1. Trang chủ
  2. » Luận Văn - Báo Cáo

Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính đại học bách khoa Hà Nội

59 5 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 59
Dung lượng 1,66 MB

Nội dung

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ VIỄN THÔNG BÁO CÁO BÀI TẬP LỚN MÔN MẠNG MÁY TÍNH Đề tài Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh Đánh.

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ VIỄN THÔNG BÁO CÁO BÀI TẬP LỚN MÔN MẠNG MÁY TÍNH Đề tài: Tận dụng Deep Learning phân tích liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá định hướng tương lai GVHD: Trần Quang Vinh Nhóm Thành viên MSSV 20151432 20172488 20172673 20164425 20162474 Nguyễn Hoàng Hiệp Nguyễn Tiến Đức Lê Cơng Luận Vũ Đức Tuấn Phạm Đình Linh Hà Nội 6/2021 Tóm Tắt Sự gia tăng nhanh chóng dân số thị tồn giới đặt thách thức sống hàng ngày người dân, bao gồm ô nhiễm môi trường, an ninh công cộng, tắc đường, v.v Các công nghệ phát triển để quản lý tăng trưởng nhanh chóng cách phát triển thành phố thơng minh Tích hợp Internet of Things (IoT) sống công dân cho phép đổi dịch vụ ứng dụng thông minh phục vụ lĩnh vực xung quanh thành phố, bao gồm chăm sóc sức khỏe, giám sát, nơng nghiệp, v.v Các thiết bị cảm biến IoT tạo lượng lớn liệu phân tích để có thơng tin hiểu biết có giá trị giúp nâng cao chất lượng sống công dân Deep Learning (DL), lĩnh vực Trí tuệ nhân tạo (AI), gần chứng minh tiềm tăng hiệu hiệu suất phân tích liệu lớn IoT Trong khảo sát này, cung cấp đánh giá tài liệu liên quan đến việc sử dụng IoT DL để phát triển thành phố thông minh Chúng bắt đầu cách xác định IoT liệt kê đặc điểm liệu lớn IoT tạo Sau đó, chúng tơi trình bày sở hạ tầng điện toán khác sử dụng cho phân tích liệu lớn IoT, bao gồm đám mây, sương mù điện toán biên Sau đó, chúng tơi khảo sát mơ hình DL phổ biến xem xét nghiên cứu gần sử dụng IoT DL để phát triển ứng dụng dịch vụ thông minh cho thành phố thông minh Cuối cùng, phác thảo thách thức vấn đề phải đối mặt trình phát triển dịch vụ thành phố thông minh Contents I Giới thiệu Các công việc liên quan đóng góp khảo sát Nền tảng khái niệm 3.1 Internet of Things 3.1.1 Kiến trúc IoT 3.1.2 Đặc điểm liệu lớn IoT 10 3.2 Cơ sở hạ tầng tính tốn cho phân tích liệu lớn IoT 11 3.2.1 Điện toán đám mây 12 3.2.2 Điện toán sương mù 13 3.2.3 edge computing 14 3.3 Học kĩ 14 3.3.1 Phân loại mơ hình học sâu 15 3.3.2 Công cụ học sâu 20 3.3.3 Deep learning datasets (Bộ liệu học sâu) 25 Sử dụng học sâu ứng dụng thành phố thông minh: Nhận xét văn học Việc sử dụng kỹ thuật DL để phân tích liệu IoT có tác động đáng kể đến số khu vực thành phố Công nghệ nâng cao chất lượng sống cư dân thành phố, giúp đạt tầm nhìn thành phố thông minh thể hiệu suất tuyệt vời làm việc với liệu lớn 26 4.1 Nhà thông minh: Quản lý lượng 28 4.2 Chăm sóc sức khỏe thơng minh 30 4.2.1 Chăm sóc người cao tuổi 30 4.2.2 Dự đoán dịch bệnh 31 4.2.3 Đánh giá chế độ ăn uống 32 4.3 Giao thông thông minh 32 4.3.1 Giao thông thông minh 33 4.3.2 Đỗ xe thông minh 33 4.4 Giám sát thông minh 35 4.4.1 Phát đám cháy 35 4.4.2 Dự đoán tai nạn 35 4.5 Nông nghiệp thông minh 37 4.5.1 Phát bệnh 37 4.5.2 Đếm thông minh 38 4.6 Môi trường thông minh 39 