L’esperienza della #BigDataChallenge 27 maggio 2014 – Milano Marina Geymonat | Telecom Italia Fabrizio Antonelli | Telecom Italia
L’esperienza della
#BigDataChallenge
27 maggio 2014 – Milano
Marina Geymonat | Telecom Italia Fabrizio Antonelli | Telecom Italia
Big Data Challenge:
apriamo i nostri dati,
scatenate le vostre idee!
Con la collaborazione di MIT Media Lab, EIT ICT Labs, Trento RISE, PoliMI, FBK, UniTN, North Eastern University (MA)Imprese che hanno sostenuto con i loro dati l’iniziativa: AMAT Milano, Dolomiti Energia, Cobra Telematics, Meteo TrentinoCon il patrocinio del Comune di Milano e della Provincia Autonoma di Trento
Project: Personalized Routing for Multitudes in Smart
Cities
Team: Antonio Lima | Manlio De Domenico | Alex Arenas
Team: Alephsys
http://deim.urv.cat/~alephsys/BigDataChallenge/
Project: Touristic place by Tweet language
Team: Salih Ergut | Ahmet Salih ER | Habib Korkmaz |
Ilyas Alper Karatepe
Team: AveaLabs
Project: ENTROPY: Evaluating iNTernational Residential
and Occasional Patterns to enhance citY life
Team: Paolo Bajardi| Matteo Delfino|André Panisson|
Giovanni Petri |Michele Tizzoni
Team: Data Dudes
Project: Milan Air Pollution Visualization
Team: Yhidad Calle | Laerte Saliai
Team: IOMind
http://laerteyhidad.it/bigdatachallenge/airpollution
Project: (Dis)assembling Milan with Big Data
Team: David Meyer | Rex Douglass | David Rideout | Dongjin Song | Megha Ram
Team: UCSD Math
Project: Misery Loves Company: Using Twitter & Call Data to Analyze Urban Happiness
Team: Aamena Alshamsi|Edmond Awad | Maryam Almehrezi| Vahan
Babushkin| Pai-Ju Chang| Zakariyah A. Shoroye|
Attila Peter Toth| Iyad Rahwan
Team: Masdar Institute
Social Computing & AI Lab (www.scailab.org)
Project: Living Land Use
Team: Irene Celino | Soheil Behnam | Kourosh Sheykhvand
Team: LocaliData
APP DEVELOPMENT: il vincitore
http://livinglanduse.cefriel.com
Motivazione – Tracce digitali a supporto della
pianificazione urbanistica
La pianificazione urbanistica riguarda la
(ri)progettazione dell’ambiente urbano, e si appoggia
ad informazione di utilizzo delle aree urbane.
La raccolta e la classificazione delle informazioni
sull’utilizzo delle aree urbane avviene attraverso
censimenti (es. l’EU CORINE Land Cover programme1) ,
attività costose da realizzare e da aggiornare.
Le attività umane lasciano nel mondo digitale molte
tracce che possono venire sfruttate per estrarne
informazioni da cui conoscere predittivamente qual è
l’utilizzo di ogni area urbana2
1 Coordination of Information on the Environment (CORINE) of the European Environment Agency (EEA): http://en.wikipedia.org/wiki/CORINE2 Cf. for example "Characterizing Urban Landscapes Using Geolocated Tweets": http://dx.doi.org/10.1109/SocialCom-PASSAT.2012.19
Fro
m:
CO
RIN
E L
an
d C
ove
r M
eth
od
olo
gy
(so
urc
e:
htt
p:/
/ww
w.e
ea
.eu
rop
a.e
u/)
Fro
m:
Te
leco
m B
ig D
ata
Ch
alle
ng
e i
nfo
gra
ph
ics
Obiettivo – scoprire l’effettivo uso delle aree urbane
Example: Porta Nuova-Garibaldi area
Piazza Gae Aulenti, Milano (riconoscibile il
grattacielo "Podio" )
Era un cantiere, ora è un’area commerciale molto vivace
2009
2013
Ma per cambiamenti di utilizzo meno evidenti?
Possiamo automaticamente scoprire l’effettivo
utilizzo di un’area urbana basandoci sull’analisi dei
dati di attivita digitale?
L’idea – analizzare i dati di attività digitale per
estrarne tracce di utilizzo delle aree urbane
Obiettivi dell’App Living Land Use:
1. Derivare le tracce digitali di utilizzo di
un’area di Milano analizzando i dati di
attività forniti dalla Big Data Challenge 2013
2. Confrontare le tracce digitali derivate
dall’analisi con con la classificazione di uso
dell’area fornita da CORINE in 2009
3. Identificare gli scostamenti significativi
nell’utilizzo delle aree urbane tra il 2009 e il
2013
Milano: impronta digitale nei giorni feriali e
festivi nella cella 6060
CORINE land use classification (viz: QGIS, background map: OpenStreetMap)
2009
2013
Construction site
Risultati principali– the Living Land Use app
Dataset della Challenge utilizzati:• Milano Grid,
Telecommunications, Private Transportation
+ Cobra Telematics*, Geo Tweets*
Dataset aggiuntivi:• CORINE land use classification
2009, dal portale Open Data della regione Lombardia
Dettagli tecnici:• Data crunching: QGIS, R scripts• Web application: HTML5, PHP,
JavaScript, Python, MySQL, Leaflet, JS charts, Bootstrap…
* in fase di aggiunta : lavori in corso
Impatto ed evoluzioni –verso una costante (ri)pianificazione urbanistica
Benefici dell’utilizzo di Living Land:
- Migliore comprensione di come i cittadini effettivamente vivonol’ambiente urbano
- Modalità e strumenti per tracciare l’evoluzione urbana nel tempo
- Importanti risparmi per la classificazione delle diverse zone urbane, rispetto al metodo classico del censimento
- Supporto alle attività di pianificazione urbanistica per tutti gliattori coinvolti (pubblico, utility, comunità locali, fornitori di servizi, etc.)
Project: Human impact from a bird’s eye view
Team member: Gergely Daróczi
Team: Easystats Ltd
DATA VISUALIZATION: il vincitore
http://youtu.be/ENUhjE4lT0k
22Human impact from a bird’s eye view
Inquinamento dell’aria e trasporto
I valori di inquinamento misurati sono • più bassi al mattino• aumentano nel pomeriggio• più elevati nella zona sud
23Human impact from a bird’s eye view
Ulteriori applicazioni, idee, casi d’uso
L’applicazione usa software open source
• web or mobile application• diagrammi interattivi• dati aggiornati in tempo reale• informazioni disponibili in anticipo
Project: People as Sensors for Predicting
Energy Consumption
Team member: Andrey Bogomolov
Team: University of Trento
DATA ANALYTICS: il vincitore
25
Impatti sul business:● ottimizza l’economia dei produttori e distributori di energia● è adatto a far fronte alle richieste di picco● crea un mercato per l’utilizzo dei dati telefonici
Ricadute sulla società:● riduce l’utilizzo complessivo di energia elettrica primaria● riduce la nostra impronta ecologica● viene incontro agli effettivi bisogni di energia delle persone