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.