4.6.1 Chất lượng khơng khí 40 4.6.2 Phát rác thải 41 Thảo luận 43 Sử dụng deep learning cho thành phố thông minh: Thách thức vấn đề mở cho nghiên cứu tương lai 45 6.1 Thách thức 45 6.1.1 Thách thức công nghệ 46 6.1.2 Thách thức kinh doanh 49 6.2 Xu hướng tương lai 50 6.2.1 Cải thiện mơ hình với transfer learning 50 6.2.2 Sự xuất microservice phân tích liệu 51 6.2.3 Tích hợp liệu di động, 5G 6G với phân tích IoT 52 6.2.4 Blockchain cho hệ thống IoT an toàn phân tán 53 6.2.5 Phân tích IoT đáng kỳ vọng mở rộng 53 6.2.6 Đảm bảo chất lượng tính tồn vẹn liệu với yếu tố phụ thuộc không gian 54 Kết luận 55 I Giới thiệu Ngày nay, 50% dân số giới sống thành phố theo báo cáo, tỷ lệ cư trú thành thị đạt 68% vòng 30 năm tới [1] Theo Liên Hợp Quốc, dân số giới tăng 2,5 tỷ người vào năm 2050 Sự tăng trưởng vượt bậc đặt số thách thức thành phố, bao gồm việc quản lý phát triển bền vững khu vực đô thị khả đảm bảo chất lượng sống tuyệt vời cho người dân Vì vậy, việc phát triển thành phố thông minh cần coi giải pháp vừa hiệu vừa cấp bách để hỗ trợ số nhu cầu dân số ngày tăng Mặt khác, phát triển nhanh chóng IoT phân tích liệu lớn thường coi yếu tố việc triển khai dịch vụ thành phố thơng minh [2] IoT phân tích liệu lớn thu hút ý quan trọng tồn cầu, trình bày Hình Sự phát triển liên tục cơng nghệ đóng vai trò quan trọng phát triển hệ thống thông minh lĩnh vực khác sống thành phố Thành phố thông minh khai thác hưởng lợi từ việc thu thập xử lý liệu cách sử dụng công nghệ truyền thơng, mạng máy tính khác nhau, từ dẫn đến đổi dịch vụ thông minh lĩnh vực khác bao gồm y tế, giao thông, an ninh, v.v Để hỗ trợ phát triển thành phố thông minh, hàng tỷ đô la giao cho sáng kiến thành phố thơng minh Hình cho thấy dự đốn Statista [3] khoản đầu tư công nghệ có sẵn để hỗ trợ phát triển thành phố thông minh từ đến năm 2023 IoT đề cập đến kết nối hàng tỷ tệ nạn thông minh [4] Công nghệ cung cấp cho đối tượng vật lý khả bắt chước đặc điểm người nhìn, nghe, suy nghĩ định để giao tiếp, chia sẻ thông tin phối hợp hành động với Những khả biến vật thể đơn giản thành thiết bị thơng minh hoạt động thời gian thực, điều chỉnh theo hoàn cảnh hoạt động mà không cần can thiệp giám sát người Các cảm biến thiết bị truyền động thông minh tương tự nhúng vào khu vực khác thành phố, điều làm phát sinh sưu tập lượng liệu khổng lồ [5] Dữ liệu gath-ered phải lưu trữ, phân tích xử lý trước trình bày dạng hữu ích [6] Sự phát triển gần liệu IoT dẫn đến xuất phát triển phân tích liệu thời gian thực, bao gồm Máy học (ML), DL sở hạ tầng điện tốn [7] Gần đây, phân tích liệu lớn IoT trở thành công việc nghiên cứu phổ biến [8–10] [NO_PRINTED_FORM], đặc biệt phương pháp xử lý liệu theo phương pháp truyền thống ghi lại nhiều giới hạn khác nhau, đặc biệt làm việc với lượng lớn liệu Các thuật toán DL đề xuất phương tiện để giải vấn đề Các thuật toán DL cho phép nhà nghiên cứu xử lý lượng lớn liệu thô thời gian thực với độ xác cao hiệu cao [11] Một số nghiên cứu sử dụng kỹ thuật DL thực lĩnh vực khác kết thu cho thấy tầm nhìn lớn thành phố thông minh số bước quan trọng đường phát triển chúng [12] Trong khảo sát này, chọn thành phố thơng minh lĩnh vực ứng dụng IoT, thành phố thơng minh