Video: Zeitgeist Addendum 2024
Bijna elk deel van de stad heeft de mogelijkheid om big data te gebruiken, of het nu in de vorm van belastingen, sensoren op gebouwen en bruggen, verkeerspatroonmonitoring, locatiegegevens en gegevens over criminele activiteiten. Het creëren van werkbaar beleid dat steden veiliger, efficiënter en wenselijker maakt om te wonen en te werken vereist het verzamelen en analyseren van enorme hoeveelheden gegevens uit verschillende bronnen.
Veel van de gegevens die relevant zijn voor onderzoek naar verbeteringen van overheidsbeleid, worden verzameld door verschillende stadsagentschappen en hebben historisch gezien maanden of jaren geduurd om te analyseren (zoals jaarlijkse censusgegevens, politieregistraties en toeristenbelasting) records). Zelfs binnen een specifiek bureau, zoals de politie, kunnen gegevens worden verzameld door afzonderlijke districten en niet gemakkelijk worden gedeeld door de stad en de omliggende gemeenschappen.
Als gevolg hiervan hebben stadsleiders een overvloed aan informatie over hoe beleid de mensen in hun stad in voorgaande jaren heeft beïnvloed, maar het was een grote uitdaging om snel veranderende gegevens te delen en te gebruiken om tijdbeslissingen die het stadsleven kunnen verbeteren. Wat het gebruik van deze gegevens nog ingewikkelder maakt, is het feit dat gegevens worden beheerd en opgeslagen in afzonderlijke silo's.
Dit veroorzaakt problemen omdat er een directe relatie kan bestaan tussen verschillende aspecten van stadsoperaties. Beleidsmakers beginnen zich te realiseren dat verandering alleen kan plaatsvinden als ze de beschikbare gegevens en gegevens van best practices kunnen gebruiken om de huidige staat van hun omgeving te transformeren. Hoe complexer een stad, hoe meer er een behoefte bestaat om gebruik te maken van gegevens om de dingen ten goede te veranderen.
Dit is aan het veranderen omdat beleidsmakers, wetenschappers en technologische innovators samenwerken om beleid te implementeren op basis van bewegende data. Als u bijvoorbeeld een programma wilt ontwerpen en implementeren om de verkeerscongestie te verbeteren, moet u mogelijk gegevens verzamelen over de bevolking, werkgelegenheidscijfers, wegomstandigheden en het weer. Veel van deze gegevens zijn in het verleden verzameld, maar opgeslagen in verschillende silo's en vertegenwoordigen een statische weergave van historische informatie.
Om suggesties te doen op basis van de huidige streaminginformatie, hebt u een nieuwe aanpak nodig. Onderzoekers aan een technische universiteit in Europa verzamelen realtime verkeersgegevens uit verschillende bronnen, zoals Global Positioning System (GPS) -gegevens van reizende voertuigen, radarsensoren op de weg en weergegevens. Ze hebben de streaminggegevens geïntegreerd en geanalyseerd om verkeerscongestie te verminderen en de verkeersstroom te verbeteren.
Door zowel gestructureerde als ongestructureerde gegevens te analyseren tijdens het plaatsvinden van gebeurtenissen, kunnen de systemen de huidige reisomstandigheden beoordelen en suggesties doen voor alternatieve routes die het verkeer beperken. Uiteindelijk is het doel om een grote impact te hebben op de verkeersstroom in de stad. Gegevens in beweging worden geëvalueerd in verband met historische gegevens, zodat de aanbevelingen zinvol zijn in samenhang met de feitelijke omstandigheden.
Streaminggegevens kunnen een grote invloed hebben op de criminaliteitscijfers in steden. Een politiebureau gebruikt bijvoorbeeld voorspellende analyses om misdaadpatronen te identificeren op tijd en locatie. Als een plotselinge verandering wordt gevonden in een geïdentificeerd patroon naar een nieuwe locatie, kan de politie agenten op het juiste moment naar de juiste locatie sturen. Na het feit kunnen deze gegevens nu worden gebruikt om criminele gedragspatronen verder te analyseren.
