Machine Translated by Google

Comentário

Diálogos em Geografia Humana

3(3) 274–279
Big data, cidades inteligentes e ª O(s) Autor(es) 2013
Reimpressões e
permissão: sagepub.co.uk/
planejamento urbano journalsPermissions.nav DOI:
10.1177/2043820613513390 dhg.sagepub.com

Michael Batty
Faculdade Universitária de Londres, Reino Unido

Resumo
Defino big data em relação ao seu tamanho, mas presto especial atenção ao facto de que os dados a que me refiro são dados
urbanos, ou seja, dados de cidades que estão invariavelmente etiquetados no espaço e no tempo. Argumento que este tipo de dados
está a ser transmitido em grande parte a partir de sensores, e isto representa uma mudança radical nos tipos de dados que temos
sobre o que acontece onde e quando nas cidades. Descrevo como o crescimento do big data está a mudar a ênfase do planeamento
estratégico de longo prazo para o pensamento de curto prazo sobre como as cidades funcionam e podem ser geridas, embora com
a possibilidade de que, durante períodos de tempo muito mais longos, este tipo de big data se torne uma fonte de informações sobre
todos os horizontes temporais. Para concluir, ilustro a necessidade de uma nova teoria e análise com respeito a 6 meses de dados
de cartões de viagem inteligentes de viagens individuais nos sistemas de transporte público da Grande Londres.

Palavras-
chave big data, gestão de disrupções, nova teoria, streaming em tempo real, horizontes de tempo mais curtos, cidades inteligentes

Existem muitas definições de “big data”, mas uma das melhores
que ouvi, e não sei a quem atribuí-la, é “quaisquer dados que
não cabem numa folha de cálculo Excel”. Isto dá imediatamente
uma ideia do tamanho, pois tais planilhas agora têm uma
dimensão de cerca de um milhão de linhas e um número muito
menor de colunas; esta definição também sugere que big data
deve ser definido em relação às ferramentas padrão que
permitem seu processamento para alguma finalidade (Reades,
2013). Isto implica que big data não é um conceito novo, mas
existe em todas as épocas em que as ferramentas para
processamento de dados estão sempre a ser ampliadas pelo
aumento do tamanho. Existem algumas histórias maravilhosas
sobre como grandes conjuntos de dados impulsionaram o
desenvolvimento de novos hardware, software e métodos
matemáticos ao longo da história da computação, mas o foco
atual parece anunciar um tipo bastante diferente de resposta à
maneira como poderíamos usar tais dados.
dados para uma melhor compreensão do mundo que nos rodeia.
É sempre arriscado argumentar que “desta vez é diferente”,
mas a nossa obsessão actual com grandes volumes de dados é
motivada não apenas por questões de dimensão, mas pelas
formas reais como cada vez mais dados estão a ser recolhidos.
Muito, se não a maior parte, do que hoje chamamos de big
data é produzido automaticamente, rotineiramente e por diversas
formas de sensores. Este tem sido o caso desde que as primeiras
tecnologias industriais foram desenvolvidas utilizando a
monitorização contínua de tarefas e atividades rotineiras em
formato analógico e, em seguida, as tecnologias elétricas deram
um impulso dramático a essa detecção através de
Autor correspondente: Michael
Batty, Centro de Análise Espacial Avançada, University College London,
Gower Street, Londres, WC1E 6BT, Reino Unido.
E-mail: m.batty@ucl.ac.uk
Machine Translated by Google
Maluco
diversas máquinas, incluindo telefones e computadores. Mas foi a
miniaturização digital que realmente mudou o jogo, na medida em
que, pela primeira vez, vemos agora computadores a serem
incorporados em todos os tipos concebíveis de objectos, incluindo
nós próprios, e é isto que está a gerar quantidades de dados sem
precedentes. Na verdade, o que realmente estimulou o surgimento
do big data foi a recolha de dados relativos a atividades nas quais
os seres humanos estão intimamente envolvidos. Com 7 mil
milhões de pessoas no planeta, que acedem a cerca de 1,2 mil
milhões de computadores pessoais, há agora (meados de 2013)
mais do que este número de smartphones, cerca de 1,5 mil milhões,
crescendo cerca de 30% anualmente. A escala de dados gerados
por esses dispositivos é assustadora.