liên quan đến loạt trường hợp sử dụng IoT Sau [13,14], xác định sáu trường hợp sử dụng bắt nguồn từ thành phố thông minh giả định, bao gồm: nhà thơng minh, chăm sóc sức khỏe thơng minh, giao thơng thông minh, giám sát thông minh, nông nghiệp thông minh môi trường thông minh Chúng tập trung vào việc sử dụng mơ hình DL để phát triển ứng dụng thông minh cho trường hợp sử dụng này, thách thức tiềm ẩn vấn đề mở khác liên quan đến Hình minh họa trường hợp sử dụng Phần lại viết tổ chức sau Trong Phần 2, xem xét nghiên cứu liên quan trước đó, so sánh nghiên cứu công việc chúng tơi, xác định đóng góp khảo sát Miền IoT, kỹ thuật DL sở hạ tầng điện toán IoT trình bày giải thích Phần Các ứng dụng IoT cho thành phố thông minh sử dụng DL xem xét, tóm tắt minh họa Phần Trong Phần 5, thảo luận việc sử dụng kỹ thuật DL IoT ứng dụng thành phố thơng minh để cung cấp hình ảnh dễ hiểu khái niệm ứng dụng thành phố thông minh IoT DL cho nghiên cứu tương lai Trong Phần 6, thách thức vấn đề mở liên quan đến phát triển thành phố thông minh sử dụng kỹ thuật DL trình bày Cuối cùng, khảo sát kết thúc Phần Cấu trúc chi tiết khảo sát trình bày Hình Figure Đầu tư cơng nghệ để phát triển thành phố thơng minh tồn giới [3] Figure Số lượng tìm kiếm Google cho cụm từ '' Internet of Things '' '' phân tích liệu lớn '' kể từ năm 2010, theo xu hướng Google Figure Các trường hợp sử dụng coi thành phố thông minh khảo sát Các công việc liên quan đóng góp khảo sát ẩn đối mặt với việc áp dụng thuật tốn phân tích liệu IoT Phân tích liệu IoT gần thu hút ý rộng rãi lĩnh vực khác nhau, dẫn đến việc nhà nghiên cứu tiến hành số khảo sát chủ đề Các khảo sát bao gồm điều tra việc uti-lization ML điều tra khác tập trung vào việc sử dụng DL để phục vụ ứng dụng IoT Một số khảo sát có liên quan liên quan đến phân tích liệu lớn IoT kỹ thuật DL liệt kê đây, so sánh khảo sát để phác thảo đóng góp cơng việc chúng tơi cho nỗ lực Zhang cộng [17] đề cập đến việc sử dụng DL mạng di động mạng không dây Các phương pháp tiếp cận DL khác thảo luận ứng dụng chúng mạng di động xem xét Các tác giả nhấn mạnh cách điều chỉnh DL mạng di động đưa bảng tổng hợp tảng đa dạng sử dụng để tạo điều kiện thuận lợi cho việc triển khai Mohammadi cộng [15] báo cáo phương pháp tiếp cận DL gần cho ứng dụng IoT Các tác giả bắt đầu khảo sát họ cách giới thiệu đặc điểm khác liệu lớn tạo từ IoT thảo luận cách rút phân tích từ liệu Các loại kiến trúc DL khác nghiên cứu khác khám phá việc sử dụng DL lĩnh vực IoT khác khảo sát Cuối cùng, tác giả đề cập đến việc sử dụng DL cho liệu IoT ứng dụng dịch vụ khác bao gồm địa hóa nhà, nhận dạng hình ảnh / giọng nói, bảo mật, quyền riêng tư, v.v Mahdavine cộng [16] trình bày khảo sát thảo luận kỹ thuật ML khác sử dụng để phân tích xử lý liệu IoT trường hợp sử dụng thành phố thông minh khác Các tác giả xác định cung cấp phân loại thuật toán ML xem xét việc sử dụng thuật toán việc phát triển ứng dụng thành phố thơng minh Ngồi ra, họ thảo luận thách thức tiềm Trong [18], Zhang et al xem xét cơng trình có áp dụng kỹ thuật DL để học tính liệu lớn Các tác giả loại bỏ bốn mơ hình DL điển hình: mã hóa tự động xếp chồng lên nhau, mạng tín ngưỡng sâu, mạng nơ-ron tích tụ mạng