การคำนวณในเขตเมืองเป็นสาขาสหวิทยาการที่เกี่ยวข้องกับการศึกษาและการประยุกต์ใช้เทคโนโลยีการคำนวณในเขตเมือง ซึ่งรวมถึงการประยุกต์ใช้เครือข่ายไร้สายเซ็นเซอร์พลังการคำนวณ และข้อมูลเพื่อปรับปรุงคุณภาพของพื้นที่ที่มีประชากรหนาแน่น การคำนวณในเขตเมืองเป็นกรอบเทคโนโลยีสำหรับเมืองอัจฉริยะ^{[ 1 ] [ 2 ]}

คำว่า "การคำนวณในเมือง" (urban computing) ได้รับการแนะนำครั้งแรกโดยEric Paulosในการประชุม UbiComp ปี 2004 ^{[ 3 ]}และในบทความของเขาเรื่อง The Familiar Stranger ^{[ 4 ]}ซึ่งเขียนร่วมกับ Elizabeth Goodman แม้ว่าจะมีความเกี่ยวข้องอย่างใกล้ชิดกับสาขาสารสนเทศในเมือง (urban informatics) แต่ Marcus Foth ได้แยกความแตกต่างระหว่างทั้งสองในคำนำของHandbook of Research on Urban Informaticsโดยกล่าวว่า การคำนวณในเมือง เทคโนโลยีในเมือง และโครงสร้างพื้นฐานในเมือง มุ่งเน้นไปที่มิติทางเทคโนโลยีมากกว่า ในขณะที่สารสนเทศในเมืองมุ่งเน้นไปที่ผลกระทบทางสังคมและมนุษย์ของเทคโนโลยีในเมือง^{[ 5 ]}

ภายในขอบเขตของวิทยาศาสตร์คอมพิวเตอร์การคำนวณในเมืองดึงมาจากขอบเขตของเครือข่ายไร้สายและเซ็นเซอร์วิทยาศาสตร์สารสนเทศและปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ การคำนวณในเมืองใช้ กระบวนทัศน์หลายอย่างที่นำเสนอโดยการคำนวณแบบแพร่หลายโดยใช้ชุดอุปกรณ์เพื่อรวบรวมข้อมูลเกี่ยวกับสภาพแวดล้อมในเมืองเพื่อช่วยปรับปรุงคุณภาพชีวิตของผู้คนที่ได้รับผลกระทบจากเมือง สิ่งที่ทำให้การคำนวณในเมืองแตกต่างจากเครือข่ายการตรวจวัดระยะไกลแบบดั้งเดิมคือความหลากหลายของอุปกรณ์ ข้อมูลนำเข้า และปฏิสัมพันธ์ของมนุษย์ที่เกี่ยวข้อง ในเครือข่ายเซ็นเซอร์แบบดั้งเดิม อุปกรณ์มักถูกสร้างขึ้นโดยมีวัตถุประสงค์และติดตั้งใช้งานเฉพาะเพื่อตรวจสอบปรากฏการณ์ บางอย่าง เช่น อุณหภูมิ เสียง และแสง^{[ 6 ]}ในฐานะที่เป็นสาขาสหวิทยาการ การคำนวณในเมืองยังมีผู้ปฏิบัติงานและการประยุกต์ใช้ในสาขาต่างๆ เช่นวิศวกรรมโยธามานุษยวิทยาประวัติศาสตร์สาธารณะการ^ดูแลสุขภาพการวางผังเมืองและพลังงาน เป็นต้น^{[ 7} ]

การประมวลผลในเขตเมือง (Urban computing) คือกระบวนการรวบรวม บูรณาการ และวิเคราะห์ข้อมูลขนาดใหญ่และหลากหลายประเภทที่เกิดขึ้นจากแหล่งข้อมูลต่างๆ ในพื้นที่เมือง เช่น เซ็นเซอร์ อุปกรณ์ ยานพาหนะ อาคาร และมนุษย์ เพื่อแก้ไขปัญหาสำคัญที่เมืองเผชิญ การประมวลผลในเขตเมืองเชื่อมโยงเทคโนโลยีการตรวจจับที่ไม่รบกวนและแพร่หลาย รูปแบบการจัดการข้อมูลและการวิเคราะห์ขั้นสูง และวิธีการแสดงภาพข้อมูลแบบใหม่ เพื่อสร้างโซลูชันที่เป็นประโยชน์ต่อทุกฝ่าย ซึ่งจะช่วยปรับปรุงสภาพแวดล้อมในเมือง คุณภาพชีวิตของมนุษย์ และระบบการดำเนินงานของเมือง

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 ]}

การใช้พลังงานและมลพิษทั่วโลกได้รับผลกระทบอย่างมากจากการขนส่งในเมือง^{[ 12 ]}เพื่อที่จะใช้ประโยชน์และปรับปรุงโครงสร้างพื้นฐานที่มีอยู่ให้ดียิ่งขึ้น นักวิจัยได้ใช้การคำนวณในเมืองเพื่อทำความเข้าใจการปล่อยก๊าซให้ดียิ่งขึ้นโดยการทำการศึกษาภาคสนามโดยใช้ข้อมูล GPS จากตัวอย่างยานพาหนะ ข้อมูลการเติมน้ำมันจากสถานีบริการน้ำมัน และการรายงานตนเองของผู้เข้าร่วมทางออนไลน์^{[ 13 ]}จากข้อมูลนี้ ความรู้เกี่ยวกับความหนาแน่นและความเร็วของการจราจรที่ผ่านเครือข่ายถนนของเมืองสามารถนำมาใช้เพื่อแนะนำเส้นทางการขับขี่ที่ประหยัดต้นทุน และระบุส่วนของถนนที่สิ้นเปลืองน้ำมันอย่างมาก^{[ 14 ]}ข้อมูลและการคาดการณ์ความหนาแน่นของมลพิษที่รวบรวมได้ด้วยวิธีนี้ยังสามารถใช้เพื่อสร้างการแจ้งเตือนคุณภาพอากาศในพื้นที่ได้^{[ 14 ]}นอกจากนี้ ข้อมูลเหล่านี้ยังสามารถสร้างประมาณการเวลาการรอคอยของสถานีบริการน้ำมันเพื่อแนะนำจุดจอดที่มีประสิทธิภาพมากขึ้น ตลอดจนให้มุมมองทางภูมิศาสตร์เกี่ยวกับประสิทธิภาพของการวางตำแหน่งสถานีบริการน้ำมัน^{[ 13 ]}

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

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

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 ]}

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

• การประมวลผลแบบยูบิควิตัส
• สารสนเทศเมือง
• เมืองอัจฉริยะ
• เครื่องนับจักรยาน
• ทางเข้า
• ปฏิสัมพันธ์ระหว่างมนุษย์กับเมือง