Ben Ayed et al. have discussed diff

Ben Ayed et al. have discussed different cases of the application
of big data technology to transportation in their paper [11].
We summarise the presented cases in Table II. Many of these
make use of commercially available technologies. Commonly
used technology for data capture include: GPS for capturing
location data; video surveillance and image processing technology
for capturing and recognising car license plate data;
traffic sensors for capturing traffic density and flow; ship sensors
for capturing water quality data for navigable waterways;
weather sensors for capturing current weather conditions;
RFID sensors for capturing movement of RFID-tagged items
in logistics; and various software technologies for processing
the collected data. Data processing commonly makes use of
Hadoop and related technologies: Hadoop Distributed File
System (HDFS) for data storage; HBase distributed database;
Hadoop MapReduce for processing data; and others.
The main steps of big data processing for transportation
applications are depicted in Fig.5. These are the familiar steps
of big data processing, beginning with a map operation to
sort/filter input data, then a shuffle (or group) operation to
redistribute the mapped data by output key, and finally a
reduce operation to summarise the data on each node. Input
data includes CCTV road traffic streams, GPS data of moving
vehicles, traffic and weather sensors, and others. The output
depends on the transportation application and may include
assessments of traffic congestion, traffic flow, transportation
efficiency, pollution levels, as well as forecasts of traffic and
pollution trends, among others.
Technical solutions can differ in their degree of complexity.
Many existing applications are very simple. For example, in
Beijing (as well as in other major cities around the world)
road-side electronic displays such as the one in Fig.6 show
traffic conditions of nearby road sections, and have been in
use for several years. Thus a driver may react immediately
and choose the least congested road that leads in the general
direction of travel. However, these systems only cover a
small area and lack the foresight to direct drivers away from

ผลลัพธ์ (ไทย) 1:

เบน Ayed et al.ได้กล่าวถึงกรณีที่แตกต่างกันของโปรแกรมประยุกต์เทคโนโลยีข้อมูลขนาดใหญ่ที่ขนส่งในกระดาษของพวกเขา [11]เราสรุปกรณีนำเสนอในตาราง II หลายเหล่านี้ทำให้ใช้เทคโนโลยีเชิงพาณิชย์ โดยทั่วไปรวมถึงการใช้เทคโนโลยีสำหรับการจับข้อมูล: จีพีเอสสำหรับการจับภาพข้อมูลสถานที่ เทคโนโลยีการประมวลผลภาพและกล้องวงจรปิดสำหรับการจับภาพ และตระหนักข้อมูลป้ายรถเซ็นเซอร์การจราจรสำหรับการจับภาพการจราจรหนาแน่นและการไหล ส่งเซนเซอร์สำหรับการจับภาพข้อมูลคุณภาพน้ำสำหรับการบ้านมากกว่าเซนเซอร์สภาพอากาศสำหรับการถ่ายภาพสภาพอากาศปัจจุบันเซนเซอร์ RFID สำหรับการจับภาพการเคลื่อนไหวของรายการที่มีแท็ก RFIDในการขนส่ง และเทคโนโลยีต่าง ๆ ของซอฟต์แวร์สำหรับการประมวลผลข้อมูลที่รวบรวม โดยทั่วไปการประมวลผลข้อมูลทำให้ใช้Hadoop และเทคโนโลยีที่เกี่ยวข้อง: Hadoop กระจายแฟ้มระบบ (HDFS) สำหรับจัดเก็บข้อมูล ฐานข้อมูล HBase กระจายHadoop MapReduce สำหรับการประมวลผลข้อมูล และอื่น ๆขั้นตอนหลักของการประมวลผลข้อมูลขนาดใหญ่สำหรับการขนส่งอธิบายการใช้งานใน Fig.5 เหล่านี้เป็นขั้นตอนความคุ้นเคยของใหญ่การประมวลผลข้อมูล เริ่มต้น ด้วยการดำเนินการแผนที่เพื่อเรียงลำดับ/ตัวกรองข้อมูลการป้อนเข้า แล้วดำเนินการสุ่ม (หรือกลุ่ม) เพื่อกระจายข้อมูลที่ถูกแมป โดยคีย์ผลลัพธ์ และสุดท้ายเป็นลดการดำเนินการสรุปข้อมูลในแต่ละโหน ป้อนข้อมูลข้อมูลประกอบด้วยกระแสข้อมูลกล้องวงจรปิดถนนการจราจร ข้อมูล GPS เคลื่อนยานพาหนะ การจราจร และเซนเซอร์สภาพอากาศ และอื่น ๆ การแสดงผลตามโปรแกรมการเดินทาง และอาจรวมถึงประเมินการจราจร การจราจร การขนส่งประสิทธิภาพ มลพิษ ตลอดจนคาดการณ์การจราจร และมลภาวะแนวโน้ม หมู่คนอื่น ๆแก้ไขปัญหาทางเทคนิคสามารถแตกต่างในระดับของความซับซ้อนโปรแกรมประยุกต์ที่มีอยู่จำนวนมากจะง่ายมาก ตัวอย่าง ในปักกิ่ง (เช่นเดียวกับในเมืองใหญ่อื่น ๆ ทั่วโลก)ริมถนนอิเล็กทรอนิกส์แสดงเช่นใน Fig.6 ดูเงื่อนไขใกล้เคียงถนนส่วนจราจร และได้รับในใช้เวลาหลายปี โปรแกรมควบคุมอาจตอบสนองทันทีดังนั้นเลือกถนนแออัดน้อยที่นำไปในทั่วไปทิศทางการเดิน อย่างไรก็ตาม ระบบเหล่านี้ครอบคลุมการพื้นที่เล็กและขาดมองอนาคตตรงไดรเวอร์ออกจาก