nơ-ron lặp lại Họ xem xét mơ hình DL để xử lý liệu lớn phân loại chúng thành bốn nhóm phù hợp với bốn loại liệu: nhóm lượng lớn liệu, nhóm liệu khơng đồng nhất, nhóm liệu thời gian thực cuối liệu chất lượng thấp nhóm Qolomany cộng [19] trình bày khảo sát xem xét việc sử dụng ML để phân tích liệu lớn nhằm tăng cường phát triển tịa nhà thơng minh Hơn nữa, họ báo cáo phân loại ứng dụng / hệ thống tòa nhà thông minh khác phát triển kỹ thuật ML sử dụng chúng, bao gồm chăm sóc người già nhà, tiết kiệm lượng, giải trí, an ninh dự án khác Chen cộng [20] cung cấp khảo sát việc sử dụng DL cho liệu thành phố thông minh Họ xem xét mơ hình DL phổ biến tổng hợp nghiên cứu ứng dụng dịch vụ trường hợp / kịch sử dụng thành phố thông minh khác nhau, bao gồm giao thơng, chăm sóc sức khỏe, mơi trường an ninh Bảng cung cấp tóm tắt cơng trình chi tiết trước liệt kê hạn chế chúng để phác thảo đóng góp khảo sát Những đóng góp nghiên cứu đề xuất bao hàm câu hỏi nghiên cứu sau: (Q1) Các trường hợp sử dụng hệ sinh thái thành phố thơng minh gì? (Q2) Phân loại thuật toán DL sử dụng nhiều áp dụng IoT gì? (Q3) Các thuật tốn DL áp dụng cho ứng dụng / kịch / trường hợp sử dụng thành phố thông minh IoT? (Q4) Những thách thức vấn đề mở đối mặt với phát triển thành phố thông minh sử dụng thuật tốn / mơ hình DL gì? Tóm lại, khảo sát cung cấp nội dung sau câu trả lời cho câu hỏi nghiên cứu liệt kê trước đây: Cuộc khảo sát Mohammadi et al [15] 2018 Mahdavine et al.[16] 2018 Zhang et al [17] 2018 Zhang et al [18] 2018 Tạp chí Phương pháp luận Miền Trường hợp Mục đích Hạn chế IEEE Communications Surveys & Tutorials Khảo sát toàn diện IoT Smart home Đánh giá phương pháp tiếp cận DL gần cho ứng dụng dịch vụ IoT Digital Communications and Networks Khảo sát toàn diện Smart city IEEE Communications Surveys & Tutorials Khảo sát tồn diện - Khơng tập trung chuyên sâu vào dịch vụ ứng dụng thành phố thông minh IoT - Không giải thách thức kỹ thuật / kinh doanh khác vấn đề mở liên quan đến phát triển thành phố thông minh - Chỉ xem xét bốn trường hợp sử dụng liên quan đến ứng dụng thành phố thơng minh: lượng thơng minh, tính di động, công dân quy hoạch đô thị - Không điều tra việc sử dụng kỹ thuật DL để phân tích liệu thành phố thơng minh IoT - Không thảo luận vấn đề mở liên quan đến phát triển thành phố thông minh - Không điều tra việc sử dụng DL ứng dụng IoT khác nhau, đặc biệt việc phát triển thành phố thông minh Thông tin kết hợp Khảo sát toàn diện Smart city Smart energy Smart healthcare Agriculture Education Sports Retail IoT infrastructures Smart energy Smart mobility Smart citizens Urban planning Xem xét kỹ thuật ML ứng dụng chúng trường hợp sử dụng thành phố thông minh Mạng di động - Đánh giá kiến trúc DL việc sử dụng chúng mạng di động Big data Lượng lớn liệu Dữ liệu không đồng Real-time data Low-quality data Đánh giá số cơng trình áp dụng kỹ thuật DL để học tính liệu lớn - Chỉ xem xét nghiên cứu sử dụng mơ hình DL để học tính big data - Khơng điều tra cụ thể việc sử dụng DL ứng dụng IoT khác - Không xem xét ứng dụng IoT sử dụng mơ hình DL cho thành phố thơng minh Cuộc khảo sát Qolomany et al [19] 2019 Chen et al [20] 2019 Tạp chí Phương pháp luận Miền