Käytä liikkuvuustietoja saadaksesi oivalluksia Amazon SageMakerin geospatiaalisten ominaisuuksien avulla | Amazon Web Services

Geospatiaaliset tiedot ovat tietoja tietyistä paikoista maan pinnalla. Se voi edustaa maantieteellistä aluetta kokonaisuutena tai se voi edustaa maantieteelliseen alueeseen liittyvää tapahtumaa. Paikkatietojen analysointia halutaan muutamilla toimialoilla. Siihen liittyy ymmärrys siitä, missä data on olemassa tilanäkökulmasta katsottuna ja miksi se on olemassa.

Paikkatietoa on kahdenlaisia: vektoridata ja rasteridata. Rasteridata on ruudukkona esitetty solumatriisi, joka edustaa enimmäkseen valokuvia ja satelliittikuvia. Tässä viestissä keskitymme vektoritietoihin, jotka esitetään maantieteellisinä leveys- ja pituuskoordinaateina sekä viivoina ja polygoneina (alueina), jotka yhdistävät tai ympäröivät niitä. Vektoridatalla on lukuisia käyttötapauksia liikkuvuusnäkemysten johtamisessa. Käyttäjien mobiilidata on yksi tällainen osa sitä, ja se on johdettu enimmäkseen GPS:ää käyttävien mobiililaitteiden maantieteellisestä sijainnista tai SDK:ita tai vastaavia integraatioita käyttävien sovellusjulkaisijoiden sijainnista. Tätä viestiä varten viittaamme näihin tietoihin nimellä liikkuvuustiedot.

Tämä on kaksiosainen sarja. Tässä ensimmäisessä viestissä esittelemme liikkuvuustiedot, niiden lähteet ja näiden tietojen tyypillisen kaavion. Keskustelemme sitten erilaisista käyttötapauksista ja tutkimme, kuinka voit käyttää AWS-palveluita tietojen puhdistamiseen, kuinka koneoppiminen (ML) voi auttaa tässä työssä ja kuinka voit hyödyntää dataa eettisesti visuaalien ja oivallusten luomisessa. Toinen viesti on luonteeltaan teknisempi ja kattaa nämä vaiheet yksityiskohtaisesti esimerkkikoodin ohella. Tässä viestissä ei ole näytetietojoukkoa tai esimerkkikoodia, vaan se kattaa, kuinka tietoja käytetään sen jälkeen, kun se on ostettu datan kokoojalta.

Voit käyttää Amazon SageMakerin geospatiaaliset ominaisuudet liittää liikkuvuustiedot peruskartalle ja tarjota kerroksellista visualisointia yhteistyön helpottamiseksi. GPU-käyttöinen interaktiivinen visualisoija ja Python-kannettavat tarjoavat saumattoman tavan tutkia miljoonia tietopisteitä yhdessä ikkunassa ja jakaa oivalluksia ja tuloksia.

Lähteet ja malli

Liikkuvuustietojen lähteitä on vähän. GPS-ping-kutsujen ja sovellusjulkaisijoiden lisäksi tietojoukon täydentämiseen käytetään muita lähteitä, kuten Wi-Fi-tukipisteitä, hintatarjousvirtatietoja, jotka on saatu näyttämällä mainoksia mobiililaitteissa, ja yritysten asettamia tiettyjä laitteistolähettimiä (esimerkiksi fyysisiin liikkeisiin). ). Yritysten on usein vaikeaa kerätä näitä tietoja itse, joten ne voivat ostaa sen tiedon kerääjiltä. Tietojen kerääjät keräävät liikkuvuusdataa eri lähteistä, puhdistavat sen, lisäävät melua ja asettavat tiedot saataville päivittäin tietyiltä maantieteellisiltä alueilta. Itse tietojen luonteesta johtuen ja koska niitä on vaikea saada, näiden tietojen tarkkuus ja laatu voivat vaihdella huomattavasti, ja yritysten on arvioitava ja tarkistettava tämä käyttämällä mittareita, kuten päivittäiset aktiiviset käyttäjät, päivittäiset ping-kutsut, ja keskimääräiset päivittäiset ping-kutsut laitetta kohti. Seuraava taulukko näyttää, miltä datakoontajien lähettämän päivittäisen datasyötteen tyypillinen kaava voi näyttää.

