Методы машинного обучения в реализации концепции «умный город»
Автор: Казаков Олег Дмитриевич
Статья в выпуске: 1 (11), 2018 года.
Бесплатный доступ
Рассмотрены вопросы внедрения машинного обучения в систему городского хозяйства. На основе комбинации краудсорсинга и машинного обучения разработана система для предоставления информации о трудности с парковкой в том или ином месте города.
Машинное обучение, умный город, искусственный интеллект, парковка
Короткий адрес: https://sciup.org/140223595
IDR: 140223595
Текст научной статьи Методы машинного обучения в реализации концепции «умный город»
Машинное обучение - форма узкого искусственного интеллекта, позволяющая машинам учиться на данных -имеет огромный потенциал для преобразования городской жизни: от беспилотных автомобилей до зданий. Машинное обучение может упростить повседневный быт граждан и улучшить качество жизни.Рассмотрим вопросы внедрения машинного обучения в систему городского хозяйства[2]:
Интеллектуальные транспортные системы могут помочь облегчить заторы, уменьшить загрязнение и улучшить качество обслуживания населения города на общественном транспорте. Специальные приложения на смартфонах могли бы рассмотреть ряд вариантов поездок и сделать персонализированные предложения, используя машинное обучение для учета личных предпочтений. Машинное обучение также поддерживает технологии беспилотного транспорта, что может иметь ряд преимуществ с точки зрения безопасности [3].
Машинное обучение уже используется в энергетическом секторе для оптимизации силовых сетей и может способствовать декарбонизации путем более разумного использования коммунальных услуг. Например, NestLearningThermostat использует компьютерное обучение, чтобы изучить предпочтения и графики домовладельца, оптимизируя отопление и охлаждение дома. Этот «до-

машний интеллект» может также подстегнуть изменения в моделях бизнес-приложений, а это означает, что пользователи могут оплачивать такие услуги, как мобильность, комфорт и чистота, а не такие продукты, как электричество, газ и вода.
Умные города. Города - это плавильные котлы многих сложных и взаимозависимых проблем. Машинное обучение может решить эти связанные проблемы, оптимизируя городское планирование и интегрируя городские службы для персонализированных результатов, даже если люди ранее не использовали конкретные услуги. Например, машинное обучение может отслеживать уровни отходов в утилизационных контейнерах и услугах по сбору данных на основе прогнозов отходов [5].
Доступность, качество и формат данных являются центральными вопросом для обеспечения возможности использования машинного обучения. В тоже время, мы определили проблемы доступности данных как ключевой барьер для использования машинного обучения в контексте «умных городов», коммунальных услуг и транспорта.
Некоторые системы машинного обучения способны получать очень точные результаты, но страдают от недостатка прозрачности в том, как эти результаты были сформированы. Низкая интерпретируемость таких систем может создавать проблемы с проверкой или сертификацией, а увеличение времени, затрачиваемого на обеспечение нормативного утверждения, может препятствовать инновационным услугам или продуктам. Однако это также должно быть сбалансировано с тем, чтобы защитить население от рискованных инноваций [5].
Существует настоятельная необходимость «объединить точки» между технологиями, такими как машинное обучение и Интернет вещей, для создания действительно умных сред. Это может быть достигнуто частично за счет повышения осведомленности о возможностях машинного обучения. Например, проект Greenwich без водителя - это новый взгляд на энергию, транспорт и умные города.
В конечном счете, любое видение будущего коммунальных услуг, транспорта и интеллектуальных городов должно быть ориентировано на потребителя, поскольку машинное обучение применяется в повседневной жизни [4].
Использование MachineLearning для прогнозирования сложности парковки.Благодаря таким продуктам, какGoogleMapsиWaze людям легко и эффективно перемещаться по дорогам.Но до сих пор не так много инструментов для решения проблем с парковкой таких как:
-
• Доступность парковки сильно варьируется, в зависимости от таких факторов, как время, день недели, погода, специальные мероприятия, праздники и т. д.
-
• Даже в районах с подключенными к Интернету парковочными счетчиками, обеспечивающими информацию о наличии, эти данные не учитывают тех, кто нелегально паркуется или припарковавшись с разрешением уезжает раньше.
Чтобы решить эти проблемы, мы рассмотрели уникальную комбинацию краудсорсинга и машинного обучения для создания системы, которая может предоставить информацию о трудности с парковкой для пункта назначения.
Для создания алгоритмов, стоящих за функцией трудности с парковкой, потребовались три технических

Рисунок 1. Модель оценки сложности парковки
элемента: хорошие геоинформационные данные от краудсорсинга, подходящая модель машинного обучения и надежный набор функций для обучения модели.
Сбор высококачественных геоинформационных часто является ключевой задачей при построении любого решения машинного обучения.Мы начали с анкетирования людей в разных местах где обнаружили, что парковка затруд-нена.Имея эти данные, мы начали определять функции, на которых могли бы обучать модель
Мы решили использовать стандартнуюлогистическую регрессию для этой функции по нескольким причинам. Во-первых, поведение логистической регрессии хорошо понято и оно, как правило, устойчиво к шуму в данных об-учения[1]. Это полезное свойство, когда данные поступают из краудсорсинга.Во-вторых, естественно интерпретировать вывод этих моделей как вероятность того, что парковка будет сложной. В-третьих, легко понять влияние каждой конкретной функции, что упрощает проверку правильности поведения модели.
С нашей моделью мы смогли сгенерировать оценку сложности парковки в любом месте и во времени.На приведенном ниже рисунке приведены несколько примеров результатов нашей системы, которые затем используются для оценки сложности парковки для данного пункта назначения (Рисунок 1).
Результат модели трудности с парковкой в центре городя Брянск показывает более высокую вероятность того, что парковка затруднена.
Список литературы Методы машинного обучения в реализации концепции «умный город»
- Erokhin V.V., Fetshchenko V.V., Panina I.S., Kazimirova N.P., Novikov S.P., Novikova A.V. Verification of computer systems of commercial bank // International Journal of Applied Business and Economic Research. 2017. vol. 15. № 12. pp. 297-306.
- Евельсон, Л.И. Методика и комплекс программ для оптимизации на основе вычислительного эксперимента [Текст] / Евельсон Л.И., Рыжикова Е.Г. // Информационное общество: технологии, человек, бизнес: материалы междунар. заоч. научн-практ. конф. – Пермь, 2013. –с. 53-59.
- Рыжикова, Е.Г. Проектирование информационной системы для подбора персонала [Текст] / Е.Г. Рыжикова, И.И. Теремкова, Д.А. Каршков // Перспективы развития информационных технологий / Под общ. ред. С.С. Чернова сб. материалов ХХХ Международ. научно-практич. конф.- Новосибирск, 2016 г. - с.82-87.
- Андриянов, С.В. Развитие методологических основ моделирования социально-экономических систем в контексте управления развитием / С.В.Андриянов // Вестник Брянского государственного технического университета – Брянск: БГТУ, 2016. С. 68-74
- Андриянов, С.В. Проблемы и методы стратегического управления на муниципальном уровне в контексте развития региональной социально-экономической системы / С.В. Андриянов // Инновационно-промышленный потенциал развития экономики регионов: сб. науч. трудов / под ред. О.Н. Федонина, В.М. Сканцева, Н.В. Грачевой, А.В. Таранова – Брянск: БГТУ, 2016