Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Искусственный интеллект

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   |   УДК: 004.89,   |   DOI: 10.14529/cmse200401

Digital twin of a city: concept overview

The urban economy is a complex multi-vector system. Creating a single digital twin of such a system is now a difficult task to solve. This article presents the concept of a digital twin of a city. The authors propose an evolutionary approach to this problem, according to which digital twins of individual elements of the urban environment are consistently built on a single hardware and software platform. These digital twins are linked in a single cooperative system that allows one digital twin to use data produced by other digital twins. The article gives the definition and architecture of such a system. It describes the classes of models that can be used to create digital twins. Special attention is paid to neural network models and models for data analysis. The information infrastructure of the digital twin of a city, including sensory networks, data cleansing mechanisms and nebulous calculations, is considered.

Еще

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
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp