Цифровизация возможна не только на предприятиях. Цифровая трансформация настигает даже города, чтобы сделать их более удобными для жителей и менее вредными для планеты. Сегодня мы подготовили для вас 8 интересных примеров по 4 разным направлениям об использовании больших данных (Big Data), машинного обучения (Machine Learning) и интернета вещей (Internet of Things) в улучшении городской инфраструктуры. Читайте в нашем материале, как оперативно следить за мусорными баками, состоянием лесопарков, велотранспортом и чистотой воздуха с помощью больших данных, машинного обучения и интернета вещей.
Интернет вещей для управления мусором
В Барселоне, которая считается одним из наиболее продвинутых мегаполисов в плане технического оснащения и удобства городской инфраструктуры, использование технологий Big Data и Internet Of Things в мусорных контейнерах существенно улучшило экологическую обстановку. Специальные ультразвуковые сенсоры, установленные в контейнерах, определяют степень их наполненности. По Wi-Fi информация отправляется в информационную систему коммунальных служб, которые отвечают за сбор мусора. На основании этих данных работники эффективно планируют свои маршруты и своевременно опустошают заполненные мусорные баки.
Таким образом, внедрение технологий принесло следующие положительные результаты [1]:
- оптимизация маршрутов мусороуборочных машин;
- сокращение времени на сбор мусора;
- экономия денежные средства на топливо, расходуемое спецтехникой при сборе мусора;
- сокращение выбросов вредных веществ в атмосферу.
Однако, современные мусорные контейнеры могут не только сообщать о наполнении, но и сами разбираться с отходами. Например, в Нью-Йорке, Женеве, Дублине, а также некоторых других городах Европы и США, установлены высокотехнологичные урны, которые самостоятельно прессуют мусор и упаковывают его. Примерная стоимость одной урны около $4 000. Благодаря этим устройствам Филадельфии удалось сократить количество мусоросборочных рейсов почти в 8 раз: с 17 до 2 [2].
Большие данные, интернет вещей и машинное обучение для ухода за городскими парками
Благодаря информационной системе на основе Machine Learning, которая анализирует большие данные о состоянии 2,5 млн деревьев, растущих в Нью-Йоркских парках, удалось на 22% сократить число случаев экстренного выезда на места падения крупных веток. Например, за 2009-2010 год только в Центральном парке из-за падающих веток пострадали 4 человека. Теперь программа на базе технологий Big Data рассчитывает регулярный график обрезки и ухода за большими деревьями, что существенно снижает риски их повреждения от штормов и сильных ветров [3]. Аналогичным образом машинное обучение и интернет вещей (в виде дронов) применяется в Швейцарии для обследования полостей в деревьях, а также для исследований лесопарков в Финляндии и Японии, о чем мы подробно рассказывали здесь.
Big Data в системах велопроката
Как Big Data, Machine Learning и Internet of Things применяются для оптимизации дорожной транспортной сети, мы опишем в отдельном материале, а в этой статье поговорим про, пожалуй, самый экологичный транспорт – велосипед. Благодаря комбинации вышеуказанных технологий по всему миру увеличивается доля городских велосипедистов. Например, с 2005 года в Париже действует система совместного использования велосипедов, чтобы любой турист и горожанин мог выбрать удобный для себя пункт велопроката. Датчики, установленные на каждой велопарковке, передают в систему данные о числе устройств, доступных для проката и число свободных парковочных мест. Все это оперативно отображается на интерактивной карте городского веб-сайта. Это увеличило популярность велотранспорта, улучшив дорожную и экологическую обстановку в мегаполисе.
Другие города и страны после успешного примера Парижа также реализовали подобную систему на основе Big Data и Internet of Things. В России это внедрено в Казани, Санкт-Петербурге, Сочи и, конечно, в Москве. С 2013 года в столице РФ действует около 300 станций велопроката. Только за 2015 год москвичи совершили около 900 тысяч поездок на арендованных велосипедах [2]. Сведения о велопарковках можно найти в свободном доступе на портале открытых данных правительства Москвы: наименование парковки, адрес и количество мест. Сведения об удобстве пользования, охране и автоматизации отсутствуют, в отличии от тематических ресурсов. Также велосипедные парковки отображаются в сервисах Яндекс.Карты и Яндекс.Транспорт. В 2016 году карта велопарковок «Велобайка» появилась в мобильном приложении «Яндекс.Карты» с функцией показа данных о наличии обычных и электровелосипедов, а также стояночных мест [4]. Подробнее про использование технологий Big Data, Machine Learning и Internet of Things в городском транспорте и оптимизации дорожной сети читайте в нашей следующей статье.
Machine Learning для контроля экологической обстановки
Для мониторинга и анализа уровня загрязненности городского воздуха в Сиднее установлено 14 специальных IoT-сенсоров, которые собирают большие данные о состоянии атмосферы и передают их в систему Национального центра ИКТ Австралии (NICTA) и Департамента защиты окружающей среды штата Новый Южный Уэльс (NSW EPA). Методы Machine Learning и алгоритмы прогнозирования обрабатывают эту информацию и рассчитывают индекс качества воздуха на ближайшие сутки. По значению этого показателя система предсказывает уровень загрязненности воздуха на ближайшие 24 часа в различных районах штата. Данная информация позволяет жителям и промышленным предприятиям оценивать качество воздуха и принимать меры по его улучшению [1].
Аналогичный проект планируется реализовать в Чикаго, чтобы уличные датчики измеряли температуру, влажность, уровень загрязнённости воздуха, тепла и ветра. Полученные данные будут использоваться аналитиками Big Data и профильными специалистами для изучения окружающей среды в городе и оперативного решения локальных экологических проблем, а также учитываться при планировании строительства новых жилых и производственных кварталов [2].
Еще больше интересных примеров и других полезных вещей по использованию больших данных, машинного обучения и интернета вещей в нашем учебном центре: практические курсы обучения пользователей, инженеров, администраторов и аналитиков Big Data в Москве.
Источники
