Suurkaupungeissa on nykyään suuria ongelmia, kuten liikenneruuhkat, ilmansaasteet ja energiankulutus. Näihin suurten kaupunkien suuriin ongelmiin voidaan puuttua käyttämällä seuraavia keinoja. big data (mikä tarkoittaa suurten tietomäärien käsittelyä).
Se on juuri sitä, mitä urbaani tietojenkäsittely on. Se voidaan määritellä yksinkertaisesti seuraavasti suurten kaupunkien suurten ongelmien ratkaiseminen suurten tietojen avulla..
Tarkennetaanpa asiaa tarkemmin.
Kaupunkilaskennassa on kyse kaupunkitiloissa eri lähteistä peräisin olevan suuren ja heterogeenisen tiedon hankinnasta, integroinnista ja analysoinnista. Tällaisia tietolähteitä ovat anturit, mobiililaitteet, ajoneuvot, rakennukset ja ihmiset.
Mitä on Urban Computing?
Asiakirjassa "Kaupunkilaskenta: käsitteet, menetelmät ja sovellukset", kirjoittajat esittelevät yleiset puitteet Urban Computingin toteuttamiselle.
Urban Computing yhdistää ei-intrusiiviset ja kaikkialla läsnä olevat havaintoteknologiat, kehittyneen tiedonhallinnan, analyyttiset mallit ja uudet visualisointimenetelmät sellaisten ratkaisujen luomiseksi, jotka parantavat kaupunkiympäristöä, ihmisten elämänlaatua ja kaupungin toimintajärjestelmiä.
Meidän on myös korostettava, että kaupunkitietotekniikka on monitieteinen ala. Se yhdistää tietojenkäsittelytieteen muihin aloihin, kuten liikenteeseen, rakennustekniikkaan, talouteen, ekologiaan ja sosiologiaan, kaupunkitilojen yhteydessä.
Todennäköisesti mielessäsi kummittelee suuri kysymys: miten Urban computing voidaan ottaa käyttöön suurten kaupunkien ongelmien ratkaisemiseksi?
Hyviä uutisia, sille on olemassa puitteet!
Urban Computing Framework
Asiakirjassa "Kaupunkilaskenta: käsitteet, menetelmät ja sovellukset", kirjoittajat esittelevät yleiset puitteet Urban Computingin toteuttamiselle.
Kehys koostuu neljästä kerroksesta: Kaupunkitunnistus, kaupunkitiedon hallinta, data-analytiikka ja palvelujen tarjoaminen. Jokaisella kerroksella on oma tehtävänsä.
The Kaupunkitunnistus kerros vastaa tietojen keräämisestä kaupunkitiloista. Tiedonkeruu voidaan toteuttaa erilaisilla tekniikoilla, kuten osallistuvalla havainnoinnilla, väkijoukkojen havainnoinnilla ja liikkuvalla havainnoinnilla.
The Kaupunkien tiedonhallinta kerros mahdollistaa tietojen järjestämisen indeksointirakenteella, joka sisältää sekä spatio-temporaalista tietoa että tekstejä tehokkaan data-analytiikan tukemiseksi.
Vuonna Data Analytics -kerros, erilaisia tekniikoita, kuten Tiedonlouhinta, Koneoppiminenja Tietojen visualisointi käytetään tunnistamaan kuvioita tiedoista ja saamaan niistä arvokasta tietoa myöhempää päätöksentekoa varten.
The Palvelun tarjoaminen kerros koostuu erilaisista ratkaisuista ja palveluista, joilla pyritään parantamaan ihmisten ajokokemusta, vähentämään liikenneruuhkia, ilmansaasteita ja energiankulutusta. Jos esimerkiksi havaitaan jokin liikennepoikkeama, tiedot toimitetaan liikenneviranomaisille liikenteen hajauttamiseksi ja poikkeaman diagnosoimiseksi.
Millaisia haasteita Urban Computingilla on edessään?
Ihanteellisessa toteutuksessa Urban Computingilla on kolme suurta haastetta:
1.Tunnistaminen ja tiedonkeruu.
Tässä haasteessa on kyse siitä, miten kaupunkitietoa voidaan kerätä ei-tunkeutuvasti ja jatkuvasti ottaen huomioon kaupunkiin sijoitettujen antureiden määrän rajoitukset.
Tavoitteeseen voitaisiin päästä rakentamalla uusia sensorointi-infrastruktuureja, mutta se lisäisi kaupunkien taakkaa.
Ihminen anturina on uusi konsepti, joka voi auttaa ratkaisemaan tämän haasteen käyttämällä ihmisten viestejä sosiaalisessa mediassa tai heidän GPS-jälkiään ymmärtämään heidän ympärillään tapahtuvia tapahtumia.
Ihminen anturina tuo mukanaan uusia haasteita, kuten:
- Laitteiden energiankäytön lisääminen;
- Henkilötietojen yksityisyys;
- Vääristyneet tiedot, koska käyttäjät eivät ole jakautuneet tasaisesti eivätkä lähetä anturilukemia samalla taajuudella;
- Käyttäjien tuottamat jäsentymättömät, epäsuorat ja meluisat tiedot. Sen sijaan perinteisten antureiden tuottama tieto on hyvin jäsenneltyä, selkeää, puhdasta ja helposti ymmärrettävää.
2. Heterogeeniset tiedot.
Tiedonlouhinta- ja koneoppimistekniikat käsittelevät yleensä yhdenlaista dataa. Kaupunkien haasteiden ratkaisemiseen liittyy kuitenkin monenlaisia tekijöitä (esimerkiksi ilmansaasteiden tutkiminen edellyttää liikennevirtojen, meteorologian ja maankäytön samanaikaista tutkimista).
3. Hybridijärjestelmät.
Toisin kuin hakukoneessa tai digitaalisessa pelissä, jossa tiedot tuotetaan ja kulutetaan digitaalisessa maailmassa, kaupunkilaskennassa yhdistetään yleensä molempien maailmojen tiedot (yhdistämällä liikenne ja sosiaalinen media).
Hybridijärjestelmien suunnittelu on paljon haastavampaa kuin perinteisten järjestelmien, koska järjestelmän on kommunikoitava samanaikaisesti monien laitteiden ja käyttäjien kanssa ja lähetettävä ja vastaanotettava eri muotoisia tietoja.
Mitkä ovat Urban Computingin tärkeimmät sovellukset?
Urban Computing -sovelluksia voisi olla lukemattomia.
Sovellukset voidaan ryhmitellä seitsemään luokkaan: kaupunkisuunnittelu, liikenne, ympäristö, yleinen turvallisuus, energia, talous, ekologia ja yhteiskunta.
Seuraavassa on lyhyt kuvaus kustakin niistä:
- Kaupunkisuunnittelu.
Suunnittelu on tärkeää älykkäiden kaupunkien rakentamisessa. Tähän luokkaan kuuluvat liikenneverkkojen taustalla olevien ongelmien havaitseminen, kaupungin toiminnallisten alueiden (kuten ihmisten erilaisia tarpeita tukevat ja organisointitekniikkana toimivat alueet, kuten koulutusalueet tai liikekorttelit) löytäminen ja kaupungin rajojen havaitseminen sen kehityksen ymmärtämiseksi.
- Kuljetus.
Tähän luokkaan kuuluvat: ajokokemuksen parantaminen, taksipalvelut ja julkiset liikennejärjestelmät.
- Ympäristö.
Kaupungistumisen nopeasta etenemisestä tulee mahdollinen uhka kaupunkien ympäristölle. Kaupunkiympäristön tietotekniikkaan kuuluu kaupunkien ilmanlaadun parantaminen ja melusaasteiden vähentäminen.
- Yleinen turvallisuus.
Tässä voidaan luetella seuraavat sovellukset: liikennepoikkeamien havaitseminen, katastrofien havaitseminen ja onnettomuuksien havaitseminen.
- Energiankulutus.
Kaupungistumisen nopea eteneminen kuluttaa yhä enemmän energiaa. Tämän luokan sovelluksia ovat kaasun ja sähkön kulutuksen vähentäminen.
- Talous.
Kaupungin dynamiikka voi kertoa kaupungin talouden kehityksestä. Esimerkki tämän luokan sovelluksesta on osakemarkkinoiden kehityksen ennustaminen.
- Sosiaalinen.
Tähän luokkaan kuuluvia sovelluksia ovat sijaintisuositukset, matkareittien suunnittelu, sijainti- ja aktiviteettisuositukset sekä kaupungin dynamiikan ymmärtäminen.
Onko olemassa tekniikoita, jotka mahdollistavat kaupunkilaskennan?
Kaupunkilaskennan mahdollistavia teknologioita on useita, jotka on ryhmitelty eri luokkiin. Yleisimmin käytetyt luokat ovat:
Urban Sensing -tekniikat. Perinteinen havainnointi ja mittaaminen asentamalla antureita, passiivinen joukkojen havainnointi, jossa hyödynnetään olemassa olevaa infrastruktuuria väkijoukkojen tuottaman tiedon keräämiseksi, ja osallistuva havainnointi, jossa ihmiset osallistuvat aktiivisesti ympärillään olevien tietojen keräämiseen;
Urban Data Management -tekniikat mahdollistavat useiden heterogeenisten tietolähteiden organisoinnin seuraavaa tiedonlouhintaprosessia varten;
Tietämysfuusion tekniikat mahdollistavat useista heterogeenisistä tietolähteistä saadun tiedon tehokkaan yhdistämisen;
Kaupunkidatan visualisointitekniikoiden ei pitäisi ainoastaan näyttää raakadataa ja esittää tuloksia, vaan niiden on myös mahdollistettava kuvioiden, suuntausten ja suhteiden havaitseminen ja kuvaaminen tiedoissa.
Kuten huomaatte, Urban Computing voi olla erittäin hyödyllinen väline nykyaikaisten kaupunkien suurten ongelmien ratkaisemisessa.
Urban Computingin kohtaamat haasteet voitetaan lopulta, ja näin voimme saada paremman tulevaisuuden kaupungeillemme.
Viitteet
T. Kindberg, M. Chalmers ja E. Paulos. 2007. Toimittajien johdanto: Urban computing. Pervasive Computing 6, 3, 18-20.
Napsauta alla olevaa kuvaa ja tutustu Mind the Graph:n kaupunkilaskennan kuvituksiin.
Tilaa uutiskirjeemme
Eksklusiivista korkealaatuista sisältöä tehokkaasta visuaalisesta
tiedeviestintä.
Finnish 
English 
Chinese 
Czech 
Dutch 
French 
German 
Italian 
Indonesian 
Japanese 
Korean 
Polish 
Portuguese 
Russian 
Spanish 
Turkish 
Ukrainian 
Swedish 
Romanian 
Bulgarian 
Greek 
Hungarian 
Norwegian 
Danish 
Estonian 
Slovenian 
Lithuanian 
Latvian 
Slovak