کاربرد داده کاوی و یادگیری ماشین ، در شهرهای هوشمند:

دسته بندی:اخبار,دانش نامه,مقاله زمان انتشار:۵ بهمن ۹۸ ۳۹۸ بازدید

کاربرد داده کاوی و یادگیری ماشین ، در شهرهای هوشمند:

کاربرد داده کاوی و یادگیری ماشین،ابزارهایی برای ارتقای شهرهای هوشمند:

نگاهی اجمالی و سیستماتیک به روند استفاده از این ابزارها در بازه زمانی سال های ۲۰۰۰ تا ۲۰۱۸:

شهرهای هوشمند منجر به توسعه اقتصادی شده و رفاه شهروندان را ارتقا داده و به مردم کمک می کنند تا بتوانند از فناوری ها برای ایجاد خدمات پایدار استفاده کنند.

هدف از این تحقیق بازبینی سینماتیک رهیافت های مبتنی بر داده کاوی و یادگیری ماشین است که برای توسعه شهرهای هوشمند مورد استفاده قرار گرفته است.

پیش بینی های خانه های هوشمند:

تحلیل های پیش بینانه رایج ترین تکنیک در این حوزه بوده است و مطالعات انجام شده در این حوزه اول از همه بر حوزه های تحرک پذیری هوشمند ( موبیلیتی هوشمند) و محیط زیست هوشمند متمرکز بوده است.

۷۰ درصد از منابع طبیعی در مناطق شهری مورد استفاده قرار می گیرند. محدودیت های موجود در قابلیت های دسترسی به این منابع یکی از چالش های اصلی در توسعه محیط های شهری است چرا که شهرها برای کاهش هزینه ها و کاهش بیکاری ، تمرکز بر تغییرات آب و هوایی و تامین آب آشامیدنی طراحی شده اند . لذا لازم است که از رهیافت های هوشمند برای کمک به شهروندان در پوشش دادن ابعاد مختلف مورد نظر آنها در زندگی شهری استفاده شود و شهرهای هوشمند یکی از این راه حل ها برای دستیابی به چنین اهدافی هستند.

شهرهای هوشمند به دنبال عرضه خدمات با کیفیت بالا به شهروندان بوده و هدف آنها ارتقای سطح کیفیت زندگی شهروندان ، ارائه خدمات اجتماعی بهتر ، تشویق برای توسعه و راه اندازی کسب و کارهای نوآورانه ، کنترل و بهینه سازی زیرساخت های شهری ، در نظر گرفتن محدودیت های زیست محیطی و غیره است.

شهرهای هوشمند را می توان از شش جنبه طبقه‌بندی کرد و مورد بررسی قرار داد: محیط زیست، اقتصاد، حاکمیت، زندگی، تحرک  پذیری و مردم. این‌ها نکات کلیدی هستند که برای ارائه راه‌حل‌های اصلی توسعه شهری مورد توجه قرار گیرند و مدیریت بهینه این موضوعات منجر به داشتن شهری هوشمندتر خواهد شد.

البته یکی از بزرگترین مشکلات پیش روی شهرهای هوشمند دانستن چگونگی مدیریت و ساماندهی مقادیر غیرقابل اندازه گیری و ارزیابی اطلاعاتی است که از سوی سازمان ها، سیستم ها و مردم به صورت روزانه ایجاد می شود. البته در راه اندازی شهرهای هوشمند به همه انواع داده نیاز است.

در چنین حالتی تکنیک های داده کاوی و یادگیری ماشین برای برنامه های کاربردی که در شهرهای هوشمند مورد استفاده قرار می گیرند بسیار مهم هستند چرا که استفاده از این تکنیک ها به حل هر چه بهتر مساِئل موجود در توسعه شهری از قبیل شناسایی مکان هایی که باید از طریق افسران پلیس مورد کنترل قرار گیرند کمک بسیاری می کنند.

