سبد خرید
0

هیچ محصولی در سبد خرید نیست.

GIS آنی برای شهرهای هوشمند

فهرست مطالب

GIS آنی برای شهرهای هوشمند

علیرضا صادقی*

1- دانشجوی کارشناسی ارشد دانشگاه تهران alireza.sadeghiz@ut.ac.ir

مقدمه

شواهد نشان می دهد كه نسبت جمعیت بشر ساكن در شهرها به رشد خود ادامه خواهد داد، تا جایی كه بیش از 90٪ از جمعیت جهان تا پایان قرن بیستم در یك شهر یا شهر دیگری زندگی می كنند (Batty 0018a). بزرگترین شهرها پیچیده و پویا هستند اما از مشکلات متعددی در ارتباط با تراکم زیاد و شدت فعالیت آنها رنج می برند: ازدحام ترافیک، جرم، اجاره به سرعت در حال افزایش، آلودگی هوا و گرمای شهری، اما برخی از اینها آشکار است. با وجود این مشکلات، شهرهای بزرگ از اقتصاد گسترده ای در مقیاس بزرگ بهره مند می شوند و امکان ارائه خدمات به جمعیت خود را می دهند که ممکن است در تراکم های پایین تر در مناطق روستایی و در شهرهای کوچکتر بسیار گران باشد. امروزه، اطلاعات برای مدیریت و بهره برداری موفق شهرها ضروری است. اطلاعات تا حد زیادی فراوان است، که بخشی از آن به دلیل استفاده گسترده از رایانه ها، شبکه های ارتباطی و حسگرها است. قدرت محاسباتی نیز بسیار گسترده است، همچنین ظرفیت ذخیره داده های دیجیتال نیز وجود دارد. و در این عصر داده های بزرگ، امکان دستیابی، توزیع و پردازش داده ها در زمان آنی را امکان پذیر کرده است. از این رو جای تعجب نیست که در این دنیای جدید از منابع فراوان دیجیتال، ذهن مدیران شهری، شرکت ها و حتی افراد به سمت شیوه هایی برای ساخت شهر “هوشمند تر” روی آورده اند. به طور خلاصه، ممکن است یک “شهر هوشمند” به عنوان شهری تعریف شود که از فناوری دیجیتال به منظور بهبود عملکرد و مدیریت خود بهره برداری می کند ، و به رفع مشکلات و مشکلات شهر مدرن می پردازد. به نوبه خود، حرکت به سمت یک شهر هوشمند ممکن است خود به تحریک پذیرش رایانه های بیشتر، شبکه های ارتباطی و حسگرها کمک کند. علم و سیستم های اطلاعات جغرافیایی (GIS) چه نقشی می توانند در این تلاش برای “هوشمند سازی” شهرها داشته باشند؟ شهرها مجموعه مسکونی خانه ها و ساختمان ها، خیابان ها و جاده ها، پارک ها، محلات، مراکز خرید و کارخانه های صنعتی هستند. شهرها از مسافت های کوتاه بین قسمت های مختلف خود بهره می گیرند، حتی در مواردی مانند لس آنجلس با رشد بی پایان آن. آنچه در یک مکان در یک شهر اتفاق می افتد مربوط به اتفاقاتی است که در مناطق مجاور اتفاق می افتد و همچنین به سایر ویژگی های آن مکان مربوط است. موقعیت مکانی، الگوهای استفاده از زمین، مسافت ها و تعامل ها مفاهیم اصلی رویکرد مکانی هستند که نشان می دهد GIS برای مدیریت شهری و ایده های یک شهر هوشمند ضروری است. در پیشنهاد اعلام این بخش ویژه، ما متقاعد شده ایم كه GIS كه در زمان آنی یا نزدیك به آن عمل می كند و عنصر اساسی هر رویكرد جامع در مورد شهر هوشمند است. ادامه این مقاله، وضعیت شهر هوشمند را از پنج بعد مختلف GIS در زمان آنی بررسی می کند. در ادامه چهار مقاله تحقیقاتی در مورد موضوعات مختلف در این زمینه به صورت گسترده مورد بازبینی قرار گرفته است.

یک الگوی زمان آنی برای یک شهر هوشمند با قابلیت GIS

شکل 1 نمونه ای را برای شهر هوشمند که توسط GIS در زمان آنی فعال است، نشان می دهد، که یک بستر نوظهور است که برای دستیابی، ذخیره سازی، تجزیه و تحلیل و تجسم داده های مکانی در زمان آنی طراحی شده است. شکل 1: شهری هوشمند که توسط GIS در زمان آنی فعال شده است. متفاوت از سیستم عامل های GIS سنتی، GIS در زمان آنی بر ارائه توان بالا و پردازش سریع سرعت جریان داده های GIS تأکید دارد. این جریان ها از حساسیت به مکان، از دانه بندی زمانی با انعطاف بالا برخوردار هستند و به طور مداوم از دستگاه های سنجش که جمعاً اینترنت اشیا (IoT) را تشکیل می دهند، تولید می شوند. در زیر ما یک مرور کلی از پیشرفت هر بعد اصلی یک GIS در زمان آنی در زمینه شهرهای هوشمند را ارائه می دهیم.

فناوری های اطلاعات و ارتباطات (ICT)

