Концепция построения цифрового двойника города

Концепция построения цифрового двойника города

Автор: Иванов Сергей Александрович, Никольская Ксения Юрьевна, Радченко Глеб Игоревич, Соколинский Леонид Борисович, Цымблер Михаил Леонидович

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 4 т.9, 2020 года.

Бесплатный доступ

В данной статье представлена концепция построения цифрового двойника города. Городское хозяйство представляет собой сложную многовекторную систему, создание единого цифрового двойника которой в настоящее время является трудно решаемой задачей. Авторами предлагается эволюционный подход к решению этой задачи, в соответствии с которым на единой программно-аппаратной платформе последовательно строятся цифровые двойники отдельных элементов городской среды. Эти цифровые двойники связываются в единую кооперативную систему, позволяющую одним цифровым двойникам использовать данные, производимые другими цифровыми двойниками. В статье дается определение и архитектура такой системы. Описываются классы моделей, которые могут использоваться для создания цифровых двойников. Особое внимание уделяется нейросетевым моделям и моделям для анализа данных. Рассматривается информационная инфраструктура цифрового двойника города, включающая в себя сенсорные сети, механизмы очистки данных и туманные вычисления.

Еще

Цифровой двойник, умный город, городское управление, нейронные сети, интеллектуальный анализ данных, сенсоры, туманные вычисления