نخستین سیستم مسیر یاب هوشمند:

یوآن و همکارانش مطالعاتی را به عنوان نخستین مطالعات در این حوزه انجام دادند و یک سیستم مسیریاب رانندگی هوشمند را طراحی و اجرا کردند که امکان یافتن سریع ترین و هوشمندترین مسیر را برای راننده فراهم می کرد. در این سیستم هر دو فاکتور توانایی رانندگان تاکسی و مسایل تردد و ترافیکی برای انتخاب بهترین مسیر مورد نظر مورد توجه واقع شده بود. بدین ترتیب در این سیستم از تکنیک دسته بندی تحلیل های مورد استفاده برای تخمین زدن زمان تردد میان دو نقطه از شهر در دو بازه زمانی متفاوت استفاده شده بود. مقاله مربوط

 در مطالعه دیگری که توسط رودین و همکارانش انجام شده مدل های مبتنی بر پیش بینی برای شکست های سیستمی و جزئی ثبت شده در تاریخچه شبکه های الکتریکی مورد بررسی قرار گرفته اند. این مدل ها به استفاده از دانش، کشف و یادگیری ماشین مبتنی هستند که در بردارنده فاکتورهایی همچون شکل گیری شاخصه ها، تجمیع زمانی و برچسب ها  هستند که همراستا با متدهای رنکینگ و رتبه بندی مورد استفاده قرار می گیرند. الگوریتم های دسته بندی(classification) ( که از دستگاه برداری برای رتبه بندی ،Rank SVM، Rankboost ها و الگوریتم P-Norm Push پشتیبانی می کند) برای رتبه بندی اجزای اصلی بر اساس احتمال شکست هر یک از عملیات ها مورد استفاده قرار گرفته اند.

 

ژورادو و همکارانش از تکنیک های محاسباتی نرم و جنگل تصادفی(random forest) برای انجام پیش بینی های مربوط به مصرف برق در کوتاه مدت استفاده کرده اند. هدف اصلی نشان دادن عملکرد مدل هایی بوده است که ایجاد شده اند و از شبکه های هوشمند توزیع برق با ارائه پیش بینی های دقیق و سریع از مصرف برق در انواع ساختمان های مختلف پشتیبانی می کرده اند. مقاله مربوط

فرزه چاکون و همکارانش مدلی بر مبنای خوشه بندی را ایجاد کردند که می توانست الگوهای سری های زمانی در پایگاه های داده مربوط به مصرف انرژی را شناسایی کند. نتیجه این مطالعه در دانشگاهی در کشور اسپانیا مورد استفاده قرار گرفته است. مقاله مربوط

در مطالعه دیگری که توسط پنا و همکارانش انجام شده در صدد بهینه سازی کارآیی انرژی (EE) در ساختمان های هوشمند با کاهش مصرف انرژی و با صحیح بودن از نظر زیست محیطی از طریق فرآیند داده کاوی بود. سیستم مبتنی بر قانون ، ناهنجاری های موجود در مصرف انرژی ساختمان را تشخیص داد. مقاله مربوط

تحقیقات انجام شده توسط لیو و همکارانش نیز با هدف اصلی توسعه ی مدل دگیری ماشین برای ارزیابی کیفیت محیط زیست شهری از طریق تصاویر دریافت شده از خیابان ها انجام شده بود. این تصاویر سپس با استفاده از تکنیک های تبدیل ویژگی مقیاس ثابت مورد تحلیل قرار می گرفتند.

محمد و همکارانش نیز ساختاری سراسری و همه جایی را ایجاد کردند که UbeHealth نامیده می شد و با استفاده از پردازش ابری به ارتقای بهداشت و سلامت افراد کمک می کرد. در این ساختار یادگیری عمیق برای پیش بینی ترافیک شبکه مورد استفاده قرار گرفته بود.

مطالعه ای که توسط وانگ و همکاران انجام شده است. از طریق یک مطالعه منظم ، عوامل اصلی کارآیی انرژی شهری را شناسایی می کند. داده ها از طریق گزارش Global Power City Index (GPCI) ، از جمله منابع دیگر ، از بیست و چهار شهر واقع در سه قاره: آسیا ، اروپا و آمریکا جمع آوری شده است. برای تجزیه و تحلیل داده ها ، آنها از تکنیک های خوشه بندی ، درخت تصمیم گیری و بسته بندی داده استفاده کردند. هدف از استفاده از این تکنیک ها محاسبه و مقایسه کارآیی انرژی شهرهای خاص بود.