Na verdade, as tecnologias de sensores tornaram-se onipresentes
com qualidades quase plug and play, permitindo assim que qualquer
pessoa monitore e colete dados de objetos com movimento que
podem ser detectados por esses dispositivos. No nosso domínio da
cidade, por exemplo, os dados de viagens automatizados e rápidos
registam agora a procura e a oferta, o desempenho dos vários
dispositivos, os custos envolvidos, a utilização de combustível,
energia e assim por diante. Os dados que temos sobre o transporte
público em Londres, onde cerca de 8 milhões de viagens por dia
são feitas em metrô, trens pesados e ônibus, são retirados do
cartão inteligente que 85% de todos os passageiros usam. Isto
rende cerca de 45 milhões de viagens por semana, 180 milhões
por mês, cerca de um bilhão a cada semestre e assim por diante.
O conjunto de dados será infinito até que a tecnologia seja alterada
e mesmo quando isso ocorrer, os dados gerados continuarão, pelo
menos em princípio, a ser um fluxo contínuo.
Este é o tipo de dados que preocupam aqui.
No jargão contemporâneo da computação, os grandes volumes
de dados estão ligados à noção geral de que a computação, desde
a sua criação, há 60 anos, seguiu um caminho de descentralização
em termos de hardware e software, e agora dos seus dados. À
medida que os computadores se tornaram cada vez menores, eles
se tornaram espacialmente onipresentes, localizados em qualquer
lugar e em todos os lugares, mas em paralelo. Isto tem sido
acompanhado por formas descentralizadas de comunicação onde
o hardware é capaz de interagir ao nível mais básico. Os
computadores e as comunicações convergiram durante este
processo de expansão global, e isto levou à decomposição das
muitas tarefas diferentes que definem a computação. Há vinte ou
mais anos, a arquitetura cliente-servidor passou a definir como
275
interagiram com computadores e dados e software foram transferidos
para o exterior, no sentido de que os computadores começaram a
ser usados para acessar recursos em locais remotos.
Isto tornou-se generalizado com a difusão da World Wide Web e,
na última década, a noção de computação através da Web – onde
os recursos podem ser acedidos interactivamente – passou a definir
as principais formas de trabalhar com computadores. Nessa mistura
surgiu a ideia de que um computador é simplesmente um dispositivo
cujo poder de processamento permite ao usuário simplesmente
interagir com dados, software e outros usuários onde a maior parte
da computação, agora definida como armazenamento de dados e
seu processamento, está localizada em algum lugar. onde está na
'nuvem'.
Nesta mistura entrou o big data, distorcendo a lógica um passo
adiante, na medida em que pela primeira vez os computadores
estão sendo usados em massa para detectar mudanças e coletar
dados, ao mesmo tempo em que são localizados remotamente e
transmitem seus dados para outros locais, todos os quais são
remoto dos usuários finais cuja tarefa é trabalhar com os dados.
Esta é, na verdade, uma perspectiva muito nova, na medida em
que representa ao mesmo tempo um novo passo na miniaturização
e na fragmentação da computação. Para dar uma ideia de quão
recente tem sido esta mudança para o big data, podemos usar o
big data para explorar “a ascensão do big data” através do Google
Trends, que nos permite explorar o motor de busca do Google
para gerar a popularidade de diferentes tendências (Choi e Varian,
2009). Os termos chave – computação em nuvem, Web 2.0 e big
data – revelam que, nos últimos nove anos, foram os big data que
tiveram, de longe, o interesse de crescimento mais rápido. Estas
tendências são mostradas na Figura 1(a), onde fica bastante claro
como a Web 2.0, a computação em nuvem e os big data geraram
sucessivas ondas de interesse, sendo big data a palavra da moda
atual. É tentador especular que esta onda, como as outras
mostradas na figura, irá passar e algo mais relacionado com a
digitalização do mundo tomará o seu lugar.