فناوری اطلاعات و ارتباطات فن آوری پایداری است که به داده های جمع آوری شده از دستگاه های شهر هوشمند مانند دستگاه های خانه هوشمند و تلفن های همراه اجازه می دهد تا به صورت کارآمد به یک مرکز داده منتقل شده و به راحتی در بین دستگاه های متصل به اشتراک گذاشته و تبادل شوند (هاشم و همکاران 2016). به عنوان مثال، RFID (شناسایی فرکانس رادیویی) یک فناوری است که برای شناسایی و بومی سازی یک جسم متحرک بر اساس زمینه های الکترومغناطیسی استفاده می شود. برچسب RFID را می توان در هر شیء ، از کالاهای صنعتی گرفته تا حیوانات تا انسان ، برای اهداف ردیابی در فضای باز و داخل خانه تعبیه کرد. برنامه های کاربردی RFID در شهرهای هوشمند، مانند مدیریت پسماند در زمان آنی (Chowdhury و Chowdhury 2007)، پارکینگ هوشمند (Tsiropoulou و همکاران 2017) و تشخیص و جلوگیری از برخورد تصادف حمل و نقل (Fahmy و همکاران 2018) می باشند. WiFi یک فناوری بی سیم با برد کوتاه است که برای دسترسی نهایی از راه دور پر سرعت به اینترنت به کاربران نهایی ارائه می شود. در مقایسه با شبکه های کابل استاندارد، یک شبکه ارتباطی بی سیم با پشتیبانی از Wifi انعطاف پذیری و تحرک بهتری را برای کاربران شهر هوشمند فراهم می کند. Soundararaj و همکاران. (در مطبوعات) استفاده جالب از درخواست Wifi پروب را برای درک میزان فعالیت عابر پیاده در مراکز خرده فروشی در سراسر انگلیس توصیف می کنند. در صورت وجود یک نقطه دسترسی Wifi (AP) مانند روتر بی سیم، درخواست های پروب Wifi از دستگاه های تلفن همراه تولید می شوند. اطلاعات موقعیت مکانی یک دستگاه تلفن همراه را می توان از طریق مثلث بندی توسط چندین AP بدست آورد. در محیط های متراکم شهری که تقریباً در همه جا پوشش وای فای وجود دارد، این کاوشگر برای درخواست داده به یک منبع با ارزش برای جمع آوری داده های مصرف کننده در زمان آنی تبدیل می شود، مانند مدت زمان مراجعه به یک فروشگاه خرده فروشی، یا تعداد معابرین پیاده در شلوغی که گله می کنند. در اطراف امکانات مختلف بسیاری از برنامه های کاربردی تجارت هوشمند می توانند از چنین روشهای کم هزینه و در دسترس بودن بالا، مانند ارزیابی نرخ کسب و کار در مورد املاک یا برآورد ارزش اجاره واحد استفاده کنند (گلدرزاهی و پائو 2018 ، ساهنی و همکاران 2018). فن آوری تعیین موقعیت در زمان آنی مبتنی بر Wifi نیز می تواند در سایر برنامه های شهر هوشمند مانند نقشه برداری از جمعیت شهری (Kontokosta و Johnson 2017) ، تجزیه و تحلیل حرکت انسانی (ژانگ و همکاران 2016) و کنترل خودکار دستگاه های خانه های هوشمند استفاده شود (Guo و همکاران 2018). شبکه حسگر بی سیم (WSN) بلوک ساختمان اینترنت اشیاء (IoT) است و به طور گسترده در شهرها مستقر شده است تا داده ها را از محیط مانند دما، رطوبت و آلودگی هوا به دست آورد. سنسورها همچنین می توانند به عوامل تلفن همراه مانند بیماران یا رانندگان متصل شوند تا وضعیت بدنی آنها را در زمان آنی کنترل کنند. WSN مزایای استفاده از هزینه کم و مصرف انرژی پایین را دارد و به راحتی مستقر و مقیاس می شود (راوات و همکاران 2014). برای اطمینان از مقیاس پذیری شبکه ، برنامه های مسیریابی پویا برای اطمینان از انتقال کارآمد داده ها در بین گره های سنسور مورد نیاز است (Prabhu و همکاران 2013). فناوری WSN معمولاً با RFID وGPS (سیستم تعیین موقعیت جهانی) یکپارچه شده است تا امکان شناسایی همزمان ، مکان یابی و شناسایی شیء را فراهم کند (Adame et al. 2018). دو چالش برای WSN (1) تضعیف سیگنال به دلیل نویز و موانع موجود در محیط شهری و (2) تنگنای در پهنای باند ارتباطی بین گره های سنسور و گره های دروازه است (رشید و ریحانی 2016). 5G، نسل بعدی فناوری بی سیم، فرصت های جدیدی برای غلبه بر این مشکلات را ارائه می دهد. 5G پلتفرمی را فراهم می کند که قابلیت اتصال بیش از 100 میلیارد دستگاه و دستیابی به پهنای باند با 10 گیگابایت بر ثانیه با تأخیر کمی دارد (هاشم و همکاران 2016). سایر فن آوری های پیشرفته شامل ارتباطات ماهواره ای، Zigbee و بلوتوث است. همه آنها به تبادل اطلاعات مطمئن و سریع و دستیابی به داده های شهری در زمان آنی کمک می کنند.

داده های آنی مکانی در شهرها

شهرها انواع مختلفی از داده های مکانی را در زمان آنی تولید می کنند. داده های جریان ترافیک از اولین داده هایی بودند که به طور خودکار توسط دستگاه های دیجیتال جمع آوری می شدند (بیتی و همکاران 2012). در سالهای اخیر، ازدحام ترافیک و آلودگی ناشی از ترافیک به یک مشکل جدی تبدیل شده است که نه تنها ضررهای اقتصادی قابل توجهی ایجاد کرده بلکه بر کیفیت زندگی ساکنان شهر نیز تأثیر منفی می گذارد. بنابراین، ایجاد یک سیستم مدیریت هوشمند ترافیک برای افزایش کارایی و ایمنی حمل و نقل شهری ضروری است. فن آوری سنجش و WSN در نظارت بر ترافیک زمان آنی در این منطقه از ارزش فوق العاده ای برخوردار است. كافي و همكاران (2012) استفاده از سنسورهای سوار شده بر روی چراغهای جاده، زیر پیاده روها و وسایل نقلیه را برای جمع آوری محل، سرعت و جهت حرکت وسایل نقلیه و همچنین شرایط آب و هوایی و سایر شرایط ترافیکی توضیح داد. این داده ها سپس به منظور کنترل دینامیکی چراغ راهنمایی در تقاطع ها برای گردش مستقیم وسایل نقلیه و کاهش میانگین