Dagens storstäder står inför stora problem som trafikstockningar, luftföroreningar och energiförbrukning. Dessa stora problem i storstäder kan hanteras genom att använda Big data (vilket innebär behandling av stora datamängder).
Det är precis vad urban computing är. Det kan enkelt definieras som användning av stordata för att hantera de stora frågorna i stora städer.
Låt oss berätta mer om detta.
Urban Computing innebär en process för insamling, integrering och analys av stora och heterogena data som genereras av olika källor i stadsmiljöer. Sådana datakällor inkluderar sensorer, mobila enheter, fordon, byggnader och människor.
Vad är urban databehandling?
I artikeln med titeln "Urban databehandling: koncept, metoder och tillämpningar", introducerar författarna ett allmänt ramverk för implementering av Urban Computing.
Urban Computing kopplar samman icke-påträngande och allestädes närvarande sensorteknik, avancerad datahantering, analytiska modeller och nya visualiseringsmetoder för att skapa lösningar som förbättrar stadsmiljön, människors livskvalitet och stadsdriftssystem.
Vi måste också betona att Urban Computing är ett tvärvetenskapligt område. Det integrerar datavetenskap med andra områden som transport, väg- och vattenbyggnad, ekonomi, ekologi och sociologi i samband med stadsmiljöer.
Förmodligen är den stora frågan som spökar i ditt huvud just nu: hur kan man implementera urban databehandling för att lösa storstädernas problem?
Goda nyheter, det finns ett ramverk för det!
Ramverk för urban databehandling
I artikeln med titeln "Urban databehandling: koncept, metoder och tillämpningar", introducerar författarna ett allmänt ramverk för implementering av Urban Computing.
Ramverket består av fyra lager: Urban sensing, urban datahantering, dataanalys och tillhandahållande av tjänster. Varje lager har en specifik funktion.
Den Urban avkänning lagret ansvarar för att samla in data från stadsmiljöer. Denna datainsamling kan utföras med olika tekniker som deltagande sensing, crowdsensing och mobil sensing.
Den Datahantering i städer lagret gör det möjligt att organisera data med hjälp av en indexeringsstruktur som innehåller både spatio-temporal information och texter för att stödja effektiv dataanalys.
I den Lager för dataanalys, olika tekniker som t.ex. Datautvinning, Maskininlärningoch Visualisering av data används för att identifiera mönster i data och få värdefull information från dem för efterföljande beslutsfattande.
Den Tillhandahållande av tjänster omfattar olika lösningar och tjänster som syftar till att förbättra människors körupplevelser, minska trafikstockningar, luftföroreningar och energiförbrukning. Om till exempel en trafikavvikelse upptäcks kommer denna information att skickas till transportmyndigheten för att sprida trafiken och diagnostisera avvikelsen.
Så vilka utmaningar står Urban Computing inför?
För en idealisk implementering står Urban Computing inför tre stora utmaningar:
1.Sensorer och datainsamling.
Denna utmaning handlar om hur man samlar in stadsdata på ett icke-påträngande och kontinuerligt sätt med tanke på begränsningarna i antalet sensorer som distribueras i staden.
Genom att bygga upp nya infrastrukturer för sensorer skulle målet kunna uppnås, men det skulle öka städernas börda.
Människan som sensor är ett nytt koncept som kan bidra till att lösa denna utmaning genom att använda människors inlägg på sociala medier eller deras GPS-spår för att förstå vad som händer runt omkring dem.
Människan som sensor medför nya utmaningar som t.ex:
- Ökad användning av energianordningar;
- Sekretess för personlig information;
- Snedvridna data eftersom användarna inte är jämnt fördelade och inte skickar mätvärden med samma frekvens;
- Ostrukturerade, implicita och brusiga data från användarna. Data som genereras av traditionella sensorer är däremot välstrukturerade, tydliga, rena och lätta att förstå.
2. Heterogena data.
Tekniker för datautvinning och maskininlärning hanterar vanligtvis en typ av data. För att lösa utmaningar i städerna krävs dock ett brett spektrum av faktorer (för att undersöka luftföroreningar måste man till exempel samtidigt studera trafikflöden, meteorologi och markanvändning).
