자료검색

책소개

어반 컴퓨팅은 현재 대도시가 직면한 주요 문제(대기 오염, 에너지 소비, 교통 혼잡)들을 해결하기 위해 도시에서 생성되는 다양한 종류의 데이터를 수집, 통합, 분석하는 프로세스다. 『어반 컴퓨팅』에서는 어반 컴퓨팅 프레임워크를 활용해서 도시와 삶의 특성을 이해하고, 더 나아가 미래의 삶을 예측해볼 것이다. 또한 궁극적으로 사람과 환경, 도시 운영 시스템 간의 상생, 즉 3 윈(win-win-win)을 추구한다. 이 책에서 설명하는 어반 컴퓨팅 범용 프레임워크를 통해 어반 컴퓨팅의 개요와 총론에 가까워질 수 있을 것이다.

목차

PART 1 개념 및 프레임워크

1장. 개요
1.1 소개
1.2 어반 컴퓨팅의 정의
13 범용 프레임워크
1.3.1 개요 및 예시
1.3.2 각 계층의 기능
1.4 어반 컴퓨팅의 주요 과제
1.4.1 어반 센싱 문제
1.4.2 어반 데이터 관리 문제
1.4.3 어반 데이터 분석 문제
1.4.4 어반 서비스 문제
1.5 어반 데이터
1.5.1 어반 데이터 분류
1.5.2 지리 데이터
1.5.3 도로망의 교통 데이터
1.5.4 휴대전화 데이터
1.5.5 이동 데이터
1.5.6 환경 모니터링 데이터
1.5.7 소셜 네트워크 데이터
1.5.8 에너지
1.5.9 경제
1.5.10 헬스케어
1.6 공개 데이터셋

2장. 어반 컴퓨팅 애플리케이션
2.1 소개
2.2 도시 계획을 위한 어반 컴퓨팅
2.2.1 교통 네트워크의 근본적인 문제점
2.2.2 지역의 역할
2.2.3 도시 경계 탐지
2.2.4 시설과 자원 배치
2.3 교통 시스템을 위한 어반 컴퓨팅
2.3.1 운전 경험 개선
2.3.2 택시 서비스 개선
2.3.3 버스 서비스 개선
2.3.4 지하철 서비스
2.3.5 자전거 공유 시스템
2.4 환경을 위한 어반 컴퓨팅
2.4.1 대기질
2.4.2 소음 공해
2.4.3 도시 용수
2.5 도시 에너지 소비를 위한 어반 컴퓨팅
2.5.1 유류 소비량
2.5.2 전기 소비량
2.6 소셜 애플리케이션을 위한 어반 컴퓨팅
2.6.1 위치 기반 소셜 네트워크 개념
2.6.2 위치 기반 소셜 네트워크 사용자 연구
2.6.3 지역 추천
2.7 경제 분야 어반 컴퓨팅
2.7.1 비즈니스를 위한 위치 선택
2.7.2 도시 물류 최적화
2.8 치안 및 보안을 위한 어반 컴퓨팅
2.8.1 도시 이상 탐지
2.8.2 군중 흐름 예측
2.9 요약

PART 2 어반 센싱 및 데이터 취득

3장. 어반 센싱
3.1 소개
3.1.1 어반 센싱의 4가지 패러다임
3.1.2 어반 센싱의 범용 프레임워크
3.2 센서 및 시설 배치
3.2.1 최적의 미팅 포인트 찾기
3.2.2 커버리지 최대화
3.2.3 후보군 순위 학습
3.2.4 불확실성 최소화
3.3 사람 중심 어반 센싱
3.3.1 데이터 평가
3.3.2 참여자 모집 및 작업 설계
3.4 누락값 보충
3.4.1 문제 및 과제
3.4.2 공간 모델
3.4.3 시간 모델
3.4.4 시공간 모델
3.5 요약

PART 3 어반 데이터 관리

4장. 시공간 데이터 관리
4.1 소개
4.1.1 데이터 구조
4.1.2 쿼리
4.1.3 인덱스
4.1.4 검색 알고리즘
4.2 데이터 구조
4.2.1 포인트 기반 공간 정적 데이터
4.2.2 포인트 기반 공간 시계열 데이터
4.2.3 포인트 기반 시공간 데이터
4.2.4 네트워크 기반 공간 정적 데이터
4.2.5 네트워크 기반 공간 시계열 데이터
4.2.6 네트워크 기반 시공간 데이터
4.3 공간 데이터 관리
4.3.1 그리드 기반 공간 인덱스
4.3.2 쿼드트리 기반 공간 인덱스
4.3.3 K-D 트리 기반 공간 인덱스
4.3.4 R-트리 기반 공간 인덱스
4.4 시공간 데이터 관리
4.4.1 공간 정적 및 시간 동적 데이터 관리
4.4.2 동적 객체 데이터베이스
4.4.3 이동 경로 데이터 관리
4.5 여러 가지 데이터셋을 관리하기 위한 하이브리드 인덱스
4.5.1 쿼리 및 동기
4.5.2 공간 키워드
4.5.3 여러 데이터셋을 관리하기 위한 인덱스
4.6 요약

5장. 클라우드 컴퓨팅 소개
5.1 소개
5.2 스토리지
5.2.1 SQL 데이터베이스
5.2.2 애저 스토리지
5.2.3 레디스 캐시
5.3 컴퓨팅
5.3.1 가상머신
5.3.2 클라우드 서비스
5.3.3 HDInsight
5.4 애플리케이션
5.4.1 웹 앱
5.4.2 모바일 앱
5.4.3 API 앱
5.5 요약