Ominaisuus	Kuvaus
Id tai MAID	Laitteen mobiilimainonnan tunnus (MAID) (tiivistetty)
lat	Laitteen leveysaste
lng	Laitteen pituusaste
geohash	Laitteen geohash-sijainti
laitetyyppi	Laitteen käyttöjärjestelmä = IDFA tai GAID
vaaka_tarkkuus	Vaakasuuntaisten GPS-koordinaattien tarkkuus (metreinä)
aikaleima	Tapahtuman aikaleima
ip	IP-osoite
alt	Laitteen korkeus (metreinä)
nopeus	Laitteen nopeus (metreinä/sekunnissa)
maa	Alkuperämaan kaksinumeroinen ISO-koodi
olivat	Tilaa kuvaavat koodit
kaupunki	Kaupunkia kuvaavat koodit
postinumero	Postinumero, jossa laitetunnus näkyy
kantaja	Laitteen kantaja
laitteen_valmistaja	Laitteen valmistaja

Käyttötapaukset

Liikkuvuustiedoilla on laajalti sovelluksia monilla toimialoilla. Seuraavassa on joitain yleisimmistä käyttötapauksista:

• Tiheysmittarit – Jalkaliikenteen analyysi voidaan yhdistää väestötiheyteen toimintojen ja käyntikohteiden (POI) tarkkailemiseksi. Nämä mittarit antavat kuvan siitä, kuinka monta laitetta tai käyttäjää aktiivisesti pysähtyy ja sitoutuu yritykseen, ja sitä voidaan käyttää edelleen sivuston valintaan tai jopa tapahtuman ympärillä olevien liikemallien analysointiin (esimerkiksi pelipäivälle matkustavat ihmiset). Tällaisten oivallusten saamiseksi saapuva raakadata käy läpi ETL-prosessin (ETL) toimintojen tai sitoumusten tunnistamiseksi jatkuvasta laitteen sijainnin ping-virrasta. Voimme analysoida aktiviteetteja tunnistamalla käyttäjän tai mobiililaitteen tekemät pysähdykset klusteroimalla pingit käyttämällä ML-malleja Amazon Sage Maker.
• Matkat ja lentoradat – Laitteen päivittäinen sijaintisyöte voidaan ilmaista kokoelmana toimintoja (pysähdyksiä) ja matkoja (liikkuminen). Toimintojen pari voi edustaa matkaa niiden välillä, ja matkan jäljittäminen liikkuvan laitteen avulla maantieteellisessä tilassa voi johtaa todellisen lentoradan kartoittamiseen. Käyttäjien liikkeiden liikeradat voivat johtaa mielenkiintoisiin oivalluksiin, kuten liikennemalleihin, polttoaineenkulutukseen, kaupunkisuunnitteluun ja muihin. Se voi myös tarjota tietoja mainospisteistä, kuten mainostauluista, valitun reitin analysoimiseksi, tehokkaimpien toimitusreittien tunnistamiseksi toimitusketjun toimintojen optimoimiseksi tai evakuointireittien analysoimiseksi luonnonkatastrofeissa (esimerkiksi hurrikaanievakuointi).
• Valuma-alueen analyysi - valuma-alue viittaa paikkoihin, joista tietty alue vetää kävijöitä, jotka voivat olla asiakkaita tai potentiaalisia asiakkaita. Vähittäiskauppiaat voivat käyttää näitä tietoja määrittääkseen optimaalisen sijainnin uuden myymälän avaamiselle tai määrittääkseen, ovatko kaksi myymälää liian lähellä toisiaan ja ovat päällekkäisiä vaikutusalueita ja haittaavatko ne toistensa liiketoimintaa. He voivat myös selvittää, mistä todelliset asiakkaat tulevat, tunnistaa potentiaalisia asiakkaita, jotka kulkevat alueen ohi matkustaessaan töihin tai kotiin, analysoida kilpailijoiden vastaavia kävijämääriä ja paljon muuta. Marketing Tech (MarTech) ja Advertisement Tech (AdTech) yritykset voivat myös käyttää tätä analyysiä optimoidakseen markkinointikampanjoita tunnistamalla brändin myymälän lähellä olevan yleisön tai sijoittaakseen kaupat tehokkuuden mukaan kodin ulkopuolella mainonnassa.

