Smart Ci­ties Pro­gno­se von Emis­sio­nen

We­ni­ger Emis­sio­nen im Stra­ßen­ver­kehr kön­nen die Luft­qua­li­tät ver­bes­sern. Städ­te kön­nen dies er­rei­chen, in­dem sie Staus durch in­tel­li­gen­te Ver­kehrs­lö­sun­gen ver­mei­den oder das zu Fuß ge­hen oder Rad fah­ren at­trak­ti­ver ma­chen – dort wo die Luft­ver­schmut­zung am größ­ten ist. Da­zu müs­sen die Be­hör­den den Ver­lauf der Schad­stoff­be­las­tung ken­nen. Mo­del­le auf der Ba­sis so­ge­nann­ter De­ep Neu­ral Net­works kön­nen ver­schie­de­ne Emis­sio­nen vor­her­sa­gen. Das Ex­po­nat zeigt die Pro­gno­se

der Luft­ver­schmut­zung am Bei­spiel Lon­don. Das Sys­tem lernt, wie die Emis­sio­nen von Koh­len­mon­oxid, Koh­len­di­oxid oder Stick­oxi­de mit Wet­ter­da­ten ver­knüpft sind, et­wa Luft­feuch­tig­keit, Son­nen­ein­strah­lung oder Tem­pe­ra­tur. Das Mo­dell be­rück­sich­tigt auch ta­ges­ab­hän­gi­ge Ver­kehrs­la­gen: Werk­ta­ge, Brü­cken- und Fei­er­ta­ge so­wie Events wie et­wa Mes­sen.

Nut­zen für den Kun­den

Die Pro­gno­se­mo­del­le nut­zen Smart Da­ta-An­wen­dun­gen. Sie ar­bei­ten mit ei­nem neu­en Ver­fah­ren des ma­schi- nel­len Ler­nens, dem De­ep Learning, das we­sent­lich mehr Ebe­nen künst- li­cher Neu­ro­nen ver­wen­det. Je­de Ebe­ne be­fasst sich mit je­weils ei­ner (an­de­ren) Abs­trak­ti­ons­ebe­ne. In­dem ei­ne Viel­zahl Ebe­nen mit­ein­an­der ver- knüpft wer­den, sind die Er­kennt­nis­se we­sent­lich de­tail­lier­ter als bei frü­he­ren neu­ro­na­len Net­zen.

Big Da­ta Me­tho­den

  • Neu­ro­na­le Netz­wer­ke
  • Ma­schi­nel­les Ler­nen
  • Pre­dic­tive Ana­lytics