مروری بر یادگیری عمیق (Deep Learning) برای شهرهای هوشمند آینده (بخش اول)

در یک شهر هوشمند چندین حسگر IoT در مکان‌های مختلف برای جمع آوری داده ها مستقر شده اند تا داده‌های مربوط به ترافیک ، زهکشی ، تحرک شهروندان و غیره را جمع‌آوری کنند تا ادراک بدست آمده از این داده ها برای مدیریت منابع ، دارایی ها و غیره استفاده شوند. یادگیری عمیق (Deep Learning) به طور گسترده‌ای بر روی داده‌های جمع‌آوری شده توسط محققان مورد استفاده قرار می‌گیرد و در مطلب این هفته به معرفی 4 کاربرد از کاربردهای آن در شهرهای هوشمند می‌پردازیم.

یادگیری عمیق (DL) یک روش یادگیری ماشین است می تواند به طور موثر برای به دست آوردن بینش از داده‌ها، درک الگوهای داده ها و طبقه‌بندی یا پیش‌بینی داده‌ها استفاده شود و دارای کاربردهای متعدد در شهر هوشمند می‌باشد.

1- یادگیری عمیق برای مدل سازی شهری برای شهرهای هوشمند

در تحقیقات متعدد از یادگیری ماشین برای شناسایی مناطق کم‌درآمد، نرخ ترافیک در مناطق مختلف برای شهرها استفاده شده است. همچنین در کاربرد دیگر برای مدسازی شهری، به پارکینگ هوشمند با کمک DL که مناسب‌ترین مکان برای پارک کردن را مشخص می‌کند اشاره شده است.

2- یادگیری عمیق برای زیرساخت‌های هوشمند در شهرهای هوشمند

زیرساخت‌ها به عنوان ستون فقرات شهرها نقش کلیدی در حل چالش‌های شهری دارند و می‌توان با به کارگیری DL بر روی داده‌های مانیتور شده نظیر نرخ ترافیک، مصرف انرژی و ... بهترین تصمیم را اتخاذ کرد. از کاربردهای صورت گرفته استفاده از ML برای مسیردهی شبکه‌ است تا از ازدحام ترافیک جلوگیری شود.

3- یادگیری عمیق برای جابجایی و حمل و نقل هوشمند

سیستم حمل و نقل از طریق پلتفرم ابری و بر اساس AI باعث متصل شدن وسایل حمل و نقلی، مردم، زیرساخت‌ها و شرکای لجستیک می‌شود. از کاربردهای آن ایجاد ایمنی در حمل و نقل در بروز تصادفات می‌باشد.

4- یادگیری عمیق برای مدیریت هوشمند شهری

مدیریت عمومی در تحلیل سیاست‌های حاکمیتی و ویژگی‌های شهری نقش بسزایی دارد و نیز موجب درک نیازهایی متغیر شهر هوشمند می‌شود.

جهت مطالعه بیشتر: https://onlinelibrary.wiley.com/doi/pdf/10.1002/itl2.187

منبع:

(Bhattacharya et al., 2020)Bhattacharya, S., Somayaji, S. R. K., Gadekallu, T. R., Alazab, M., & Maddikunta, P. K. R. (2020). A review on deep learning for future smart cities. Internet Technology Letters, May, 1–6. https://doi.org/10.1002/itl2.187

Russo, B. M., & Feng, T. (n.d.). THE RISKS AND REWARDS OF DATA SHARING FOR.