Nu om dage står storbyer over for store problemer som trafikpropper, luftforurening og energiforbrug. Disse store problemer i storbyer kan tackles ved at bruge Big data (hvilket betyder behandling af store datamængder).
Det er præcis, hvad urban computing er. Det kan ganske enkelt defineres som brugen af big data til at håndtere de store problemer i storbyer.
Lad os uddybe det lidt mere.
Urban Computing involverer en proces med indsamling, integration og analyse af store og heterogene data, der genereres af forskellige kilder i byrummet. Sådanne datakilder omfatter sensorer, mobile enheder, køretøjer, bygninger og mennesker.
Hvad er urban computing?
I artiklen med titlen "Urban computing: koncepter, metodologier og anvendelser", introducerer forfatterne en generel ramme for implementering af Urban Computing.
Urban Computing forbinder ikke-påtrængende og allestedsnærværende sensorteknologier, avanceret datahåndtering, analytiske modeller og nye visualiseringsmetoder for at skabe løsninger, der forbedrer bymiljøet, menneskers livskvalitet og byernes driftssystemer.
Vi må også fremhæve, at Urban Computing er et tværfagligt felt. Det integrerer computervidenskab med andre områder som transport, civilingeniør, økonomi, økologi og sociologi i forbindelse med byrum.
Det store spørgsmål, der spøger i dit hoved, er sikkert: Hvordan implementerer man urban computing for at løse storbyernes problemer?
Godt nyt, der findes en ramme for det!
Rammeværk for urban computing
I artiklen med titlen "Urban computing: koncepter, metodologier og anvendelser", introducerer forfatterne en generel ramme for implementering af Urban Computing.
Frameworket er sammensat af fire lag: Urban Sensing, Urban Data Management, Data Analytics og Service Providing. Hvert lag har en specifik funktion.
Den Urban sensing lag har ansvaret for at indsamle data fra byrummet. Denne dataindsamling kan udføres ved hjælp af forskellige teknikker som participatory sensing, crowdsensing og mobile sensing.
Den Forvaltning af bydata laget gør det muligt at organisere data ved hjælp af en indekseringsstruktur, der inkorporerer både spatio-temporal information og tekster for at understøtte effektiv dataanalyse.
I den Lag til dataanalyse, forskellige teknikker som f.eks. Datamining, Maskinlæring, og Datavisualisering bruges til at identificere mønstre i data og få værdifuld information fra dem til efterfølgende beslutningstagning.
Den Levering af tjenester omfatter forskellige løsninger og tjenester, der har til formål at forbedre folks køreoplevelser, reducere trafikpropper, luftforurening og energiforbrug. Hvis der f.eks. opdages en trafikanomali, vil denne information blive leveret til transportmyndighederne, så de kan sprede trafikken og diagnosticere anomalien.
Så hvilke udfordringer står Urban Computing over for?
For en ideel implementering står Urban Computing over for tre store udfordringer:
1.Sensing og dataindsamling.
Denne udfordring handler om, hvordan man indsamler bydata på en ikke-påtrængende og kontinuerlig måde i betragtning af begrænsningerne i antallet af sensorer fordelt i byen.
Opbygning af nye sensorinfrastrukturer kunne nå målet, men det ville øge byrden for byerne.
Mennesker som sensor er et nyt koncept, der kan hjælpe med at tackle denne udfordring ved at bruge deres indlæg på sociale medier eller deres GPS-spor til at forstå de begivenheder, der sker omkring dem.
Mennesket som sensor giver nye udfordringer som f.eks:
- Stigende brug af enheder energi;
- Beskyttelse af personlige oplysninger;
- Skævvredne data, da brugerne ikke er ensartet fordelt, og de ikke sender sensormålinger med samme frekvens;
- Ustrukturerede, implicitte og støjende data, som brugerne bidrager med. I modsætning hertil er de data, der genereres af traditionelle sensorer, velstrukturerede, eksplicitte, rene og lette at forstå.
2. Heterogene data.
Data Mining og Machine Learning-teknikker håndterer normalt én slags data. Men at løse bymæssige udfordringer involverer en bred vifte af faktorer (for eksempel involverer udforskning af luftforurening samtidig undersøgelse af trafikflow, meteorologi og arealanvendelse).
