Aprendizaje automático para el análisis de datos de Internet de las cosas para una ciudad inteligente

Información acerca de proyectos IoT
Foto de Usuario
piero_flores

Ranking Troomes
Mensajes: 3
Registrado: 05 Jun 2020, 20:16

Aprendizaje automático para el análisis de datos de Internet de las cosas para una ciudad inteligente

Mensaje por piero_flores » 17 Ago 2020, 20:43

Titulo:
Machine learning for internet of things data analysis: a survey

Problema:
Hoy en día las grandes ciudades presentan problemas de planificación en varios aspectos como lo son en energía, trafico, ciudadanía y planificación urbana.

Ciudad Inteligente.- Una ciudad tiene un efecto importante en la sociedad porque la ciudad toca todos los aspectos de la vida humana. Una ciudad inteligente puede ayudar a tener una vida cómoda. Los casos de uso para ciudades inteligentes consisten en energía inteligente, movilidad inteligente, ciudadanos inteligentes y planificación urbana.
  • Energía inteligente.- La energía inteligente es una de las áreas de investigación más importantes de IoT porque es esencial para reducir el consumo total de energía
  • Movilidad inteligente.- La movilidad es otro aspecto importante de cualquier ciudad. A través de IoT, los funcionarios de la ciudad pueden mejorar la calidad de vida en la ciudad. La movilidad inteligente se puede dividir en los siguientes tres componentes principales:
    • Automóviles autónomos
    • Control del tráfico
    • Transporte público
  • Ciudadanos inteligentes.- Este caso de uso para ciudades inteligentes cubre una amplia gama de áreas en la vida humana, como el monitoreo ambiental, la vigilancia del crimen y la salud social.
  • Planificación urbana .- Otro aspecto importante en los casos de uso de la ciudad inteligente es la toma de decisiones a largo plazo.
Descripción general de los algoritmos de aprendizaje automático de uso frecuente para el análisis inteligente de datos:
  • Clasificación.- K-Nearest Neighbors, Naive Bayes, Support Vector Machine, Classification and Regression Trees, Random Forests, Bagging, Feed Forward Neural Network.
  • Regersión.- Linear Regression, Support Vector Regression, Classification and Regression Trees, Random Forests, Bagging, Feed Forward Neural Network.
  • Clustering.- K-Means, Density-Based Spatial Clustering of Applications with Noise, Feed Forward Neural Network.
  • Extracción de Caracteristicas.- Principal Component Analysis, Canonical Correlation Analysis, Feed Forward Neural Network.
  • Detección de Anomalias.- One-class Support Vector Machines.
Descripción general de la aplicación de algoritmos de aprendizaje automático a casos de uso de Internet de las cosas.
  • Energía inteligente.- Linear Regression, Support Vector Machine, Naive Bayes, K-Means.
  • Movilidad inteligente. - Classification, Clustering, Anomaly Detection, Support Vector Machine, K-Means, Principal Component Analysis, Canonical Correlation Analysis.
  • Ciudadanos inteligentes.- Clustering, Classification and Regression Trees, Support Vector Machine, K-Nearest Neighbors, Naive Bayes, K-Means, Density-Based Clustering, Feed Forward Neural Network, Principal Component Analysis, Canonical Correlation Analysis, One-class Support Vector Machines.
  • Planificación urbana .- Anomaly Detection, Support Vector Regression, Linear Regression, Support Vector Machine, K-Means, Feed Forward Neural Network, Principal Component Analysis, Canonical Correlation Analysis.
Conclusión:
La ciudad inteligente es una de las aplicaciones mas importes de IOT la cual proporciona varios servicios como energía, movilidad y planificación urbana, para mejorar estos servicios se debe analizar los datos recopilados en estas áreas. Para obtener el conocimiento de los datos obtenidos se puede aplicar varios algoritmos de análisis de datos. Para elegir el algoritmo adecuado se deben considerar 3 hechos, las características de la ciudad, la cantidad de dispositivos y los tipos de datos que generan y la taxonomía del algoritmo.

Referencias


Responder