3. Hybridsystem.
Till skillnad från en sökmotor eller ett digitalt spel där data genereras och konsumeras i den digitala världen, integrerar urban computing vanligtvis data från båda världarna (genom att kombinera trafik med sociala medier).
Utformningen av hybridsystem är mycket mer utmanande än för konventionella system, eftersom systemet måste kommunicera med många enheter och användare samtidigt och skicka och ta emot data i olika format.
Vilka är de viktigaste tillämpningarna av urban databehandling?
Tillämpningarna inom urban databehandling kan bli otaliga.
Tillämpningarna kan delas in i sju kategorier: stadsplanering, transport, miljö, allmän säkerhet och trygghet, energi, ekonomi, ekologi och sociala frågor.
Här följer en mycket kort beskrivning av var och en av dem:
- Stadsplanering.
Planering är viktigt för att bygga smarta städer. Denna kategori omfattar upptäckt av underliggande problem i transportnät, upptäckt av funktionella regioner i en stad (t.ex. områden som tillgodoser olika behov hos människor och fungerar som en organiserande teknik, såsom utbildningsområden eller affärsdistrikt), och upptäckt av stadens gränser för att förstå dess utveckling.
- Transport.
Denna kategori omfattar: förbättrad körupplevelse, taxitjänster och kollektivtrafiksystem.
- Miljö.
Urbaniseringens snabba utveckling kommer att bli ett potentiellt hot mot städernas miljö. Urban computing för miljön omfattar: förbättring av luftkvaliteten i städerna och minskning av bullerföroreningar.
- Allmän säkerhet och trygghet.
Här kan vi räkna upp följande tillämpningar: upptäckt av trafikavvikelser, upptäckt av katastrofer och upptäckt av olyckor.
- Energiförbrukning.
Den snabba urbaniseringen förbrukar allt mer energi. Tillämpningar i denna kategori är minskad gas- och elförbrukning.
- Ekonomi.
Dynamiken i en stad kan indikera trenden för stadens ekonomi. Ett exempel på tillämpning i denna kategori är att förutsäga trenden på en aktiemarknad.
- Social.
Tillämpningar i denna kategori är platsrekommendationer, reseplanering, plats- och aktivitetsrekommendationer och förståelse för stadsdynamik.
Finns det några tekniker för att möjliggöra urban databehandling?
Det finns flera möjliggörande tekniker för Urban Computing som grupperas i kategorier. De mer frekvent använda kategorierna är:
Tekniker för urban avkänning. Traditionell avkänning och mätning genom installation av sensorer, passiv avkänning av folkmassor som använder befintlig infrastruktur för att samla in data som genereras av folkmassor, och deltagande avkänning där människor aktivt bidrar med informationen runt omkring dem;
Urban Data Management-tekniker gör det möjligt att organisera flera heterogena datakällor för följande Data Mining-process;
Kunskapsfusionstekniker gör det möjligt att effektivt fusionera kunskap från flera heterogena datakällor;
Visualiseringstekniker för urban data bör inte bara visa rådata och presentera resultat, utan de måste också göra det möjligt att upptäcka och beskriva mönster, trender och relationer i data.
Som du ser kan Urban Computing vara ett mycket användbart verktyg för att lösa de stora problemen i moderna städer.
De utmaningar som Urban Computing står inför kommer så småningom att övervinnas, så att vi kan skapa en bättre framtid för våra städer.
Referenser
T. Kindberg, M. Chalmers och E. Paulos. 2007. Gästredaktörernas introduktion: Urban databehandling. Pervasive Computing 6, 3, 18-20
Klicka på bilden nedan för att se illustrationer av vår Mind the Graph för urban computing.
Prenumerera på vårt nyhetsbrev
Exklusivt innehåll av hög kvalitet om effektiv visuell
kommunikation inom vetenskap.
Swedish 
English 
Chinese 
Czech 
Dutch 
French 
German 
Italian 
Indonesian 
Japanese 
Korean 
Polish 
Portuguese 
Russian 
Spanish 
Turkish 
Ukrainian 
Romanian 
Bulgarian 
Finnish 
Greek 
Hungarian 
Norwegian 
Danish 
Estonian 
Slovenian 
Lithuanian 
Latvian 
Slovak