Urban computing
Urban computing is an interdisciplinary field which pertains to the study and application of computing technology in urban areas. This involves the application of wireless networks, sensors, computational power, and data to improve the quality of densely populated areas. Urban computing is the technological framework for smart cities.[1][2]
The term "urban computing" was first introduced by Eric Paulos at the 2004 UbiComp conference[3] and in his paper The Familiar Stranger[4] co-authored with Elizabeth Goodman. Although closely tied to the field of urban informatics, Marcus Foth differentiates the two in his preface to Handbook of Research on Urban Informatics by saying that urban computing, urban technology, and urban infrastructure focus more on technological dimensions whereas urban informatics focuses on the social and human implications of technology in cities.[5]
Within the domain of computer science, urban computing draws from the domains of wireless and sensor networks, information science, and human-computer interaction. Urban computing uses many of the paradigms introduced by ubiquitous computing in that collections of devices are used to gather data about the urban environment to help improve the quality of life for people affected by cities. What further differentiates urban computing from traditional remote sensing networks is the variety of devices, inputs, and human interaction involved. In traditional sensor networks, devices are often purposefully built and specifically deployed for monitoring certain phenomenon such as temperature, noise, and light.[6] As an interdisciplinary field, urban computing also has practitioners and applications in fields including civil engineering, anthropology, public history, health care, urban planning, and energy, among others.[7]
Applications and examples
การประมวลผลในเขตเมือง (Urban computing) คือกระบวนการรวบรวม บูรณาการ และวิเคราะห์ข้อมูลขนาดใหญ่และหลากหลายประเภทที่เกิดขึ้นจากแหล่งข้อมูลต่างๆ ในพื้นที่เมือง เช่น เซ็นเซอร์ อุปกรณ์ ยานพาหนะ อาคาร และมนุษย์ เพื่อแก้ไขปัญหาสำคัญที่เมืองเผชิญ การประมวลผลในเขตเมืองเชื่อมโยงเทคโนโลยีการตรวจจับที่ไม่รบกวนและแพร่หลาย รูปแบบการจัดการข้อมูลและการวิเคราะห์ขั้นสูง และวิธีการแสดงภาพข้อมูลแบบใหม่ เพื่อสร้างโซลูชันที่เป็นประโยชน์ต่อทุกฝ่าย ซึ่งจะช่วยปรับปรุงสภาพแวดล้อมในเมือง คุณภาพชีวิตของมนุษย์ และระบบการดำเนินงานของเมือง