Trường hợp Mục đích Hạn chế IEEE Access Khảo sát tồn diện Smart building Chăm sóc người cao tuổi nhà Hiệu suất lượng Thoải mái giải trí An tồn bảo mật Các dự án khác Đánh giá việc sử dụng ML phân tích liệu lớn để phát triển tịa nhà thơng minh IEEE Transactions on Emerging topics in computational intelligence Khảo sát tồn diện Smart city Vận chuyển Chăm sóc sức khỏe Mơi trường An tồn cơng cộng Đánh giá việc sử dụng DL cho liệu thành phố thông minh, tóm tắt mơ hình DL phổ biến khảo sát cơng trình liên quan đến ứng dụng thành phố thông minh áp dụng kỹ thuật DL - Không xem xét việc triển khai mô hình ML sương mù / điện tốn biên - Không xem xét kỹ thuật DL - Không tập trung vào trường hợp sử dụng thành phố thông minh dựa IoT - Không bao gồm trường hợp sử dụng nhà thông minh nông nghiệp - Không điều tra việc sử dụng đám mây, sương mù điện toán biên với ứng dụng dựa DL - Không bàn đến vấn đề liệu lớn IoT Q1: Là lĩnh vực ứng dụng công nghệ liên quan đến IoT, chọn thành phố thông minh Một số hệ thống IoT hỗ trợ làm phương tiện phục vụ miền thành phố khác Chúng phân loại dịch vụ thành sáu trường hợp sử dụng bao gồm nhà thơng minh, chăm sóc sức khỏe thơng minh, giao thơng thơng minh, giám sát thông minh, nông nghiệp thông minh môi trường thông minh Q2: Trong vài năm qua, kỹ thuật ML sử dụng nhiều mô hình DL Các mơ hình đạt thành công ứng dụng khác nhau, chẳng hạn xử lý hình ảnh, giọng nói, nhận dạng mẫu Trong khảo sát này, đề xuất xem xét mơ hình DL có liên quan phân loại chúng thành sáu nhóm mơ hình áp dụng lĩnh vực liệu lớn IoT Các mod-els bao gồm: (1) mạng nơ-ron tích tụ, (2) mạng neu-ral lặp lại, (3) mạng niềm tin sâu sắc, (4) mã hóa tự động xếp chồng lên nhau, (5) học tập củng cố sâu sắc, (6) mạng lưới đối thủ chung Q3: Để điều tra việc sử dụng DL, xem xét khoảng 60 báo liên quan kiểm tra việc sử dụng phân tích liệu lớn IoT thành phố thơng minh Chúng tơi thảo luận cơng trình để cung cấp hiểu biết kỹ thuật thuật toán DL sử dụng ứng dụng thành phố thông minh IoT Cuộc thảo luận giúp người khác hiểu thuật toán DL phù hợp để xử lý liệu lớn IoT tạo thu thập từ thiết bị thơng minh Q4: Phát triển thành phố thơng minh địi hỏi phải đối mặt với nhiều thách thức kinh doanh kỹ thuật Trong khảo sát này, chúng tơi xác định thách thức làm sáng tỏ vấn đề liên quan liên quan đến việc sử dụng DL thành phố thông minh [105] Tác giả tạo tập liệu rác CNN mới, nơi họ thu thập 681 ảnh Tính tốn biên đường phố từ cameras phương tiện Tác giả xây dựng tập liệu CNN Tính tốn tên Shandong Suburb Garbage biên bao gồm ảnh chất lượng cao Tập liệu Coco R-CNN Tính tốn đám mây trình liên quan rút từ hình ảnh cho Thảo luận • Nhận dạng: để nhận kiện, mục đích phân loại phát đối ứng dụng nhận dạng sử dụng Các tượng Ví dụ ứng dụng liên quan ứng dụng sử dụng rộng bao gồm phát bệnh lá, rãi ứng dụng thành phố thông minh IoT phát đếm thể tốt hiệu suất sử dụng [155,156,169] Mơ hình DL sử mơ hình DL Các ứng dụng sử dụng ứng dụng CNN dụng hình ảnh video làm liệu đầu • Phát hiện: để phân loại liệu lớn vào, cung cấp từ camera giám thu thập từ IoT phân biệt đối sát thành phố thơng minh thiết tượng, thuật tốn phát công bị di động máy ảnh mọi người sử nghệ sử dụng nhiều