Indra gana el premio a la plataforma IoT más innovadora para Smart Cities a nivel global con Sofia2

Sofia2ganadora

 

El pasado 19 de Septiembre se celebró en Yinchuan, China el TM Forum Smart City InFocus donde se presentaron los premios que reconocen los logros de “innovación urbana innovadora” de ciudades, proveedores de soluciones y organismos nacionales e internacionales.

En este marco, el jurado del TM Forum ha elegido Sofia2, la plataforma IoT con capacidades Big Data y Cloud de Minsait, la unidad de transformación digital de Indra, como una solución de alto contenido innovador para la transformación de las ciudades, capaz de aportar valor al ciudadano, responder a las necesidades de las empresas e impulsar la sostenibilidad.

 

Sofia2InfografiaRecortada

 

Las soluciones basadas en Sofia2 en el ámbito de Smart Cities han logrado eficiencias como ahorros del 25% en el agua de riego para parques; reducción de hasta un 50% en el tiempo de evacuación de grandes infraestructuras con el proyecto eVacuate; y disminuciones del 25% en la factura energética de edificios públicos.

 

Además, Sofia2 está presente como base tecnológica para otros proyectos. Por ejemplo, en el uso de drones, siendo fuente de información para el nuevo sistema europeo de llamadas de emergencia. En campos como la domótica, la industria o el retail, a través de soluciones como Hogar Conectado, Ciudades Inteligentes, Industria 4.0. O construyendo soluciones en proyectos de I+D del sector del transporte, como ITRail o Transforming Transport, o del espacio, como Land Analytic Eo Platform. También actúa como plataforma urbana siendo el “cerebro de la ciudad” en las ciudades de A Coruña y Logroño y es base tecnológica en el proyecto que se está desarrollando con Ecoembes en el ámbito de Smart Waste para optimizar su exitoso modelo de gestión de envases, papel y cartón en todo el territorio nacional.

 

Se trata del segundo año consecutivo que TM Forum premia Sofia2. En 2016, obtuvo el galardón en la categoría “Open Digital Ecosystem Platform of the Year”, donde se reconocían sus capacidades para impulsar la creación de  ecosistemas abiertos que fomentan la colaboración entre diferentes empresas y organizaciones.

 

 

 

Indra gana el premio a la plataforma IoT más innovadora para Smart Cities a nivel global con Sofia2

Niveles de madurez de una Ciudad Inteligente

Un poco de Java y +

La madurez de una ciudad inteligente puede categorizarse en 3 niveles:

  • (Nivel 1) Dispersa
  • (Nivel 2) Integrada
  • (Nivel 3) Conectada

En el nivel 1: Dispersa encajan lasCiudades que están desarrollando proyectos enmarcados en una o más dimensiones inteligentes (por ejemplo la reducción del consumo energético).

En este nivel, las iniciativas inteligentes son administradas por departamentos como proyectos aislados que resuelven una problemática específica.

En el nivel 2: Integrada las iniciativas comienzan a estar más coordinadas, buscando sinergias para aprovechar una mayor colaboración, lo que da un mayor valor que la suma de las iniciativas.

Hay ya muchas ciudades trabajando en este modelo.

En el nivel 3: Conectada las iniciativas inteligentes son parte de un plan maestro integral que incluye además de a la administración, la ciudadanía y las empresas.

Se requiere también un gobierno de la iniciativa.

En este nivel se consiguen los mejores resultados posibles.

En este proceso de…

Ver la entrada original 239 palabras más

Niveles de madurez de una Ciudad Inteligente

Próximo Meetup: “Desarrollo Backendless sobre Plataformas IoT” (ejemplo Sofia2 IoT Platform)

2

 

Como viene siendo habitual, cada pocas semanas, realizamos un Meetup mostrando las capacidades de la plataforma IoT y Big Data de Minsait, Sofia2.

 

Ejemplos de anteriores Meetups son:

 

IMG_0738

 

Desde el grupo IoT & BigData Sofia2 Lab retomamos estas sesiones el próximo lunes 2 de Octubre, a las 19:15h en el Campus Cafe de la Google Campus en Madrid. con el Meetup “Desarrollo Backendless sobre Plataformas IoT (ejemplo Sofia2 IoT Platform).

 

En nuestro trabajo utilizamos nuestra plataforma Sofia2 para el desarrollo de aplicaciones Backendless, ya sean aplicaciones web, microservicios, aplicaciones móviles o híbridas.

