I dag står storbyene overfor store problemer som trafikkbelastning, luftforurensning og energiforbruk. Disse store problemene i storbyene kan håndteres ved hjelp av stordata (som innebærer behandling av store datamengder).
Det er nettopp det urban computing er. Det kan enkelt defineres som bruk av stordata for å håndtere de store problemene i storbyene.
La oss utdype det litt mer.
Urban Computing innebærer innhenting, integrering og analyse av store og heterogene datamengder som genereres av ulike kilder i urbane områder. Slike datakilder inkluderer sensorer, mobile enheter, kjøretøy, bygninger og mennesker.
Hva er Urban Computing?
I artikkelen med tittelen "Urban computing: konsepter, metoder og anvendelser", introduserer forfatterne et generelt rammeverk for implementering av Urban Computing.
Urban Computing kobler sammen ikke-påtrengende og allestedsnærværende sensorteknologi, avansert datahåndtering, analysemodeller og nye visualiseringsmetoder for å skape løsninger som forbedrer bymiljøet, livskvaliteten og byens driftssystemer.
Vi må også understreke at Urban Computing er et tverrfaglig felt. Det integrerer datavitenskap med andre fagområder som transport, anleggsteknikk, økonomi, økologi og sosiologi i forbindelse med urbane områder.
Det store spørsmålet som spøker i tankene dine, er sannsynligvis: Hvordan kan man implementere Urban computing for å løse storbyenes problemer?
Gode nyheter: Det finnes et rammeverk for det!
Rammeverk for urban databehandling
I artikkelen med tittelen "Urban computing: konsepter, metoder og anvendelser", introduserer forfatterne et generelt rammeverk for implementering av Urban Computing.
Rammeverket består av fire lag: Urban Sensing, Urban Data Management, Data Analytics og Service Providing. Hvert lag har en spesifikk funksjon.
Den Urban sensing laget har ansvaret for å samle inn data fra urbane områder. Denne datainnsamlingen kan utføres ved hjelp av ulike teknikker, for eksempel deltakende sensing, crowdsensing og mobil sensing.
Den Urban datahåndtering laget gjør det mulig å organisere data ved hjelp av en indekseringsstruktur som omfatter både spatio-temporal informasjon og tekst for å støtte effektiv dataanalyse.
I den Lag for dataanalyse, ulike teknikker som for eksempel Datautvinning, Maskinlæring, og Datavisualisering brukes til å identifisere mønstre i data og hente ut verdifull informasjon fra dem for senere beslutningstaking.
Den Tjenesteyting laget består av ulike løsninger og tjenester som tar sikte på å forbedre folks kjøreopplevelser, redusere trafikkbelastning, luftforurensning og energiforbruk. Hvis det for eksempel oppdages et trafikkavvik, vil denne informasjonen bli levert til transportmyndighetene, som kan fordele trafikken og diagnostisere avviket.
Hvilke utfordringer står Urban Computing overfor?
For en ideell implementering står Urban Computing overfor tre store utfordringer:
1.Sensing og datainnsamling.
Denne utfordringen handler om hvordan man kan samle inn urbane data på en ikke-påtrengende og kontinuerlig måte med tanke på begrensningene i antall sensorer som er distribuert i byen.
Målet kan nås ved å bygge ny infrastruktur for sensorer, men det vil øke byrden for byene.
Mennesket som sensor er et nytt konsept som kan bidra til å løse denne utfordringen ved å bruke innlegg på sosiale medier eller GPS-spor for å forstå hva som skjer rundt dem.
Mennesket som sensor fører med seg nye utfordringer som f.eks:
- Økende bruk av enhetsenergi;
- Beskyttelse av personopplysninger;
- Skjevhet i dataene siden brukerne ikke er jevnt fordelt og ikke sender sensormålinger med samme frekvens;
- Ustrukturerte, implisitte og støyende data fra brukerne. Data som genereres av tradisjonelle sensorer er derimot godt strukturerte, eksplisitte, rene og enkle å forstå.
2. Heterogene data.
Data mining og maskinlæringsteknikker håndterer vanligvis én type data. For å løse urbane utfordringer må man imidlertid ta hensyn til et bredt spekter av faktorer (for eksempel må man studere trafikkflyt, meteorologi og arealbruk samtidig for å kartlegge luftforurensning).