On olemassa useita muita käyttötapauksia, kuten sijaintitiedon luominen kaupallisille kiinteistöille, satelliittikuvatietojen lisääminen kävijämäärillä, ravintoloiden jakelupisteiden tunnistaminen, naapuruston evakuoinnin todennäköisyyden määrittäminen, ihmisten liikkumismallien löytäminen pandemian aikana ja paljon muuta.

Haasteet ja eettinen käyttö

Mobiilidatan eettinen käyttö voi johtaa moniin mielenkiintoisiin oivalluksiin, jotka voivat auttaa organisaatioita parantamaan toimintaansa, toteuttamaan tehokasta markkinointia tai jopa saavuttamaan kilpailuetua. Jotta näitä tietoja voidaan käyttää eettisesti, on suoritettava useita vaiheita.

Se alkaa itse tiedon keräämisestä. Vaikka suurin osa liikkuvuustiedoista ei sisällä henkilökohtaisia ​​tunnistetietoja (PII), kuten nimi ja osoite, tietojen kerääjillä ja kokoajilla on oltava käyttäjän suostumus tietojen keräämiseen, käyttämiseen, tallentamiseen ja jakamiseen. Tietosuojalakeja, kuten GDPR ja CCPA, on noudatettava, koska ne antavat käyttäjille mahdollisuuden päättää, kuinka yritykset voivat käyttää tietojaan. Tämä ensimmäinen askel on merkittävä askel kohti liikkuvuustietojen eettistä ja vastuullista käyttöä, mutta enemmän voidaan tehdä.

Jokaiselle laitteelle on määritetty tiivistetty mobiilimainontatunnus (MAID), jota käytetään yksittäisten pingien ankkuroimiseen. Tätä voidaan hämärtää lisää käyttämällä Amazon Macie, Amazon S3 -objekti Lambda, Amazonin käsitys, tai jopa AWS-liimastudio Tunnista PII-muunnos. Lisätietoja on kohdassa Yleisiä tekniikoita PHI- ja PII-tietojen havaitsemiseen AWS-palveluiden avulla.

Henkilökohtaisten tunnistetietojen lisäksi käyttäjän kotisijainnin sekä muiden arkaluontoisten paikkojen, kuten sotilastukikohtien tai palvontapaikkojen, peittämistä tulee harkita.

Viimeinen vaihe eettisessä käytössä on johtaa ja viedä vain aggregoituja mittareita Amazon SageMakerista. Tämä tarkoittaa sellaisten mittareiden saamista kuin vierailijoiden keskimääräinen lukumäärä tai kokonaismäärä yksittäisten matkustusmallien sijaan. saada päivittäisiä, viikoittaisia, kuukausittaisia ​​tai vuosittaisia ​​trendejä; tai indeksoi liikkuvuusmallit julkisesti saatavilla olevien tietojen, kuten väestönlaskentatietojen, päälle.

Ratkaisun yleiskatsaus

Kuten aiemmin mainittiin, AWS-palvelut, joita voit käyttää liikkuvuustietojen analysointiin, ovat Amazon S3, Amazon Macie, AWS Glue, S3 Object Lambda, Amazon Comprehend ja Amazon SageMaker geospatiaaliset ominaisuudet. Amazon SageMakerin geospatiaaliset ominaisuudet tekevät datatieteilijöille ja ML-insinööreille helppoa rakentaa, kouluttaa ja ottaa käyttöön geospatiaalisia tietoja käyttäviä malleja. Voit tehokkaasti muuntaa tai rikastaa suuria geospatiaalisia tietojoukkoja, nopeuttaa mallinrakennusta valmiiksi koulutetuilla ML-malleilla ja tutkia malliennusteita ja geospatiaalista tietoa interaktiivisella kartalla käyttämällä 3D-kiihdytettyä grafiikkaa ja sisäänrakennettuja visualisointityökaluja.

Seuraava viitearkkitehtuuri kuvaa työnkulkua, jossa käytetään ML:ää paikkatiedon kanssa.

Tässä työnkulussa raakadata kootaan eri tietolähteistä ja tallennetaan Amazonin yksinkertainen tallennuspalvelu (S3) ämpäri. Amazon Macieta käytetään tässä S3-ämpärissä tunnistamaan ja muokkaamaan sekä henkilökohtaisia ​​tunnistetietoja. AWS Glue -liimaa käytetään sitten raakadatan puhdistamiseen ja muuntamiseen vaadittuun muotoon, minkä jälkeen muokatut ja puhdistetut tiedot tallennetaan erilliseen S3-ämpäriin. Käytät niitä tietomuunnoksia, jotka eivät ole mahdollisia AWS Gluen kautta AWS Lambda muokata ja puhdistaa raakadataa. Kun tiedot on puhdistettu, voit käyttää Amazon SageMakeria ML-mallien rakentamiseen, kouluttamiseen ja käyttöönottamiseksi valmiilla paikkatiedoilla. Voit myös käyttää geospatiaalinen Käsittelytyöt Amazon SageMakerin geospatiaalisten ominaisuuksien ominaisuus tietojen esikäsittelyyn – esimerkiksi Python-funktion ja SQL-käskyjen avulla toimintojen tunnistamiseen raakasta liikkuvuusdatasta. Tietotutkijat voivat suorittaa tämän prosessin muodostamalla yhteyden Amazon SageMaker -kannettavien kautta. Voit myös käyttää Amazon QuickSight visualisoida liiketoiminnan tuloksia ja muita tärkeitä mittareita tiedoista.

Amazon SageMakerin geospatiaaliset ominaisuudet ja geospatiaaliset käsittelytyöt

Kun tiedot on hankittu ja syötetty Amazon S3:een päivittäisellä syötteellä ja puhdistettu kaikista arkaluontoisista tiedoista, ne voidaan tuoda Amazon SageMakeriin käyttämällä Amazon SageMaker Studio muistikirja, jossa on geospatiaalinen kuva. Seuraavassa kuvakaappauksessa on näyte päivittäisistä laitteen pingistä, jotka on ladattu Amazon S3:een CSV-tiedostona ja sitten ladattu panda-tietokehykseen. Geospatiaalisen kuvan sisältävä Amazon SageMaker Studio -muistikirja on esiladattu geospatiaalisilla kirjastoilla, kuten GDAL, GeoPandas, Fiona ja Shapely, ja tekee näiden tietojen käsittelystä ja analysoinnista yksinkertaista.

Tämä esimerkkitietojoukko sisältää noin 400,000 5,000 päivittäistä laitteen ping-kutsua 14,000 15 laitteelta 2023 XNUMX ainutlaatuisesta paikasta, jotka on tallennettu käyttäjiltä, ​​jotka vierailivat Arrowhead Mallissa, joka on suosittu ostoskeskuskompleksi Phoenixissa, Arizonassa XNUMX. toukokuuta XNUMX. Edellisessä kuvakaappauksessa näkyy osa sarakkeita dataskeema. The MAID sarake edustaa laitteen tunnusta, ja jokainen MAID luo ping-kutsun joka minuutti välittäen laitteen leveys- ja pituusasteen, joka on tallennettu mallitiedostoon Lat ja Lng sarakkeita.

Seuraavat ovat kuvakaappauksia Foursquare Studion tuottamasta Amazon SageMakerin geospatiaalisten ominaisuuksien karttavisualisointityökalusta, ja ne kuvaavat ostoskeskuksessa klo 7–00 vierailevien laitteiden pingien asettelua.

Seuraava kuvakaappaus näyttää pingit ostoskeskuksesta ja lähialueilta.

Seuraavassa näkyvät pingit ostoskeskuksen eri myymälöistä.

Kukin kuvakaappauksen piste kuvaa pingiä tietystä laitteesta tiettynä ajankohtana. Ping-klusteri edustaa suosittuja paikkoja, joissa laitteet kokoontuivat tai pysähtyivät, kuten kauppoja tai ravintoloita.

Osana alkuperäistä ETL:ää nämä raakatiedot voidaan ladata taulukoihin AWS Glue -liimalla. Voit luoda AWS Glue -indeksointirobotin tunnistamaan tietojen skeeman ja muodostamaan taulukoita osoittamalla raakadatan sijaintia Amazon S3:ssa tietolähteenä.

Kuten edellä mainittiin, raakadata (päivittäiset laitteen ping-kutsut), jopa ensimmäisen ETL:n jälkeen, edustaa jatkuvaa GPS-ping-virtaa, joka ilmaisee laitteiden sijainnin. Jotta voimme poimia näistä tiedoista käyttökelpoisia oivalluksia, meidän on tunnistettava pysäkit ja matkat (lentoreitit). Tämä voidaan saavuttaa käyttämällä geospatiaalinen Käsittelytyöt SageMakerin geospatiaalisten ominaisuuksien ominaisuus. Amazon SageMaker -käsittely käyttää yksinkertaistettua, hallittua kokemusta SageMakerissa tietojenkäsittelyn työkuormien suorittamiseen tarkoitukseen rakennetulla paikkatietosäiliöllä. SageMaker-käsittelytyön taustalla olevaa infrastruktuuria hallitsee täysin SageMaker. Tämä ominaisuus mahdollistaa mukautetun koodin suorittamisen Amazon S3:een tallennetuissa paikkatiedoissa suorittamalla geospatiaalinen ML-säilö SageMaker Processing -työssä. Voit suorittaa mukautettuja toimintoja avoimille tai yksityisille paikkatiedoille kirjoittamalla mukautettua koodia avoimen lähdekoodin kirjastoilla ja suorittaa toiminnon mittakaavassa käyttämällä SageMaker Processing -töitä. Säiliöpohjainen lähestymistapa ratkaisee tarpeet, jotka liittyvät kehitysympäristön standardointiin yleisesti käytetyillä avoimen lähdekoodin kirjastoilla.

Tällaisten laajamittaisten työkuormien suorittamiseksi tarvitset joustavan laskentaklusterin, joka voi skaalata kymmenistä ilmentymistä korttelin prosessoimiseksi tuhansiin tapauksiin planeetan mittakaavassa. Tee-se-itse-laskentaklusterin manuaalinen hallinta on hidasta ja kallista. Tämä ominaisuus on erityisen hyödyllinen, kun liikkuvuustietojoukko sisältää enemmän kuin muutaman kaupungin useisiin osavaltioihin tai jopa maihin, ja sitä voidaan käyttää kaksivaiheisen ML-lähestymistavan suorittamiseen.

Ensimmäinen askel on käyttää DBSCAN-algoritmin (DBSCAN) -algoritmin avulla tiheyteen perustuvaa spatiaalista klusterointia ping-kutsujen klusterointiin. Seuraava askel on käyttää tukivektorikoneiden (SVM) -menetelmää, jolla voidaan parantaa edelleen tunnistettujen pysähdysten tarkkuutta ja myös erottaa pysähdykset, joissa on yhteys POI:n kanssa, ja pysähdykset ilman sitä (kuten kotona tai työpaikalla). Voit myös käyttää SageMaker Processing -työtä matkojen ja reittien luomiseen päivittäisistä laitteen ping-kutsuista tunnistamalla peräkkäiset pysähdykset ja kartoittamalla polun lähteen ja määränpään pysähdysten välillä.

Kun raakadata on käsitelty (päivittäiset laitteen ping-kutsut) mittakaavassa geospatiaalisen käsittelyn töillä, uudella tietojoukolla, jota kutsutaan stopiksi, tulisi olla seuraava kaava.

Ominaisuus	Kuvaus
Id tai MAID	Laitteen mobiilimainonnan tunnus (tiivistetty)
lat	Pysäytysklusterin painopisteen leveysaste
lng	Pysäytysklusterin painopisteen pituusaste
geohash	POI:n geohash-sijainti
laitetyyppi	Laitteen käyttöjärjestelmä (IDFA tai GAID)
aikaleima	Pysähdyksen alkamisaika
viipymisaika	Pysähdyksen viipymäaika (sekunteina)
ip	IP-osoite
alt	Laitteen korkeus (metreinä)
maa	Alkuperämaan kaksinumeroinen ISO-koodi
olivat	Tilaa kuvaavat koodit
kaupunki	Kaupunkia kuvaavat koodit
postinumero	Postinumero, jossa laitetunnus näkyy
kantaja	Laitteen kantaja
laitteen_valmistaja	Laitteen valmistaja

Pysähdykset konsolidoidaan ryhmittelemällä pingit laitekohtaisesti. Tiheyspohjainen klusterointi yhdistetään parametreihin, kuten pysähdyskynnys on 300 sekuntia ja pysähdysten välinen vähimmäisetäisyys on 50 metriä. Näitä parametreja voidaan säätää käyttötarkoituksen mukaan.

Seuraavassa kuvakaappauksessa näkyy noin 15,000 400,000 pysähdystä, jotka tunnistetaan XNUMX XNUMX pingistä. Edellisen skeeman osajoukko on myös läsnä, jossa sarake Dwell Time edustaa pysäytyksen kestoa ja Lat ja Lng sarakkeet edustavat pysähdysklusterin painopisteiden leveys- ja pituusasteita laitetta ja sijaintia kohti.

ETL:n jälkeen tiedot tallennetaan Parquet-tiedostomuotoon, joka on sarakemuotoinen tallennusmuoto, joka helpottaa suurten tietomäärien käsittelyä.

Seuraavassa kuvakaappauksessa näkyy pysähdykset, jotka on yhdistetty pingistä laitekohtaisesti ostoskeskuksen ja sitä ympäröivien alueiden sisällä.

Pysähdysten tunnistamisen jälkeen tämä tietojoukko voidaan yhdistää julkisesti saatavilla oleviin POI-tietoihin tai käyttötapauskohtaisiin mukautettuihin POI-tietoihin toimintojen, kuten brändien kanssakäymisen, tunnistamiseksi.

Seuraava kuvakaappaus näyttää pysäkit, jotka on tunnistettu Arrowhead Mallin tärkeimmissä POI-kohteissa (kaupoissa ja tuotemerkeissä).

Kodin postinumeroita on käytetty peittämään jokaisen vierailijan kotisijainti yksityisyyden säilyttämiseksi siltä varalta, että se on osa heidän matkaansa tietojoukossa. Tällaisissa tapauksissa leveys- ja pituusaste ovat postinumeron painopisteen vastaavat koordinaatit.

Seuraava kuvakaappaus on visuaalinen esitys tällaisista toiminnoista. Vasen kuva kartoittaa pysäkit myymälöihin ja oikea kuva antaa käsityksen itse kauppakeskuksen ulkoasusta.

Tämä tuloksena oleva tietojoukko voidaan visualisoida useilla tavoilla, joita käsittelemme seuraavissa osissa.

Tiheysmittarit

Pystymme laskemaan ja visualisoimaan toimintojen ja vierailujen tiheyden.

Esimerkki 1 - Seuraava kuvakaappaus näyttää 15 suosituinta kauppaa, joissa käytiin kauppakeskuksessa.

Esimerkki 2 – Seuraavassa kuvakaappauksessa näkyy Apple Store -käyntien määrä tunnin välein.

Matkat ja lentoradat

Kuten aiemmin mainittiin, pari peräkkäistä toimintaa edustaa matkaa. Voimme käyttää seuraavaa lähestymistapaa matkojen johtamiseen toimintatiedoista. Tässä ikkunafunktioita käytetään SQL:n kanssa luomaan trips taulukko, kuten kuvakaappauksessa näkyy.

Jälkeen trips taulukko luodaan, matkat POI-kohteeseen voidaan määrittää.

Esimerkki 1 - Seuraava kuvakaappaus näyttää 10 parasta kauppaa, jotka ohjaavat liikenteen Apple Storeen.

Esimerkki 2 – Seuraava kuvakaappaus näyttää kaikki matkat Arrowhead Malliin.

Esimerkki 3 – Seuraava video näyttää liikemallit kauppakeskuksen sisällä.

Esimerkki 4 – Seuraava video näyttää liikekuvioita kauppakeskuksen ulkopuolella.

Valuma-alueen analyysi

Voimme analysoida kaikki POI-käynnit ja määrittää valuma-alueen.

Esimerkki 1 - Seuraava kuvakaappaus näyttää kaikki käynnit Macy's Storessa.

Esimerkki 2 – Seuraavassa kuvakaappauksessa näkyy 10 suosituinta kotialueen postinumeroa (rajat korostettuina), joista käynnit tapahtuivat.

Tietojen laadun tarkistus

Voimme tarkistaa päivittäisen saapuvan tietosyötteen laadun ja havaita poikkeamat QuickSight-hallintapaneelien ja data-analyysien avulla. Seuraavassa kuvakaappauksessa on esimerkki hallintapaneelista.

Yhteenveto

Mobiilidata ja sen analysointi asiakkaiden näkemysten ja kilpailuedun saamiseksi ovat edelleen kapealla alueella, koska johdonmukaisen ja tarkan tietojoukon saaminen on vaikeaa. Nämä tiedot voivat kuitenkin auttaa organisaatioita lisäämään kontekstia olemassa oleviin analyyseihin ja jopa tuottamaan uusia oivalluksia asiakkaiden liikkumismalleista. Amazon SageMakerin geospatiaaliset ominaisuudet ja geospatial Processing -työt voivat auttaa näiden käyttötapausten toteuttamisessa ja oivallusten saamisessa intuitiivisella ja helposti saatavilla olevalla tavalla.

Tässä viestissä osoitimme, kuinka AWS-palveluita käytetään liikkuvuustietojen puhdistamiseen ja sitten Amazon SageMakerin geospatiaalisten ominaisuuksien avulla luodaan johdannaistietojoukkoja, kuten pysähdyksiä, aktiviteetteja ja matkoja ML-malleja käyttäen. Sitten käytimme johdannaistietojoukkoja visualisoidaksemme liikemalleja ja luodaksemme oivalluksia.

Voit aloittaa Amazon SageMakerin geospatiaalisten ominaisuuksien käytön kahdella tavalla:

Saat lisätietoja osoitteesta Amazon SageMakerin geospatiaaliset ominaisuudet ja Amazon SageMaker geospatial -sovelluksen käytön aloittaminen. Vieraile myös meillä GitHub repo, jossa on useita esimerkkimuistikirjoja Amazon SageMakerin geospatiaalisista ominaisuuksista.

---

Tietoja Tekijät

Jimy Matthews on AWS-ratkaisuarkkitehti, jolla on asiantuntemusta AI/ML-tekniikasta. Jimyn kotipaikka on Bostonissa ja työskentelee yritysasiakkaiden kanssa, kun he muuttavat liiketoimintaansa ottamalla käyttöön pilven ja auttavat heitä rakentamaan tehokkaita ja kestäviä ratkaisuja. Hän on intohimoinen perheestään, autoistaan ​​ja sekataistelulajeista.

Girish Keshav on AWS:n ratkaisuarkkitehti, joka auttaa asiakkaita heidän pilvisiirtomatkallaan modernisoimaan ja suorittamaan työkuormia turvallisesti ja tehokkaasti. Hän työskentelee teknologiatiimien johtajien kanssa ohjatakseen heitä sovellusten turvallisuuteen, koneoppimiseen, kustannusten optimointiin ja kestävyyteen. Hän asuu San Franciscosta ja rakastaa matkustamista, patikointia, urheilun katselua ja käsityöpanimoiden tutkimista.

Ramesh Jetty on Solutions Architecturen vanhempi johtaja, joka keskittyy auttamaan AWS-yritysasiakkaita kaupallistamaan tietoresurssejaan. Hän neuvoo johtajia ja insinöörejä suunnittelemaan ja rakentamaan erittäin skaalautuvia, luotettavia ja kustannustehokkaita pilviratkaisuja, jotka keskittyvät erityisesti koneoppimiseen, dataan ja analytiikkaan. Vapaa-ajallaan hän nauttii ulkoilusta, pyöräilystä ja retkeilystä perheen kanssa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/use-mobility-data-to-derive-insights-using-amazon-sagemaker-geospatial-capabilities/