 

Nos gustaría contaros cómo y por qué lo hacemos y las ventajas e inconvenientes que encontramos con este enfoque.

 

La agenda de la sesión será:

 

– ¿Qué entendemos por arquitectura backendless?

– ¿Cómo encaja una plataforma IoT en este concepto?

– ¿Cuándo aplica este enfoque?

– Ejemplos prácticos sobre plataforma Sofia2.

– Pizzas y birras

 

Puedes inscribirte aquí de forma gratuita.

 

Te esperamos!!

 

Próximo Meetup: “Desarrollo Backendless sobre Plataformas IoT” (ejemplo Sofia2 IoT Platform)

Flujo de Trabajo de una Smart City

Blog de Sofia2 IoT Platform

La cadena de valor de una Smart City se puede estructurar en 5 pasos:

  • Etapa de recolección de datos de la ciudad. Esta tarea se realiza a través de sensores, dispositivos, aparatos, redes sociales, infraestructura físicas, otros repositorios de información existentes.
  • Transmisión de los datos recopilados de la ciudad a través de las redes de comunicación. Los sensores suelen enviar información a través de protocolos ligeros a gateways/concentradores que enrutan los datos a través de líneas móviles y fijas. Algunos sensores tienen inteligencia autónoma.
  • Almacenamiento y análisis de los datos: se almacenan en un repositorio los datos recopilados en el entorno de la ciudad al mismo tiempo que se facilita su procesamiento posterior mediante diferentes sistemas analíticos y la monitorización en tiempo real o casi real para la emisión de alarmas.
  • Plataforma de provisión de servicios. Los datos alimentan una Plataforma de provisión de servicios. Esta plataforma facilita la…

Ver la entrada original 48 palabras más

Flujo de Trabajo de una Smart City

Sofia2 IoT example with Android: Tag, you’re it!

Blog de Sofia2 IoT Platform

example-overview.png

This post is an example on how easy is to integrate an IoT scenario using Sofia2 IoT platform. The example was presented on February 17th during an introduction lecture on Sofia2 basics for the Embedded & Distributed Systems Sofware Master course at the Universidad Politécnica de Madrid (UPM).

The setup will simulate a typical IoT scenario with just a couple of elements:

  • Android Smarpthone (running at least a 4.4 Android version)
  • BLE (Bluetooth Low Energy) Beacon
  • An upgraded user for Sofia2.com platform (ROL_COLABORADOR)

example-overview.png

The demo app will periodically fetch data from the smartphone’s accelerometer sensor and GPS. It will also operate as a BLE scanner, triggering an asynchronous event when the selected beacon is placed nearby. Data will be modeled using a Sofia2’s Ontology. Using Sofia2 console, we will create a Dashboard to represent periodic real-time data. A Groovy script will be also generated to evaluate whether the beacon was…

Ver la entrada original 1.043 palabras más

Sofia2 IoT example with Android: Tag, you’re it!

¿Qué es Node-RED?

Blog de Sofia2 IoT Platform

Node-RED es un motor de flujos con enfoque IoT, que permite definir gráficamente flujos de servicios, a través de protocolos estándares como REST, MQTT, Websocket, AMQP… ademas de ofrecer integración con apis de terceros, tales como Twitter, Facebook, Yahoo!…

Se trata de una herramienta visual muy ligera, programada en NodeJS y que puede ejecutarse desde en dispositivos tan limitados como una Raspberry, hasta en plataformas complejas como IBM Bluemix, Azure IoT o Sofia2 Platform.

Ver la entrada original 574 palabras más

¿Qué es Node-RED?

Analítica de datos con Python y Sofia2 (2/4). Gráficos de relación

Un análisis de correlación es un punto de partida importante para identificar las relaciones entre medidas, es importante aclarar que la correlación no tiene porque significar causalidad, pero si al revés, la causa tiene una relación con el efecto. Un ejemplo famoso de esto es un estudio que se hizo en las escuelas donde se afirmaba que los niños con los pies grandes eran mejores en matemáticas, lo cual era cierto ya que los niños con los píes más grandes eran los más mayores pero no es la causa, a igualdad de edad los niños con los píes más grandes no eran ni mejores ni peores en matemáticas.

Los gráficos de relación se usan para ver la relación entre los datos y pueden usarse para encontrar correlaciones, valores atípicos y grupos de datos.

 

¿Existe una correlación entre el gasto publicitario y las ventas de nuestros productos?
¿Cómo varían los gastos y los ingresos por región y cuál es la desviación?