Phát dụng Cũng cần lưu ý hầu hết đối tượng định nghĩa kỹ thuật nghiên cứu nơng nghiệp cơng xử lý hình ảnh video để khám phá 43 • trạng thái phân loại đối tượng đoán sử dụng nhiều phát Một số ví dụ tình ghi lại liệu thời gian phát bao gồm phát rơi khoảng thời gian dài nhớ [129,130] phát đám cháy quên liệu cần thiết [104,149] Mơ hình CNN mơ hình cách sử dụng ba cổng Các mơ hình thường xun sử dụng thuật toán LTSM sử dụng tình DL để phát hiện, loại nơron sâu ứng dụng khác nhau, chẳng hạn mạng xử lý liệu lớn với dự đốn tai nạn giao thơng [95,150] kiểu liệu khác định dạng dự báo lượng lượng tiêu thụ để Dữ đoán: để dự đoán kiện xác quản lý tốt nhà thông minh định hành động cần thực hiện, thuật [106,121–125] toán DL sử dụng để dự đoán / • Tối ưu hóa: lợi phân tích dự báo RNN biến thể quan trọng áp dụng DL thuật toán thường dùng ứng dụng IoT tối ưu hóa việc dự đốn Những mơ hình dịch vụ thành phố cách cải cung cấp kết tốt mặt hiệu tiến quy trình, đảm bảo hiệu suất chúng nắm bắt liệu hệ thống xác định vấn đề hiệu theo chiều thời gian, điều mà mơ suất Các mơ hình DRL thường sử hình CNN khơng thể làm RNN dụng nhiều để đảm bảo tối ưu có khả ghi nhớ phân tích hóa này, điều khai thác liệu liệu chất lượng nhiều Loại mô hình sử dụng khơng khí ngày khoảng DL để đảm bảo tối ưu hóa khả năng, kết thời gian địa điểm xác định [162] Ở hợp với kỹ thuật học tập củng cố cho đây, LSTM tối ưu mơ hình dự 44 phép hệ thống tự học mà không cần gian, dẫn đến hiệu độ can thiệp người xác Bảng 11 phân loại nghiên cứu khác • RBM, DBN SAE mơ hình trình bày trước đây, theo mơ hình DL sử dụng Họ DL cơng trình áp dụng, sử dụng chủ yếu cho nhiệm vụ trường hợp sử dụng thành phố thông phân loại để giúp phát minh, mục tiêu danh mục phân tích ứng dụng dự đoán chúng hoạt liệu Sau xem xét nghiên cứu này, động tốt việc giảm đầu xác định xu hướng sau vào nhiều chiều phát đặc việc sử dụng mơ hình DL để phân tích trưng phân cấp liệu thành phố thơng minh: • Các mơ hình CNN cung cấp hiệu suất • DRL đạt tiến lớn lĩnh vực sử dụng DL kịch tuyệt vời cho ứng dụng hình thành phố thơng minh Kiến ảnh, cho mục đích nhận dạng trúc trích xuất đặc phát Những mơ hình kỹ trưng phong phú cho phép thuật DL sử dụng nhiều ứng dụng học hỏi từ môi trường sử sử dụng tất dụng hẹ thống theo cách giống trường hợp sử dụng đề cập người thành phố thơng minh • Các mơ hình RNN thích hợp cho Sử dụng deep learning cho thành phố thông minh: Thách thức vấn đề mở cho ứng dụng dự đốn LSTM mơ nghiên cứu tương lai hình sử dụng nhiều 6.1 Thách thức nắm bắt liệu tương quan thời gian liệu chuỗi thời Phát triển hệ sinh thái thành phố thông minh đòi hỏi phải xem xét số thách 45 thức Những thách thức phân loại thành hai quan điểm, kỹ thuật kinh doanh, minh họa Hình 20 6.1.1 Thách thức cơng nghệ với mơ hình DL có phát 6.1.1.1 Bảo mật quyền riêng tư Những mối đe dọa ảnh hưởng đến hiệu suất Một thách thức mơ hình giảm độ xác, tính ứng dụng IoT khác liên quan đến thành hợp lệ độ tin cậy chúng Một ví dụ phố thông minh phải đối mặt vấn đề bảo mối đe dọa đưa vào liệu sai [170], lợi mật Gần đây, loại mối đe dọa khác đối thiết bị IoT cảm biến nơi 46 khác để gửi phép đo liệu sai lệch Tuy nhiên, giải pháp đề Đưa vào liệu