Om de werking en het gedrag van een stad te begrijpen, is kennis nodig van de verschillende processen waardoor mensen en andere biologische organismen kunnen leven en bloeien, evenals begrip van hun onderlinge relaties - waarvan er vele gecompliceerd zijn en nog diepgaand moeten worden onderzocht.

"Steden zijn enorm complex, met vele facetten en interacties erin, " zei Piet Beckman, een computerwetenschapper bij het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE). "Bijvoorbeeld, het weer beïnvloedt de menselijke beweging; luchtkwaliteit is van invloed op de gezondheid op lange termijn; en beschikbaarheid tot vervoer helpt bij het bepalen van kansen, variërend van werk tot sociale interactie. Wat we nodig hebben, is een nieuwe generatie methoden en hulpmiddelen die ons kunnen helpen relaties te vinden die verborgen zijn in het groeiende volume en de diversiteit aan gegevens die over steden worden verzameld."

Centraal in deze methoden staat machine learning:het steeds krachtiger wordende proces waarbij computers trainen om voorspellingen of bepalingen te doen op basis van grote hoeveelheden gegevens. Machine learning heeft een revolutie teweeggebracht in vele delen van ons leven, van het schaakspel tot gezichtsherkenningssystemen, en het komt nu naar onze steden.

"Met machinaal leren, we kunnen de gegevens nemen die afkomstig zijn van experimenten of observaties en we kunnen de geldigheid van bestaande theorieën onderzoeken of nieuwe hypothesen stellen met betrekking tot de onderlinge relaties tussen stedelijke systemen en processen, " legde Beckman uit, die helpt data science toe te passen op stedelijke uitdagingen.

Omdat steden zo complex zijn, de kwesties waarop Beckman en zijn collega's van Argonne deze technieken toepassen, strekken zich uit van het bestrijden van vervuiling tot het verbeteren van de veiligheid van voetgangers, en van het voorspellen van criminaliteit tot het begrijpen van de dynamiek van de verspreiding van overdraagbare ziekten. Maximaliseren van een van deze parameters, hij zei, anderen kunnen beïnvloeden, waardoor machine learning een optimale techniek is om relaties in een systeem te vinden dat te ingewikkeld is om met een theorie te beschrijven.

Argonne's werk op het snijvlak van machine learning en de stedelijke omgeving maakt gebruik van de diepe en brede multidisciplinaire teams en krachtige wetenschappelijke hulpmiddelen van het laboratorium om enkele van de meest complexe problemen van de samenleving op te lossen. Dit is het meest direct te zien in de door de National Science Foundation gefinancierde Array of Things (AoT), een samenwerking tussen Argonne, de Universiteit van Chicago, en de stad Chicago. AoT is een netwerk van meer dan 100 programmeerbare, multisensor-apparaten (nodes) die in heel Chicago worden ingezet, op schema om te groeien tot 200 tegen eind 2019.

Elk knooppunt herbergt twee camera's (naar de lucht en naar de grond gericht), een microfoon en sensoren om factoren te meten die van invloed zijn op de stedelijke omgeving, zoals klimaat, geluid en luchtkwaliteit. Het knooppunt host ook krachtige computers om de gegevens lokaal en in realtime te verwerken.

AoT-knooppunten worden gebouwd met behulp van Argonne's modulaire, open source-platform genaamd Waggle.

"Een belangrijk voordeel van het gebruik van Waggle voor de Array of Things is dat nodes lokaal machine learning-software kunnen draaien zonder dat ze contact hoeven te onderhouden met of gegevens terug moeten sturen naar een centrale server, " zei Charlie Catlett, AoT-hoofdonderzoeker en computerwetenschapper bij Argonne en de Universiteit van Chicago.

Hoewel elke generatie nodes (van ongeveer 100 geïmplementeerde nodes) gestandaardiseerd en consistent is, wetenschappers kunnen niet alleen de bemonsteringsalgoritmen voor standaardsensoren op afstand programmeren, maar bieden ook machine learning-code om afbeeldingen te analyseren, geluid of combinaties van sensorwaarden.

"Machine learning binnen de nodes betekent dat we niet alleen een traditioneel sensornetwerk hebben ingezet, maar we kunnen nu ook softwaregedefinieerde sensoren ontwerpen, meetfactoren die buiten het bereik van elektronische sensoren liggen, zoals de stroom van voertuigen door een kruispunt of de typische groepsgrootte die een openbaar park gebruikt, Catlett zei. "Zonder de noodzaak om de hardware geïnstalleerd op de straatpaal te veranderen, we kunnen nieuwe software pushen om softwaregedefinieerde metingen toe te voegen, het beantwoorden van een bijna onbeperkt aantal vragen."

Dit verschilt van de meeste sensornetwerken, waarvan de knooppunten bestaan ​​uit een sensor die informatie terugvoert naar een centrale database, maar die geen mogelijkheid hebben om de detectiestrategie op afstand te wijzigen, veel minder nieuwe metingen toevoegen. Typische sensornetwerken zijn ontworpen voor een specifieke reeks metingen, dus als ze eenmaal zijn geïnstalleerd, de enige manier om ze te verbeteren is om ze te vervangen door een nieuwe installatie.

Apparaten zoals AoT-knooppunten die op afstand programmeerbare machine learning "aan de rand" kunnen bieden, kunnen ook een extra detailniveau en analyse bieden rond verschillende aspecten van de stedelijke omgeving.

"Wat we ontdekken is dat traditionele sensing en beschikbare stedelijke gegevens slechts een deel van het verhaal vormen, " zei Catlett. "Voor complexere stedelijke fenomenen - zoals proberen de fijne details van de veiligheid van een kruispunt te achterhalen - moesten we een systeem ontwikkelen dat op afstand kon worden geprogrammeerd met machine learning-code om afbeeldingen te interpreteren, geluid en andere gegevens."

"We doen dit op straat - aan de rand van het netwerk - in plaats van in de cloud, " hij voegde toe.

uiteindelijk, Catlett zei, AoT streeft naar een zekere mate van autonomie, waar een knooppunt zijn bedrijfsparameters kan wijzigen op basis van iets dat het in de omgeving detecteert.

"Bijvoorbeeld, stel dat je een manier wilde hebben om te kijken naar oppervlaktewateroverlast in stadsstraten, maar je wist dat dat er alleen toe deed als de vochtigheid een bepaald niveau bereikte, " zei hij. "We willen dat onze knooppunten een beslissing nemen over hoe ze werken op basis van hun waarnemingen."

Een multidimensionaal sensornetwerk dat kan leren en aanpassen, zoals de AoT, zou onderzoekers in staat kunnen stellen om afwegingen te maken en mogelijke correlaties tussen verschillende stedelijke fenomenen te identificeren. De complexiteit van een stad, volgens Beckman, maakt machinaal leren de enige "handelbare" manier waarop wetenschappers greep kunnen krijgen op de grote vragen waarmee stadsplanners en bewoners worden geconfronteerd.

"Er is geen theorie die zegt dat, voor elke bewoner die u op de volgende manier toevoegt, de stad zal zich op een bepaalde manier gedragen, " hij zei.

Het hebben van een door machine learning verbeterd netwerk zoals AoT geeft wetenschappers een platform om enkele van de meer gecompliceerde vragen waarmee steden worden geconfronteerd, te onderzoeken.

"We hebben nu een experimenteel instrument waarmee de stad allerlei zeer specifieke vragen kan gaan stellen, en het instrument is programmeerbaar, ' zei Catlett.