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

來源 | 愿碼(ChainDesk.CN)內容編輯
愿碼Slogan | 連接每個程序員的故事
網站 | http://chaindesk.cn

愿碼愿景 | 打造全學科IT系統免費課程，助力小白用戶、初級工程師0成本免費系統學習、低成本進階，幫助BAT一線資深工程師成長并利用自身優勢創造睡后收入。
官方公眾號 | 愿碼 | 愿碼服務號 | 區塊鏈部落
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techopedia的說法，??智能城市是一個利用信息和通信技術提高城市服務（如能源和交通）質量和性能，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字技術

利用信息和通信技術（ICT）改變生活和工作環境

將ICT嵌入政府系統

實施將人員和ICT結合在一起的實踐和政策，以促進創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而且還以對居民產生積極影響的方式使用技術的城市。

人工智能（AI）與物聯網一起，有可能解決城市人口過多帶來的主要挑戰，他們可以幫助解決交通管理，醫療保健，能源危機和許多其他問題。物聯網數據和人工智能技術可以改善居住在智慧城市的公民和企業的生活。

智能城市擁有大量用于人工智能的物聯網技術的用例，從保持更健康的環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

人工智能和物聯網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，已經實施了智能交通解決方案來控制交通流量。它安裝了路面傳感器和閉路電視攝像機，可將有關交通流量的實時更新發送到中央交通管理系統。分析來自傳感器和攝像機的數據饋送，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，使用歷史數據，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。通過將路面傳感器嵌入停車位的地面，智能停車解決方案可以確定停車位是空閑還是占用，并創建實時停車地圖。

Adelaide市于2018年2月安裝了智能停車系統，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。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。?早些時候，司機不得不平均等待12分鐘，導致擁堵和污染，但自智能停車系統安裝以來，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務，也不是一個人或組織的工作。它需要許多戰略合作伙伴，領導者甚至公民的合作。智能社區可以做些什么呢？為我們提供職業或創業機會的領域是什么？

任何物聯網平臺都必須滿足以下要求：

用于收集數據的智能物品網絡（傳感器，相機，執行器等）

現場（云）網關，可以從低功耗物聯網設備收集數據，存儲并將其安全地轉發到云端

流式數據處理器，用于聚合大量數據流并將其分發到數據湖和控制應用程序

用于存儲所有原始數據的數據湖，甚至是那些看似沒有價值的數據

可以清理和構建收集數據的數據倉庫

用于分析和可視化傳感器收集的數據的工具

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

控制向IoT執行器發送命令的應用程序

用于連接智能物品和公民的用戶應用程序

除此之外，還會出現有關安全和隱私的問題，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。需要處理物聯網生成的數據，并且要真正從中受益，我們需要超越監控和基本分析。將需要AI工具來識別傳感器數據中的模式和隱藏的相關性。使用ML/AI工具分析歷史傳感器數據有助于識別趨勢并基于它們創建預測模型。然后，這些模型可以由向IoT設備的執行器發送命令的控制應用程序使用。

構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。現在讓我們來看一下AI供電的物聯網解決方案的例子。

使用舊金山犯罪數據檢測犯罪

舊金山市也有一個開放數據門戶網站，提供來自不同部門的數據。在本節中，我們采用數據集提供來自舊金山所有社區的犯罪報告約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據集。所以第一步是創建一個?Spark會話：

第一步是導入必要的模塊并創建?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文件中可用的數據集：

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

數據包含九列：[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據集：

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)

現在我們擁有的數據集有文本數據，因此我們需要執行文本處理。三個重要的文本處理步驟是：標記數據，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字內容的單詞。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，將單詞轉換為數字向量（要素）。這些數字特征將用作訓練模型的輸入。數據的輸出是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。將所有這些轉換添加到我們的數據中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)

現在，數據準備就緒，我們將其分為訓練和測試數據集：

# 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()))

讓我們為它擬合一個簡單的邏輯回歸模型。在測試數據集上，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療服務。但是，選擇不能有效協同工作或與其他城市服務相結合的技術可能會妨礙采用。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劃并跨越多個部門。

巴塞羅那市是一個典型的例子，物聯網系統的實施創造了約47,000個就業機會，節省了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網解決方案的技術進步中獲益匪淺?；谌斯ぶ悄艿奈锫摼W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據進行分類的工具。如果你還想學習到更多的干貨及實戰案例，記得關注“愿碼”公眾號！