ผลลัพธ์ (ไทย) 2:

เบน Ayed et al, ได้กล่าวถึงกรณีที่แตกต่างของการประยุกต์ใช้
เทคโนโลยีข้อมูลขนาดใหญ่กับการขนส่งในกระดาษของพวกเขา [11].
บริษัท ฯ ได้สรุปกรณีแสดงในตารางที่สอง หลายเหล่านี้
ทำให้การใช้เทคโนโลยีที่สามารถใช้ได้ในเชิงพาณิชย์ ทั่วไป
เทคโนโลยีที่ใช้ในการบันทึกข้อมูลรวมถึง: จีพีเอสสำหรับการจับ
ข้อมูลสถานที่; การเฝ้าระวังวิดีโอและเทคโนโลยีการประมวลผลภาพ
สำหรับการจับและตระหนักถึงข้อมูลแผ่นป้ายทะเบียนรถยนต์
เซ็นเซอร์การจราจรสำหรับการจับความหนาแน่นของการจราจรและการไหล เซ็นเซอร์เรือ
สำหรับการจับข้อมูลที่มีคุณภาพน้ำแหล่งน้ำนำร่อง;
เซ็นเซอร์สภาพอากาศสำหรับการจับสภาพอากาศปัจจุบัน;
เซ็นเซอร์ RFID สำหรับการจับภาพการเคลื่อนไหวของรายการ RFID ที่ติดแท็ก
ในโลจิสติก; และเทคโนโลยีซอฟต์แวร์ต่างๆสำหรับการประมวลผล
ข้อมูลที่เก็บ การประมวลผลข้อมูลทั่วไปทำให้การใช้
Hadoop และเทคโนโลยีที่เกี่ยวข้อง: Hadoop แจกจ่าย File
System (HDFS) สำหรับการจัดเก็บข้อมูล HBase กระจายฐานข้อมูล
Hadoop MapReduce สำหรับการประมวลผลข้อมูล และคนอื่น ๆ .
ขั้นตอนหลักของการประมวลผลข้อมูลขนาดใหญ่สำหรับการขนส่ง
การใช้งานที่เป็นภาพใน Fig.5 เหล่านี้เป็นขั้นตอนที่คุ้นเคย
ของการประมวลผลข้อมูลขนาดใหญ่เริ่มต้นด้วยการดำเนินงานแผนที่เพื่อ
จัดเรียงข้อมูล / กรองขาเข้าแล้วสับ (หรือกลุ่ม) การดำเนินการเพื่อ
แจกจ่ายข้อมูลที่แมปโดยคีย์การส่งออกและในที่สุดก็
ลดการดำเนินการเพื่อสรุปข้อมูลในแต่ละ ปม อินพุต
ข้อมูลรวมถึงกล้องวงจรปิดกระแสการจราจรบนถนนข้อมูลจีพีเอสในการเคลื่อนย้าย
ยานพาหนะการจราจรและสภาพอากาศเซ็นเซอร์และอื่น ๆ การส่งออก
ขึ้นอยู่กับการประยุกต์ใช้การขนส่งและอาจรวมถึง
การประเมินความแออัดของการจราจร, การจราจร, การขนส่ง
ที่มีประสิทธิภาพระดับมลพิษเช่นเดียวกับการคาดการณ์ของการจราจรและ
มลพิษแนวโน้มหมู่คนอื่น ๆ .
การแก้ปัญหาทางเทคนิคอาจแตกต่างกันในระดับของความซับซ้อน.
โปรแกรมที่มีอยู่จำนวนมาก จะง่ายมาก ยกตัวอย่างเช่นใน
ปักกิ่ง (เช่นเดียวกับในเมืองใหญ่อื่น ๆ ทั่วโลก)
แสดงอิเล็กทรอนิกส์ถนนด้านดังกล่าวเป็นหนึ่งใน Fig.6 แสดง
สภาพการจราจรในส่วนถนนบริเวณใกล้เคียงและได้รับใน
การใช้งานเป็นเวลาหลายปี ดังนั้นคนขับอาจจะตอบสนองทันที
และเลือกถนนที่แออัดน้อยที่นำไปสู่ในทั่วไป
ทิศทางของการเดินทาง แต่ระบบเหล่านี้ครอบคลุม
พื้นที่ขนาดเล็กและการขาดความสุขุมในการคนขับรถออกไปจากตรง

ผลลัพธ์ (ไทย) 3:

เบน ayed et al . ได้กล่าวถึงกรณีของการใช้แตกต่างกันเทคโนโลยีฐานข้อมูลขนาดใหญ่เพื่อการขนส่งในกระดาษ [ 11 ]เราสรุปกรณีเสนอในตารางที่ 2 หลายเหล่านี้ให้ใช้เทคโนโลยีที่สามารถใช้ได้ในเชิงพาณิชย์ โดยทั่วไปเทคโนโลยีที่ใช้สำหรับจับ GPS สำหรับการจับข้อมูลรวมถึง :ข้อมูลสถานที่ การเฝ้าระวังวิดีโอและเทคโนโลยีการประมวลผลภาพสำหรับการจับภาพและตระหนักถึงข้อมูลเลขทะเบียนรถยนต์เซ็นเซอร์จับภาพการจราจรความหนาแน่นการจราจรและการไหล ตัวเรือสำหรับการจับข้อมูลคุณภาพน้ำเพื่อการเดินเรือทางน้ำ ;อากาศเซ็นเซอร์จับภาพสภาพอากาศปัจจุบันเซ็นเซอร์ RFID เพื่อจับภาพเคลื่อนไหวของ RFID แท็กรายการโลจิสติกส์ และ เทคโนโลยีซอฟต์แวร์ต่าง ๆสำหรับการประมวลผลข้อมูล การประมวลผลข้อมูลโดยทั่วไปจะใช้ของHadoop และเทคโนโลยีที่เกี่ยวข้อง : Hadoop กระจายไฟล์ระบบ ( hdfs ) สำหรับการจัดเก็บข้อมูล hbase กระจายฐานข้อมูลmapreduce Hadoop สำหรับการประมวลผลข้อมูล และคนอื่น ๆขั้นตอนหลักของการประมวลผลข้อมูลใหญ่สำหรับการขนส่งโปรแกรมจะปรากฎใน fig.5 . เหล่านี้เป็นขั้นตอนที่คุ้นเคยการประมวลผลข้อมูลใหญ่ เริ่มต้นด้วยแผนที่ผ่าตัดประเภทข้อมูล / กรองแล้วสับเปลี่ยน ( หรือกลุ่ม ) ผ่าตัดแจกจ่ายข้อมูลคีย์แมปออก และสุดท้ายลดการสรุปข้อมูลในแต่ละโหนด ข้อมูลข้อมูล กล้องวงจรปิด รวมถึงกระแสจราจร ข้อมูล GPS ของย้ายยานพาหนะ การจราจร และเซ็นเซอร์ , สภาพอากาศและอื่น ๆ ผลผลิตขึ้นอยู่กับการประยุกต์ใช้การขนส่งและอาจรวมถึงการประเมินของความแออัดของการจราจรการจราจร การขนส่งประสิทธิภาพระดับมลพิษ รวมทั้งการคาดการณ์การจราจรและมลพิษแนวโน้ม , หมู่คนอื่น ๆโซลูชั่นทางด้านเทคนิคสามารถแตกต่างกันในระดับของความซับซ้อนหลายโปรแกรมที่มีอยู่จะง่ายมาก ตัวอย่างเช่น ในปักกิ่ง ( รวมทั้งในเมืองใหญ่ๆ รอบโลกถนนด้านอิเล็กทรอนิกส์แสดงดังกล่าวเป็นหนึ่งใน fig.6 แสดงส่วนสภาพการจราจรของถนนที่อยู่ใกล้เคียง และได้รับในใช้มาหลายปี ดังนั้นคนขับอาจโต้กลับทันทีและเลือกน้อยแออัด ถนนที่นำไปสู่ในทั่วไปทิศทางของการเดินทาง อย่างไรก็ตาม ระบบเหล่านี้เท่านั้นที่ครอบคลุมพื้นที่ขนาดเล็กและขาดญาณโดยตรงจากไดรเวอร์ออกไป