در مطالعه انجام شده توسط گومدی و همکارانش از مدل جنگل تصاوفی داده کاوی برای ارزیابی اطلاعات موجود درباره پیشرفت ذهنی دانش آموزان برای ارتقای عملکرد آنها استفاده شده بود. 

کرمر و همکارانش نیز با استفاده از الگوریتم های یادگیری ماشین تحلیل های مورد نیاز خود برای پیش بینی تغییرات و نوسانات آب و هوایی را انجام دادند.

در مطالعه ای که توسط یو و یانگ انجام شد درک فرآیند توسعه شهری و عوامل تغیین کننده آن هدف اصلی بود. به همین منظور آنها از تکنیک های داده کاوی و به طور دقیق تر از تکنیک جنگل تصادفی برای بررسی این متغیرهای در سی کلان شهر چین استفاده کردند.

مطالعه انجام شده توسط نگی و سیمون جزئیات استفاده از متدهای مبتنی بر پیش بینی برای تسهیل تردد مورد توجه قرار گرفته است. متدهای اصلی مورد استفاده عبارت بودند از مدل های سری های زمانی، فیلتر های کالمن، شبکه های بایسین و Survey on traffic .

بلهاجم و همکارانش در مطالعه خود از شبکه های خنثی، فیتر کالمن توسعه داده شده و SVM برای ارتقای تحرک پذیری و موقعیت یابی وسایل تقلیه به منظور هماهنگی بیشتر و مناسب تر در تردد استفاده می شود.

علاوه بر این فرنانده آرس و همکارنش از تکنیک های داده کاوی مختلفی از قبیل تحلیل شاخه ای از طریق نقشه خود سازمان یافته موسوم به SOM برای توسعه سیستم کنترل تردد در شهر هوشمند استفاده کردند تا بتواند جریان ترافیک را از لحاظ بازه زمانی و امنیت ( ترافیک هوشمند) بهبود بخشیده و امنیت را ارتقا داده و مسایل مربوط به مصرف انرژی در ساختمان ها را بهتر ساماندهی کنند. 

بلهاجم و همکارانش از فیلتر توسعه داده شده کالمن و SVM برای ارائه اطلاعات دقیق تر از موقیعیت یابی وسایل نقلیه در شهرهای هوشمند استفاده کردند. 

مطالعه مورد استفاده قرار گرفته توسط گوپالاکریشان  در بردارنده نگاهی اجمالی است به یادگیری عمیق در حوزه تحلیل تصاویر گرفته شده از پیاده رو ها و شناسایی و تشخیص خودکار پریشانی و به هم ریختگی در این معابر .

در مطالعه انجام شده توسط خان و همکارانش هدف اصلی شماسایی بهترین نمونه های شهر هوشمند و توریسم هوشمند در دوبی بوده است. علاوه بر این تکنیک های متن کاوی برای ارزیابی تصاویر دریافت شده از دوبی با توجه به موقعیت لحاظ شده برای شهرهای هوشمند مورد استفاده قرار گرفته اند. 

بلینی و همکارانش روشی را ایجاد کردند که با استفاده از آن می توان رفتار افراد را در شهر با استفاده از نقاط دسترسی وای فای شهری مورد ارزیابی قرار داد. تحلیل های شاخه ای برای جدا کردن داده و تفکیک مکان هایی که بسیار مورد تردد قرار می گیرند و دادهی مربوط به رفتار کاربران شهری معمولی از میان سایر دادهها ، مورد استفاده قرار گرفته اند.

در مطالعه ای که توسط تیواری و آداموسکی انجام شده است از متد دوگانه ای استفاده شده است که شبکه خنثی wavelet-bootstrap-artificial ( WBANN) نام گرفته و برای پیش بینی مصرف آب شهری مورد استفاده قرار می گیرد.

ملزی و همکارانش رهیافت طبقه بندی غیرنظارت شده ای را ارائه کردند که برای جدا کردن الگوهای مصرف برق معمولی از کنتورهای هوشمند استفاده می شوند و هدف از ارائه این طرح بهینه کردن  مصرف برق در شهرها بوده است. 

