Urban computing
Urban computing är ett tvärvetenskapligt område som hänför sig till studier och tillämpning av datorteknik i stadsområden. Detta innebär tillämpning av trådlösa nätverk , sensorer , beräkningskraft och data för att förbättra kvaliteten i tätbefolkade områden. Urban computing är det tekniska ramverket för smarta städer .
Termen "urban computing" introducerades först av Eric Paulos vid UbiComp-konferensen 2004 och i hans artikel The Familiar Stranger skrevs tillsammans med Elizabeth Goodman. Även om det är nära knutet till området urban informatik , skiljer Marcus Foth åt de två i sitt förord till Handbook of Research on Urban Informatics genom att säga att urban computing, urban technology och urban infrastruktur fokuserar mer på tekniska dimensioner medan urban informatik fokuserar på sociala och mänskliga implikationer av teknik i städer.
Inom domänen datavetenskap hämtar urbana datoranvändning från domänerna trådlösa nätverk och sensornätverk, informationsvetenskap och interaktion mellan människa och dator . Urban computing använder många av de paradigm som introducerats av ubiquitous computing genom att samlingar av enheter används för att samla in data om stadsmiljön för att hjälpa till att förbättra livskvaliteten för människor som påverkas av städer. Det som ytterligare skiljer urban datoranvändning från traditionella fjärranalysnätverk är mångfalden av enheter, ingångar och mänsklig interaktion. I traditionella sensornätverk är enheter ofta målmedvetet byggda och speciellt utplacerade för att övervaka vissa fenomen som temperatur, brus och ljus. Som ett tvärvetenskapligt område har urban computing också praktiker och tillämpningar inom områden inklusive civilingenjör , antropologi , offentlig historia , hälsovård , stadsplanering och energi, bland annat.
Tillämpningar och exempel
Urban computing är en process för inhämtning, integration och analys av stora och heterogena data som genereras av en mängd olika källor i urbana utrymmen, såsom sensorer, enheter, fordon, byggnader och människor, för att hantera de stora problem som städer står inför. Urban computing kopplar samman diskreta och allestädes närvarande avkänningsteknologier, avancerade datahanterings- och analysmodeller och nya visualiseringsmetoder, för att skapa win-win-win-lösningar som förbättrar stadsmiljön, människors livskvalitet och stadsdriftssystem.
— Yu Zheng, Urban Computing med Big Data
Kulturell arkivering
Städer är mer än en samling av platser och människor - platser uppfinns ständigt på nytt och återskapas av människorna som ockuperar dem. Som sådan leder förekomsten av datoranvändning i urbana utrymmen människor att komplettera sin fysiska verklighet med vad som är praktiskt taget tillgängligt. För detta ändamål har forskare som är engagerade i etnografi, kollektivt minne och offentlig historia utnyttjat urbana datorstrategier för att introducera plattformar som gör det möjligt för människor att dela sin tolkning av stadsmiljön. Exempel på sådana projekt inkluderar CLIO – ett urbant datorsystem som kom ur studien Collective City Memory of Uleåborg – som "låter människor dela personliga minnen, kontextkommentera dem och relatera dem till stadens landmärken, vilket skapar det kollektiva stadsminnet." och Cleveland Historical-projektet som syftar till att skapa en delad historia om staden genom att låta människor bidra med berättelser genom sina egna digitala enheter.
Energiförbrukning
Energiförbrukning och föroreningar i hela världen påverkas hårt av stadstransporter. I ett försök att bättre utnyttja och uppdatera nuvarande infrastruktur, har forskare använt urban computing för att bättre förstå gasutsläpp genom att genomföra fältstudier med hjälp av GPS-data från ett urval av fordon, tankningsdata från bensinstationer och självrapportering onlinedeltagare. Utifrån detta kan kunskap om tätheten och hastigheten hos trafiken som korsar en stads vägnät användas för att föreslå kostnadseffektiva körvägar och identifiera vägavsnitt där gas har slösats mycket. Information och förutsägelser om föroreningstäthet som samlats in på detta sätt skulle också kunna användas för att generera lokaliserade luftkvalitetsvarningar. Dessutom skulle dessa data kunna ge uppskattningar av bensinstationers väntetider för att föreslå effektivare stopp, samt ge en geografisk bild av effektiviteten av bensinstationsplacering.