6장. 클라우드에서 시공간 데이터 관리
6.1 소개
6.1.1 문제점
6.1.2 클라우드의 범용 데이터 관리 스키마
6.2 포인트 기반 데이터 관리
6.2.1 포인트 기반 시공간 정적 데이터 관리
6.2.2 포인트 기반 공간 정적 및 시간 동적 데이터 관리
6.2.3 포인트 기반 시공간 동적 데이터 관리
6.3 네트워크 기반 데이터 관리
6.3.1 시공간 정적 네트워크 관리
6.3.2 네트워크 기반 공간 정적 및 시간 동적 데이터 관리
6.3.3 네트워크 기반 시공간 동적 데이터 관리
6.4 어반 빅데이터 플랫폼
6.5 요약

PART 4 어반 데이터 분석

7장. 어반 데이터를 위한 기본적인 데이터 마이닝 기술
7.1 소개
7.1.1 데이터 마이닝의 범용 프레임워크
7.1.2 데이터 마이닝 및 관련 기술 간의 관계
7.2 데이터 전처리
7.2.1 데이터 정제
7.2.2 데이터 변환
7.2.3 데이터 통합
7.3 빈번한 패턴 마이닝 및 관련 규칙
7.3.1 기본 개념
7.3.2 빈번한 항목 집합 마이닝 기법
7.3.3 순차 패턴 마이닝
7.3.4 빈번한 하위 그래프 패턴 마이닝
7.4 클러스터링
7.4.1 개념
7.4.2 파티셔닝 클러스터링 기법
7.4.3 밀도 기반 클러스터링
7.4.4 계층적 클러스터링 기법
7.5 분류
7.5.1 개념
7.5.2 나이브 베이지안 분류
7.5.3 의사결정 트리
7.5.4 서포트 벡터 머신
7.5.5 불균형한 데이터 분류
7.6 회귀
7.6.1 선형 회귀
7.6.2 자동 회귀
7.6.3 회귀 트리
7.7 이상치 및 이상 탐지
7.7.1 근접 기반 이상치 탐지
7.7.2 통계 기반 이상치 탐지
7.8 요약

8장. 시공간 데이터를 위한 고급 머신러닝 기술
8.1 소개
8.2 시공간 데이터의 고유 특성
8.2.1 시공간 데이터의 공간 속성
8.2.2 시간 속성
8.3 협업 필터링
8.3.1 기본 모델: 사용자 기반 및 아이템 기반
8.3.2 시공간 데이터를 위한 협업 필터링
8.4 행렬 분해
8.4.1 기본적인 행렬 분해 방법
8.4.2 시공간 데이터에 대한 행렬 분해
8.5 텐서 분해
8.5.1 텐서의 기본 개념
8.5.2 텐서 분해 기법
8.5.3 시공간 데이터의 텐서 분해
8.6 확률적 그래픽 모델
8.6.1 일반 개념
8.6.2 베이지안 네트워크
8.6.3 마르코프 랜덤 필드
8.6.4 시공간 데이터의 베이지안 네트워크
8.6.5 시공간 데이터를 위한 마르코프 네트워크
8.7 딥러닝
8.7.1 인공 신경망
8.7.2 합성곱 신경망
8.7.3 순환 신경망
8.7.4 시공간 데이터를 위한 딥러닝
8.8 강화학습
8.8.1 강화학습 개념
8.8.2 테이블 형식의 행동-값 기법
8.9 요약

9장. 크로스 도메인 지식 융합
9.1 소개
9.1.1 기존 데이터 통합과의 관계
9.1.2 이기종 정보 네트워크와의 관계
9.2 스테이지-기반 지식 융합
9.3 특징 기반 지식 융합
9.3.1 정규화를 통한 특징 연결
9.3.2 딥러닝 기반 지식 융합
9.4 시맨틱 의미 기반 지식 융합
9.4.1 멀티-뷰 기반 지식 융합
9.4.2 유사성 기반 지식 융합
9.4.3 확률적 의존성-기반 지식 융합
9.4.4 학습 기반 지식 융합 전이
9.5 다양한 융합 기법 비교
9.5.1 데이터 집합의 볼륨, 속성 및 통찰력
9.5.2 머신러닝 작업의 목표
9.5.3 머신러닝 알고리즘 학습
9.5.4 효율성 및 확장성
9.6 요약

10장. 어반 데이터 분석의 고급 주제
10.1 적절한 데이터 집합을 선택하는 방법
10.1.2 데이터와 관련된 인사이트
10.1.3 추론 검증
10.2 이동 경로 데이터 마이닝
10.2.1 경로 데이터
10.2.2 이동 경로 전처리
10.2.3 이동 경로 데이터 관리
10.2.4 이동 경로의 불확실성
10.2.5 경로 패턴 마이닝
10.2.6 이동 경로 분류
10.2.7 이동 경로의 이상 탐지
10.2.8 다른 표현으로 이동 경로 전환
10.3 데이터 관리와 머신러닝 결합
10.3.1 필요성
10.3.2 인덱싱 구조를 통한 머신러닝 개선
10.3.3 머신러닝의 후보 규모 축소
10.3.4 머신러닝에 사용되는 컴퓨팅 공간을 축소 시키기 위한 경계 확보
10.4 인터랙티브 시각 데이터 분석
10.4.1 여러 복잡한 요소 통합
10.4.2 사전 지식 없이 파라미터 조정
10.4.3 결과 상세 분석
10.5 요약