ISSN: 2376-130X
Prinz von Appiah
Im digitalen Zeitalter fallen große Datenmengen an, die mithilfe prädiktiver Analysetools analysiert werden müssen. Die exponentiell steigende Menge an Gesundheitsdaten durch das Internet der Dinge (Drohnen) hat die Aufmerksamkeit auf Big Data-Analysen gelenkt. Der aktuelle Trend zur Erfassung epidemiologischer Daten zur Krankheitsüberwachung erfolgt am besten mithilfe von Drohnen. Daher fallen strukturierte, halbstrukturierte und unstrukturierte Daten an, die zum Datentrawling mithilfe von Drohnen führen. In diesem Dokument wird ein Big Data-Tool für eine geeignete maschinelle Lerntechnik zum Trennen und Clustern von Drohnendaten vorgeschlagen, um genaue Vorhersagen zur Verbesserung der Qualität der Gesundheitsversorgung zu erzielen. Der vorgeschlagene Ansatz zielt darauf ab, das Datentrawling mithilfe von Drohnen zu überwinden und Echtzeitanalysen von Crowdsensing-Daten bereitzustellen. Die Implementierung erfolgte mithilfe von Apache Spark Core mit einem Algorithmus für maschinelles Lernen zur besseren Trennung von Echtzeit-Streaming aus verschiedenen Quellen von den Crowds. Den Ergebnissen des durchgeführten Experiments zufolge hat das Konzept das Potenzial, die Qualität der Vorhersagen im Gesundheitswesen zu verbessern. Das Ergebnis der Studie zeigte deutlich, dass K-Means-Cluster im Vergleich zu gitter- und dichtebasiertem Clustering die höchste Kontrollrate bei der Trennung von Daten in Echtzeit aufweisen.