زمان انتظار، جمع می شوند. برای کاهش میزان ترافیک و فراهم کردن مسیریابی به موقع وسایل نقلیه، Sivanandam و همکاران (2012) یک سیستم اطلاعات پیشرفته مسافرتی (ATIS) برای جمع آوری داده های سفر در زمان آنی با قرار دادن GPS در اتوبوس های شهری و نصب دوربین های فیلم­برداری در جاده های پر ترافیک ایجاد کرده است. پارک و همکاران (در مطبوعات) از داده های آنی مکانی وسیله نقلیه در زمان آنی در ترکیب با برنامه های حمل و نقل عمومی ریزگرد برای ارزیابی عملکرد حمل و نقل عمومی استفاده کردند. داده های ترافیک در زمان آنی نوعی از داده های بزرگ هستند که حرکات انسانی را ضبط می کنند تا درک بهتری از تحرک انسان (گونزالز و همکاران 2008) ، ساختارهای فضایی – اجتماعی (Deville و همکاران 2016) و الگوهای پنهان در مسیرهای انسانی و فعالیت های روزانه (Bazzani و همکاران 2011) داشته باشند. تحقیقات اولیه تحرک انسان به شدت به جمعیت و سایر داده های سرشماری متکی بود، که جمع آوری، به روزرسانی نادر و محدود و در میزان و پوشش آن بسیار گران است (ژو و همکاران 2018). اخیراً، ازدحام جمعیت، که به طور مداوم داده های محلی را از دستگاه های تلفن همراه همه جا مانند تلفن های هوشمند تولید می کند، مقادیر انبوهی از داده های تحرک را در مقیاس های مکانی و زمانی بی سابقه ای بدست آورده است (Stojanovic و همکاران 2016). منابع اطلاعاتی تحركی ناشي از جنبش های مختلط انسانی شامل مركز اطلاعات تماس با جزئیات (CDR) ، سوابق Wifi AP، ردیابی GPS، رسانه های اجتماعی جغرافیایی شده و سوابق کارت هوشمند از حمل و نقل عمومی است. CDR ارتباط بین تلفن همراه و برج های سلولی اطراف را ضبط می کند. در مقایسه با منابع دیگر، به دلیل تعداد زیاد، کاربران تلفن همراه بسیار گسترده است، اما به مرور زمان پراکنده می شوند زیرا ضبط فقط در صورت استفاده فعال از تلفن ایجاد می شود. از طرف دیگر GPS موقعیت یابی دقیق تر و تداوم زمانی بهتری را برای عوامل متحرک فراهم می کند. در سال های اخیر، GPS در وسایل نقلیه عمومی، از جمله تاکسی ها و دوچرخه های سواری ، مجموعه ای از GPS را برای تعیین کمیت تحرک مبتنی بر فعالیت انسان امکان پذیر می کند (هو و همکاران 2014) و تولید ماتریس های مبداء سازنده (Ge و Fukuda 2016) ، و مشخص کردن مناطق عملکردی شهری، از جمله بسیاری دیگر از کاربردهای شهری (ژانگ و همکاران 2018). داده های کارت هوشمند با ثبت زمان و ایستگاهی که مسافر در آن وارد شده و از خدمات حمل و نقل عمومی خارج می شود، یکی دیگر از اقدامات تحرک شهری را ارائه می دهد. این داده ها معمولاً توان تفکیک زمانی خوبی دارند. به عنوان مثال، سیستم کارت Oyster در لندن روزانه 9 میلیون تراکنش برای استفاده قطار به تنهایی تولید می کند (ژونگ و همکاران 2016)، یعنی بیش از 100 مذاکره در ثانیه. این داده های زمانی آنی اجازه می دهد تا تجزیه و تحلیل های شهری در مقیاس های زمانی مختلف (باتی و همکاران 2012) بدین ترتیب نمونه تحقیق جدیدی را امکان پذیر کنند که به سختی می توان با استفاده از داده های سنتی به دست آورد. پوشش گسترده CDR ، ردیابی GPS و داده های کارتی هوشمند تحقیقات تحرک انسانی در مقیاس شهری را امکان پذیر می کند. با این حال، این منابع نمی توانند در خدمت تجزیه و تحلیل حرکت در سطح ساختمان باشند. سوابق Wifi AP به دست آمده از طریق درخواست های کاوشگر، در مقایسه با این محدودیت ها به کار می روند. اثر سونداراج و همكاران. (این شماره) از چنین داده هایی برای ارتقاء تجارت هوشمند استفاده کرد. اگرچه این داده ها حاوی تمبر و موقعیت مکانی غنی هستند، اما اطلاعاتی در مورد ادراک اجتماعی مانند عقاید و واکنش های عاطفی شهروندان شهری ندارند (دوران و همکاران 2016). با این حال، رسانه های اجتماعی آنلاین بستری را فراهم می کنند که امکان اشتراک نظر و همچنین تعامل اجتماعی افراد در دنیای دیجیتال را فراهم می کند. VGI (اطلاعات جغرافیایی داوطلبانه) (Goodchild، 2007) برای ایجاد داوطلبانه اطلاعات جغرافیایی به “سنسورهای شهروند” اعتماد می کند و به آنها اجازه می دهد تا از دانش محلی خود استفاده کنند. داده های VGI برای ترسیم وقایع مهم هنگام وقوع بحران ، مانند بلایای طبیعی ، در سطح کاملاً ریز از جزئیات و بلافاصله بسیار مفید هستند (Brynielsson et al. 2018). Subasinghe و همکاران. (در مطبوعات) سناریویی از استفاده از جریان های به روز شده شهروندی شبیه سازی شده برای ایجاد نقشه های رویداد برای گلگون Montecito Creek 2018 در کالیفرنیا را شرح دادند. نتایج آنها نشان می دهد که صحت وقایع نقشه برداری به شدت به میزان مشارکت عمومی بستگی دارد. هرچه مشارکت عمومی بیشتر باشد ، نقشه رویداد دقیق تر است. علاوه بر نقشه برداری از بلایای طبیعی، VGI منبع مهمی برای ارائه به روزرسانی به موقع در ازدحام ترافیک ، خطرات جاده ای، شیوع بیماری های عفونی و سایر موقعیت های غیرمعمول است که ممکن است یک شهر و عملیات آن را تهدید کند (سوئی و همکاران 2012). این داده ها ، با استفاده از سنجش جسمی و اجتماعی، همراه با فن آوری های سنجش از دور و مدرن جمع آوری شده، آنچه را که به طور فزاینده ای به عنوان “جفت دیجیتال” یک شهر خوانده می شوند، تعریف می کنند و بنابراین اجزای اساسی برای هوشمند سازی یک شهر هستند (Batty 2018b).

شبیه سازی شهری در زمان آنی

هنگامی که داده ها از طریق جریان به دست می آیند و یا در دسترس قرار می گیرند ، مهم است که از آنها استفاده کنیم و آنها را به نفع پیشرفت دانش انسانی و هوشمندانه تر کردن شهرها ، آنالیز و تفسیر کنیم. جریان مداوم داده های شهری در زمان آنی نیاز دارد که مدل های شبیه سازی شهری سنتی به سمت پیش بینی های دقیق تر، مقیاس متقابل و به موقع بازسازی شوند. شهرها سیستم های پیچیده ای هستند که شامل فرایندهای مکانی ، اجتماعی ، اقتصادی و فیزیکی بهم پیوسته از تغییرات زمانی پویا هستند و نحوه عملکرد آنها بطور مداوم با اقدامات انسانی و استفاده گسترده از فناوری اطلاعات اصلاح می شود. مدل سازی مبتنی بر عامل (ABM) ، اتوماسیون سلولی (CA) ، میکروبلاسیون و مدل های شبکه تکنیک های رایجی برای شبیه سازی دینامیک شهری از منظر علم سیستم های پیچیده هستند (Batty 2007، Lomax and Smith 2017، Sengupta 2017). ABM یک مدل محاسباتی برای شبیه سازی فردی ، رفتاری – عوامل – در تلاش برای آشکار سازی رفتار کلی سیستم و پیش بینی در مورد الگوها و تکامل پدیده های پیچیده است (کلارک 2018). قوانین اکتشافی برای راهنمایی و محدود کردن رفتار یک عامل و چگونگی پاسخ آن به محیط و تعامل با سایر عوامل تعریف شده است. ABM به طور گسترده ای برای مدل سازی رفتار مصرف کننده (گاد و همکاران 2008) ، حمل و نقل شهری (وادل 2002) ، تخلیه اضطراری (چن و ژان 2008) و انتقال بیماری های عفونی کاربرد دارد (پارکر و اپشتاین 2011). Subasinghe و همکاران (در مطبوعات) یک مدل شبیه سازی چند عامل واکنش بلایای شهروندان (CDR-MAS) را برای بررسی نقش جریان های به روزرسانی شهروندان در تهیه نقشه های دست اول، دقیق و واقعی در زمان آنی بلایای طبیعی تهیه کرد. عوامل موجود در این مدل مشخصات اجتماعی مختلفی دارند (سن ، سرعت حرکت ، سطح سلامتی و …) و می توانند اقدامات مختلفی انجام دهند، در صورت بروز یک فاجعه طبیعی ، پناه بگیرند (ثابت بمانند) یا فرار کنند (حرکت کنند). بروزرسانی وضعیت، مانند “خطر” یا “ریسک”، به طور مداوم توسط عامل گزارش می شود. شهروندان به روزرسانی می شوند که حاوی مکان نماینده، زمان گزارش و اطلاعات مربوط به وضعیت هستند، برای تهیه نقشه منطقه فاجعه و سطح خطر در زمان آنی. شبیه سازی ها بر اساس سناریوهای مختلف مشارکت و جنبش شهروندان انجام شد. نتایج نشان می دهد که (1) منطقه رویداد نقشه برداری بزرگتر خواهد بود زیرا تعداد بیشتری از نمایندگان برای دور شدن از فاجعه تصمیم می گیرند ، و (2) افزایش مشارکت عمومی و یک مدل خوب طراحی شده منجر به افزایش قابل توجه در پیش بینی رویداد در زمان آنی می شود.CA (اتوماسیون سلولی) می تواند به عنوان شکل خاصی از ABM در نظر گرفته شود که در آن عوامل اصلی – سلول ها – ثابت باقی می مانند اما تغییر حالت از دوره زمانی به دوره زمانی دیگر می باشد. با این حال ، CA در فرایند مدل سازی خود با ABM تفاوت دارد. در ABM ، عوامل می توانند در فضا حرکت کرده و با یکدیگر در تعامل باشند ، در حالی که در یک CA ، اعضای مدل سازی سلولهای شبکه ایستا هستند که یک منطقه را تقسیم می کنند. آنچه در حال تغییر است وضعیت آنها در هنگام حرکت فرایندها بر روی آنهاست. این ویژگی CA باعث می شود آن را برای مدل سازی فرآیندهای اتلاف مانند تغییر کاربری اراضی یا گسترش شهری مناسب تر کند (کلارک 2018). شبیه سازی های CA از یک وضعیت اولیه شروع می شود که وضعیت هر سلول در سیستم را فراهم می کند ، و تغییر سلول ها توسط وضعیت سلول های محله انجام می شود ، یا هنگامی که مقدار خاصیت آن به برخی از آستانه از پیش تعریف شده می رسد. Esser و Schreckenberg (1997) ابزار شبیه سازی ترافیک مبتنی بر CA را برای مدل سازی پویایی ترافیک شهری ایجاد کردند. داده های ترافیک زمان آنی، مانند تعداد نوبت ها در تقاطع ها ، برای انجام شبیه سازی با داده های شبکه جاده یکپارچه شده اند. لی و همکاران (2015) با استفاده از CA یک سیستم شبیه سازی سیل در زمان آنی توسعه داد. داده های مشاهده در زمان آنی در فرآیند مدل سازی استفاده می شوند تا برآوردهای قابل اعتماد از پارامترهای سیل ارائه شود. شبیه به ABM و CA ، microsimulation نیز رویکردی مبتنی بر فرد برای تقلید دینامیک جمعیت و فرآیندهای شهری در سطح تفکیک شده است (Ballas et al. 1999). داده های میکرو در سطح فردی یا خانگی یک ورودی مهم برای مدل های شبیه سازی شهری مانند UrbanSim (Waddell 2002) وMATSim (Bae et al. 2016)است. با این حال، به دلیل نگرانی های مربوط به حریم خصوصی و هزینه بالای جمع آوری داده های سرشماری، چنین ریزگردها اغلب در دسترس نیست (مولر و آکسوزوزن 2010). تخمین ناحیه کوچک از میکرودیتا از اطلاعات چند منبع به هدف میکروبلاسیون تبدیل می شود. به طور کلی، مدل های microsimulation در دو طبقه قرار دارند: استاتیک و پویا. microsimulation استاتیک با استفاده از تکنیک های آماری ، مانند تناسب متناسب تکراری ، ارزش های ویژگی را با جزئیات دقیقتر تخمین می زند ، برای مثال ، از گروه سنی تا سال مجرد در سطح ریزگردها (Lomax and Smith 2017). Microsimulation پوبا زمان را به فرآیند مدل سازی معرفی می کند. با استفاده از یک مجموعه داده پایه به عنوان ورودی و اعمال یک نرخ تغییر (به عنوان مثال نرخ تولد یا مرگ و میر) ، میکروبیدان پویا پیش بینی هایی از مشخصات مشابه را در زمان آینده ارائه می دهد. از آنجا که میکروسیمیشن حالت ها و وابستگی های کمتری را نسبت به مدل های macrosimulation حفظ می کند ، می توان با استفاده از توان محاسباتی گسترده موجود در روز، به آسانی در شبیه سازی زمان آنی دست یافت. در مقایسه با ABM ، که بر تعامل و بازخورد در بین افراد تأکید می کند، میکروزیمیشن رفتارهای فردی را با استفاده از داده های بسیار دقیق مدل می کند. در سالهای اخیر ، روند ادغام میکروسیمیشن در مدلهای مبتنی بر عامل برای شبیه سازی کاربری اراضی شهری ، حمل و نقل و پویایی جمعیت سطح میکرو (Bae et al. 2016، Batty 2016) پیش بینی شده است. مدل سازی شبکه رویکرد دیگری است که پیچیدگی یک شهر را دربر می گیرد (Sengupta 2017). به طور کلی با CA یا ABM متفاوت است زیرا تمرکز معمولاً بر روابط بین اشیاء مکانی است، مدل های شبکه عناصر و روابط آنها را با استفاده از نمودارهای شبکه تعریف می کنند. گره های موجود در نمودار نشانگر موجودیتی مانند توقف ترانزیت هستند و لبه های اتصال دو گره قدرت اتصال را نشان می دهند، مانند فاصله یا هزینه بین دو توقف متوالی در یک مسیر ترانزیت. پارک و همکاران (این شماره) از این اصل مدل سازی برای توسعه یک شبکه انتشار تأخیر در حمل و نقل برای کشف الگوهای تاخیر در ترانزیت در کلمبوس، اوهایو را توسعه دادند. زمان ورودی برنامه ریزی شده و زمان رسیدن واقعی جمع آوری شده در زمان آنی مقایسه می شوند. اقداماتی از قبیل طول شبکه مبتنی بر مسیر حمل و نقل ، کل زمان تاخیر در انتشار و پوسیدگی مسافت برای تجزیه و تحلیل تأخیرهای آبشار خاص در شبکه ترانزیت تدوین شده است. این تجزیه و تحلیل مبتنی بر شبکه کمک می کند تا ایستگاه های مهم را که در آن تأخیر آغاز یا پخش می شود ، شناسایی کند. تغییرات زمانی الگوهای تاخیر نیز نشان داده شده است. نویسندگان پیش بینی می کنند که با ترکیب این داده با داده های واقعی تر مانند شرایط ترافیکی ، می توان عوامل محرک تأخیر در ترانزیت را بیشتر آشکار کرد.

