边缘分析在智慧城市项目中的重要性日益增加

　　随着对智慧城市计划的不断推动，具有机器学习能力的边缘智能正在发挥重要作用。专家建议，边缘计算和机器学习将共同改变家庭自动化、交通管理、楼宇安全、基础设施管理和城市停车系统的游戏规则。

　　随着企业争相树立行业标杆，数字化转型正在兴起。物联网是关键的数字化转型技术之一，可以为这些企业带来优势，以获得他们寻求的技术进步。

　　为了鼓励经济发展和提高生活质量，“智慧城市”是卓越的创新数字模式和卓越的数字模式。智能城市的概念是智能家居系统、智能交通、智能建筑、智能交通信号灯、智能垃圾收集以及您认为可以为智能城市管理使用或提供有价值数据的所有其他东西的组合包。

　　一方面，新的物联网 （IoT） 应用正在为世界各地的智慧城市活动赋能，另一方面，随着所有这些数据被发送到云端或集中式数据中心，成本和延迟也随之增加。进一步分析和处理。在这种情况下，物联网部署需要在更靠近数据源（边缘）的地方处理信息和决策，从而减少与云数据传输相关的成本和时间。

　　可持续智慧城市的概念伴随着万物互联——人、设备和流程。它提供了一个更智能的数字世界，在这个世界中，一切都相互连接、交流并提高了生活水平。这种智慧城市的理念引入了智能建筑、交通管理，可以减少交通拥堵、水管理、废物管理等。

　　边缘智能在可持续智慧城市发展中的作用

　　显然，从不同的智慧城市组件收集的数据是巨大的。因此，数据泛滥是您在规划可持续智慧城市时需要考虑的挑战，因为管理起来既困难又昂贵。为了解决这个问题，智慧城市计划可以采用边缘分析，收集数据并进行分析。在边缘分析中，对从传感器、网络交换机或其他设备接收到的数据执行自动分析计算，而不是发送回集中式数据存储。通过在边缘通过分析算法运行数据，公司可以设置参数来决定哪些信息值得发送到云端供以后使用。这减少了连接设备的决策过程中的延迟。

　　为什么要为智慧城市提供边缘智能？

　　如上所述，边缘分析是一种从传感器、交换机或其他设备收集数据并分析这些数据的方法。边缘智能只不过是带有机器学习的边缘计算。边缘智能使数据预处理和决策能力更接近数据源，从而减少数据泛滥和通信延迟。因此，边缘智能结构可以节省时间和成本，这将是智慧城市管理的关键绩效指标。

　　边缘智能的优势

　　- 近乎实时的决策

　　- 低延迟

　　-降低沟通成本

　　-自治

　　-全分布式计算模型和本地身份

　　- 提高数据质量

　　- 减少数据量

　　- 预处理数据，以便只有决策或警报可以转发到云服务器，而不是原始数据

　　不同形式的边缘计算

　　边缘分析

　　边缘分析在传感器、网络交换机或其他连接设备处或附近对网络边缘的数据进行分析。无论是基于规则的决策还是负责主动处理事件/情况的复杂事件处理设计，所有这些都可以通过边缘分析来处理。借助智能传感器和连接设备，边缘分析需要硬件和软件平台来存储、准备数据以及训练和处理算法。在边缘处理和存储数据的能力也起着关键作用。

　　边缘机器学习

　　机器学习是系统在不受任何人为干扰的情况下自动学习和改进其操作的能力。例如，在自动驾驶汽车的情况下，机器学习应用程序在汽车本身（边缘）进行本地训练，以减少处理数据的带宽和延迟。更不用说，所需的生命安全因素；这些车辆即时处理数据并根据当前道路状况做出决策的能力至关重要，并且可以挽救生命。这将有助于识别超速车辆和骑自行车者的运动、改善交通流量、增强行人安全和优化停车。

　　边缘模式识别

　　对于模式识别，机器完全按照人脑思考的方式进行训练，并通过分析对象的各个方面来识别模式。人工智能中的模式识别是训练机器根据特定模式识别所需图像的地方。在边缘学习和预测交通和停车模式以及其他后勤数据是可能的。例如，如果系统发现某个路口 A 发生了一些事件，它将预测其他路口的实时影响。

　　走向边缘的设计要求

　　采用边缘智能时需要考虑各种属性和要求，例如可信度和信任、自主性、机器学习能力、自组织、自配置、自发现、自学习和自适应、策略-驱动操作、网格能力、弹性和语义互操作性。

　　任何收集和分析 OT 数据的物联网平台都应该在实现这一目标的方式上具有极强的适应性。OT 数据可以从各种来源获取，如下所述：

　　- 来自使用指定协议的传感器

　　- 来自 SCADA、DCS 等控制系统和其他控制硬件的专有系统

　　- 来自 ERP、数据历史学家、流程管理系统或任何自定义数据记录或监控系统等运营软件。

　　边缘分析的应用

　　智能停车解决方案

　　每天，人们都会浪费大量时间寻找空车位。如果人们确切地知道哪个停车位是可用的或空的，以及如何处理那个空的停车位，这种浪费时间是可以控制的。

　　智能停车是一种典型的物联网应用，可以通过实时识别空闲停车位的可用性来减少停车队列并快速找到空闲空间。该系统利用各种概念和图像检测系统以及已经存在的监控摄像头。这种边缘智能视觉停车位占用检测系统可以通过卷积神经网络 （CNN） 技术开发，可以为智能相机设计和部署。

　　家庭自动化

　　家庭自动化是物联网的另一个应用程序，您可以通过它提高家庭安全性。真正智能的智能家居是一个多层系统，几乎不需要用户管理，并且能够根据历史和实时数据做出决策。因此，家庭自动化系统应该能够识别重要的用户动作，评估事件的概率，并向网络内的其他设备发出适当的命令。

　　例如，Nest Cam IQ 室内安全摄像头在边缘使用图像和视频识别以及机器学习算法来监控运动或验证家庭成员的面部，从而实现更智能的安全漏洞检测和更少的误报。

　　交通管理与智能交通

　　流量管理是边缘计算技术的理想应用。通过在物理流量上本地部署计算智能，可以在边缘减少噪声数据。这显着减少了需要通过网络传输的数据量，从而降低了运营和存储成本。

　　智能交通提供由机器学习和边缘计算提供支持的实时流式交通信息。它通过互联基础设施、数据分析和机器学习来减少交通事故，从而优化交通系统并识别高事故交叉口。

　　机器学习部署在边缘设备上时，将使互联交通系统能够与有人驾驶和自动驾驶车辆互动并做出反应。机器学习工具从嵌入道路和交通信号灯、历史调查、雷达图像等的物联网 （IoT） 传感器收集交通数据。它研究交通模式并计算出繁忙交通何时开始和结束。然后智能交通系统根据学习动态调整红绿灯的信号配时。机器学习聚合和分析实时数据以控制交通信号灯和整个交通系统。

　　综上所述，边缘智能与机器学习的好处减少了数据泛滥并最大限度地减少了通信延迟，最终降低了成本。

　　审核编辑：郭婷