Ao mesmo tempo, na Figura 1(b), mostro o interesse popular em
big data na forma dos banners da empresa EMC2 que você
encontra e que estão atualmente em exibição na estação ferroviária
do terminal 5 do aeroporto de Heathrow, em Londres. Isto deveria
ser suficiente para convencer que o big data entrou no imaginário
popular.
Esta é uma demonstração particularmente interessante da
ascensão do big data, em grande parte porque estamos usando big data.
Machine Translated by Google

276 Diálogos em Geografia Humana 3(3)

Figura 1. (a) A ascensão da Web 2.0, da computação em nuvem e do big data de 2004 a 2013; (b) big data transforma negócios:
os anúncios da empresa EMC2 na estação ferroviária do terminal 5 do aeroporto de Heathrow.

dados para realmente rastrear o mesmo. O Google Trends
permite utilizar todos os recursos do motor de busca Google
para avaliar a popularidade pós-2004 (ou não) de tais palavras-
chave, clichês, frases de efeito e assim por diante (Preis et al.,
2012). O motor de busca processa agora dados suficientes para
poder produzir tendências bastante específicas no uso de
palavras numa escala (em termos de consultas) e numa
frequência (de acesso) que é simplesmente sem precedentes. O
mecanismo de busca Google processa cerca de 30 bilhões de
pesquisas por semana; portanto, a pesquisa pelo termo big data
ilustrada acima foi realizada em um conjunto verdadeiramente
de “big data”, onde os volumes de pesquisa estão disponíveis
por semana.
A cidade inteligente e a teoria urbana
A perspectiva aqui é manifestamente espacial e urbana, na
medida em que os conjuntos de dados dizem respeito a grandes
cidades. Meu interesse neles é principalmente desenvolver uma
nova compreensão de como as cidades funcionam, embora em
horizontes temporais muito mais curtos do que tradicionalmente
tem sido o foco da geografia urbana. Isto, no entanto, gera
imediatamente uma preocupação sobre como estes dados
podem ser usados para derivar teorias bastante novas sobre
como as cidades funcionam, na medida em que o foco está em
questões de prazo muito mais curto do que até agora, e muito
mais no movimento e na mobilidade do que na localização de
uso da terra e o funcionamento a longo prazo do sistema urbano. é frequentemente apontado que as cidades só se tornam
Isto é planeamento urbano sob uma nova roupagem – isto é, pensar inteligentes
nas cidades
sendo planejável, em certo sentido, ao longo de minutos, horas
e dias, em vez de anos, décadas ou gerações.
A ascensão do big data não está apenas associada às
tecnologias de detecção, pois existem muitos conjuntos de big
data gerados por respostas humanas; no entanto, uma parcela
cada vez maior de big data é produzida automática e
rotineiramente a partir de sensores. Com o tempo, é provável
que os grandes volumes de dados se tornem inteiramente
associados aos dados detectados rotineiramente, especialmente
porque os conjuntos de dados tradicionais tendem a ser cada
vez mais complementados pela detecção rotineira, bem como
pelo crowdsourcing (onde os indivíduos introduzem os seus
próprios dados). Há, no entanto, uma coincidência entre o que
hoje se chama cidades inteligentes e big data, com a inteligência
nas cidades relacionada principalmente com as maneiras pelas
quais os sensores podem gerar novos fluxos de dados em tempo
real com posicionamento geográfico preciso, e como os dados
podem ser gerados. as bases geradas posteriormente podem
ser integradas para agregar valor. Esta última possibilidade é
uma esperança um tanto piedosa, pois, a menos que existam
chaves comuns, o que invariavelmente não existem, os conjuntos
de dados são geralmente impossíveis de vincular. No entanto,
estes tipos de dados que até agora tratam do movimento e dos
transportes, de alguns fluxos de energia e de serviços públicos,
e que com o tempo podem muito bem estender-se a dados
espaciais do mercado financeiro – mercados imobiliários e dados
de pontos de venda relativos a outros tipos de consumo – são o
material de cidades inteligentes (Batty et al., 2012). É claro que
quando
é umaas
como
, e esta pessoas
condição são
sine inteligentes2
qua non do nosso argumento aqui.
Machine Translated by Google
Maluco
Cidades inteligentes também podem ser sinônimos de cidades
inteligentes, cidades da informação, cidades virtuais,
entre muitas outras nomenclaturas, mas aqui a nossa
o uso pertence estritamente aos dados e à teoria
que traz muito mais imediatismo ao nosso ambiente urbano
entendimento. Na história dos estudos urbanos e
planejamento, a maioria das teorias e aplicações têm
focado no longo prazo – no que acontece nas cidades medido ao
longo de meses e anos, certamente não
ao longo de minutos e horas. Na verdade, o transporte sempre
preocupado com os picos de fluxo diário, mas estes são
presume-se que pertença a um período muito mais longo e, portanto,
a maior parte da nossa teoria e planejamento tem sido focada
sobre o que acontece com as cidades ao longo dos horizontes de planejamento
que se referem a anos – o curto prazo é de 5 anos e
a longo prazo, 20 ou 50 anos. Claro, muitos
grupos estão preocupados com a forma como as cidades funcionam mais
rotineiramente ao longo do dia, mas isso não foi considerado parte
do planejamento urbano, exceto em termos de urbanismo.
pesquisa operacional para emergências e serviços relacionados.
Grande parte da gestão rotineira das cidades tem
foi realizado de maneira ad hoc, não necessariamente
sem quaisquer dados ou ciência, mas certamente sem a
tipo de teoria e modelagem abrangentes que
caracteriza o longo prazo.
As cidades inteligentes desmentem uma mudança nesta ênfase para uma
compreensão mais profunda de como os sistemas urbanos
funcionam no curto prazo. A noção de ruptura é toda
tão importantes quanto o big data e as diversas ferramentas que são
sendo construído como parte da teoria da complexidade, particularmente
aqueles que pertencem às redes, estão sendo rapidamente
moldados para lidar com como se pode responder e planejar
crises de muito curto prazo. Estes podem variar desde aqueles
que afligem o sistema de transportes a questões relativas
ao mercado imobiliário e à prestação de serviços sociais
e outros serviços, todos eles administrados
no passado de maneiras bastante ad hoc. Mas para realmente conseguir
para controlar essas questões, é necessária uma nova teoria. Como Ocidente
(2013) argumenta de forma tão vívida que “big data requer grande
teoria”: dados sem teoria não têm sentido, apesar do
argumento apresentado por comentaristas como
como Anderson (2008) que argumenta que agora podemos obter
teoria na era do big data. Tudo que alguém precisa
procuram em big data, assim diz o argumento, são mais
e mais correlações. Na verdade, à medida que os dados aumentam, o
O número de correlações espúrias aumenta exponencialmente,
como indicou Taleb (2013). Em termos de
277
cidades e seu funcionamento, a busca por tais correlações seria
uma espécie de diversão, por
o que precisamos procurar em big data só poderá
ser descoberto através das lentes da teoria.
A outra questão é que big data – dados transmitidos
tempo real na resolução de segundos – torna-se dados
isso se aplica a todos os tipos de horizonte de tempo, se for coletado
por tempo suficiente. Poderemos ver o
tipo de mudanças no big data que antes eram apenas
amostrados ou coletados a cada 10 anos em completa
censos populacionais. Portanto, não estamos no limiar de um
momento em que a nossa capacidade de atenção é necessariamente
tornando-se mais curto, mas num limiar em que a nossa capacidade
de atenção está a ser enriquecida ao longo de muitos horizontes de
tempo. Assim, a nova teoria deve abordar essas diversas
horizontes. O desafio, claro, é que o big data
empurrará o mundo ainda mais para o curto prazo
e já há evidências disso em recentes
reações às crises globais. Isto deve ser resistido.
