摘要：如何改變智能城市物聯(lián)網(wǎng)來源愿碼內(nèi)容編輯愿碼連接每個程序員的故事網(wǎng)站愿碼愿景打造全學科系統(tǒng)免費課程，助力小白用戶初級工程師成本免費系統(tǒng)學習低成本進階，幫助一線資深工程師成長并利用自身優(yōu)勢創(chuàng)造睡后收入。

來源 | 愿碼(ChainDesk.CN)內(nèi)容編輯
愿碼Slogan | 連接每個程序員的故事
網(wǎng)站 | http://chaindesk.cn

愿碼愿景 | 打造全學科IT系統(tǒng)免費課程，助力小白用戶、初級工程師0成本免費系統(tǒng)學習、低成本進階，幫助BAT一線資深工程師成長并利用自身優(yōu)勢創(chuàng)造睡后收入。
官方公眾號 | 愿碼 | 愿碼服務號 | 區(qū)塊鏈部落
免費加入愿碼全思維工程師社群 | 任一公眾號回復“愿碼”兩個字獲取入群二維碼

本文閱讀時長：10min

根據(jù)techopedia的說法，??智能城市是一個利用信息和通信技術(shù)提高城市服務（如能源和交通）質(zhì)量和性能，從而降低資源消耗、浪費和總體成本的城市。

Deakin和 AI Waer列出了有助于定義智慧城市的四個因素：

在城市基礎設施中使用各種電子和數(shù)字技術(shù)

利用信息和通信技術(shù)（ICT）改變生活和工作環(huán)境

將ICT嵌入政府系統(tǒng)

實施將人員和ICT結(jié)合在一起的實踐和政策，以促進創(chuàng)新并增強他們提供的知識

因此，一個智能城市將是一個不僅擁有信息通信技術(shù)而且還以對居民產(chǎn)生積極影響的方式使用技術(shù)的城市。

人工智能（AI）與物聯(lián)網(wǎng)一起，有可能解決城市人口過多帶來的主要挑戰(zhàn)，他們可以幫助解決交通管理，醫(yī)療保健，能源危機和許多其他問題。物聯(lián)網(wǎng)數(shù)據(jù)和人工智能技術(shù)可以改善居住在智慧城市的公民和企業(yè)的生活。

智能城市擁有大量用于人工智能的物聯(lián)網(wǎng)技術(shù)的用例，從保持更健康的環(huán)境到增強公共交通和安全。在下圖中，您可以看到智能城市的一些用例：

智能交通管理

人工智能和物聯(lián)網(wǎng)可以實施智能交通解決方案，以確保智能城市的居民盡可能安全，高效地從城市的一個點到另一個點。

洛杉磯是世界上最擁擠的城市之一，已經(jīng)實施了智能交通解決方案來控制交通流量。它安裝了路面?zhèn)鞲衅骱烷]路電視攝像機，可將有關(guān)交通流量的實時更新發(fā)送到中央交通管理系統(tǒng)。分析來自傳感器和攝像機的數(shù)據(jù)饋送，并通知用戶擁塞和交通信號故障。2018年7月，該市在每個交叉口進一步安裝了先進的交通控制器（ATC）柜。啟用車輛到基礎設施（V2I通信和5G連接，這使他們能夠與具有紅綠燈信息功能的汽車進行通信，例如奧迪A4或Q7。嵌入傳感器的自動車輛的發(fā)布可以提供車輛的位置和速度，他們可以直接與智能交通信號燈通信，防止擁堵。此外，使用歷史數(shù)據(jù)，可預測未來流量并用于防止任何可能的擁塞。

智能停車

生活在城市中的任何人都能感受到尋找停車位的困難，特別是在假日期間。智能停車可以緩解這個問題。通過將路面?zhèn)鞲衅髑度胪＼囄坏牡孛?，智能停車解決方案可以確定停車位是空閑還是占用，并創(chuàng)建實時停車地圖。

Adelaide市于2018年2月安裝了智能停車系統(tǒng)，他們還推出了移動應用程序：Park Adelaide，它將為用戶提供準確和實時的停車信息。該應用程序可以為用戶提供遠程定位，支付甚至延長停車會話的能力。智能停車系統(tǒng)旨在改善交通流量，減少交通擁堵并減少碳排放。

在三藩市交通局（SAFTA）實施SFpark智能泊車系統(tǒng)。他們使用無線傳感器來檢測計量空間中的實時停車位占用情況。SFpark于2013年推出，平日溫室氣體排放量減少了25％，交通量下降，司機的搜索時間減少了50％。

在倫敦，威斯敏斯特Westminster市還在2014年與Machina Research合作建立了智能停車系統(tǒng)。?早些時候，司機不得不平均等待12分鐘，導致?lián)矶潞臀廴?，但自智能停車系統(tǒng)安裝以來，沒有必要等待，司機可以使用手機找到可用的停車位。

其他用例包括智能廢物管理，智能警務，智能照明和智能治理。

建立一個智能城市不是一天的業(yè)務，也不是一個人或組織的工作。它需要許多戰(zhàn)略合作伙伴，領導者甚至公民的合作。智能社區(qū)可以做些什么呢？為我們提供職業(yè)或創(chuàng)業(yè)機會的領域是什么？

任何物聯(lián)網(wǎng)平臺都必須滿足以下要求：

用于收集數(shù)據(jù)的智能物品網(wǎng)絡（傳感器，相機，執(zhí)行器等）

現(xiàn)場（云）網(wǎng)關(guān)，可以從低功耗物聯(lián)網(wǎng)設備收集數(shù)據(jù)，存儲并將其安全地轉(zhuǎn)發(fā)到云端

流式數(shù)據(jù)處理器，用于聚合大量數(shù)據(jù)流并將其分發(fā)到數(shù)據(jù)湖和控制應用程序

用于存儲所有原始數(shù)據(jù)的數(shù)據(jù)湖，甚至是那些看似沒有價值的數(shù)據(jù)

可以清理和構(gòu)建收集數(shù)據(jù)的數(shù)據(jù)倉庫

用于分析和可視化傳感器收集的數(shù)據(jù)的工具

基于長期數(shù)據(jù)分析自動化城市服務的AI算法和技術(shù)，?并找到提高控制應用程序性能的方法

控制向IoT執(zhí)行器發(fā)送命令的應用程序

用于連接智能物品和公民的用戶應用程序

除此之外，還會出現(xiàn)有關(guān)安全和隱私的問題，服務提供商必須確保這些智能服務不會對公民的健康構(gòu)成任何威脅。服務本身應易于使用，以便公民可以采用。

如你所見，這提供了一系列工作機會，特別是AI工程師。需要處理物聯(lián)網(wǎng)生成的數(shù)據(jù)，并且要真正從中受益，我們需要超越監(jiān)控和基本分析。將需要AI工具來識別傳感器數(shù)據(jù)中的模式和隱藏的相關(guān)性。使用ML/AI工具分析歷史傳感器數(shù)據(jù)有助于識別趨勢并基于它們創(chuàng)建預測模型。然后，這些模型可以由向IoT設備的執(zhí)行器發(fā)送命令的控制應用程序使用。

構(gòu)建智能城市的過程將是一個迭代過程，每次迭代都會增加更多的處理和分析。現(xiàn)在讓我們來看一下AI供電的物聯(lián)網(wǎng)解決方案的例子。

使用舊金山犯罪數(shù)據(jù)檢測犯罪

舊金山市也有一個開放數(shù)據(jù)門戶網(wǎng)站，提供來自不同部門的數(shù)據(jù)。在本節(jié)中，我們采用數(shù)據(jù)集提供來自舊金山所有社區(qū)的犯罪報告約12年（從2003年1月至2015年5月），并訓練模型以預測發(fā)生的犯罪類別。有39個謹慎的犯罪類別，因此它是一個多類別的分類問題。

我們將使用Apache的PySpark并使用其易于使用的文本處理功能來處理此數(shù)據(jù)集。所以第一步是創(chuàng)建一個?Spark會話：

第一步是導入必要的模塊并創(chuàng)建?Spark會話：

from pyspark.ml.classification import LogisticRegression as LR
from pyspark.ml.feature import RegexTokenizer as RT
from pyspark.ml.feature import StopWordsRemover as SWR
from pyspark.ml.feature import CountVectorizer
from pyspark.ml.feature import OneHotEncoder, StringIndexer, VectorAssembler
from pyspark.ml import Pipeline
from pyspark.sql.functions import col
from pyspark.sql import SparkSession
spark = SparkSession.builder 
.appName("Crime Category Prediction") 
.config("spark.executor.memory", "70g") 
.config("spark.driver.memory", "50g") 
.config("spark.memory.offHeap.enabled",True) 
.config("spark.memory.offHeap.size","16g") 
.getOrCreate()

我們加載csv文件中可用的數(shù)據(jù)集：

data = spark.read.format("csv"). 
        options(header="true", inferschema="true"). 
        load("sf_crime_dataset.csv")
data.columns