Hälsa
Smarta telefoner, surfplattor, smarta klockor och andra mobila datorenheter kan ge information utöver enkel kommunikation och underhållning. När det gäller folkhälsan och personlig hälsa har organisationer som Centers for Disease Control and Prevention (CDC) och Världshälsoorganisationen ( WHO) tagit till Twitter och andra sociala medieplattformar för att ge snabb spridning av sjukdomsutbrott, medicinska upptäckter och andra Nyheter. Utöver att helt enkelt spåra spridningen av sjukdomar, kan stadsdatorer till och med hjälpa till att förutsäga det. En studie av Jeremy Ginsberg et al. upptäckt att influensarelaterade sökfrågor fungerar som en pålitlig indikator på ett framtida utbrott, vilket gör det möjligt att spåra influensautbrott baserat på den geografiska platsen för sådana influensarelaterade sökningar. Denna upptäckt sporrade ett samarbete mellan CDC och Google för att skapa en karta över förutspådda influensautbrott baserat på dessa data.
Urban computing kan också användas för att spåra och förutsäga föroreningar i vissa områden. Forskning som involverar användningen av artificiella neurala nätverk (ANN) och villkorade slumpmässiga fält (CRF) har visat att luftföroreningar för ett stort område kan förutsägas baserat på data från ett litet antal övervakningsstationer för luftföroreningar. Dessa resultat kan användas för att spåra luftföroreningar och för att förhindra de negativa hälsoeffekterna i städer som redan kämpar med höga föroreningar. På dagar då luftföroreningarna är särskilt höga, till exempel, kan det finnas ett system för att uppmärksamma invånarna på särskilt farliga områden.
Social interaktion
Mobila datorplattformar kan användas för att underlätta social interaktion. I samband med urban databehandling möjliggör förmågan att placera närhetsfyrar i miljön, befolkningstätheten och tillgänglig infrastruktur digitalt underlättad interaktion. Paulos och Goodmans artikel The Familiar Stranger introducerar flera kategorier av interaktion, från familj till främlingar och interaktioner från personliga till i förbigående. Sociala interaktioner kan underlättas av specialbyggda enheter, närhetsmedvetna applikationer och "deltagande" applikationer. Dessa applikationer kan använda en mängd olika tekniker för användare att identifiera var de befinner sig, från "incheckning" till närhetsdetektering till självidentifiering. Exempel på geografiskt medvetna applikationer inkluderar Yik Yak , en applikation som underlättar anonym social interaktion baserat på närhet till andra användare, Ingress som använder ett augmented reality- spel för att uppmuntra användare att interagera med området runt dem såväl som med varandra, och Foursquare , som ger rekommendationer om tjänster till användare baserat på en angiven plats.
Transport
Ett av de viktigaste tillämpningsområdena för urban computing är att förbättra privata och kollektiva transporter i en stad. De primära datakällorna är flytande bildata (data om var bilar befinner sig vid ett givet ögonblick). Detta inkluderar individuella GPS:er, taxi-GPS:er, WiFI-signaler, loopsensorer och (för vissa applikationer) användarinmatning. Urban computing kan hjälpa till att välja bättre körvägar, vilket är viktigt för applikationer som Waze, Google Maps och reseplanering. Wang et al. byggt ett system för att få restidsuppskattningar i realtid. De löser problemen: ett, inte alla vägsträckor kommer att ha data från GPS under de senaste 30 minuterna eller någonsin; två, vissa vägar kommer att täckas av flera bilregister, och det är nödvändigt att kombinera dessa register för att skapa den mest exakta uppskattningen av restid; och tre, en stad kan ha tiotusentals vägsegment och ett oändligt antal vägar som ska frågas, så att tillhandahålla en omedelbar realtidsuppskattning måste vara skalbar. De använde olika tekniker och testade det på 32670 taxibilar under två månader i Peking, och uppskattade exakt restiden till inom 25 sekunders fel per kilometer.
Cykelräknare är ett exempel på datorteknik för att räkna antalet cyklister på en viss plats för att hjälpa stadsplaneringen med tillförlitliga data.
Uber är en taxiliknande tjänst på begäran där användare kan begära resor med sin smartphone. Genom att använda data från de aktiva åkarna och förarna kan Uber prisdiskriminera baserat på det aktuella förhållandet mellan åkare och förare. Detta låter dem tjäna mer pengar än de skulle utan "svallprissättning" och hjälper till att få ut fler förare på gatan under impopulära arbetstider.
Urban datoranvändning kan också förbättra kollektivtrafiken billigt. En grupp från University of Washington utvecklade OneBusAway, som använder GPS-data från offentliga bussar för att ge bussinformation i realtid till förare. Att placera displayer vid busshållplatser för att ge information är dyrt, men att utveckla flera gränssnitt (appar, webbplats, telefonsvar, SMS) till OneBusAway var jämförelsevis billigt. Bland de tillfrågade OneBusAway-användarna var 92 % mer nöjda, 91 % väntade mindre och 30 % tog fler resor.
Att fatta beslut om transportpolitik kan också underlättas med urban computing. Londons Cycle Hire-system är ett flitigt använt cykeldelningssystem som drivs av deras transitmyndighet. Ursprungligen krävde det att användare hade ett medlemskap. De ändrade det till att inte kräva ett medlemskap efter ett tag, och analyserade data om när och var cyklar hyrdes och returnerades, för att se vilka områden som var aktiva och vilka trender som förändrades. De fann att att ta bort medlemskap var ett bra beslut som ökade vardagspendlingen något och kraftigt ökade helganvändningen. Baserat på mönstren och egenskaperna hos ett cykeldelningssystem har konsekvenserna för datadrivna beslutsstöd studerats för att omvandla stadstransporter till att bli mer hållbara.
Miljö
Urban computing har stor potential att förbättra livskvaliteten i städerna genom att förbättra miljön människor lever i, till exempel genom att höja luftkvaliteten och minska bullerföroreningarna. Många kemikalier som är oönskade eller giftiga förorenar luften, såsom PM 2,5, PM 10 och kolmonoxid. Många städer mäter luftkvaliteten genom att sätta upp några mätstationer över hela staden, men dessa stationer är för dyra för att täcka hela staden. Eftersom luftkvaliteten är komplex är det svårt att sluta sig till luftkvaliteten mellan två mätstationer.
Olika sätt att lägga till fler sensorer till stadsbilden har undersökts, inklusive Köpenhamnshjul (sensorer monterade på cykelhjul och drivs av föraren) och bilbaserade sensorer. Även om dessa fungerar för kolmonoxid och koldioxid, är aerosolmätstationer inte tillräckligt portabla för att flytta runt.
Det finns också försök att härleda den okända luftkvaliteten över hela staden från bara de prover som tagits på stationer, till exempel genom att uppskatta bilutsläpp från flytande bildata. Zheng et al. byggde en modell med hjälp av maskininlärning och datautvinning kallad U-Air. Den använder historisk och realtids luftdata, meteorologi, trafikflöde, mänsklig rörlighet, vägnät och intressanta platser, som matas till artificiella neurala nätverk och villkorade slumpmässiga fält som ska bearbetas. Deras modell är en betydande förbättring jämfört med tidigare modeller av stadstäckande luftkvalitet.
Chet et al. utvecklat ett system för att övervaka luftkvaliteten inomhus, som implementerades internt av Microsoft i Kina. Systemet är baserat i byggnadens VVS-enheter (värme, ventilation, luftkonditionering). Eftersom HVACs filtrerar luften i PM 2.5, men inte kontrollerar om det är nödvändigt, kan det nya systemet spara energi genom att förhindra HVAC från att köras när det är onödigt.
En annan datakälla är data från sociala medier. Speciellt har georefererade bildtaggar framgångsrikt använts för att dra slutsatser om luktlandskapskartor (kopplade till luftkvalitet) och ljudlandskapskartor (kopplade till ljudkvalitet) på stadsnivå .