3. Hybride systemer.
I motsetning til en søkemotor eller et digitalt spill der dataene genereres og konsumeres i den digitale verden, integrerer urban computing vanligvis data fra begge verdener (ved å kombinere trafikk med sosiale medier).
Utformingen av hybride systemer er mye mer utfordrende enn for konvensjonelle systemer, ettersom systemet må kommunisere med mange enheter og brukere samtidig og sende og motta data i ulike formater.
Hva er de viktigste bruksområdene for Urban Computing?
Bruksområdene for Urban Computing kan være utallige.
Bruksområdene kan grupperes i syv kategorier: byplanlegging, transport, miljø, offentlig sikkerhet, energi, økonomi, økologi og sosiale forhold.
Her er en kort beskrivelse av hver av dem:
- Byplanlegging.
Planlegging er viktig for å bygge smarte byer. Denne kategorien omfatter blant annet oppdagelse av underliggende problemer i transportnettverk, oppdagelse av funksjonelle regioner i en by (for eksempel områder som dekker ulike behov hos mennesker og fungerer som en organiseringsteknikk, for eksempel utdanningsområder eller forretningsdistrikter), og oppdagelse av byens grenser for å forstå dens utvikling.
- Transport.
Denne kategorien omfatter: forbedring av kjøreopplevelsen, drosjetjenester og offentlige transportsystemer.
- Miljø.
Urbaniseringens raske utvikling vil bli en potensiell trussel mot bymiljøet. Urban computing for miljøet omfatter blant annet forbedring av luftkvaliteten i byene og reduksjon av støyforurensning.
- Offentlig sikkerhet og trygghet.
Her kan vi nevne følgende bruksområder: deteksjon av trafikkavvik, deteksjon av katastrofer og deteksjon av ulykker.
- Energiforbruk.
Den raske urbaniseringen fører til et stadig økende energiforbruk. Bruksområder i denne kategorien er reduksjon av gass- og strømforbruket.
- Økonomi.
Dynamikken i en by kan indikere trenden i byens økonomi. Et eksempel på anvendelse i denne kategorien er å forutsi utviklingen i et aksjemarked.
- Sosialt.
Bruksområder i denne kategorien er stedsanbefalinger, planlegging av reiseruter, anbefaling av stedsaktiviteter og forståelse av bydynamikk.
Finnes det noen teknologier som muliggjør Urban Computing?
Det finnes flere muliggjørende teknologier for Urban Computing som er gruppert i kategorier. De mest brukte kategoriene er:
Urbane sensorteknikker. Tradisjonell sensing og måling gjennom installasjon av sensorer, passiv crowd sensing som bruker eksisterende infrastruktur til å samle inn data generert av folkemengder, og deltakende sensing der folk aktivt bidrar med informasjonen rundt seg;
Urban Data Management-teknikker gjør det mulig å organisere flere heterogene datakilder for den påfølgende Data Mining-prosessen;
Kunnskapsfusjonsteknikker gjør det mulig å smelte sammen kunnskap fra flere heterogene datakilder på en effektiv måte;
Visualiseringsteknikker for urbane data skal ikke bare vise rådata og presentere resultater, men også gjøre det mulig å oppdage og beskrive mønstre, trender og relasjoner i dataene.
Som du ser, kan Urban Computing være et svært nyttig verktøy for å løse de store problemene i moderne byer.
Utfordringene som Urban Computing står overfor, vil etter hvert bli overvunnet, slik at vi kan skape en bedre fremtid for byene våre.
Referanser
T. Kindberg, M. Chalmers, and E. Paulos. 2007. Guest editors’ introduction: Urban computing. Pervasive Computing 6, 3, 18–20
Klikk på bildet nedenfor for å se våre illustrasjoner av Mind the Graph for urban computing.
Abonner på nyhetsbrevet vårt
Eksklusivt innhold av høy kvalitet om effektiv visuell
kommunikasjon innen vitenskap.
Norwegian 
English 
Chinese 
Czech 
Dutch 
French 
German 
Italian 
Indonesian 
Japanese 
Korean 
Polish 
Portuguese 
Russian 
Spanish 
Turkish 
Ukrainian 
Swedish 
Romanian 
Bulgarian 
Finnish 
Greek 
Hungarian 
Danish 
Estonian 
Slovenian 
Lithuanian 
Latvian 
Slovak