3. Hybride systemer.
I modsætning til en søgemaskine eller et digitalt spil, hvor data genereres og forbruges i den digitale verden, integrerer urban computing normalt data fra begge verdener (ved at kombinere trafik med sociale medier).
Designet af hybride systemer er meget mere udfordrende end for konventionelle systemer, da systemet skal kommunikere med mange enheder og brugere på samme tid og sende og modtage data i forskellige formater.
Hvad er de vigtigste anvendelser af Urban Computing?
Anvendelsesmulighederne for Urban Computing kan være utallige.
Anvendelserne kan grupperes i syv kategorier: byplanlægning, transport, miljø, offentlig sikkerhed, energi, økonomi, økologi og det sociale.
Her er en meget kort beskrivelse af hver enkelt af dem:
- Byplanlægning.
Planlægning er vigtig for opbygningen af smarte byer. Denne kategori omfatter opdagelse af underliggende problemer i transportnetværk, opdagelse af funktionelle regioner i en by (såsom områder, der understøtter forskellige behov hos mennesker og fungerer som en organiseringsteknik såsom uddannelsesområder eller forretningsdistrikter) og opdagelse af byens grænser for at forstå dens udvikling.
- Transport.
Denne kategori omfatter: forbedring af køreoplevelsen, taxitjenester og offentlige transportsystemer.
- Miljø.
Urbaniseringens hurtige fremskridt vil blive en potentiel trussel mod byernes miljø. Urban computing for miljøet omfatter: forbedring af luftkvaliteten i byerne og reduktion af støjforurening.
- Offentlig sikkerhed og tryghed.
Her kan vi nævne følgende anvendelser: detektering af trafikanomalier, detektering af katastrofer og detektering af ulykker.
- Energiforbrug.
Den hurtige udvikling i urbaniseringen forbruger mere og mere energi. Anvendelser i denne kategori er reduktion af gas- og elforbrug.
- Økonomi.
Dynamikken i en by kan indikere tendensen i byens økonomi. Et eksempel på anvendelse i denne kategori er forudsigelse af udviklingen på et aktiemarked.
- Social.
Anvendelser i denne kategori er lokationsanbefalinger, rejseplanlægning, lokations- og aktivitetsanbefalinger og forståelse af byens dynamik.
Er der nogle teknologier, der kan muliggøre Urban Computing?
Der findes flere teknologier til Urban Computing, som er grupperet i kategorier. De hyppigst anvendte kategorier er:
Urban sensing-teknikker. Traditionel sensing og måling gennem installation af sensorer, passiv crowd sensing, der bruger eksisterende infrastruktur til at indsamle data genereret af menneskemængder, og participatory sensing, hvor folk aktivt bidrager med information omkring dem;
Urban Data Management-teknikker gør det muligt at organisere flere heterogene datakilder til den efterfølgende Data Mining-proces;
Teknikker til vidensfusion gør det muligt effektivt at fusionere viden fra flere heterogene datakilder;
Visualiseringsteknikker til bydata skal ikke kun vise rådata og præsentere resultater, men de skal også gøre det muligt at opdage og beskrive mønstre, tendenser og relationer i data.
Som du kan se, kan Urban Computing være et meget nyttigt værktøj til at løse de store problemer i moderne byer.
De udfordringer, som Urban Computing står over for, vil i sidste ende blive overvundet, så vi kan få en bedre fremtid for vores byer.
Referencer
T. Kindberg, M. Chalmers og E. Paulos. 2007. Gæsteredaktørernes introduktion: Urban computing. Pervasive Computing 6, 3, 18-20
Klik på billedet nedenfor for at se vores Mind the Graph for urban computing-illustrationer.
Tilmeld dig vores nyhedsbrev
Eksklusivt indhold af høj kvalitet om effektiv visuel
kommunikation inden for videnskab.
Danish 
English 
Chinese 
Czech 
Dutch 
French 
German 
Italian 
Indonesian 
Japanese 
Korean 
Polish 
Portuguese 
Russian 
Spanish 
Turkish 
Ukrainian 
Swedish 
Romanian 
Bulgarian 
Finnish 
Greek 
Hungarian 
Norwegian 
Estonian 
Slovenian 
Lithuanian 
Latvian 
Slovak