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