در مطالعه دیگری که توسط کووچک و همکارانش انجام شد راه حلی برای مشکل تراکم ترافیک  مخصوصا در رویدادهای برنامه ریزی شده از قبیل ( بازی های فوتبال ، کنسرت ها و غیره) ارائه شده است. رگراسیون k  نزدیکترین همسایه برای انجام این پیش بینی ها مورد استفاده قرار گرفته است. 

در کار تحقیقاتی دیگری که توسط ژنگ و همکارانش انجام شده است از متد کنترل مصنوعی ( رهیافت یادگیری ماشین) برای ارزیابی سیاست های زیست محیطی در دوازده شهر استان هوبی چین که نیازمند کنترل آلودگی های زیست محیطی بودند ، استفاده شده است.

لیو و همکارانش مهمترین متغیرها را در استفاده از آب شهری شناسایی کردند. برای این امر نویسندگان این بررسی از دادهی موجود پیرامون مصرف آب شهری و یک مدل DM موسوم به برنامه ریزی ژنتیک استفاده کردند تا با استفاده از آن مرتبط ترین فاکتورها را در ۴۷ شهر شمال چین شناسایی کنند. 

کازمیده و همکارانش یک زیرساخت پایدار، قابل اطمینان ارتباطات بی سیم دارای کیفیت بالا را ارائه دادند که با استفاده از شبکه های نرم افزاری بی سیم شبکه های اجتماعی و شبکه های بی سیم ناهمگون را با هم تلفیق می کند. سه رهیافت مبتنی بر یادگیری ماشین که پرسپترون های چندلایه موسوم به MLP، SVM  و PNN ( شبکه های خنثی احتمالی ) نام دارند برای انجام پیش بینی هایی پیرامون سطح مردم در مناطق خاص و به دنبال آن جلوگیری از ایجاد تراکم مورد استفاده قرار گرفتند. 

در مطالعه ای که توسط لیو و همکارانش انجام شد سیستمی با نام جستجو و شناسایی اختلال های آلودگی مورد استفاده قرار گرفت که این امر یکی از مسایل کلیدی مربوط به کنترل رویدادها و مدیریت آلودگی در شهر است. برای انجام این مطالعه نویسندگان از شبکه های تلفن همراه و خوشه بندی مبتنی بر همبستگی استفاده کردند که دادهی ارتباطی فضایی و دائمی عظیمی را درباره مردم ارائه می دهند و نویسندگان از این امکانات برای خوشه بندی اطلاعات مکانی ناقص به دست آمده از دادهی تلفن همراه استفاده کرده اند.

در نهایت در مطالعه ای که توسط ژوانگ و همکارانش انجام شده است هدف اصلی ارائه متدی بوده است که دوربین های ترافیکی قرار گرفته در شهر را ارتقا می دهد این امر به کنترل ترافیک به صورت بهنگام کمک می کند. نویسندگان این مطالعه دو روش را مورد استفاده قرار داده اند یکی از آنها یادگیری آماری مبتنی بر گوسین بوده که برای مدل سازی ترافیک مورد استفاده قرار گرفته است. 

تلفیق و یکپارچه سازی شش نکته کلیدی ( اعم از محیط زیست، اقتصاد، حاکمیت، میکن، حمل و نقل و مردم)  برای داشتن یک شهر هوشمند ضروری هستند. سایر مشاهدات ما مبنی بر این است که درک گرایشات اصلی مربوط به شهرهای هوشمند در برنامه توسعه پایدار ۲۰۳۰ امری بسیار مهم است. در برنامه توسعه پایدار کلیه دستورالعمل های مربوط به تغییر شهرهای فعلی به یک شهر هوشمند ارائه شده است ، در این برنامه ارتقای بهداشت و رفاه شهروندان همواره مورد توجه بوده است و تحقق این امر از طریق فعالیت هایی که توسط مردم هدایت می شوند  و بر روی زمین ، رفاه و صلح و مشارکت تاثیر گذار هستند امکانپذیر می شود.

تکنیکی که بیشتر از همه مورد استفاده قرار گرفته تکنیک تحلیل های پیش بینانه بوده است.

 

 

هنوز هیچ نظری ثبت نشده است. اولین نفر باشید...

اطلاعات خود را وارد کنید