デジタル ツイン ビルダー (プレビュー) は、Microsoft Fabric の Real-Time Intelligence ワークロード内の新しい項目です。 実際の環境のデジタル表現を作成し、データを使用して物理操作を最適化します。
Von Bedeutung
この機能は プレビュー段階です。
このチュートリアルでは、デジタル ツイン ビルダー項目を設定し、それを使用して、イベントストリームからストリーミングされたサンプル データをコンテキスト化するオントロジを構築する方法について説明します。 デジタル ツイン ビルダーでオントロジを構築した後、ショートカットを使用してイベントハウス内のデータを公開し、KQL (Kusto クエリ言語) クエリを使用してクエリを実行します。 次に、これらのクエリ結果を Real-Time ダッシュボードで視覚化します。
[前提条件]
- Microsoft Fabric 対応の 容量を持つ ワークスペース。
- テナントにデジタルツインビルダーのアクセスが有効になりました。
ファブリック管理者は、管理ポータルでデジタル ツイン ビルダーへのアクセス権を付与できます。 テナント設定で、Digital Twin Builder (プレビュー) を有効にします。
デジタル ツイン ビルダーとは互換性がないため、テナントは Spark の自動スケーリング請求を有効にすることができません。 この設定は、 管理ポータルでも管理されます。
シナリオ
このチュートリアルで使用するサンプル シナリオは、バスの移動と場所に関する情報を含むバス データのセットです。 デジタル ツイン ビルダー (プレビュー) を使用してデータをコンテキスト化およびモデル化することで、バスの動作を分析および推定できます。
この分析には、バスが次の停留所で遅れるかどうかを見積もる一方で、ボロレベルの位置データを使用して遅延パターンを分析することも含まれます。 分析を使用して、個々の停留所での遅延を見積もり、どの停留所や地区で遅延がより頻繁に発生しているかなど、地理的傾向を特定できます。
データの概要
このチュートリアルでは、リアルタイム のバス移動とタイミングの詳細 (ファクト データ) と、正確な地理的およびコンテキストに応じたバス停留所データ (ディメンション データ) の 2 つのデータ ソースのデータを組み合わせます。 デジタル ツイン ビルダー (プレビュー) でバス データをコンテキスト化すると、動的な分析と運用上の分析情報が可能になります。 静的バス停留所データを組み込むことで、ローカライズされた分析と遅延パターンの識別の基盤が確立されます。 さらに、停止データから得られる地区所有権と地域性のデータを通じて、より大局的な地理的傾向や全体的な交通効率を理解することができます。
次の表は、各データ ソースに含まれるデータをまとめたものです。
バス データ
このデータ セットは、バスの移動に関する情報を提供するリアルタイム データです。 Real-Time インテリジェンス経由でストリーミングされます。
| フィールド | 説明 |
|---|---|
Timestamp |
データ スナップショットが作成された時刻 (リアルタイム システム時間)。 |
TripId |
特定のルートに沿ったバス運行のような各乗車の具体例に対する一意識別子。 個々のバスの旅を追跡するのに役立ちます。 |
BusLine |
ルート番号 (110 や 99 など)。 特定の行でパターン検出を行う場合に、乗車と停止をグループ化する場合に便利です。 |
StationNumber |
乗車内の停止シーケンス (1 は最初の停止)。 バスがルートに沿って進行する方法を追跡するのに役立ちます。 |
ScheduleTime |
バスがルート上の次の駅に到達する予定時刻。 遅延の計算に役立ちます。 |
Properties |
2 つの値を含む JSON フィールド。InMotionまたはArrivedできるBusState (移動状態を示します)、TimeToNextStation 。これは、次の停留所に到達するまでの推定残り時間です。 この JSON フィールド列は、デジタル ツイン ビルダー (プレビュー) で使用するために分離する必要があります。 |
バス停データ
このデータ セットは、バス停に関するディメンション データです。 ストップが配置されている場所に関する (シミュレートされた) コンテキスト情報を提供します。 このデータは、チュートリアルの lakehouse に静的ファイルとしてアップロードされます。
| フィールド | 説明 |
|---|---|
Stop_Code |
バス停のための一意識別子。 |
Stop_Name |
アビーウッドロードのようなバス停の名前。 |
Latitude |
バス停の緯度。 マップの視覚化や、停止間の距離の計算に役立ちます。 |
Longitude |
バス停の経度。 マップの視覚化や、停止間の距離の計算に役立ちます。 |
Road_Name |
停留所がある道路。 道路固有の傾向を特定するのに役立ちます。 |
Borough |
停留所がある自治区は、グリニッジのような場所です。 集計と地理的分析に役立ちます。 |
Borough_ID |
自治区を識別する数値 ID。 ボロー レベルのデータセットとの結合に使用される可能性があります。 |
Suggested_Locality |
停留所が属する近隣または地元の地域はAbbey Woodのような場所です。 自治区よりも細かく、ローカル分析に役立ちます。 |
Locality_ID |
局所性の数値識別子。 |
チュートリアルの手順
このチュートリアルでは、次の手順を実行して、バス データ シナリオを構築します。
- 環境を設定し、静的なコンテキスト サンプル データを lakehouse にアップロードする
- ストリーミング データを処理して lakehouse に取り込む
- デジタル ツイン ビルダーでオントロジを構築する (プレビュー)
- Fabric ノートブックを使用してオントロジ データを Eventhouse に投影する
- データを探索して視覚化するための KQL クエリと Real-Time ダッシュボードを作成する