Короткий адрес: https://sciup.org/147234283

IDR: 147234283   |   DOI: 10.14529/cmse200401

Список литературы Концепция построения цифрового двойника города

  • Ли П. Архитектура интернета вещей. М.: ДМК Пресс, 2019. 454 с.
  • Минстрой России. Индекс IQ городов по итогам 2018 года. URL: https://min-stroyrf.gov.ru/docs/57570/ (дата обращения: 14.09.2020).
  • От концепции до прикладных решений. Города, управляемые данными. 2016. URL: https://www.pwc.ru/ru/government-and-public-sector/assets/ddc_rus.pdf (дата обращения: 14.09.2020).
  • Повх Е. Десять цифровых двойников городов. 2020. URL: https://re-alty.rbc.ru/news/5e297b079a79478024d54ff6 (дата обращения: 14.09.2020).
  • Умные города Росатома. URL: https://rosatom.city/ (дата обращения: 14.09.2020).
  • Aggarwal C.C., Han J. Frequent pattern mining. Springer, 2014. 480 p. DOI: 10.1007/9783-319-07821-2.
  • Agrawal R., Srikant R. Fast algorithms for mining association rules in large databases // Proceedings of 20th International Conference on Very Large Data Bases, VLDB '94 (Santiago de Chile, Chile, September, 12-15, 1994). 1994. P. 487-499.
  • Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural net-work // The International Conference on Engineering and Technology 2017 (Antalya, Turkey, August, 21-23, 2017). 2017. P. 1-6. DOI: 10.1109/ICEngTechnol.2017.8308186.
  • Al-Jarrah O.Y., Yoo P.D., Muhaidat S., et al. Efficient machine learning for Big Data: A review // Big Data Research. 2015. Vol. 2, no. 3. P. 87-93. DOI: 10.1016/j.bdr.2015.04.001.
  • Bagloee S.A., Sarvi M., Patriksson M., et al. Optimization for roads' construction: selection, prioritization, and scheduling // Computer-Aided Civil and Infrastructure Engineering. 2018. Vol. 33, no. 10. P. 833-848. DOI: 10.1111/mice.12370.
  • Batista G.E.A.P.A., Monard M.C. An analysis of four missing data treatment methods for supervised learning // Appl. Artif. Intell. 2003. Vol. 17, no. 5-6. P. 519-533. DOI: 10.1080/713827181.
  • Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey // ACM Comput. Surv. 2009. Article no. 15. DOI: 10.1145/1541880.1541882.
  • Data-driven smart cities: Big Data, analytics and security. 2018. URL: https://skelia.com/ articles/data-driven-smart-cities-big-data-analytics-and-security/ (дата обращения: 14.09.2020).
  • Dembski F., Wossner U., Letzgus M., et al. Urban digital twins for smart cities and citizens: the case study of Herrenberg, Germany // Sustainability. 2020. Vol. 12, art. 2307. DOI: 10.3390/su12062307.
  • Draper N.R., Smith H. Applied regression analysis. Wiley, 1981. 707 p.
  • Facebook AI Research. URL: https://ai.facebook.com/ (дата обращения: 20.05.2020)
  • Fang W., Wang L., Ren P. Tinier-YOLO: A real-time object detection method for constrained environments // IEEE Access. 2019. Vol. 8. P. 1935-1944. DOI: 10.1109/ACCESS.2019.2961959.
  • Fernández-Cerero D., Fernández-Montesa A., Ortega F.J., et al. Sphere: simulator of edge infrastructures for the optimization of performance and resources energy consumption // Simulation Modelling Practice and Theory. 2020. Vol. 101. P. 101966. DOI: 10.1016/j.sim-pat.2019.101966.
  • Frawley W.J., Piatetsky-Shapiro G., Matheus C.J. Knowledge Discovery in databases: an overview // Knowledge Discovery in Databases. 1991. P. 1-30.
  • Gardasevic G., Berbakov L., Mastilovic A. Cybersecurity of Industrial Internet of Things // Cyber Security of Industrial Control Systems in the Future Internet Environment. 2020. P. 47-68. DOI: 10.4018/978-1-7998-2910-2.ch003.
  • Glaessgen E., Stargel D. The digital twin paradigm for future NASA and U.S. air force vehicles // Proceedings of the 53rd AIAA/ASME/ASCE/AHS/ASC conference on structures, structural dynamics and materials conference (Honolulu, Hawaii, USA, April, 2326, 2012). 2012. P. 1818. DOI: 10.2514/6.2012-1818.
  • Han J., Pei J., Yin Y. Mining frequent patterns without candidate generation // ACM SIGMOD Record. 2000. Vol. 29, no. 2. P. 1-12.
  • Hyndman R.J., Koehler A.B. Another look at measures of forecast accuracy // International Journal of Forecasting. 2006. Vol. 22, no. 4. P. 679-688. DOI: 10.1016/j.ijfore-cast.2006.03.001.
  • Iorga M., Feldman L., Barton R., et al. Fog computing conceptual model. 2018. URL: https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.500-325.pdf (дата обращения: 14.09.2020).
  • Iqbal M.N., Kutt L. End-user electricity consumption modelling for power quality analysis in residential building // 19th Int. Scientific Conf. on Electric Power Engineering, EPE. IEEE, 2018. P. 1-6. DOI: 10.1109/EPE.2018.8396030.
  • Kazuhiko I., Atsush Y. Building a common smart city platform utilizing FIWARE (case study of Takamatsu city) // NEC Tech. J. 2018. Vol. 13, no. 1. P. 28-31.
  • Kim J., Tae D., Seok J. A survey of missing data imputation using generative adversarial networks // Proc. of the 2020 Int. Conf. on Artificial Intelligence in Information and Communication, ICAIIC 2020. P. 454-456. DOI: 10.1109/ICAIIC48513.2020.9065044.
  • Kin W., Chan V. Foundations of simulation modeling. Wiley Encyclopedia of Operations Research and Management Science. Wiley, 2011. P. 6408.
  • Korambath P., Wang J., Kumar A., et al. A smart manufacturing use case: furnace temperature balancing in steam methane reforming process via Kepler workflows // Procedia Computer Science. 2016. Vol. 80. P. 680-689. DOI: 10.1016/j.procs.2016.05.357.
  • Kuplyakov D.A., Shalnov E.V., Konushin V.S., et al. A distributed tracking algorithm for counting people in video // Programming and Computer Software. 2019. Vol. 45, no. 4. P. 163-170. DOI: 10.1134/S0361768819040042.
  • Marun^alu O., Lazaroiu G., Manea E.E., et al. Numerical simulation of the air pollutants dispersion emitted by CHP using ANSYS CFX // World Academy of Science, Engineering and Technology, International Journal of Environmental, Chemical, Ecological, Geological and Geophysical Engineering. 2015. Vol. 9. P. 1058-1064. DOI: 10.5281/zenodo.1108252.
  • Mohammadi N., Taylor J.E. Smart city digital twins // Proceedings of the 2017 IEEE Symposium Series on Computational Intelligence (Honolulu, HI, USA, Nov., 27 - Dec., 1, 2017). IEEE, 2017. P. 1-5. DOI: 10.1109/SSCI.2017.8285439.
  • Nam T., Pardo T.A. Conceptualizing smart city with dimensions of technology, people, and institutions // Proceedings of the 12th Annual International Digital Government Research Conference: Digital Government Innovation in Challenging Times (College Park, MD, USA, Jun, 12-15, 2011). ACM, 2011. P. 282-291. DOI: 10.1145/2037556.2037602.
  • Nikouei S.Y., Chen Y., Aved A., et al. I-ViSE: interactive video surveillance as an edge service using unsupervised feature queries // IEEE Internet of Things Journal (Early Access). 2020. DOI: 10.1109/JIOT.2020.3016825.
  • Osman M.S., Abu-Mahfouz A.M., Page P.R. A survey on data imputation techniques: water distribution system as a use case // IEEE Access. 2018. Vol. 6. P. 63279-63291. DOI: 10.1109/ACCESS.2018.2877269.
  • Quinlan J.R. Induction of decision trees // Machine Learning. 1986. Vol. 1, no. 1. P. 81106. DOI: 10.1023/A:1022643204877.
  • Redmon J., Farhadi A. You only look once: unified: real-time object detection // IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2016 (Las Vegas, NV, USA, June, 27-30, 2016). P. 779-789. DOI: 10.1109/CVPR.2016.91.
  • Ruohomaki T., Airaksinen E., Huuska P., et al. Smart city platform enabling digital twin // 2018 International Conference on Intelligent Systems (Funchal-Madeira, Portugal, September, 25-27, 2018). IEEE, 2018. P. 155-161. DOI: 10.1109/IS.2018.8710517.
  • Shepelev V., Aliukov S., Glushkov A., et al. Identification of distinguishing characteristics of intersections based on statistical analysis and data from video cameras // Journal of Big Data. 2020. Vol. 7, no. 1. P. 1-23. DOI: 10.1186/s40537-020-00324-7.
  • Smart cities readiness: smart cities maturity model and self-assessment tool, Scottish cities alliance. 2014. URL: https://www.scottishcities.org.uk/site/assets/files/1103/ smart_cities_readiness_assessment_-_guidance_note.pdf (дата обращения: 14.09.2020)
  • Wang X., Wang C. Time series data cleaning: A survey // IEEE Access. 2020. Vol. 8. P. 1866-1881. DOI: 10.1109/ACCESS.2019.2962152.
  • Wu Y., Kirillov A., Massa F., et al. Detectron2. URL: https://github.com/facebookre-search/detectron2 (дата обрщения: 25.02.2020).
  • Yoon E.J., Kim B., Lee D.K. Multi-objective planning model for urban greening based on optimization algorithms // Urban Forestry & Urban Greening. 2019. Vol. 40. P. 183-194. DOI: 10.1016/j.ufug.2019.01.004.
  • Yun K., Kwon Y., Oh S., et al. Vision-based garbage dumping action detection for real-world surveillance platform // ETRI Journal. 2019. Vol. 41, no. 4. P. 494-505. DOI: 10.4218/etrij.2018-0520.
  • Zaki M.J. Scalable algorithms for association mining // IEEE Transactions on Knowledge and Data Engineering. 2000. Vol. 12, no. 3. P. 372-390.
  • Zanella A., Bui N., Castellani A., et al. Internet of things for smart cities // IEEE Internet of Things Journal. 2014. Vol. 1, no. 1. P. 22-32. DOI: 10.1109/JIOT.2014.2306328.
  • Zupan J. Introduction to artificial neural network methods: What they are and how to use them // Acta Chimica Slovenica. 1994. Vol. 41, no. 3. P. 327-352.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp