Урбанистические вычисления
Урбанистические вычисления (англ. urban computing) — это междисциплинарное исследовательское направление, связанное с изучением и применением вычислительных технологий в условиях городских пространств. Данная область включает использование беспроводных сетей, датчиков, вычислительных мощностей и данных для улучшения качества жизни в густонаселённых районах. Урбанистические вычисления служат технологической базой для умных городов[1][2].
Описание
Термин «урбанистические вычисления» впервые был введён Эриком Паулосом на конференции UbiComp в 2004 году[3] и в его совместной с Элизабет Гудман работе «The Familiar Stranger»[4]. Хотя эта область тесно связана с урбанистической информатикой, Маркус Фот различает их, отмечая в предисловии к «Handbook of Research on Urban Informatics», что урбанистические вычисления, городские технологии и городская инфраструктура больше акцентированы на технологических аспектах, тогда как урбанистическая информатика сосредоточена на социальных и гуманитарных последствиях применения технологий в городах[5].
В рамках информатики урбанистические вычисления опираются на достижения в области беспроводных и сенсорных сетей, информационных наук, и взаимодействия человека и компьютера. Урбанистические вычисления используют многие парадигмы повсеместных вычислений, организуя сбор данных с разнообразных устройств для изучения городской среды и улучшения качества жизни горожан. Особенностью урбанистических вычислений по сравнению с традиционными системами удалённого мониторинга является разнообразие используемых устройств, источников данных и высокая степень человеческого участия. В традиционных сенсорных сетях устройства часто специфичны и развертываются для целевого мониторинга определённых показателей — температуры, шума, освещённости[6]. Как междисциплинарная область, урбанистические вычисления находят применение в таких сферах, как гражданское строительство, антропология, публичная история, здравоохранение, городское планирование, энергетика и других[7].
Применения и примеры
Урбанистические вычисления — это процесс сбора, интеграции и анализа больших и разнородных данных, порождаемых разнообразными источниками в городском пространстве — такими как датчики, устройства, транспортные средства, здания и люди, — для решения ключевых задач, с которыми сталкиваются города. Урбанистические вычисления объединяют незаметные и повсеместные технологии сбора данных, передовые модели управления и аналитики данных, а также новые методы визуализации для создания решений, улучшающих городскую среду, качество жизни людей и системы управления городом.
— Чжэн Юй, Urban Computing with Big Data[8]
Города представляют собой не только совокупность мест и людей — сами пространства непрерывно переосмысливаются и переизобретаются жителями. Распространение вычислений в городском пространстве приводит к «дополнению» физической реальности виртуальным содержанием[9]. Исследователи в областях этнографии, коллективной памяти и публичной истории применяют урбанистические вычисления для создания платформ, позволяющих делиться трактовками городской среды. Примеры таких проектов — «CLIO», система, реализованная в исследовании коллективной памяти города Оулу: она «позволяет людям делиться личными воспоминаниями, связывать их с городскими объектами, формируя коллективную память города»[10]. Ещё один пример — проект «Cleveland Historical», предоставляющий жителям возможности добавлять истории о городе со своих цифровых устройств[11].
Энергопотребление и уровень загрязнения в мире во многом определяются особенностями городского транспорта[12]. Для оптимизации и реконструкции существующей инфраструктуры учёные анализируют выбросы с помощью полевых исследований, данных GPS с автомобилей, информации с автозаправок и онлайн-опросов[13]. Имея данные о плотности и скорости движения транспорта, можно рекомендовать маршруты с меньшим расходом топлива и выявлять проблемные участки дорог[14]. Эти же данные используются для создания локальных предупреждений о загрязнении воздуха. Кроме того, можно учитывать время ожидания на заправках и оценивать географическую оптимальность их размещения[13].
Смартфоны, планшеты, умные часы и прочие мобильные устройства предоставляют данные, выходящие за рамки простого общения или развлечений. В вопросах здоровья общественность и государственные организации, например, CDC и ВОЗ, используют Твиттер и другие соцсети для быстрого распространения информации о вспышках болезней и важных медицинских новостях. Помимо отслеживания распространения заболеваний, урбанистические вычисления позволяют предсказывать эпидемии. В частности, исследование под руководством Джереми Гинсберга показало, что поисковые запросы, связанные с гриппом, могут служить надёжным предиктором эпидемии, позволив отслеживать распространение по регионам[15]. Это открытие стало базой для сотрудничества CDC и Google по созданию карты распространения гриппа[16].