 

Veamos un ejemplo en la plataforma Sofia2 con un dataset sobre características de los modelos de coche.

%python
import matplotlib
import matplotlib.pyplot as plt
import os
import numpy as np
import pandas as pd
import seaborn as sns
import StringIO

matplotlib.use('Agg') 
matplotlib.rcParams['figure.figsize'] = (9.0, 6.0)

Cargamos los datos

%python
autos = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data-original", delim_whitespace = True, header=None,
names=['MPG', 'Cylinders', 'Displacement', 'Horse_Power','Weight', 'Acceleration', 'Model_Year', 'Origin', 'Car_Name'])

Preparamos los datos

%python
# Preparación de los datos
autos['maker'] = autos.Car_Name.map(lambda x: x.split()[0])
autos.Origin = autos.Origin.map({1: 'America', 2: 'Europe', 3: 'Asia'})
autos=autos.applymap(lambda x: np.nan if x == '?' else x).dropna()
autos['Horse_Power'] = autos.Horse_Power.astype(float)
autos.sample()

Pintamos la matriz con la correlación de todas las variables.

%python
sns.heatmap(autos.corr(), square=True, annot=True)

matriz correlacion

El color blanco indica que las variables no están correlacionadas y cuanto más hacia el rojo oscuro mayor es la relación y cuanto más hacia el azul mayor correlación inversa.

En primera aproximación parecen datos poco interesantes porque todas las relaciones que muestran son claras: potencia con cilindros y con cilindrada (Displacement) y con aceleración…

Nos quedamos con la variable MPG que es Millas por Galón de Gasolina que viene a indicar la inversa del consumo del coche y lo cruzamos con los orígenes de fabricación, América, Europa y Asia.

%python
sns.boxplot(x="Origin", y="MPG", data=autos)

boxplot

Se muestra que los coches americanos son los menos ecológicos porque claramente tienen un valor más bajo de MPG que los asiáticos y los europeos.

Veamos como es la relación entre la inversa del consumo (MPG) y la potencia (Hose_Power)

%python
sns.lmplot("Horse_Power", "MPG", hue="Origin", data=autos)

lmplot

Aquí tenemos que se fabrican muy pocos coches europeos y asiáticos con muchos caballos de potencia, no tenemos puntos verdes y rojos a la derecha del gráfico y en cambio los coches americanos se fabrican en todo el espectro de la potencia (eje X), tenemos puntos azules a lo largo del eje.

Ordenamos las correlaciones de más relación a menos de la variable MPG.

%python
corr = autos.corr()
corr_dict = corr['MPG'].to_dict()
del corr_dict['MPG']
print("List the numerical features decendingly by their correlation with MPG:\n")
for ele in sorted(corr_dict.items(), key = lambda x: -abs(x[1])):
    print("{0}: \t{1}".format(*ele))
List the numerical features decendingly by their correlation with MPG:
 
Weight: -0.832244214832
Displacement: -0.80512694671
Horse_Power: -0.778426783898
Cylinders: -0.777617508126
Model_Year: 0.580540966091
Acceleration: 0.423328536903
La relacción más fuerte de MPG la tenemos con el peso que es superior a la potencia del coche.
Mostremos unos gráficos donde se crucen el consumo (MPG), potencia (Horse_Power) y el peso (Weight).
%python
# Pairplot. Para visualizar todas las relaciones entre las variables/columnas
sns.pairplot(autos[["MPG", "Horse_Power", "Weight", "Origin"]], hue="Origin", diag_kind="hist")

Pairplot

En estos gráficos se muestran que en América se fabrican coches mucho más pesados que en Europa y en Asia. Para que estos autos puedan alcanzar la misma velocidad que el resto tienen que incluirles motores más potentes lo que acaba derivando en un mayor consumo de gasolina, si en EEUU están interesados en bajar el consumo de gasolina tienen que conseguir cambiar el gusto por los coches grandes que tienen sus habitantes, además de fomentar el coche eléctrico.

Mostramos una gráfica de la inversa del consumo (MPG) por año del modelo del coche.

%python
sns.boxplot(x="Model_Year", y="MPG", data=autos)

model

Se observa la tendencia de las marcas de fabricar coches con un menor consumo, los años con un mayor MPG son los 3 últimos. Aquí si se aprecia el interés de las marcas, y del público de tender hacia coches más ecológicos y económicos en cuanto a gasto de combustible.

Analítica de datos con Python y Sofia2 (2/4). Gráficos de relación