب برای داده های بزرگ محیطی. محیط زیست مدل. نرم افزار 2015 ، 63 ، 185-198. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. چن، ز. چن، ن. دی، ال. Gong, J. سرویس برنامه ریزی داده ها و حسگرهای انعطاف پذیر برای حسگرهای مجازی مبتنی بر وب سرویس. IEEE Sens. J. 2011 ، 11 ، 1429-1439. [ Google Scholar ] [ CrossRef ]
  44. دی، ال. چن، آ. یانگ، دبلیو. لیو، ی. وی، ی. مهروترا، پ. هو، سی. ویلیامز، دی. توسعه شبکه داده های جغرافیایی با ادغام خدمات وب OGC با فناوری شبکه مبتنی بر گلوبوس. موافق Comp. تمرین کنید. انقضا 2008 ، 20 ، 1617-1635. [ Google Scholar ] [ CrossRef ]
  45. برورینگ، آ. استاش، سی. استاندارد رابط سرویس مشاهده سنسور Echterhoff، J. OpenGIS®. OGC 12-006. در دسترس آنلاین: http://www.opengis.net/doc/IS/SOS/2.0 (در 12 دسامبر 2015 قابل دسترسی است).
  46. چن، ن. شیائو، سی. Pu، F. وانگ، ایکس. وانگ، سی. وانگ، ز. Gong, J. خدمات اطلاعات جغرافیایی فیزیکی سایبری کنترل حسگرهای مختلف درجا. Sensors 2015 , 15 , 2565–2592. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  47. چن، ن. دی، ال. یو، جی. Min, M. یک سرویس مشاهدات حسگر جغرافیایی انعطاف پذیر برای داده های حسگر متنوع بر اساس وب سرویس. ISPRS J. Photogramm. Remote Sens. 2009 , 64 , 234-242. [ Google Scholar ] [ CrossRef ]
  48. چن، ن. ژانگ، دبلیو. وانگ، ایکس. ارزیابی عملکرد و روش در سرویس مشاهده حسگر. گاو نر Surv. نقشه 2015 ، 4 ، 61-64. [ Google Scholar ] [ CrossRef ]
  49. 52nSOS. در دسترس آنلاین: http://52north.org/communities/sensorweb/sos/ (در 13 فوریه 2017 قابل دسترسی است).
  50. آپاچی جی متر در دسترس آنلاین: http://jmeter.apache.org/ (در 13 فوریه 2017 قابل دسترسی است).
  51. چن، YW; یاپ، K.-H. لی، جی وای تیاندیتو: اولین سرویس نقشه برداری آنلاین رسمی چین. فرقه رسانه. Soc. 2013 ، 35 ، 234-249. [ Google Scholar ] [ CrossRef ]
  52. خطوط، IG; دیوز، DM; اتکینز، WS مدل‌سازی عملی پراکندگی گاز در شرایط سرعت باد کم، برای کاربرد در ارزیابی ریسک. جی. هازارد. ماتر 1997 ، 54 ، 201-226. [ Google Scholar ] [ CrossRef ]
  53. شی، سی. ژائو، کیو. هو، ز. لیو، جی. موقعیت یابی نسبی دقیق با استفاده از داده های ردیابی واقعی از ماهواره های COMPASS GEO و IGSO. راه حل GPS. 2013 ، 17 ، 103-119. [ Google Scholar ] [ CrossRef ]
  54. ژائو، کیو. گوا، جی. لی، ام. کو، ال. هو، ز. شی، سی. لیو، جی. نتایج اولیه تعیین دقیق مدار و ساعت برای سیستم ماهواره ای ناوبری قطب نما. جی. جئود. 2013 ، 87 ، 475-486. [ Google Scholar ] [ CrossRef ]
  55. Altova XMLSpy. در دسترس آنلاین: https://www.altova.com/simpledownload2c.html (در 11 ژانویه 2017 قابل دسترسی است).
Ijgi 06 00050 g001 550
شکل 1. طبقه بندی داده ها و ارتباط مشاهدات نقطه ای بین رشته ای.
Ijgi 06 00050 g002 550
شکل 2. معماری فرامدلسازی پیشرفته فضایی-زمانی.
Ijgi 06 00050 g003 550
شکل 3. سازماندهی ابرداده های افزایش یافته مکانی-زمانی برای اشتراک گذاری مشاهدات نقطه ای بین رشته ای.
Ijgi 06 00050 g004 550
شکل 4. نمودار زبان مدلسازی یکپارچه (UML) متا مدل داده (DMM) برای اشتراک گذاری مشاهدات نقطه فوری بین رشته ای.
Ijgi 06 00050 g005 550
شکل 5. معماری سرویس گرا سیستم اشتراک گذاری مشاهدات نقطه فوری میان رشته ای شهر هوشمند.
Ijgi 06 00050 g006 550
شکل 6. معماری MongoSOS برای افزایش عملکرد در سرویس مشاهده حسگر.
Ijgi 06 00050 g007 550
شکل 7. آزمایش معماری استقرار محیط: ( الف ) نمونه استقرار 52nSOS. و ( ب ) نمونه استقرار MongoSOS.
Ijgi 06 00050 g008 550
شکل 8. راهنمای مدل‌سازی داده‌های مشاهده نقطه‌ای: مدل‌سازی اطلاعات فضا-زمان. برای DMM مواردی که با ستاره قرمز مشخص شده اند ضروری هستند و سایر مواردی که با ستاره آبی مشخص شده اند اختیاری هستند.
Ijgi 06 00050 g009 550
شکل 9. کشف داده های داده های مشاهده نقطه فوری میان رشته ای برای پاسخ اضطراری نشت گاز.
Ijgi 06 00050 g010 550
شکل 10. تجسم ترمینال تلفن همراه اندروید از نظارت بر غلظت گاز برای پاسخ اضطراری نشت گاز: ( الف ) تجسم رویداد نشت گاز. ( ب ) نتیجه تصمیم گیری از نظارت بر غلظت گاز. و ( ج ) پیام های اعلامی برای پاسخ های اضطراری نشت گاز.
Ijgi 06 00050 g011 550
شکل 11. تجسم وب رومیزی نظارت بر وسایل نقلیه عمومی بر اساس سیستم ماهواره ای ناوبری BeiDou.
Ijgi 06 00050 g012 550
شکل 12. مقایسه شرح اطلاعات گسترده انواع مختلف نمونه های DMM.
جدول
جدول 1. استانداردهای ابرداده های مربوط به مکان یا مشاهده.
جدول
جدول 2. محیط تست نرم افزار.
جدول
جدول 3. محیط تست سخت افزار.
جدول
جدول 4. مقایسه میانگین زمان پاسخ بین MongoSOS و 52nSOS در مورد 1000 همزمان.
جدول
جدول 5. نگاشت از DMM به دیگر مدل های توصیفی مربوط به زمین فضایی و مشاهده.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370