Урбанистические вычисления также помогают отслеживать и прогнозировать загрязнение воздуха с помощью искусственных нейронных сетей (ANN) и условных случайных полей (CRF), что позволяет на основе данных ограниченного числа станций давать оценку загрязнения для больших территорий[17][18]. Такие подходы позволяют не только следить за уровнем загрязнения, но и предотвращать негативные для здоровья эффекты в наиболее уязвимых районах города.
Мобильные вычислительные платформы способствуют развитию цифровых форм социального взаимодействия. В контексте урбанистических вычислений высокая плотность населения, разветвлённая инфраструктура и возможность размещения электронных маячков позволяют интегрировать офлайн и онлайн коммуникацию. В работе Паулоса и Гудман «The Familiar Stranger» анализируются типы взаимодействий — от семейных до случайных[4]. Социальные сервисы могут реализовываться как с помощью специализированных устройств, так и через приложения, чувствительные к расположению и вовлекающие пользователей. Примером служит приложение Yik Yak, обеспечивающее анонимное взаимодействие поблизости; Ingress — игра с элементами дополненной реальности, стимулирующая исследование городской среды; Foursquare, дающий рекомендации, исходя из местоположения пользователя[19].
Одно из ключевых направлений урбанистических вычислений — повышение эффективности частного и общественного транспорта в городах. Основной источник данных — информация о перемещениях транспортных средств (GPS, Wi-Fi-сигналы, индукционные петли, пользовательский ввод). Урбанистические вычисления помогают выбирать оптимальные маршруты (например, приложения Waze, Google Maps), планировать поездки. Система, созданная Ван и соавторами, обеспечила точную оценку времени поездок по всему Пекину с анализом данных 32 670 такси, достигнув точности до 25 секунд на километр[8].
Счётчики велосипедистов используются для сбора объективных данных о количестве велосипедистов на определённых участках, позволяя городским властям принимать обоснованные решения в области транспортного планирования[20][21].
Сервисы по вызову такси, такие как Uber, используют данные о текущем спросе и предложении для динамического ценообразования, стимулируя выход водителей в часы низкой активности и повышая прибыль[22].
Урбанистические вычисления снижают издержки и для муниципального транспорта. Так, система «OneBusAway», созданная Университетом Вашингтона, использует GPS-данные с автобусов для предоставления пользователям информации о движении в реальном времени через приложения, сайты и SMS. Более 90 % пользователей «OneBusAway» отмечают увеличение удовлетворённости и сокращение времени ожидания транспорта[23].
Принятие транспортных решений также совершенствуется благодаря анализу больших данных. К примеру, усилия по реформированию системы городских велосипедов в Лондоне показали: снятие обязательства членства расширило число пользователей, особенно по выходным[24]. Анализ паттернов велосипедных поездок помогает формировать транспортные стратегии для устойчивого городского развития[25].
Урбанистические вычисления повышают качество городской среды — например, за счёт снижения загрязнённости воздуха и шума. В ряде городов станции слежения за качеством воздуха ограничены из-за высокой стоимости, что затрудняет оценку состояния промежуточных районов. Для решения этой задачи предлагаются новые типы портативных сенсоров, например, сенсоры, установленные на велосипедных колёсах «Copenhagen wheels», или автомобильные датчики, однако некоторые загрязнители требуют стационарных измерительных постов[8].
Модели машинного обучения, такие как U-Air, позволяют строить прогнозы загрязнения, используя реальные и исторические данные о качестве воздуха, метеорологию, транспортные потоки, показатели мобильности, информацию о дорогах и инфраструктуре, выбранные точки интереса. Такой подход значительно точнее ранних моделей[17].
Системы мониторинга качества воздуха внутри зданий разрабатываются, например, на основе ИВК — отопление, вентиляция и кондиционирование, что позволяет экономить энергию за счёт анализа необходимости фильтрации воздуха[26].
Ещё один источник данных — социальные сети. Например, геотегированные фотографии и комментарии применяются для составления «запаховых»[27][28] и «звуковых» карт городов, что позволяет получать дополнительную информацию о качестве городской среды.