WikiDer > Городские вычисления

Urban computing

Городские вычисления является междисциплинарная область что относится к изучению и применению вычислительная техника в городских условиях. Это предполагает применение беспроводные сети, датчики, вычислительная мощность и данные для улучшения качества густонаселенных районов:

Термин «городские вычисления» был впервые введен Эрик Паулос на конференции UbiComp 2004 г.[1] и в своей статье «Знакомый незнакомец»[2] в соавторстве с Элизабет Гудман. Хотя тесно связан с областью городская информатика, Маркус Фот различает их в своем предисловии к Справочник исследований по городской информатике говоря, что городские вычисления, городские технологии и городская инфраструктура больше фокусируются на технологических аспектах, тогда как городская информатика фокусируется на социальных и человеческих последствиях технологий в городах.[3]

В сфере Информатика, городские вычисления опираются на области беспроводных и сенсорных сетей, информационная наука, и взаимодействие человека с компьютером. Городские вычисления используют многие из парадигмы представлен повсеместные вычисления в том, что коллекции устройств используются для сбора данных о городской среде, чтобы помочь улучшить качество жизни для людей, пострадавших от городов. Что еще больше отличает городские вычисления от традиционных сетей дистанционного зондирования, так это разнообразие устройств, входов и взаимодействия с людьми. В традиционных сенсорных сетях устройства часто создаются специально и специально развертываются для мониторинга определенных явление таких как температура, шум и свет.[4] Как междисциплинарная область, городские вычисления также имеют практиков и приложений в таких областях, как гражданское строительство, антропология, публичная история, здравоохранение, городское планирование, и энергия, среди прочего.[5]

Приложения и примеры

Городские вычисления - это процесс сбора, интеграции и анализа больших и разнородных данных, генерируемых различными источниками в городских пространствах, такими как датчики, устройства, автомобили, здания и люди, для решения основных проблем, с которыми сталкиваются города. Городские вычисления объединяют ненавязчивые и повсеместные сенсорные технологии, передовые модели управления данными и аналитики, а также новые методы визуализации для создания беспроигрышных решений, улучшающих городскую среду, качество жизни людей и городские операционные системы.

— Ю Чжэн, Городские вычисления с большими данными[6]

Культурное архивирование

Города - это больше, чем просто собрание мест и людей - места постоянно обновляются и переосмысляются людьми, которые их населяют. Таким образом, преобладание компьютеров в городских условиях заставляет людей дополнять свою физическую реальность тем, что доступно виртуально.[7] С этой целью исследователи, занимающиеся этнографией, коллективной памятью и общественной историей, использовали стратегии городских вычислений, чтобы представить платформы, которые позволяют людям делиться своей интерпретацией городской среды. Примеры таких проектов включают CLIO - городскую вычислительную систему, разработанную в рамках исследования «Коллективная память города Оулу», которая «позволяет людям делиться личными воспоминаниями, аннотировать их контекстом и связывать их с достопримечательностями города, тем самым создавая коллективную память города».[8] и исторический проект Кливленда, направленный на создание общей истории города, позволяя людям делиться историями с помощью своих цифровых устройств.[9]

Потребление энергии

На потребление энергии и загрязнение окружающей среды во всем мире сильно влияет городской транспорт.[10] Стремясь лучше использовать и обновлять текущую инфраструктуру, исследователи использовали городские вычисления, чтобы лучше понять выбросы газа, проводя полевые исследования с использованием данных GPS из выборки транспортных средств, данных о заправках с заправочных станций и самоотчетов онлайн-участников.[11] Исходя из этого, сведения о плотности и скорости движения, пересекающего дорожную сеть города, можно использовать для предложения экономичных маршрутов движения и определения участков дороги, на которых расходуется значительный объем газа.[12] Информация и прогнозы плотности загрязнения, собранные таким образом, также могут быть использованы для создания локальных предупреждений о качестве воздуха.[12] Кроме того, эти данные могут дать оценку времени ожидания заправочных станций, чтобы предложить более эффективные остановки, а также дать географическое представление об эффективности размещения заправочных станций.[11]

Здоровье

Смартфоны, планшеты, умные часы и другие мобильные вычислительные устройства могут предоставлять информацию, выходящую за рамки простого общения и развлечений. Что касается общественного и личного здоровья, такие организации, как Центр по контролю и профилактике заболеваний (CDC) и Всемирная организация здоровья (ВОЗ) использует Twitter и другие социальные сети, чтобы быстро распространять информацию о вспышках болезней, медицинских открытиях и других новостях. Помимо простого отслеживания распространения болезней, городские вычисления могут даже помочь его предсказать. Исследование Джереми Гинзберга и соавт. обнаружили, что поисковые запросы, связанные с гриппом, служат надежным индикатором будущей вспышки гриппа, что позволяет отслеживать вспышки гриппа на основе географического местоположения таких поисковых запросов, связанных с гриппом.[13] Это открытие стимулировало сотрудничество между CDC и Google по созданию карты прогнозируемых вспышек гриппа на основе этих данных.[14]

Городские вычисления также можно использовать для отслеживания и прогнозирования загрязнения в определенных областях. Исследования, связанные с использованием искусственные нейронные сети (ИНС) и условные случайные поля (CRF) показал, что загрязнение воздуха на большой территории можно спрогнозировать на основе данных небольшого числа станций мониторинга загрязнения воздуха.[15][16] Эти результаты можно использовать для отслеживания загрязнения воздуха и предотвращения неблагоприятных последствий для здоровья в городах, которые уже борются с высоким уровнем загрязнения. Например, в дни, когда загрязнение воздуха особенно велико, может существовать система, предупреждающая жителей об особо опасных зонах.

Социальное взаимодействие

Мобильные вычислительные платформы могут использоваться для облегчения социального взаимодействия. В контексте городских вычислений возможность размещать радиомаяки в окружающей среде, плотность населения и доступная инфраструктура обеспечивают взаимодействие с цифровыми технологиями. В статье Паулоса и Гудмана «Знакомый незнакомец» представлены несколько категорий взаимодействия, от семьи до незнакомцев, и взаимодействия, от личного до случайного.[2] Социальные взаимодействия могут быть облегчены с помощью специально разработанных устройств, приложений, учитывающих приближение, и приложений с «совместным участием». Эти приложения могут использовать различные методы, позволяющие пользователям определять, где они находятся, от «регистрации» до обнаружения приближения и самоидентификации.[17] Примеры приложений с географической привязкой: Йик Як, приложение, которое обеспечивает анонимное социальное взаимодействие на основе близости других пользователей, Ingress который использует дополненная реальность игра, чтобы побудить пользователей взаимодействовать с областью вокруг них, а также друг с другом, и Foursquare, который предоставляет рекомендации по услугам для пользователей в зависимости от указанного местоположения.

Транспорт

Одна из основных областей применения городских вычислений - улучшить частный и общественный транспорт в городе. Основными источниками данных являются плавающие данные об автомобилях (данные о том, где находятся автомобили в данный момент). Сюда входят индивидуальные GPS-приемники, GPS-приемники такси, сигналы WiFI, петлевые датчики и (для некоторых приложений) данные, вводимые пользователем. Городские вычисления могут помочь выбрать лучшие маршруты движения, что важно для таких приложений, как Waze, Google Maps и планирования поездок. Wang et al. построил систему для получения оценок времени в пути в реальном времени. Они решают проблемы: во-первых, не все участки дороги будут иметь данные GPS за последние 30 минут или когда-либо; во-вторых, некоторые пути будут охвачены несколькими записями об автомобилях, и необходимо объединить эти записи, чтобы получить наиболее точную оценку времени в пути; и, в-третьих, в городе могут быть десятки тысяч участков дорог и бесконечное количество запрашиваемых путей, поэтому предоставление мгновенной оценки в реальном времени должно быть масштабируемым. Они использовали различные методы и протестировали это на 32670 такси в течение двух месяцев в Пекине и точно оценили время в пути с точностью до 25 секунд ошибки на километр.[6]

Счетчики велосипедов являются примером вычислительная техника подсчитать количество велосипедисты в определенном месте, чтобы помочь городское планирование с достоверными данными[18][19].

Uber - это служба такси по запросу, в которой пользователи могут заказывать поездки со своего смартфона. Используя данные об активных водителях и пассажирах, Uber может различать цены на основе текущего соотношения между водителем и водителем. Это позволяет им зарабатывать больше денег, чем без «резкого роста цен», и помогает вывести больше водителей на улицу в непопулярные часы работы.[20]

Городские вычисления также могут дешево улучшить работу общественного транспорта. Группа Вашингтонского университета разработала OneBusAway, который использует данные GPS на общественном автобусе для предоставления водителям информации об автобусах в реальном времени. Размещение дисплеев на автобусных остановках для предоставления информации обходится дорого, но разработка нескольких интерфейсов (приложения, веб-сайт, ответ по телефону, SMS) для OneBusAway была сравнительно дешевой. Среди опрошенных пользователей OneBusAway 92% были более удовлетворены, 91% меньше ждали, а 30% совершали больше поездок.[21]

Принятию решений по транспортной политике также могут помочь городские вычисления. Лондонская система проката велосипедов - это широко используемая система проката велосипедов, управляемая их транспортными властями. Первоначально требовалось, чтобы пользователи имели членство. Они изменили его, чтобы не требовать членства через некоторое время, и проанализировали данные о том, когда и где велосипеды были арендованы и возвращены, чтобы увидеть, какие области были активными и какие тенденции изменились. Они обнаружили, что удаление членства было хорошим решением, которое несколько увеличило количество поездок в будние дни и значительно увеличило использование в выходные.[22] На основе моделей и характеристик системы совместного использования велосипедов были изучены последствия для поддержки принятия решений на основе данных для преобразования городского транспорта в более устойчивый характер.[23]

Среда

Городские вычисления имеют большой потенциал для улучшения качества жизни в городах за счет улучшения окружающей среды, в которой живут люди, например, за счет повышения качества воздуха и снижения шумового загрязнения. Многие химические вещества, которые являются нежелательными или ядовитыми, загрязняют воздух, например, PM 2,5, PM 10 и монооксид углерода. Многие города измеряют качество воздуха, устанавливая несколько измерительных станций по всему городу, но эти станции слишком дороги, чтобы покрыть весь город. Поскольку качество воздуха является сложной задачей, трудно сделать вывод о качестве воздуха между двумя измерительными станциями.

Были исследованы различные способы добавления дополнительных датчиков к городскому ландшафту, включая колеса Копенгагена (датчики, установленные на колесах велосипеда и приводимые в движение водителем) и автомобильные датчики. Хотя они работают с угарным газом и углекислым газом, станции измерения аэрозолей недостаточно портативны для передвижения.[6]

Также предпринимаются попытки сделать вывод о неизвестном качестве воздуха по всему городу только на основе проб, взятых на станциях, например, путем оценки выбросов от автомобилей по данным плавающих автомобилей. Zheng et al. построил модель с использованием машинного обучения и интеллектуального анализа данных под названием U-Air. Он использует исторические данные о воздухе и данные в реальном времени, метеорологию, транспортный поток, мобильность людей, дорожные сети и достопримечательности, которые передаются в искусственные нейронные сети и условные случайные поля для обработки. Их модель является значительным улучшением по сравнению с предыдущими моделями общегородского качества воздуха.[15]

Chet et al. разработала систему мониторинга качества воздуха в помещениях, которую Microsoft развернула внутри Китая. Система основана на блоках HVAC (отопление, вентиляция, кондиционирование) здания. Поскольку HVAC фильтруют воздух PM 2.5, но не проверяют, если это необходимо, новая система может сэкономить энергию, предотвращая запуск HVAC без необходимости.[24]

Другой источник данных - данные социальных сетей. В частности, теги изображений с географической привязкой успешно использовались для вывода запах карты [25] [26] (связано с качеством воздуха) и звуковой пейзаж карты [27] (связано с качеством звука) на уровне города.

Смотрите также

Рекомендации

  1. ^ Паулос, Эрик; Андерсон, Кен; Таунсенд, Энтони (7 сентября 2004 г.). UbiComp на городской границе (Речь). Шестая международная конференция по повсеместным вычислениям (семинар). Ноттингем, Англия.
  2. ^ а б Паулос, Эрик; Гудман, Элизабет (2004). Знакомый незнакомец: беспокойство, комфорт и игра в общественных местах. Труды конференции SIGCHI по человеческому фактору в вычислительных системах. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 223–230. Дои:10.1145/985692.985721. ISBN 1-58113-702-8.
  3. ^ Фот, Маркус (2009). Справочник по исследованиям в области городской информатики: практика и перспективы города в реальном времени. Херши, Пенсильвания: Справочник по информационным наукам. ISBN 978-1-60566-152-0. OCLC 227572898.
  4. ^ Акылдыз, И.Ф .; Вс, Вт .; Sankarasubramaniam, Y .; Кайирчи, Э. (2002). «Беспроводные сенсорные сети: обзор». Компьютерная сеть. 38 (4): 393–422 [395]. CiteSeerX 10.1.1.320.5948. Дои:10.1016 / S1389-1286 (01) 00302-4.
  5. ^ Кукка, Ханну; Илипулли, Йоханна; Луусуа, Анна; Дей, Анинд К. (2014). Городские вычисления в теории и на практике. Труды 8-й североевропейской конференции по взаимодействию человека и компьютера: весело, быстро, фундаментально (NordiCHI '14). Нью-Йорк, Нью-Йорк, США: ACM Press. п. 658–667. Дои:10.1145/2639189.2639250. ISBN 978-1-4503-2542-4.
  6. ^ а б c Чжэн, Ю; Капра, Лисия; Вольфсон, Ори; Ян, Хай (18.09.2014). «Городские вычисления». Транзакции ACM по интеллектуальным системам и технологиям. Ассоциация вычислительной техники (ACM). 5 (3): 1–55. Дои:10.1145/2629592. ISSN 2157-6904.
  7. ^ Кукка, Ханну; Луусуа, Анна; Илипулли, Йоханна; Суопаярви, Тийна; Костакос, Василис; Охала, Тимо (2014). «От киберпанка к спокойным городским вычислениям: исследование роли технологий в городском пейзаже будущего». Технологическое прогнозирование и социальные изменения. 84: 29–42. Дои:10.1016 / j.techfore.2013.07.015.
  8. ^ Кристопулу, Элени; Рингас, Димитриос; Стефанидакис, Михаил (2012). Опыт влияния городских вычислений на городскую культуру. 16-я Всегреческая конференция по информатике (PCI). IEEE. стр.56,61. Дои:10.1109 / pci.2012.53. ISBN 978-1-4673-2720-6.
  9. ^ "О Кливленде историческом". Кливленд Исторический. Получено 22 апреля 2015.
  10. ^ «Выбросы парниковых газов: выбросы транспортного сектора - изменение климата - Агентство по охране окружающей среды США». epa.gov. 2012-03-16. Архивировано 4 июля 2014 года.CS1 maint: неподходящий URL (связь)
  11. ^ а б Чжан, Фучжэн; Уилки, Дэвид; Чжэн, Ю; Се, Син (2013). Чувство пульса городской заправки. UbiComp '13: Материалы международной совместной конференции ACM 2013 года по повсеместным и повсеместным вычислениям. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 13–22. Дои:10.1145/2493432.2493448. ISBN 978-1-4503-1770-2.
  12. ^ а б Шан, Дзинбо; Чжэн, Ю; Тонг, Вэньчжу; Чанг, Эрик; Ю, Йонг (2014). Предполагаемый расход газа и выбросы загрязняющих веществ транспортными средствами по всему городу. KDD '14: Материалы 20-й международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 1027–1036. Дои:10.1145/2623330.2623653. ISBN 978-1-4503-2956-9.
  13. ^ Гинзберг, Дж; и другие. (2009). «Выявление эпидемий гриппа с использованием данных поисковых запросов». Природа. 457 (7232): 1012–1014. Bibcode:2009 Натур.457.1012G. Дои:10.1038 / природа07634. PMID 19020500.
  14. ^ "Google Flu Trends". Получено 21 апреля 2015.
  15. ^ а б Чжэн, Ю; Лю, Фуруи; Се, Синь-Пин (2013). U-Air: когда выводы о качестве городского воздуха соответствуют большим данным. KDD '13: Материалы 19-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 1436–1444. Дои:10.1145/2487575.2488188. ISBN 978-1-4503-2174-7.
  16. ^ Чжэн, Ю; Чен, Сюйюй; Цзинь, Цивэй; Чен Юбяо; Цюй, Сянъюнь; Лю, Синь; Чанг, Эрик; Ма, Вэй-Инь; Руи, Йонг; Солнце, Вэйвэй (2014). «Облачная система обнаружения знаний для детального мониторинга качества воздуха» (PDF). МСР-Тр-2014-40.
  17. ^ Джабер, Нафаа; Задалли, Шерали; Сайед, Биджу (2013-03-01). «Мобильные приложения для социальных сетей». Коммуникации ACM. Ассоциация вычислительной техники (ACM). 56 (3): 71. Дои:10.1145/2428556.2428573. ISSN 0001-0782.
  18. ^ Магни, Мари (2012-06-06). «Велосипедные города награждены счетчиками велосипедов». Велоспорт посольство Дании. Получено 2020-04-25.
  19. ^ «Фаррадбарометр». hamburg.adfc.de (на немецком). Получено 2020-04-25.
  20. ^ "Цены на скачок". Обмен бесплатно. Экономист. 2014-03-29.
  21. ^ Феррис, Брайан; Уоткинс, Кари; Борнинг, Алан (2010). OneBusAway: результат предоставления информации о прибытии в режиме реального времени для общественного транспорта. CHI '10: Материалы конференции SIGCHI по человеческому фактору в вычислительных системах. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 1807–1816 гг. Дои:10.1145/1753326.1753597. ISBN 978-1-60558-929-9.
  22. ^ Латия, Нил; Ахмед, Саниул; Капра, Лисия (2012). «Измерение влияния открытия лондонской схемы совместного использования велосипедов для случайных пользователей». Транспортные исследования, часть C: Новые технологии. Elsevier BV. 22: 88–102. Дои:10.1016 / j.trc.2011.12.004. ISSN 0968-090X.
  23. ^ Се, Сяо-Фэн; Ван, Цзуньцзин (2018). «Изучение моделей поездок и характеристик в сети проката велосипедов и их последствий для поддержки принятия решений на основе данных: тематическое исследование в районе Вашингтона». Журнал транспортной географии. 71: 84–102. arXiv:1901.02061. Bibcode:2019arXiv190102061X. Дои:10.1016 / j.jtrangeo.2018.07.010.
  24. ^ Чен, Сюйюй; Чжэн, Ю; Чен Юбяо; Цзинь, Цивэй; Солнце, Вэйвэй; Чанг, Эрик; Ма, Вэй-Ин (2014). Система мониторинга качества воздуха в помещениях для умных зданий. UbiComp '14: Материалы совместной международной конференции ACM 2014 года по повсеместным и повсеместным вычислениям. Нью-Йорк, Нью-Йорк, США: ACM Press. п. 471–475. Дои:10.1145/2632048.2632103. ISBN 978-1-4503-2968-2.
  25. ^ Quercia, Даниэле; Скифанелла, Россано; Айелло, Лука Мария; Кейт, Маклин (2015). «Вонючие карты: цифровая жизнь городских пахучих пейзажей». AAAI Icwsm. 3 (3). arXiv:1505.06851. Bibcode:2015arXiv150506851Q.
  26. ^ Quercia, Даниэле; Скифанелла, Россано; Айелло, Лука Мария (2016). «Эмоциональные и хроматические слои городских запахов». AAAI Icwsm. arXiv:1605.06721. Bibcode:2016arXiv160506721Q.
  27. ^ Айелло, Лука Мария; Скифанелла, Россано; Quercia, Даниэле; Алетта, Франческо (2016). «Болтливые карты: построение звуковых карт городских территорий на основе данных социальных сетей». Королевское общество открытой науки. 3 (3): 150690. arXiv:1603.07813. Bibcode:2016RSOS .... 350690A. Дои:10.1098 / rsos.150690. ЧВК 4821272. PMID 27069661.