تجسم در زمان آنی داده های شهر

تجسم ابزاری مهم برای انتقال طراحی شهری به برنامه ریزان، ذینفعان و تصمیم گیرندگان است (گودیلد 2010 ، هادسون اسمیت و بیتی 2014). این امر به طور فزاینده ای در پروژه های شهر هوشمند برای انجام نظارت بر زمان آنی زیرساخت های بحرانی شهر (به عنوان مثال سیستم های نیرو و آب) مورد استفاده قرار گرفته و توسط آژانس های دولتی برای برقراری ارتباط داده های دولتی با عموم ، ارتقاء شهرها و افزایش استفاده می شود. شفافیت (ملوولی و همکاران 2014). علاوه بر این ، تجسم یک کلید کشف علمی است. با ارائه روشی مؤثر و شهودی برای تجسم داده های بزرگ و گاه پر هرج و مرج ، الگوهای پیچیده و پنهان اساسی پدیده یا فرایند را می توان بصری مورد بازرسی قرار داد (Li and Wang 2017). در اینجا ما مروری بر تکنیک های تجسم داده ها روی داده های جمع آوری شده در زمان آنی از سنسورهای IoT در سطح شهر متمرکز شده ایم. با توجه به نوع سنسور مورد استفاده در جمع آوری داده ها (سنسورهای تلفن همراه یا ثابت) ، این داده ها را می توان در دو کلاس کلی قرار داد: (1) داده مسیر که در آن هر دو مکان و ویژگی های یک شی با گذشت زمان تغییر می کند ، و (2) موقتی داده های جمع آوری شده در مکان های ثابت. در حالت دوم ، فقط یک نشان-زمان و ارزش برای مشاهده تغییر می کند. در مقایسه با منابع داده سنتی ، این داده ها اغلب بدون ساختار یا نیمه ساختار یافته هستند ، که شامل چندین متغیر برای هر مشاهده هستند و به طور مداوم از یک سنسور از راه دور جریان می یابند. برای گرفتن ماهیت چند وجهی داده ها ، تجسم می تواند به طور متناوب بر جنبه های مختلف متمرکز شود: زمانی ، مکانی ، مکانی-زمانی و چند متغیره (چن و همکاران 2015). داشبورد در حال تبدیل شدن به یک فناوری محبوب شهر هوشمند برای ارائه تجسم پویا و مبتنی بر گرافیک برای ارائه داده های بحرانی در زمان آنی در یک نمای واحد است (Rivard and Cogswell 2004). اگرچه پروژه های داشبورد بسیاری راه اندازی شده است ، مانند داشبورد شهر لندن (http://citydashboard.org/london/) ، داشبورد بوستون (https://www.cityofboston.gov/mayorsdashboard/) و داشبورد ترانزیت تورنتو (http : //totransit.ca) ، تحقیقات کمی چالش های تجسم در زمان آنی را در این زمینه شرح داده است. کار Sthele و Kitchin (مطبوعات) با ارائه یک ارزیابی منظم از استراتژی های مورد استفاده در تجسم داده های مکانی در زمان واقعی در داشبورد ، این بحث را آغاز می کند. نویسندگان دو چالش اساسی را شناسایی می کنند – تغییر بصری و تغییر در زمان و مکان – و راهکارهایی برای غلبه بر آنها پیشنهاد می کنند. به طور خاص ، تغییر بصری زمانی اتفاق می افتد که تغییرات سریع همزمان در چندین مؤلفه در داشبورد شهری رخ می دهد ، که تشخیص بصری تغییر را دشوار می کند. همچنین می تواند زمانی اتفاق بیفتد که مقادیر قدیمی با مقادیر جدید جایگزین شوند و سپس کاربران دیدگاه مقادیر قدیمی را به عنوان یک مرجع یا معیار مهم از دست دهند. راه حل های غلبه بر این مسئله شامل تغییر دستی مقیاس زمانی برای نمایش داده های کنترل شده تر ، ارائه شاخص هایی در هنگام طراوت صفحه نمایش است تا کاربران بتوانند تغییر را پیش بینی کنند و هماهنگ سازی مناطق زمانی مختلف. چالش دوم در تشخیص الگوهای زمانی است. نویسندگان در اینجا استدلال می کنند که داده های زمان آنی بدون مقایسه با گرایش های تاریخی قابل تفسیر هستند. از این رو ، تجزیه و تحلیل بصری از داده های بایگانی شده ، یا در یک سایت مشاهده واحد و یا در سایت های مختلف ، برای تجسم داشبورد مهم است. اگرچه روش های مختلفی برای تجسم موقت ایجاد شده است ، مانند یک طرح شعاعی (Pu et al. 2013) ، یک نمودار خطی که زمان خطی را نشان می دهد (Ferreira et al. 2013) و خط داستانی (Ogawa و Ma 2010) ، ممکن است همه آنها اینگونه نباشند. به دلیل پیچیدگی ارائه اطلاعات در این روش ها ، در یک محیط داشبورد شهری مناسب است. از این رو در نظر گرفتن علاقه و نیاز کاربران در طراحی داشبورد آینده بسیار مهم است. با استفاده از تجسم داشبورد فوق با محوریت تجسم موقتی ، ارائه اطلاعات مکانی (مکان سنسورها ، به عنوان مثال) از طریق یک رندر ساده از مکان های نقطه بر روی نقشه انجام می شود. این روش سودمند است زیرا اطلاعات دقیق مکان را برای هر شی فراهم می کند. با این حال ، هنگامی که مقدار داده بزرگ شود ، نقشه بسیار به هم ریخته خواهد شد. این قابلیت تجسم فضایی مبتنی بر نقطه نیز باید هنگام برخورد با داده های مربوط به حرکت در زمان آنی ، به عنوان مثال ، مسیرهای تاکسی گسترش یابد. تجسم نقشه بر اساس خط و منطقه ، این محدودیت را جبران می کند (چن و همکاران 2015). تجسم مبتنی بر خط برای ارائه اطلاعات جریان یا مسیر برای یک منطقه بزرگ بر روی نقشه مناسب است. برای غلبه بر پیچیدگی داده ها ، مسیرها می توانند به صورت خوشه بندی شده ، یا بیشتر استخراج شوند ، یا از فضای جغرافیایی به یک فضای انتزاعی تبدیل شوند تا بتوانند الگوهای مختلفی ظاهر شوند. به عنوان مثال ، Crnovrsanin و همکاران. (2009) از یک نمودار خط دوبعدی برای نمایش همزمان مکان و زمان استفاده کرد. محور x به بعد زمانی اشاره دارد و محور y مقدار ویژگی را در بعضی مکان ها نشان می دهد. مکان های موجود در نمودار با توجه به نزدیکی آنها قرار می گیرد. این تحول نه تنها به آشکارسازی الگوهای مختلف مانند غلظت مکانی ، روندها و نوسانات کمک می کند بلکه به ادغام اطلاعات زمانی در تجسم فضایی نیز کمک می کند. تکنیک های مبتنی بر منطقه شکل دیگری از روش تجسم فضایی است که در آن اطلاعات برای قرار گرفتن در معرض بهتر الگوهای کلان در داده ها در مناطق مختلف جمع می شوند. علاوه بر تجسم فضایی و زمانی جدا شده ، محققان همچنین به تجسم فضایی – زمانی پرداخته اند. مکعب فضا – زمان یک تکنیک معمول برای نمایش داده های حرکتی در یک فضای سه بعدی است ، که در آن دو بعد افقی عرض و طول و بعد عمودی زمان است (کرااک 2003). تجسم در زمان فضا ممکن است با داده های چند متغیره روبرو شود. به عنوان مثال ، یک سنسور تلفن همراه ممکن است اطلاعات مربوط به دما ، رطوبت و آلودگی هوا را جمع کند. در این حالت ، تکنیک های تجسم چند متغیره اضافی ، مانند نقشه مختصات موازی (PCP ؛ Wang و همکاران 2014) نیاز به یکپارچه سازی دارند تا استدلال بصری درباره چندین ویژگی مرتبط با یک شیء فراهم شود.

پردازش آنی GIS

داده های شهری نمونه ای از داده های بزرگ هستند و حجم عظیم آنها انجام تجزیه و تحلیل بر روی یک کامپیوتر واحد را به دلیل حافظه محدود و قابلیت محاسبات غیرممکن می کند. یک راه حل خوب این است که از طریق اتصال چندین رایانه توزیع شده از طریق یک شبکه ارتباطی با سرعت بالا ، سیستم را مقیاس بندی کنیم تا آنچه را که به عنوان یک سیستم عامل cloud computing (معروف به رایانه ابری) شناخته می شود ، شکل دهیم (Botta et al. 2016). سپس با انجام یک کار یا پارتیشن بندی داده ها با استفاده از MapReduce (دین و Ghemawat 2008) یا نرم افزار Hadoop (شوواکو و همکاران 2010) ، می توان بخش هایی از داده های بزرگ را بر روی گره های مختلف محاسباتی توزیع کرد. وظایف تحلیلی همچنین می تواند در کارهایی کوچکتر که به طور موازی بر روی این گره ها اجرا می شوند ، تجزیه شوند تا بتوان سرعت عملكرد کلی را بهبود بخشید. سیستم Hadoop داده های بزرگ را در یک فایل بزرگ توزیع می کند. محاسبات موازی آن شامل تبادل داده های اساسی بین حافظه و هارد دیسک برای بارگذاری داده ها از سیستم فایل توزیع شده است و باعث اثر منفی می شود. برای پرداختن به این مسئله ، Apache Spark (Zaharia و همکاران 2016) استراتژی های محاسبات درون حافظه را معرفی می کنند ، که این امر باعث می شود پردازش دسته ای از Hadoop کارآمدتر باشد. با این حال ، برای دستیابی به تجسم در زمان آنی و تجزیه و تحلیل شهری ، یک سیستم اطلاعات جغرافیایی باید فراتر از آنالیزهای بزرگ داده سنتی باشد که در آن اندازه داده نگرانی اصلی است و پردازش دسته ای مهم است. در عوض ، یک سیستم اطلاعات جغرافیایی در زمان آنی نیاز به داشتن توان بالا و تأخیر کم در دریافت ، ذخیره و دستیابی به داده های پخش شده در زمان آنی دارد. توان مصرفی چالش های «سرعت» و «حجم» داده های بزرگ زمان آنی را نشان می دهد. سیستمی که از توان بالایی برخوردار باشد ، قادر به پردازش داده های حجمی با سرعت بسیار بالا است. تأخیر ، معیاری برای بهنگام بودن پردازش زمین است. یک سیستم اطلاعات جغرافیایی با تأخیر کم نیاز به نمایش داده شد یا تجزیه و تحلیل مکانی و انجام نتایج در مدت زمان بسیار کوتاه. بنابراین ، پایگاه داده NoSQL (غیر رابطه ای) و معماری جریان به عنوان لبه اصلی در ژئوپروس پردازش در زمان آنی ظاهر شده اند. پایگاه داده های رابطه سنتی ، مانند PostGreSQL ، هنگام پرس و جو از مجموعه داده های گسترده جغرافیایی ، به خصوص داده های نیمه یا ساختار یافته از دستگاه های IoT یا سایت های رسانه های اجتماعی ، با چالش های مقیاس پذیری قابل توجهی روبرو هستند.JSON (JavaScript Object Notation) ، که دارای یک ساختار کلیدی است ، برای دستیابی به تبادل داده و انتقال داده های سبک وزن تصویب شده است (Ngu et al. 2016). ذخیره سازی زمان آنی داده های جریان بزرگ می تواند با ترکیب با پایگاه داده های NoSQL حاصل شود ، که پشتیبانی از یک ساختار ارزش کلیدی ، مقیاس به راحتی در یک خوشه و ذخیره سازی مبتنی بر ابر را فراهم می کند ، و از نمایش داده های سریع در داده های غیربط پشتیبانی می کند. بالاتر از ذخیره سازی زمان آنی ، معماری جریان را برای ارائه پردازش داده های جریان در زمان آنی نهفته است. معماری لامبدا (Marz and Warren 2015) یک راه حل جدید است که مقیاس پذیری ، تحمل پذیری در برابر خطا ، خواندن با تاخیر کم ، بروزرسانی و تجزیه و تحلیل داده های بزرگ در زمان آنی را ارائه می دهد. این معماری از سه لایه تشکیل شده است: لایه دسته ای ، لایه سرعت و لایه سرویس. لایه دسته ای با استفاده از پردازش دسته ای داده های عظیم تاریخی را ذخیره و پردازش می کند. لایه دسته ای ممکن است در به روزرسانی نتایج دارای تأخیر بالایی باشد ، اما کمتر اجرا می شود و می تواند داده های گسترده بایگانی شده را پردازش کند. مدل های Hadoop یاMap Reduce (در بالا مشاهده می شود) برای پردازش داده ها در این لایه قابل استفاده است. لایه سرعت ، همچنین به عنوان لایه جریان شناخته می شود ، تنها با داده های جدید سروکار دارد و از پردازش جریان مانندSpark streaming (Zaharia و همکاران 2012) یا Storm (Cardellini و همکاران 2016) برای پردازش داده ها در زمان آنی استفاده می کند. لایه سرویس نتایج حاصل از لایه دسته ای را ترکیب می کند ، که زمینه ای برای تجزیه و تحلیل با استفاده از داده های بیشتر فراهم می کند ، و لایه سرعت ، که یک نمایش در زمان آنی از جدیدترین داده ها را فراهم می کند، برای ایجاد یک نتیجه قوی با تأخیر کم است. این معماری جریان در پروژه های شهر هوشمند برای پشتیبانی از پیش بینی زمان آنی تقاضای انرژی (Strohbach و همکاران 2015) ، نظارت بر داده های هوشمند شهری (Panagiotou و همکاران 2016) و تشخیص ناهنجاری هایی مانند جرم اجرا شده است (چن و al. 2017) ، در بین دیگران. یکی دیگر از چشم اندازهای جالب معماری چند لایه لامبدا ، ادغام آن با یادگیری ماشین (ML) و داده کاوی مکانی و زمانی برای افزایش هوشمندی ، علاوه بر پاسخگویی در زمان آنی در تجزیه و تحلیل شهری است. به عنوان مثال ، در یک الگوی یادگیری نظارت شده ، مرحله آموزش مدل وقت گیر را می توان در لایه دسته ای اجرا کرد ، و سپس می توان مدل خوب آموزش دیده را در لایه سرعت برای زمان آنی یا نزدیک به پیش بینی زمان آنی بر روی داده های آینده بارگذاری کرد. به معنای وسیع تر، شهرهای هوشمند آینده به طور فزاینده ای با بهره گیری از هوش مصنوعی (AI) و پردازش در زمان آنی برای اتوماسیون و ارائه بهتر خدمات شهری (Batty 2018c) و همچنین افزایش حاکمیت شهر ، عدالت و پایداری (Allam و Dhunny 2019).

نتایج بدست آمده

همانطور که در ابتدا متذکر شدیم ، GIS در زمان آنی برای شهرهای هوشمند به موضوعی عظیم تبدیل شده است ، و این بخش ویژه فقط نوک کوه یخی موضوع را مورد بررسی قرار داده است. این بخش مطمئناً سؤالات بسیار بیشتری را از آنچه پاسخ داده است مطرح کرده است ، و ما امیدواریم که این خواننده را تحریک کند تا برنامه تحقیق خود را در این زمینه تدوین کند. مطمئناً شهر آینده با شهر امروز بسیار متفاوت خواهد بود و هیچکدام از ما نمی توانیم تغییراتی را که به وجود آمده کاملاً پیش بینی کنیم. ما می دانیم که وسایل نقلیه متصل و خودمختار فرصت های بسیاری را برای GIS در زمان آنی ارائه می دهند. تغییر عمده در سیستم های خرده فروشی ما به دلیل تغییر سرویس های آنلاین در حال وقوع است. که انواع مختلف بازارهای اقتصادی توسط فناوری های جدید دیجیتال در حال تغییر است. و تغییرات آب و هوایی بسیاری از جنبه های زندگی شهری را تحت تأثیر قرار خواهد داد ، به ویژه در مناطقی از جهان که تأمین مواد غذایی ، انرژی و آب در حال حاضر به سطح بحرانی نزدیک شده است. تغییر جمعیتی جهانی و همچنین پیشرفت های سریع در مراقبت های بهداشتی بر آینده ما حاکم خواهد بود و همه اینها فرصت های بی پایان برای متخصصان در GIS ایجاد می کند.  

منابع

Adame, T., et al., 2018. CUIDATS: an RFID–WSN hybrid monitoring system for smart health care environments. Future Generation Computer Systems, 78 (2), 602–615. doi:10.1016/j. future.2016.12.023.

Allam, Z. and Dhunny, Z.A., 2019. On big data, artificial intelligence and smart cities. Cities, 89 (2019),

80–91. doi:10.1016/j.cities.2019.01.032.

Bae, J.W., et al., 2016. Combining microsimulation and agent-based model for micro-level population

dynamics. Procedia Computer Science, 80 (2016), 507–517. doi:10.1016/j.procs.2016.05.331.

Ballas, D., Clarke, G., and Turton, I. 1999, July. Exploring microsimulation methodologies for the

estimation of household attributes. In: J. Diaz, Ed. In: 4th International Conference on

GeoComputation, Mary Washington College. Virginia, USA: GeoComputation CD-ROM.

doi:10.1046/j.1469-1809.1999.6320101.x.

Batty, M., 2007. Cities and complexity: understanding cities with cellular automata, agent-based

models, and fractals. Cambridge, MA: The MIT Press, 565.

Batty, M., 2016. Classifying urban models. Environment and Planning B: Planning and Design, 43 (2),

251–256. doi:10.1177/0265813516630803.

Batty, M., 2018a. Inventing future cities. Cambridge, MA: The MIT Press, 282.

Batty, M., 2018b. Digital twins. Environment and Planning B: Urban Analytics and City Science, 45 (5),

817–820. doi:10.1177/2399808318796416.

Batty, M., 2018c. Artificial intelligence and smart cities. Environment and Planning B: Urban Analytics

and City Science, 45 (1), 3–6. doi:10.1177/2399808317751169.

Batty, M., et al., 2012. Smart cities of the future. The European Physical Journal Special Topics, 214 (1),

481–518. doi:10.1140/epjst/e2012-01703-3.

Bazzani, A., et al. 2011, May. Now casting of traffic state by GPS data. The metropolitan area of Rome.

In: 2011 Proceedings of the 34th International Convention MIPRO. Opatija, Croatia: IEEE, 1615–1618.

Botta, A., et al., 2016. Integration of cloud computing and internet of things: a survey. Future

Generation Computer Systems, 56 (2016), 684–700. doi:10.1016/j.future.2015.09.021.

Brynielsson, J., et al., 2018. Informing crisis alerts using social media: best practices and proof of

concept. Journal of Contingencies and Crisis Management, 26 (1), 28–40. doi:10.1111/jccm.2018.26.

issue-1.

Cardellini, V., Nardelli, M., and Luzi, D. 2016, July. Elastic stateful stream processing in storm. In: 2016

International Conference on High Performance Computing & Simulation (HPCS). IEEE, 583–590.

doi:10.1177/1753193415600670.

Chen, N., et al., 2017. Smart city surveillance in fog computing. In: C.

X. Mavromoustakis, G. Mastorakis and C. Dobre, eds. Advances in mobile cloud computing and

big data in the 5G era. Cham: Springer, 203–226.

Chen, W., Guo, F., and Wang, F.Y., 2015. A survey of traffic data visualization. IEEE Transactions on

Intelligent Transportation Systems, 16 (6), 2970–2984. doi:10.1109/TITS.2015.2436897.

Chen, X. and Zhan, F.B., 2008. Agent-based modelling and simulation of urban evacuation: relative

effectiveness of simultaneous and staged evacuation strategies. Journal of the Operational

Research Society, 59 (1), 25–33. doi:10.1057/palgrave.jors.2602321.

Chowdhury, B. and Chowdhury, M.U. 2007. RFID-based real-time smart waste management system.

In: 2007 Australasian Telecommunication Networks and Applications Conference. doi:10.1109/

atnac.2007.4665232.

Clarke, K.C., 2018. Cellular automata and agent-based models. In: M.M. Fisher and P. Nijkamp, eds.

Handbook of regional science. Berlin, Heidelberg: Springer, 1–16. doi:10.1007/978-3-642-36203-

3_63-1.

Crnovrsanin, T., et al. 2009, October. Proximity-based visualization of movement trace data. In: 2009

IEEE Symposium on Visual Analytics Science and Technology. IEEE, 11–18. doi: 10.1007/s10877-008-

9158-4.

Dean, J. and Ghemawat, S., 2008. MapReduce: simplified data processing on large clusters.

Communications of the ACM, 51 (1), 107–113. doi:10.1145/1327452.

Deville, P., et al., 2016. Scaling identity connects human mobility and social interactions. Proceedings

of the National Academy of Sciences, 113 (26), 7047–7052. doi:10.1073/pnas.1525443113.

Doran, D., et al., 2016. Social media enabled human sensing for smart cities. AI Communications, 29

(1), 57–75. doi:10.3233/AIC-150683.

Esser, J. and Schreckenberg, M., 1997. Microscopic simulation of urban traffic based on cellular

automata. International Journal of Modern Physics C, 08 (05), 1025–1036. doi:10.1142/

S0129183197000904.

Fahmy, A., et al. 2019, March. Role of RFID technology in smart city applications. In: 2019

International Conference on Communications, Signal Processing, and their Applications (ICCSPA).

Sharjah, United Arab Emirates: IEEE, 1–6.

Ferreira, N., et al., 2013. Visual exploration of big spatio-temporal urban data: A study of new york

city taxi trips. IEEE Transactions on Visualization and Computer Graphics, 19 (12), 2149–2158.

doi:10.1109/TVCG.2013.226.

Gaud, N., et al., 2008. Holonic multilevel simulation of complex systems: application to real-time

pedestrians simulation in virtual urban environment. Simulation Modelling Practice and Theory, 16

(10), 1659–1676. doi:10.1016/j.simpat.2008.08.015.

Ge, Q. and Fukuda, D., 2016. Updating origin–destination matrices with aggregated data of GPS

traces. Transportation Research Part C: Emerging Technologies, 69 (2016), 291–312. doi:10.1016/j.

trc.2016.06.002.

Golderzahi, V. and Pao, H.K. 2018, July. Understanding customers and their grouping via WiFi

sensing for business revenue forecasting. In: International Conference on Machine Learning and

Data Mining in Pattern Recognition. Cham: Springer, 56–71.

Gonzalez, M.C., Hidalgo, C.A., and Barabasi, A.L., 2008. Understanding individual human mobility

patterns. Nature, 453 (7196), 779. doi:10.1038/nature06958.

Goodchild, M.F., 2007. Citizens as sensors: the world of volunteered geography. GeoJournal, 69 (4),

211–221. doi:10.1007/s10708-007-9111-y.

Goodchild, M.F., 2010. Towards geodesign: repurposing cartography and GIS? Cartographic

Perspectives, 66 (2010), 7–22. doi:10.14714/CP66.93.

Guo, L., et al., 2018. HuAc: human activity recognition using crowdsourced WiFi signals and skeleton

data. Wireless Communications and Mobile Computing, ID 6163475, 1–15. doi:10.1155/2018/

6163475

Hashem, I.A.T., et al., 2016. The role of big data in smart city. International Journal of Information

Management, 36 (5), 748–758. doi:10.1016/j.ijinfomgt.2016.05.002.

Hu, X., An, S., and Wang, J., 2014. Exploring urban taxi drivers’ activity distribution based on GPS

data. Mathematical Problems in Engineering, 2 (2014), 1–13.

Hudson-Smith, A. and Batty, M., 2014. Visual analytics for urban design. Urban Design, 132 (2014),

38–41.

Kafi, M.A., et al., 2012. A study of wireless sensor network architectures and projects for traffic light

monitoring. Procedia Computer Science, 10, 543–552. doi:10.1016/j.procs.2012.06.069

Kontokosta, C.E. and Johnson, N., 2017. Urban phenology: toward a real-time census of the city

using Wi-Fi data. Computers, Environment and Urban Systems, 64, 144–153. doi:10.1016/j.

compenvurbsys.2017.01.011

Kraak, M.J. 2003, August. The space-time cube revisited from a geovisualization perspective. In: Proc.

21st International Cartographic Conference: Cartographic Renaissance, Durban, South Africa.

1988–1996.

Li, W. and Wang, S., 2017. PolarGlobe: A web-wide virtual globe system for visualizing multidimensional,

time-varying, big climate data. International Journal of Geographical Information Science,

31 (8), 1562–1582. doi:10.1080/13658816.2017.1306863.

Li, Y., et al., 2015. Real-time flood simulations using CA model driven by dynamic observation data.

International Journal of Geographical Information Science, 29 (4), 523–535. doi:10.1080/

13658816.2014.977292.

Lomax, N. and Smith, A.P., 2017. Microsimulation for demography. Australian Population Studies, 1

(1), 73–85.

Marz, N. and Warren, J., 2015. Big data: principles and best practices of scalable real-time data systems.

New York: Manning Publications Co., Shelter Island, NY, 301.

Mellouli, S., Luna-Reyes, L.F., and Zhang, J., 2014. Smart government, citizen participation and open

data. Information Polity, 19 (1,2), 1–4. doi:10.3233/IP-140334.

Müller, K. and Axhausen, K.W., 2010. Population synthesis for microsimulation: state of the art.

Arbeitsberichte Verkehrs-und Raumplanung, 638 (2010), 1–11.

Ngu, A.H., et al., 2016. IoT middleware: A survey on issues and enabling technologies. IEEE Internet of

Things Journal, 4 (1), 1–20. doi:10.1109/JIOT.2016.2615180.

Ogawa, M. and Ma, K.L. 2010, October. Software evolution storylines. In: Proceedings of the 5th

International Symposium on Software Visualization. Salt Lake City, UT: ACM, 35–42.

Panagiotou, N., et al. 2016, September. Intelligent urban data monitoring for smart cities. In: Joint

European conference on machine learning and knowledge discovery in databases. Cham: Springer,

177–192. doi:10.1177/1753193415610529.

Park, Y., et al., in press. Assessing public transit performance using real-time data: spatiotemporal

patterns of bus operation delays in Columbus, Ohio, USA. International Journal of Geographical

Information Science.

Parker, J. and Epstein, J.M., 2011. A distributed platform for global-scale agent-based models of

disease transmission. ACM Transactions on Modeling and Computer Simulation (TOMACS), 22 (1), 2.

doi:10.1145/2043635.2043637.

Prabhu, S.B., et al., 2013. Mobility assisted dynamic routing for mobile wireless sensor networks.

International Journal of Advanced Information Technology, 3 (1), 9. doi:10.5121/ijait.2013.3102.

Pu, J., et al. 2013, June. T-Watcher: A new visual analytic system for effective traffic surveillance. In:

2013 IEEE 14th International Conference on Mobile Data Management (Vol. 1). Milan, Italy: IEEE,

127–136.

Rashid, B. and Rehmani, M.H., 2016. Applications of wireless sensor networks for urban areas: A

survey. Journal of Network and Computer Applications, 60, 192–219. doi:10.1016/j.

jnca.2015.09.008

Rawat, P., et al., 2014. Wireless sensor networks: a survey on recent developments and potential

synergies. The Journal of Supercomputing, 68 (1), 1–48. doi:10.1007/s11227-013-1021-9.

Rivard, K. and Cogswell, D., 2004. Are you drowning in bi reports? using analytical dashboards to cut

through the clutter. Information Management, 14 (4), 26.

Sahni, Y., Cao, J., and Shen, J., 2018. Challenges and opportunities in designing smart spaces. In: B.Di

Martino, K.C. Li, L. T. Yang and A. Esposito, eds. Internet of everything. Singapore: Springer,

131–152.

Sengupta, U., 2017. Complexity Science: the urban is a complex adaptive system. In: defining the

Urban. Routledge. In: D. Iossifova and C.D. Gasparato, eds. Defining the urban: interdisciplinary and

professional perspectives. London: Routledge, 249–265.

Shvachko, K., et al., 2010, May. The hadoop distributed file system. In: A. Amer and S. Coleman, eds.

MSST (Vol. 10). Incline Village: Nevada, 1–10.

Sivanandam, R., et al. 2012. Advanced Traveller Information System (ATIS) for Indian cities. Available

from: https://coeut.iitm.ac.in/umcsp/pdfweb/v2iitm_ATIS%20For%20indian%20cities_v2.pdf

Soundararaj, B., Cheshire, J., and Longley, P., in press. Estimating real-time high-street footfall from

Wi-Fi probe requests. International Journal of Geographical Information Science.

Stehle, S. and Kitchin, R., in press. Real-time and archival data visualisation techniques in city

dashboards. International Journal of Geographical Information Science.

Stojanovic, D., Predic, B., and Stojanovic, N. 2016. Mobile crowd sensing for smart urban mobility. In:

Capineri, C., Haklay, M., Huang, H., Antoniou, V., Kettunen, J., Ostermann, F., and Purves, R., (Eds).

European Handbook of Crowdsourced Geographic Information. London: Ubiquity Press, 371–382.

Strohbach, M., et al., 2015. Towards a big data analytics framework for IoT and smart city applications.

In: F. Xhafa, L. Barolli, A. Barolli and P. Papajorgji, eds. Modeling and processing for nextgeneration

big-data technologies. Cham: Springer, 257–282.

Subasinghe, I. et al., in press. Real-time mapping of natural disasters using citizen update streams.

International Journal of Geographical Information Science, 1–29.

Sui, D., Elwood, S., and Goodchild, M., Eds., 2012. Crowdsourcing geographic knowledge: volunteered

geographic information (VGI) in theory and practice. Dordrecht, The Netherlands: Springer Science

& Business Media.

Tsiropoulou, E.E., et al., 2017. RFID-based smart parking management system. Cyber-Physical

Systems, 3 (1–4), 22–41. doi:10.1080/23335777.2017.1358765.

Waddell, P., 2002. UrbanSim: modeling urban development for land use, transportation, and

environmental planning. Journal of the American Planning Association, 68 (3), 297–314.

doi:10.1080/01944360208976274.

Wang, F., et al. (2014, October). A visual reasoning approach for data-driven transport assessment on

urban roads. In: 2014 IEEE Conference on Visual Analytics Science and Technology (VAST). IEEE,

103–112. doi:10.3389/fchem.2014.00103.

Zaharia, M., et al. (2012, June). Discretized streams: an efficient and fault-tolerant model for stream

processing on large clusters. In: Proceedings of the 4th USENIX conference on Hot Topics in Cloud

Computing. Boston, MA: USENIX Association, 10.

Zaharia, M., et al., 2016. Apache spark: a unified engine for big data processing. Communications of

the ACM, 59 (11), 56–65. doi:10.1145/2934664.

Zhang, J., et al. 2016, May. Wifi-id: human identification using wifi signal. In: 2016 International

Conference on Distributed Computing in Sensor Systems (DCOSS). Washington, DC: IEEE, 75–82.

Zhang, X., et al., 2018. Identifying urban functional zones using public bicycle rental records and

point-of-interest data. ISPRS International Journal of Geo-Information, 7 (12), 459. doi:10.3390/

ijgi712Zhong, C., et al., 2016. Variability in regularity: mining temporal mobility patterns in London,

Singapore and Beijing using smart-card data. PloS One, 11 (2), e0149222. doi:10.1371/journal.

pone.0149222.

Zhou, Y., et al., 2018. Understanding urban human mobility through crowdsensed data. IEEE

Communications Magazine, 56 (11), 52–59. doi:10.1109/MCOM.2018.1700569.0459.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

توسط
تومان

تماس با ما

شماره تماس

برگشت به منوی تماس ها

اتصال به واتساپ

برگشت به منوی تماس ها

اتصال به تلگرام

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها