Arbejdere fra Chicago Department of Transportation installerer en node til Array of Things, et distribueret sansningsnetværk til bymiljøer, på Damen og Archer -avenuer i Chicago centrum. Kredit:Rob Mitchum/University of Chicago
At forstå en bys funktionsmåde og adfærd kræver viden om de forskellige processer, der gør det muligt for mennesker og andre biologiske organismer at leve og trives, samt forståelse af deres indbyrdes forhold - hvoraf mange er komplicerede og endnu ikke er blevet undersøgt dybt.
"Byer er uhyre komplekse, med mange facetter og interaktioner inden for dem, "sagde Pete Beckman, en datalog ved det amerikanske energiministerium (DOE) Argonne National Laboratory. "For eksempel, vejr påvirker menneskelig bevægelse; luftkvalitet påvirker langsigtet sundhed; og tilgængelighed til transport hjælper med at bestemme muligheder lige fra beskæftigelse til social interaktion. Det, vi har brug for, er en ny generation af metoder og værktøjer, der kan hjælpe os med at finde relationer skjult i den voksende mængde og mangfoldighed af data, der indsamles om byer. "
Centralt i disse metoder er maskinlæring - den stadig mere effektive proces, hvor computere træner sig til at forudsige eller bestemme fra store datamængder. Maskinlæring har revolutioneret mange dele af vores liv, fra skakspil til ansigtsgenkendelsessystemer, og den kommer nu til vores byer.
"Med maskinlæring, vi kan tage de data, der kommer fra eksperimenter eller observationer, og vi kan undersøge gyldigheden af eksisterende teorier eller hypotese nye om sammenhænge mellem bysystemer og processer, forklarede Beckman, der hjælper med at anvende datavidenskab til bymæssige udfordringer.
Fordi byer er så komplekse, de spørgsmål, som Beckman og hans Argonne -kolleger anvender disse teknikker, spænder over spektret fra bekæmpelse af forurening til forbedring af fodgængersikkerhed, og fra at forudsige kriminalitet til at forstå dynamikken i spredningen af smitsomme sygdomme. Maksimering af en af disse parametre, han sagde, kan påvirke andre, gør maskinlæring til en optimal teknik til at finde relationer i et system for kompliceret til at beskrive med en teori.
Argonnes arbejde i skæringspunktet mellem maskinlæring og bymiljø udnytter laboratoriets dybe og brede tværfaglige teams og kraftfulde videnskabelige værktøjer til at løse nogle af samfundets mest komplekse problemer. Dette kan ses mest direkte i National Science Foundation-finansierede Array of Things (AoT), et partnerskab mellem Argonne, University of Chicago, og Chicago by. AoT er et netværk med over 100 programmerbare, multisensor -enheder (noder) indsat i hele Chicago, på vej til at vokse til 200 i slutningen af 2019.
Hver knude er vært for to kameraer (mod himlen og mod jorden), en mikrofon og sensorer til måling af faktorer, der påvirker bymiljøet, såsom klima, støj og luftkvalitet. Noden er også vært for kraftfuld computing til behandling af data lokalt og i realtid.
AoT -noder er bygget ved hjælp af Argonnes modulære, open source platform kaldet Waggle.
"En vigtig fordel ved at bruge Waggle til Array of Things er, at noder lokalt kan køre maskinlæringssoftware uden at skulle beholde kontakt med eller feed data tilbage til en central server, "sagde Charlie Catlett, AoT -hovedforsker og datalog ved Argonne og University of Chicago.
Selvom hver generation af noder (på cirka 100 noder indsat) er standardiseret og konsekvent, forskere kan fjernprogrammere ikke kun samplingsalgoritmerne til standardsensorer, men også give machine learning -kode til at analysere billeder, lyd eller kombinationer af sensorværdier.
"Maskinindlæring inden for noderne betyder, at vi ikke kun har implementeret et traditionelt sensornetværk, men vi kan også nu designe software-definerede sensorer, målefaktorer, der er uden for rækkevidde af elektroniske sensorer, såsom strømmen af køretøjer gennem et kryds eller den typiske størrelse på en gruppe, der bruger en offentlig park, "Catlett sagde." Uden behov for at ændre hardware installeret på gadepælen, vi kan skubbe ny software til at tilføje software-definerede målinger, besvare en næsten ubegrænset række spørgsmål. "
Dette adskiller sig fra de fleste sensornetværk, hvis noder består af en sensor, der sender information tilbage til en central database, men der mangler evne til eksternt at ændre sansestrategien, langt mindre tilføje nye målinger. Typiske sensornetværk er designet til et specifikt sæt målinger, så når de er installeret, den eneste måde at forbedre dem på er at erstatte dem med en ny installation.
Enheder som AoT -noder, der kan fjernprogrammeres maskinlæring "på kanten" kan også give et yderligere detaljerings- og analyseniveau omkring forskellige aspekter af bymiljøet.
"Vi finder ud af, at traditionel sansning og tilgængelige bydata kun giver en del af historien, "Catlett sagde." For mere komplekse byfænomener - som at forsøge at finde ud af de fine detaljer om sikkerheden ved et kryds - måtte vi udvikle et system, der kunne programmeres eksternt med maskinlæringskode til at fortolke billeder, lyd og andre data. "
"Vi gør dette på gaden - ved kanten af netværket - frem for i skyen, " han tilføjede.
Ultimativt, Catlett sagde, AoT søger at indarbejde en grad af autonomi, hvor en knude kunne ændre sine driftsparametre baseret på noget, den registrerer i miljøet.
"For eksempel, sige, at du ville have en måde at se på overfladeoversvømmelser på byens gader, men du vidste, at det kun var vigtigt, når luftfugtigheden nåede et bestemt niveau, "sagde han." Vi vil have, at vores noder træffer en beslutning om, hvordan de fungerer ud fra deres observationer. "
Et multidimensionalt sensornetværk, der kan lære og tilpasse sig, ligesom AoT, kunne give forskere mulighed for at håndtere afvejninger og identificere potentielle sammenhænge mellem forskellige byfænomener. Byens kompleksitet, efter Beckmans opfattelse, gør maskinlæring til den eneste "håndterbare" måde, forskere har på at få styr på de store spørgsmål, som byplanlæggere og beboere står over for.
"Der er ingen teori, der siger det, for hver beboer, du tilføjer på følgende måde, byen vil opføre sig på en bestemt måde, " han sagde.
At have et maskinlæringsforbedret netværk som AoT giver forskere en platform til at udforske nogle af de mere komplicerede spørgsmål, byer står over for.
"Vi har nu et eksperimentelt instrument til, at byen kan begynde at stille alle slags meget specifikke spørgsmål, og instrumentet er programmerbart, "Sagde Catlett.