【智慧型運輸系統( ITS )於歐洲成功案例簡介】
自1994年在法國巴黎召開第1屆智慧型運輸系統(Intelligent Transportation System,
ITS）世界大會開始，至今20年來相關技術持續在國際間研發、應用與推廣。ITS整合包含資訊、通訊、電子、控制及管理等技術，配合相關軟硬體建設，來改善或提升人、車、路之運輸功能與服務品質。近幾年由於雲端(cloud)相關之軟硬體技術大幅提升與價格普及化，建構在雲端系統之ITS已成為未來研究與發展之主流。底下簡述一些ITS在歐洲之成功案例，或許可作為國內發展類似系統之借鏡。
 |
圖1：ITS電路。圖片來源：Eland Engineering
|
瑞典斯德哥爾摩是智慧交通的典範城市，使用浮動車資料獲取技術（Floating Car Data，FCD），從近 15000 輛計程車駕駛室內的全球定位系統中收集即時交通資訊。另外建置智慧公共交通系統，包括流量和事故管理、交通資訊發佈系統、路線規劃、交通安全系統等。2006年開始收取交通擁塞稅也是斯德哥爾摩智慧交通建設重要配套政策之一。
法國智慧交通系統包括高速公路電子收費系統HAMLET2，依據車輛行駛距離與對高速公路所造成損壞(例如重型車輛)進行收費。PC 2000確保旅客與駕駛之安全，可在緊急需要時快速連結巡邏警力、救護車輛、警局與醫院。MOBILOC為車隊管理系統，定位精度在10m左右，可在1分鐘內管理120,000部車輛。SURF
2000為城市交通控制系統，可隨時調整交通號誌秒數來減少車輛在路口等待時間。
德國COMPANION為一先進之事故警報系統，能在交通事故發生後之最短時間隔離現場，並通報鄰近駕駛注意，避免更嚴重的二次事故發生。PASSO系統依賴沿高速公路大量裝置之感知器，精確統計車流量，並搭配裝置在行駛市區車輛之GPS單元及GSM通訊所回報車輛位置、行駛方向及速度等動態車輛數據(FCD)，掌握即時交通資訊並產生可靠之交通預測。VSO系統每小時提供精確交通訊息概況，以視覺化效果顯示全國各州交通概況。
英國倫敦公車實時(live)訊息系統(Countdown)顯示公車到站次序、行駛路線、抵達時間，提升公車服務品質。TRIPlanner提供使用者旅程安排，包括最佳路線規劃、旅行模式組合(多元化)、旅行時間等。
其他如希臘APOLLON系統對道路空氣質量進行監測並預報汙染狀況，交通管理者可適時疏導交通壅塞區域避免汙染狀況產生。荷蘭TLN-planner產生起點與終點之精確路線與行駛時間，提供貨運業者精確成本計算。義大利AVM系統大量收集公車當前狀態(行駛位置、方向、超前或滯後、乘客數量等)，提升大眾運輸服務品質。
【零售大數據應用：美麗與哀愁】
英國最大的連鎖超市Tesco在過去10多年來，一直是實體零售商應用大數據提升業績的典範。Tesco將顧客的刷卡消費、問卷回饋、打客服電話等多樣行為倒入分析模型，以獲得顧客的消費習慣、近期需求，據以開展精準行銷（precision marketing）。Tesco巔峰時期的市佔率曾高達30%，許多人都認為Tesco的關鍵成功祕密就在於高度客製化行銷、快速回應消費者需求。Tesco的成功故事不斷傳播，眾多實體零售業者如今皆寄望大數據分析成為抵抗線上購物的反擊武器。舉例來說，Lush，英國天然手工洗滌化妝品公司，讓員工使用大數據分析工具，隨時可以取得各品項的銷售數字，並可根據數據來管理店面陳設與倉儲。Lush的員工如果從統計數據發現某款手工皂的銷售總與特定洗髮精有關，他們可以自行決定將這兩項商品並排陳列，以進一步提高銷售金額。
 |
然而，Tesco近來糟糕的業績讓MIT Sloan的Michael Schrage帶出一個重要的討論議題：是否Tesco過度自信大數據分析帶來的精準行銷效益，而沒有關注真正的行銷創新與消費者洞見？同意者認為零售商的確過度美化大數據行銷帶來的成長效益，而且沒有意識到顧客對於永無止盡的客製化推薦感到厭煩，有少數顧客甚而因隱私被窺探而憤怒。不同意者則認為大數據分析並沒有錯，也早已是趨勢，關鍵問題在於決策者僅花少許時間解讀資料以致於做出過度簡化的決策。
未來幾年內，我們將可見到所有零售商應用大數據做出令顧客驚訝的客製化行銷。然而，我們更加期待真正的商業模式創新會因大數據分析而誕生，從而滿足顧客既有需求，以及擴展全新的消費體驗。
【大數據及雲端儲存之展望】