數(shù)據(jù)包含九列：[Dates，Category，Descript，DayOfWeek，PdDistrict，Resolution，Address， X，Y]我們只需要Category和Descript字段來訓練和測試數(shù)據(jù)集：

drop_data = ["Dates", "DayOfWeek", "PdDistrict", "Resolution", "Address", "X", "Y"]
data = data.select([column for column in data.columns if column not in drop_data])
data.show(5)

現(xiàn)在我們擁有的數(shù)據(jù)集有文本數(shù)據(jù)，因此我們需要執(zhí)行文本處理。三個重要的文本處理步驟是：標記數(shù)據(jù)，刪除停用詞并將單詞向量化為向量。

我們將使用RegexTokenizer將使用正則表達式將句子標記為單詞列表，因為標點符號或特殊字符不會添加任何含義，我們只保留包含字母數(shù)字內(nèi)容的單詞。有一些詞語the會在文本中非常常見，但不會為語境添加任何含義。使用內(nèi)置類刪除這些單詞（也稱為停用單詞）StopWordsRemover。

使用標準停用詞["http","https","amp","rt","t","c","the"]。最后使用了?CountVectorizer，將單詞轉(zhuǎn)換為數(shù)字向量（要素）。這些數(shù)字特征將用作訓練模型的輸入。數(shù)據(jù)的輸出是Category列，但它也是36個不同類別的文本，因此，我們需要將其轉(zhuǎn)換為一個熱編碼向量：PySpark?StringIndexer可以很容易地使用它。將所有這些轉(zhuǎn)換添加到我們的數(shù)據(jù)中Pipeline：

# regular expression tokenizer
re_Tokenizer = RT(inputCol="Descript", 
            outputCol="words", pattern="W")
# stop words
stop_words = ["http","https","amp","rt","t","c","the"] 
stop_words_remover = SWR(inputCol="words", 
outputCol="filtered").setStopWords(stop_words)

# bag of words count
count_vectors = CountVectorizer(inputCol="filtered",
outputCol="features", vocabSize=10000, minDF=5)

#One hot encoding the label
label_string_Idx = StringIndexer(inputCol = "Category", 
outputCol = "label")

# Create the pipeline
pipeline = Pipeline(stages=[re_Tokenizer, stop_words_remover,
count_vectors, label_string_Idx])

# Fit the pipeline to data.
pipeline_fit = pipeline.fit(data)
dataset = pipeline_fit.transform(data)

dataset.show(5)

現(xiàn)在，數(shù)據(jù)準備就緒，我們將其分為訓練和測試數(shù)據(jù)集：

# Split the data randomly into training and test data sets.
(trainingData, testData) = dataset.randomSplit([0.7, 0.3], seed = 100)
print("Training Dataset Size: " + str(trainingData.count()))
print("Test Dataset Size: " + str(testData.count()))

讓我們?yōu)樗鼣M合一個簡單的邏輯回歸模型。在測試數(shù)據(jù)集上，它提供97％的準確性。

# Build the model
logistic_regrssor = LR(maxIter=20, 
                regParam=0.3, elasticNetParam=0)
# Train model with Training Data
model = logistic_regrssor.fit(trainingData)
# Make predictions on Test Data
predictions = model.transform(testData)

# evaluate the model on test data set
evaluator = MulticlassClassificationEvaluator(predictionCol="prediction")
evaluator.evaluate(predictions)

人工智能正在改變城市運營，交付和維護公共設施的方式，從照明和交通到連接和醫(yī)療服務。但是，選擇不能有效協(xié)同工作或與其他城市服務相結(jié)合的技術(shù)可能會妨礙采用。要讓城市真正受益于智能城市提供的潛力，需要改變思維方式。當局應該更長時間地規(guī)劃并跨越多個部門。

巴塞羅那市是一個典型的例子，物聯(lián)網(wǎng)系統(tǒng)的實施創(chuàng)造了約47,000個就業(yè)機會，節(jié)省了4250萬歐元的水費，并通過智能停車每年額外增加了3650萬歐元。我們可以很容易地看到，城市可以從利用人工智能的物聯(lián)網(wǎng)解決方案的技術(shù)進步中獲益匪淺?；谌斯ぶ悄艿奈锫?lián)網(wǎng)解決方案可以幫助連接城市，管理多個基礎設施和公共服務。

在本文中，我們研究了從智能照明和道路交通到連接公共交通和廢物管理的智能城市的用例。同時學會了使用有助于對舊金山12年期間犯罪報告中的數(shù)據(jù)進行分類的工具。如果你還想學習到更多的干貨及實戰(zhàn)案例，記得關(guān)注“愿碼”公眾號！