Planejando a cidade inteligente
O big data certamente está enriquecendo nossas experiências de
como as cidades funcionam e está oferecendo muitas novidades
oportunidades de interação social e muito mais
tomada de decisão informada em relação aos nossos
conhecimento sobre a melhor forma de interagir nas cidades. Se
esses desenvolvimentos espontâneos serão para nossa vantagem
coletiva ou ainda não foram vistos
há, sem dúvida, um lado obscuro nestes desenvolvimentos, muito
obviamente em questões de privacidade e
confidencialidade. Vale a pena ilustrar alguns dos
potenciais destes desenvolvimentos, bem como alguns
dos problemas e para encerrar o argumento, um exemplo do maior
conjunto de dados que o nosso grupo (Centro
para Análise Espacial Avançada na University Col lege London,
Reino Unido) estão trabalhando vale a pena ser apresentado.
Temos cerca de 1 bilhão de registros de todos
aqueles que entraram e saíram do público
sistemas de transporte implantando o cartão inteligente 'Oyster'
para pagar viagens, que incluem ônibus, metrô
trens e trens pesados de superfície na Grande Londres.
O período de tempo para os dados é superior a 6 meses durante
2011–12. Cerca de 85% dos viajantes utilizam o cartão e
imediatamente temos um problema de abrangência, pois aqueles
que não o utilizam provavelmente
ser grupos especializados – turistas, aqueles que estão
Machine Translated by Google
278
usuários ocasionais, aqueles que não podem pagar pelo
cartão real e assim por diante. O conjunto de dados é
notável porque sabemos onde as pessoas entram e saem
do sistema, além de cerca de 10% dos usuários que não
desistem devido a barreiras abertas. O conjunto de dados
é, portanto, ainda mais reduzido em sua abrangência. Como
os tap-ins e os tap-outs não podem ser associados às
origens e destinos das viagens, não podemos usar
facilmente esses dados em nossos modelos de tráfego
padrão sem um trabalho de detetive muito inteligente para
associar esses dados de viagens a locais de casa, trabalho
e outros terrenos. usar atividades. Isto é possível através
de uma boa estimativa, mas exige que aumentemos e
sintetizemos os dados com outros conjuntos de dados
independentes e, portanto, há sempre erros.
Esses dados são potencialmente extremamente úteis
para descobrir interrupções no sistema. Precisamos, no
entanto, de gerar algumas análises cognitivas inteligentes
sobre como as pessoas percorrem os vários sistemas de
transporte, tal como precisamos de atribuir viajantes a
diferentes linhas para garantir que podemos medir o número
correto de viajantes em cada linha. . Como o tubo, por
exemplo, é extremamente complicado em termos
geométricos, precisamos descobrir como as pessoas o
navegam. O estado da arte do que sabemos sobre
navegação em ambientes complexos ainda é bastante
primitivo. Muitas suposições têm de ser feitas e não temos
dados sobre o que os diferentes utilizadores do sistema
realmente aprenderam sobre as suas rotas.
Novos usuários do sistema se comportarão de maneira
diferente dos usuários experientes e isso introduzirá mais
erros. Podemos ver perturbações nos dados ao determinar
os momentos em que os viajantes entram e saem do
sistema, mas para realmente prever perturbações em linhas
individuais e em estações, precisamos de combinar estes
dados de procura com a oferta de veículos e comboios que
compõem o sistema. o sistema.
Felizmente, a Transport for London (TfL) possui dados
muito detalhados sobre ônibus e trens que nos fornecem
um geoposicionamento preciso, horários e atrasos em
relação aos horários. Em princípio, estes podem ser
comparados com os viajantes que utilizam o cartão Oyster.
Estes conjuntos de dados de procura e oferta, no entanto,
são totalmente incompatíveis porque não há forma de saber
que passageiro no sistema embarca em que comboio ou
autocarro, pelo que não podem ser atribuídos atrasos
cumulativos a passageiros individuais. Novamente, é
Diálogos em Geografia Humana 3(3)
É possível fazer suposições sobre os passageiros e seu
posicionamento temporal no sistema, mas, que eu saiba,
ninguém tentou esse tipo de síntese. Atualmente, o que
podemos fazer com os dados do Oyster é atribuí-los às
linhas e, em seguida, fechar estações e linhas e descobrir
para onde os passageiros podem desviar. Existem muitas
questões neste tipo de análise, mas, em princípio, podem
ser feitas previsões para dar alguma sensação de
perturbação. Até agora, a maioria das medidas de
interrupção são feitas no sistema de rede sem carregar os
volumes de passageiros e, até agora, análises simples da
rede são tudo o que está disponível para descobrir atrasos.
Em suma, combinar os dados da procura com a rede é
possível e está a ser tentado, mas combiná-los com os
dados da oferta é quase impossível. O comportamento de
desvio dos viajantes também é complicado, pois as
pessoas podem caminhar entre estações e pontos de
ônibus, e há uma análise considerável necessária para
indicar como as pessoas podem mudar o modo de viagem
de uma rede para outra – seja para fazer uma viagem
simples ou interrompida. . Estes são desafios enormes que
exigirão novas teorias sobre como as pessoas se comportam
em tais situações numa escala espacial muito precisa. Os
big data fornecem o contexto para o estudo deste tipo de
comportamento de curto prazo, mas estamos no início de
tais explorações, e as muitas armadilhas que indicamos
aqui provavelmente nos preocuparão por algum tempo
(Reades, 2013). ).
Notas
1. Jon Reades, do Kings College London, é responsável pela
mineração e análise de dados dos conjuntos de dados do
cartão Oyster mencionados neste artigo (Reades, 2013).
2. O adjetivo smart é um uso peculiarmente norte-americano,
onde é usado muito mais amplamente em conversas do que
em inglês. Refere-se ao anterior movimento de crescimento
inteligente nas cidades dos Estados Unidos, onde tem sido
utilizado há cerca de 20 anos como sinónimo de expansão
planeada ou contida.
Referências
Anderson C (2008) O fim da teoria: o dilúvio de dados tornará o
método científico obsoleto? Wired Magazine, 16 de julho,
http://www.wired.com/science/discoveries/revista/16-07/
pb_theory (acessado em 30 de julho de 2013) .
Machine Translated by Google
Maluco
Batty M, Axhausen K, Fosca G, Pozdnoukhov A, Bazzani A,
Wachowicz M, et al. (2012) Cidades inteligentes do
futuro. Tópicos Especiais 214 do European Physical Journal:
481–518.
Choi H e Varian H (2009) Prevendo o presente com
Tendências do Google, http://www.google.com/googleblogs/
pdfs/google_predicting_the_present.pdf, (acessado em 31
Maio de 2013).
Preis T, Moat HS, Stanley HE e Bishop SR (2012)
Quantificando a vantagem de olhar para frente. Relatórios Científicos
2: 350.
279
Reades J (2013) Pequenos segredos do big data: parte 1. Placetique:
Pessoas, dados, lugar, http://www.reades.com/2013/05/
31/big-data-little-secret/ (acessado em 31 de maio de 2013).
Taleb NN (2013) Cuidado com os grandes erros do 'big data'.
Wired Blog, 2 de fevereiro, http://www.wired.com/opin ion/2013/02/big-
data-means-big-errors-people/
(acessado em 31 de maio de 2013).
West GF (2013) Big data precisa de uma grande teoria para acompanhá-lo.
Scientific American, 15 de maio, http://www.scientifica merican.com/
article.cfm?id¼big-data-needs-big-the ory (acessado em 31 de maio
de 2013).