— หยู เจิ้ง การคำนวณในเมืองด้วยข้อมูลขนาดใหญ่[ 8 ]
การเก็บรักษาเอกสารทางวัฒนธรรม
เมืองต่างๆ เป็นมากกว่าแค่การรวมตัวของสถานที่และผู้คน - สถานที่ต่างๆ ถูกสร้างสรรค์และจินตนาการขึ้นใหม่อย่างต่อเนื่องโดยผู้คนที่อาศัยอยู่ในนั้น ด้วยเหตุนี้ การแพร่หลายของการคำนวณในพื้นที่เมืองจึงนำไปสู่การที่ผู้คนเสริมความเป็นจริงทางกายภาพของตนด้วยสิ่งที่มีอยู่ในโลกเสมือนจริง[ 9 ] เพื่อบรรลุเป้าหมายนี้ นักวิจัยที่เกี่ยวข้องกับชาติพันธุ์วิทยาความทรงจำร่วมและประวัติศาสตร์สาธารณะ ได้ใช้กลยุทธ์การคำนวณในเมืองเพื่อแนะนำแพลตฟอร์มที่ช่วยให้ผู้คนสามารถแบ่งปันการตีความสภาพแวดล้อมในเมืองของตนได้ ตัวอย่างของโครงการดังกล่าว ได้แก่ CLIO ซึ่งเป็นระบบการคำนวณในเมืองที่มาจากงานวิจัย Collective City Memory of Oulu ซึ่ง "อนุญาตให้ผู้คนแบ่งปันความทรงจำส่วนตัว ใส่คำอธิบายประกอบบริบท และเชื่อมโยงกับสถานที่สำคัญของเมือง จึงสร้างความทรงจำร่วมของเมือง" [ 10 ]และโครงการ Cleveland Historical ซึ่งมีเป้าหมายเพื่อสร้างประวัติศาสตร์ร่วมกันของเมืองโดยอนุญาตให้ผู้คนมีส่วนร่วมในการเล่าเรื่องผ่านอุปกรณ์ดิจิทัลของตนเอง[ 11 ]
การใช้พลังงาน
การใช้พลังงานและมลพิษทั่วโลกได้รับผลกระทบอย่างมากจากการขนส่งในเมือง[ 12 ]เพื่อที่จะใช้ประโยชน์และปรับปรุงโครงสร้างพื้นฐานที่มีอยู่ให้ดียิ่งขึ้น นักวิจัยได้ใช้การคำนวณในเมืองเพื่อทำความเข้าใจการปล่อยก๊าซให้ดียิ่งขึ้นโดยการทำการศึกษาภาคสนามโดยใช้ข้อมูล GPS จากตัวอย่างยานพาหนะ ข้อมูลการเติมน้ำมันจากสถานีบริการน้ำมัน และการรายงานตนเองของผู้เข้าร่วมทางออนไลน์[ 13 ]จากข้อมูลนี้ ความรู้เกี่ยวกับความหนาแน่นและความเร็วของการจราจรที่ผ่านเครือข่ายถนนของเมืองสามารถนำมาใช้เพื่อแนะนำเส้นทางการขับขี่ที่ประหยัดต้นทุน และระบุส่วนของถนนที่สิ้นเปลืองน้ำมันอย่างมาก[ 14 ]ข้อมูลและการคาดการณ์ความหนาแน่นของมลพิษที่รวบรวมได้ด้วยวิธีนี้ยังสามารถใช้เพื่อสร้างการแจ้งเตือนคุณภาพอากาศในพื้นที่ได้[ 14 ]นอกจากนี้ ข้อมูลเหล่านี้ยังสามารถสร้างประมาณการเวลาการรอคอยของสถานีบริการน้ำมันเพื่อแนะนำจุดจอดที่มีประสิทธิภาพมากขึ้น ตลอดจนให้มุมมองทางภูมิศาสตร์เกี่ยวกับประสิทธิภาพของการวางตำแหน่งสถานีบริการน้ำมัน[ 13 ]
สุขภาพ
สมาร์ทโฟน แท็บเล็ต สมาร์ทวอทช์ และ อุปกรณ์ คอมพิวเตอร์พกพา อื่นๆ สามารถให้ข้อมูลได้มากกว่าแค่การสื่อสารและความบันเทิง ในส่วนของสุขภาพสาธารณะและสุขภาพส่วนบุคคล องค์กรต่างๆ เช่นศูนย์ควบคุมและป้องกันโรค (CDC) และองค์การอนามัยโลก (WHO) ได้ใช้ทวิตเตอร์และแพลตฟอร์มโซเชียลมีเดียอื่นๆ เพื่อเผยแพร่การระบาดของโรค การค้นพบทางการแพทย์ และข่าวสารอื่นๆ อย่างรวดเร็ว นอกเหนือจากการติดตามการแพร่กระจายของโรคแล้ว การประมวลผลในเมืองยังสามารถช่วยในการทำนายการระบาดได้อีกด้วย การศึกษาโดย Jeremy Ginsberg และคณะ พบว่าคำค้นหาที่เกี่ยวข้องกับไข้หวัดใหญ่เป็นตัวบ่งชี้ที่น่าเชื่อถือของการระบาดในอนาคต ทำให้สามารถติดตามการระบาดของไข้หวัดใหญ่ตามตำแหน่งทางภูมิศาสตร์ของการค้นหาที่เกี่ยวข้องกับไข้หวัดใหญ่ดังกล่าวได้[ 15 ]การค้นพบนี้กระตุ้นให้เกิดความร่วมมือระหว่าง CDC และ Google ในการสร้างแผนที่การระบาดของไข้หวัดใหญ่ที่คาดการณ์ไว้โดยอิงจากข้อมูลนี้[ 16 ]
การคำนวณในเขตเมืองยังสามารถใช้ในการติดตามและคาดการณ์มลพิษในบางพื้นที่ได้อีกด้วย งานวิจัยที่เกี่ยวข้องกับการใช้เครือข่ายประสาทเทียม (ANN) และฟิลด์สุ่มแบบมีเงื่อนไข (CRF) แสดงให้เห็นว่าสามารถคาดการณ์มลพิษทางอากาศในพื้นที่ขนาดใหญ่ได้โดยอาศัยข้อมูลจากสถานีตรวจวัดมลพิษทางอากาศจำนวนน้อย[ 17 ] [ 18 ] ผลการค้นพบเหล่านี้สามารถนำมาใช้ในการติดตามมลพิษทางอากาศและป้องกันผลกระทบต่อสุขภาพที่ไม่พึงประสงค์ในเมืองที่กำลังประสบปัญหามลพิษสูงอยู่แล้ว ตัวอย่างเช่น ในวันที่มลพิษทางอากาศสูงเป็นพิเศษ อาจมีระบบแจ้งเตือนผู้อยู่อาศัยเกี่ยวกับพื้นที่อันตรายเป็นพิเศษได้
ปฏิสัมพันธ์ทางสังคม
แพลตฟอร์มการประมวลผลแบบพกพาสามารถใช้เพื่ออำนวยความสะดวกในการปฏิสัมพันธ์ทางสังคม ในบริบทของการประมวลผลในเมือง ความสามารถในการวางบีคอนระยะใกล้ในสภาพแวดล้อม ความหนาแน่นของประชากร และโครงสร้างพื้นฐานที่มีอยู่ ช่วยให้เกิดการปฏิสัมพันธ์ที่อำนวยความสะดวกทางดิจิทัล บทความเรื่อง The Familiar Stranger ของ Paulos และ Goodman แนะนำประเภทของการปฏิสัมพันธ์หลายประเภท ตั้งแต่ครอบครัวไปจนถึงคนแปลกหน้า และการปฏิสัมพันธ์ตั้งแต่ส่วนตัวไปจนถึงการผ่านไปมา[ 4 ] การปฏิสัมพันธ์ทางสังคมสามารถอำนวยความสะดวกได้ด้วยอุปกรณ์ที่สร้างขึ้นโดยเฉพาะ แอปพลิเคชันที่รับรู้ระยะใกล้ และแอปพลิเคชันแบบ "มีส่วนร่วม" แอปพลิเคชันเหล่านี้สามารถใช้เทคนิคต่างๆ เพื่อให้ผู้ใช้ระบุตำแหน่งของตนเอง ตั้งแต่การ "เช็คอิน" ไปจนถึงการตรวจจับระยะใกล้ และการระบุตัวตนด้วยตนเอง[ 19 ]ตัวอย่างของแอปพลิเคชันที่รับรู้ตำแหน่งทางภูมิศาสตร์ ได้แก่Yik Yak ซึ่งเป็น แอปพลิเคชันที่อำนวยความสะดวกในการปฏิสัมพันธ์ทางสังคมแบบไม่ระบุตัวตนโดยอิงจากระยะใกล้ของผู้ใช้รายอื่นIngressซึ่งใช้ เกม ความเป็นจริงเสริมเพื่อกระตุ้นให้ผู้ใช้โต้ตอบกับพื้นที่รอบตัวพวกเขารวมถึงกันและกัน และFoursquareซึ่งให้คำแนะนำเกี่ยวกับบริการแก่ผู้ใช้ตามตำแหน่งที่ระบุ
การขนส่ง
หนึ่งในพื้นที่การประยุกต์ใช้ที่สำคัญของการประมวลผลในเมืองคือการปรับปรุงการขนส่งส่วนบุคคลและสาธารณะในเมือง แหล่งข้อมูลหลักคือข้อมูลรถยนต์เคลื่อนที่ (ข้อมูลเกี่ยวกับตำแหน่งของรถยนต์ ณ ช่วงเวลาใดเวลาหนึ่ง) ซึ่งรวมถึง GPS ส่วนบุคคล GPS ของรถแท็กซี่ สัญญาณ Wi-Fi เซ็นเซอร์แบบลูป และ (สำหรับบางแอปพลิเคชัน) ข้อมูลที่ผู้ใช้ป้อน การประมวลผลในเมืองสามารถช่วยเลือกเส้นทางการขับขี่ที่ดีขึ้น ซึ่งมีความสำคัญสำหรับแอปพลิเคชันเช่น Waze, Google Maps และการวางแผนการเดินทาง Wang และคณะได้สร้างระบบเพื่อประมาณเวลาเดินทางแบบเรียลไทม์ พวกเขาแก้ปัญหาได้ 3 ข้อ คือ ข้อแรก ไม่ใช่ทุกส่วนของถนนจะมีข้อมูลจาก GPS ในช่วง 30 นาทีที่ผ่านมาหรือตลอดเวลา ข้อที่สอง บางเส้นทางจะมีบันทึกรถยนต์หลายคัน และจำเป็นต้องรวมบันทึกเหล่านั้นเข้าด้วยกันเพื่อสร้างการประมาณเวลาเดินทางที่แม่นยำที่สุด และข้อที่สาม เมืองหนึ่งอาจมีส่วนของถนนหลายหมื่นส่วนและเส้นทางที่ต้องสอบถามจำนวนมหาศาล ดังนั้นการให้การประมาณเวลาแบบเรียลไทม์ทันทีจึงต้องสามารถปรับขนาดได้ พวกเขาใช้เทคนิคต่างๆ และทดสอบกับรถแท็กซี่ 32,670 คันในปักกิ่งเป็นเวลาสองเดือน และประมาณเวลาเดินทางได้อย่างแม่นยำโดยมีข้อผิดพลาดไม่เกิน 25 วินาทีต่อกิโลเมตร[ 8 ]
เครื่องนับจักรยานเป็นตัวอย่างของเทคโนโลยีการคำนวณเพื่อนับจำนวนนักปั่นจักรยานณ จุดใดจุดหนึ่ง เพื่อช่วยในการวางแผนเมืองด้วยข้อมูลที่เชื่อถือได้[ 20 ] [ 21 ]
Uber เป็นบริการเรียกรถตามความต้องการที่ผู้ใช้สามารถเรียกใช้บริการผ่านสมาร์ทโฟนได้ โดยใช้ข้อมูลของผู้โดยสารและคนขับที่ใช้งานอยู่ Uber สามารถกำหนดราคาตามสัดส่วนผู้โดยสาร/คนขับในปัจจุบันได้ ซึ่งช่วยให้พวกเขาสร้างรายได้มากกว่าที่ควรจะเป็นหากไม่มี "การกำหนดราคาตามความต้องการ" และช่วยให้มีคนขับออกมาให้บริการบนท้องถนนมากขึ้นในช่วงเวลาทำงานที่ไม่เป็นที่นิยม[ 22 ]
การประมวลผลในเมืองยังสามารถปรับปรุงระบบขนส่งสาธารณะได้อย่างประหยัด กลุ่มวิจัย จากมหาวิทยาลัยวอชิงตันได้พัฒนา OneBusAway ซึ่งใช้ข้อมูล GPS ของรถโดยสารสาธารณะเพื่อให้ข้อมูลรถโดยสารแบบเรียลไทม์แก่ผู้โดยสาร การติดตั้งจอแสดงผลที่ป้ายรถเมล์เพื่อให้ข้อมูลนั้นมีราคาแพง แต่การพัฒนาอินเทอร์เฟซหลายแบบ (แอป เว็บไซต์ การตอบกลับทางโทรศัพท์ SMS) สำหรับ OneBusAway นั้นมีราคาถูกกว่ามาก ในบรรดาผู้ใช้ OneBusAway ที่ได้รับการสำรวจ 92% มีความพึงพอใจมากขึ้น 91% รอคอยน้อยลง และ 30% เดินทางบ่อยขึ้น[ 23 ]
การตัดสินใจเกี่ยวกับนโยบายการขนส่งยังสามารถได้รับความช่วยเหลือจากการคำนวณในเมืองได้อีกด้วย ระบบเช่าจักรยานของลอนดอนเป็นระบบแบ่งปันจักรยาน ที่ใช้งานกันอย่างแพร่หลาย ซึ่งดำเนินการโดยหน่วยงานขนส่งมวลชนของเมือง เดิมทีระบบนี้กำหนดให้ผู้ใช้ต้องเป็นสมาชิก ต่อมาได้เปลี่ยนเป็นไม่ต้องเป็นสมาชิก และวิเคราะห์ข้อมูลเวลาและสถานที่ที่เช่าและคืนจักรยาน เพื่อดูว่าพื้นที่ใดมีการใช้งานและแนวโน้มใดเปลี่ยนแปลงไป พวกเขาพบว่าการยกเลิกการเป็นสมาชิกเป็นการตัดสินใจที่ดี ซึ่งทำให้การเดินทางในวันธรรมดาเพิ่มขึ้นเล็กน้อย และเพิ่มการใช้งานในวันหยุดสุดสัปดาห์อย่างมาก[ 24 ]จากรูปแบบและลักษณะของระบบแบ่งปันจักรยาน ผลกระทบต่อการสนับสนุนการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลได้รับการศึกษาเพื่อเปลี่ยนแปลงการขนส่งในเมืองให้มีความยั่งยืนมากขึ้น[ 25 ]
สิ่งแวดล้อม
การประมวลผลข้อมูลในเขตเมืองมีศักยภาพมากมายที่จะช่วยยกระดับคุณภาพชีวิตในเมืองโดยการปรับปรุงสภาพแวดล้อมที่ผู้คนอาศัยอยู่ เช่น การเพิ่มคุณภาพอากาศและลดมลภาวะทางเสียงสารเคมีที่ไม่พึงประสงค์หรือเป็นพิษหลายชนิดกำลังก่อให้เกิดมลพิษในอากาศ เช่น PM 2.5, PM 10 และคาร์บอนมอนอกไซด์ หลายเมืองวัดคุณภาพอากาศโดยการตั้งสถานีวัดไม่กี่แห่งทั่วเมือง แต่สถานีเหล่านี้มีค่าใช้จ่ายสูงเกินกว่าจะครอบคลุมทั้งเมือง เนื่องจากคุณภาพอากาศมีความซับซ้อน จึงยากที่จะคาดเดาคุณภาพอากาศระหว่างสถานีวัดสองแห่ง
มีการวิจัยวิธีการต่างๆ ในการเพิ่มเซ็นเซอร์เพิ่มเติมให้กับภูมิทัศน์เมือง รวมถึงล้อโคเปนเฮเกน (เซ็นเซอร์ที่ติดตั้งบนล้อจักรยานและขับเคลื่อนโดยผู้ขี่) และเซ็นเซอร์แบบติดตั้งบนรถยนต์ แม้ว่าวิธีการเหล่านี้จะใช้ได้กับคาร์บอนมอนอกไซด์และคาร์บอนไดออกไซด์ แต่สถานีวัดละอองลอยไม่สามารถพกพาได้สะดวกพอที่จะเคลื่อนย้ายไปมาได้[ 8 ]
นอกจากนี้ยังมีความพยายามที่จะอนุมานคุณภาพอากาศที่ไม่ทราบค่าทั่วทั้งเมืองจากตัวอย่างที่เก็บจากสถานีต่างๆ เช่น การประมาณการการปล่อยมลพิษจากรถยนต์จากข้อมูลรถยนต์เคลื่อนที่ เจิ้งและคณะได้สร้างแบบจำลองโดยใช้การเรียนรู้ของเครื่องและการขุดข้อมูลที่เรียกว่า U-Air โดยใช้ข้อมูลอากาศในอดีตและแบบเรียลไทม์ อุตุนิยมวิทยา การจราจร การเคลื่อนที่ของมนุษย์ เครือข่ายถนน และจุดที่น่าสนใจ ซึ่งป้อนเข้าสู่เครือข่ายประสาทเทียมและฟิลด์สุ่มแบบมีเงื่อนไขเพื่อประมวลผล แบบจำลองของพวกเขาถือเป็นการปรับปรุงที่สำคัญเหนือแบบจำลองคุณภาพอากาศทั่วเมืองก่อนหน้านี้[ 17 ]
Chet และคณะได้พัฒนาระบบตรวจสอบคุณภาพอากาศภายในอาคาร ซึ่ง Microsoft ได้นำไปใช้งานภายในในประเทศจีน ระบบนี้ติดตั้งอยู่ในหน่วย HVAC (ระบบทำความร้อน การระบายอากาศ และเครื่องปรับอากาศ) ของอาคาร เนื่องจาก HVAC กรองอากาศ PM 2.5 แต่ไม่ได้ตรวจสอบว่าจำเป็นหรือไม่ ระบบใหม่นี้จึงสามารถประหยัดพลังงานได้โดยการป้องกันไม่ให้ HVAC ทำงานเมื่อไม่จำเป็น[ 26 ]
แหล่งข้อมูลอีกแหล่งหนึ่งคือข้อมูลจากโซเชียลมีเดีย โดยเฉพาะอย่างยิ่ง แท็กรูปภาพที่อ้างอิงตำแหน่งทางภูมิศาสตร์ได้รับการใช้สำเร็จในการอนุมานแผนที่กลิ่น[ 27 ] [ 28 ] (เชื่อมโยงกับคุณภาพอากาศ) และแผนที่เสียง[ 29 ] (เชื่อมโยงกับคุณภาพเสียง) ในระดับเมือง