Le projet Waves

Interconnecter les sources de données dans la Smart City !


Dirigé par Zakia KAZI-AOUL

 

Type de financement : FUI (fonds uniques interministériel)

 

Période d’étude : Juin  2014 – Décembre 2018

 

Cas d’application : La supervision des réseaux de transport et de distribution de l’eau potable

 

Site internet du projet : https://www.waves-rsp.org/about.html

Le projet Waves vise à explorer de nouvelles voies pour la fouille de flux massifs de données en temps réel via l’expérimentation d’une approche algorithmique en rupture. Au sein d’un environnement distribué sous forte contrainte de vélocité, sont expérimentées des théories avancées du web sematique : collecte, stockage, sémantisation, filtrage sémantique, qualification, interconnexion, résumé, raisonnement, rétroaction et visualisation.

L’objectif général du projet Waves est de concevoir et développer une plateforme générique qui gère en temps réel et d’une façon intelligente des flux de données massifs provenant de sources hétérogènes.

Les défis sont les suivants :
Gérer efficacement ces flux massifs de données en temps réel, interconnecter différentes sources de donnée, les enrichir, raisonner sur les données, les filtrer et enfin distribuer les traitements afin de monter en charge.

WAVES est une solution conçue pour répondre à de nombreux problèmes dans différents métiers. Dans le cadre du projet, un cas d’usage est réalisé : il concerne la détection de fuites d’eau dans les réseaux de distribution d’eau potable des cités. Il a été choisi en raison de la valorisation significative et rapide de ses résultats pour tous les partenaires. Pour illustrer la capacité de la plateforme WAVES à adresser des domaines d’une grande variété, nous pouvons en suggérer bien d’autres pour leur réalisme dans les contextes écologique, smart-city, société. Leur variété vient aussi à l’appui de notre conviction que les différents membres du consortium pourront tirer profit des travaux réalisés dans un projet aux dimensions génériques évidentes.

In most parts of the world, fast growing urbanization has faced several challenges throughout the last decades. Achieving a sustainable, environment-friendly and highly operating cities for a better quality of life requires innovative solutions brought by cutting edge technology. Creative ways of thinking have opened a brand new world of possibilities such as smart grids, smarter buildings and smart transportation systems. Most of these systems exploit sensor networks, an important component of the Internet Of Things, forcing to provide spatio-temporal processing that shares some characteristics with Big Data ecosystems. Indeed processing streaming sensor data requires technologies to face the high volume of data and the velocity at which these data ara coming into the system. Considering these challenges, WAVES provides real-time platform for processing sensor data in general, where it takes advantage of the flexibility and depth afforded by Semantic Web technologies. The primary use case is to deal with smart water network management and detect in real-time anoamlies based on reasoning capabilities. With its abstract leved design, it can cover other various domains where sensor networks are exploited such as traffic control, power consumption and e-Commerce. The following generic architecture of WAVES depicts the main different components to process structured and unstructured streaming sensor data on the fly. The key idea is to develop a comprehensive generic software platform that allows the management of large volumes of data streams. The platform has the ability to collect data streams from various sources in order to create new insights and knowledge for users accessed through innovative information and following some processing steps (cleaning, pre-processing, interlinking, filtering, summary and visualization).
Goal: Design and develop a platform for distributed management of massive structured and unstructured data streams
Challenges: Interconnection of several streams, summarizing and visualizing significant statistics, efficient distributed data storage and analysis

 

Les partenaires