近年來，隨著數位攝影機（digital video recorder）、數位照相機（digital camera）、甚至感測器網路（sensor networks）的普及，我們所擁有的資料量大幅增加；資料的儲存與管理，遂成一重要的研究領域。舉凡著名之Google Filesystem[1] 、Apache
Hadoop下的Hadoop File System (HDFS) 檔案系統[2] 、以及為IBM Elastic Storage產品線所採用之General Parallel
File System (GPFS)技術[3] ，都為巨量資料的儲存與管理，提供了有效的解決方案。
為滿足雲端及大數據環境下對資料儲存之需求，既有之研究及系統實作由改良資料的儲存結構、索引結構、甚而存取介面等方面著手，試圖提升儲存系統之效能（performance）、可靠性（reliability）、可用性（availability）與延展性（scalability）等諸端服務品質（quality-of-service, QoS）指標。舉例而言，為了提供非規範化的、無法簡單以表格式關係描述（tabular relation）之資料，Not Only SQL (NoSQL)資料庫[4] 試圖延伸既有之關聯式資料庫（relational database）[5] 之設計，採用寬行儲存體（wide column store）[6] 與基於文件之儲存體（document store）[7] 取代傳統之鍵值儲存體（key-value store）以便有效管理大量非規範化之資料。然而，由於既有之研究往往偏重於儲存系統之邏輯視角，其並未充分考慮儲存硬體，如硬碟或快閃記憶體之硬體特性[8] ，而無法充分發揮不同儲存硬體之優勢。尤有甚者，既有之研究對於包含多種儲存媒體之複合式（hybrid）雲端或大數據儲存系統之考量仍未臻全面，仍有許多可挖掘之研究空間。有鑑於此，本分項計畫將開發相關之儲存技術，以提升大規模之異質雲端、大數據系統之各項性能。
 |
| 圖3：資料儲存硬體。圖片來源：VirtualNigeria。 |
[1] Hemawat, Sanjay, Howard Gobioff,
and Shun-Tak Leung (2003). "The Google file system." ACM SIGOPS
Operating Systems Review. Vol. 37. No. 5. ACM.
[2] Borthakur, Dhruba (2008).
"HDFS architecture guide." Hadoop Apache Project,
http://hadoop.apache.org/common/docs/current/hdfs_design.pdf.
[3] Schmuck, Frank B., and Roger L.
Haskin (2002). "GPFS: A Shared-Disk File System for Large Computing
Clusters." FAST. Vol. 2.
[4] Cattell, Rick (2011).
"Scalable SQL and NoSQL data stores." ACM SIGMOD Record 39.4: 12-27.
[5] Date, Chris J., and Hugh Darwen (1987).
A Guide to the SQL Standard. Vol. 3. New York: Addison-Wesley.
[6] Sikka, Vishal, et al (2012).
"Efficient transaction processing in SAP HANA database: the end of a
column store myth." Proceedings of the 2012 ACM SIGMOD International
Conference on Management of Data. ACM.
[7] Tansley, Stewart, and Kristin
Michele Tolle, eds (2009). "The fourth paradigm: data-intensive scientific
discovery."
[8] Bez, Roberto, et al (2003).
"Introduction to flash memory." Proceedings of the IEEE 91.4:
489-502.
沒有留言:
張貼留言