sai nhằm mục đích đánh lừa xuất dễ bị tổn thương bị cơng hoạt động quy trình phân tích, dẫn đến kết làm hỏng công [173] Thật quả, lời khuyên, dự đoán bị lỗi vậy, tin tặc phát triển thuật tốn DL Ngồi ra, quyền riêng tư tìm hiểu cách phương pháp DL khác phát coi thách thức lớn liên quan đến hệ sinh mối đe dọa, sau tạo thái thành phố thơng minh Trong bối cảnh cơng khó phát ứng dụng IoT, cảm biến thiết kế để 6.1.1.2 Thách thức liệu lơn IoT thu thập liệu giây đặt địa Một khối lượng lớn liệu tạo điểm công cộng khác Những liệu thiết bị IoT khác nhau, điều gây chứa hình ảnh người, tiếng số khó khăn liên quan đến lưu trữ, giao tiếp, nói hành vi, chuyển thành sương xây dựng phân tích chúng Lưu trữ liệu mù/hoặc đám mây để phân tích xử lý Gửi tạo kéo theo thách thức nghiêm trọng dài liệu nhạy cảm lên đám mây dẫn đến nhiều mối hoannj, liệu khơng thể quan tâm quyền riêng tư (ví dụ: hình ảnh quản lý công cụ quản lý sở liệu người có khn mặt hành vi truyền thống thông thường Cơ sở hạ tầng đặc chụp nơi công cộng, liệu y tế bệnh biệt yêu cầu để xử lý số lượng lớn liệu nhân, v.v.) Hơn nữa, việc liệu xảy có cấu trúc phi cấu trúc Ngoài ra, việc phân [171] Ngoài ra, liệu thu thập tích liệu lớn IoT yêu cầu công nghệ đám mây / sương mù bị khai thác cụ thể để trích xuất hiểu biết thơng tin bên thứ ba không phép sử dụng có giá trị Các yêu cầu bao gồm xử lý chí truy cập liệu [172] Một số hiệu suất cao, dịch vụ điện toán đám mây cơng trình nghiên cứu đề xuất thuật tốn bảo mở rộng, sương mù mơ hình cạnh, phần vệ quyền riêng tư để giải vấn đề mềm để phân tích liệu lớn, chẳng hạn 47 Apache Hadoop, v.v Hơn nữa, việc tạo kích thước lớn (ví dụ: hình ảnh thu thập liệu lớn làm tăng thách thức phân tích chất từ vệ tinh) Tiền xử lý cơng việc tốn lượng, nhanh chóng liệu nhiều thời gian tốn để chuẩn bị • [174,175] Các nhà nghiên cứu gặp phải vấn đề hạn chế sẵn có liệu 6.1.1.3 Giới hạn Deep learning Các mơ hình DL áp dụng số lĩnh vực, đặc biệt kịch thành phố thông minh khác lĩnh vực liên quan đến nông nghiệp tạo kết tốt Ngoài ra, ứng Trong trường hợp tình dụng DL đạt độ xác cao khác nhau, nhà nghiên cứu có nghĩa phân loại tỷ lệ sai sót thấp để dự đốn vụ phát triển liệu riêng họ, địi nhiều tình Tuy nhiên, có số tình hỏi nhiều thời gian cơng sức mà mơ hình giải pháp đầy đủ Một số hạn chế cần xem xét: • • • • Sử dụng mơ hình DL, giải pháp hiệu phát triển để làm Các mơ hình DL cần liệu lớn để việc tốt với vấn đề cụ thể Tuy cung cấp kết tốt, đặc biệt kỹ nhiên, chúng khái quát thuật học có giám sát u cầu hàng hóa cho mục đích tương tự trăm hình ảnh khơng giống nhau; tương tự vậy, Việc xem xét tập liệu lớn làm chúng khơng thể khái qt hóa q trình đào tạo phức tạp, tốn sử dụng nhiều lần giới hạn tập mặt tính tốn tốn thời gian liệu ban đầu Ví dụ, [177], mơ [176] hình hoạt động tốt việc phát Trong số trường hợp, trước đào đếm màu đỏ cà chua, tạo tập liệu, việc xử lý trước liệu không phát xanh cần thiết, đặc biệt hình ảnh có 48 • Các mơ hình DL hoạt động hộp đen nhiều mây, xe tăng đồng mà người dùng gửi đầu vào kết minh chụp vào ngày nắng Kết đầu mà không cần biết cách thức hoạt là, mơ hình học cách phân biệt động quy trình [178] Chạy dựa màu sắc bầu trời vào hộp đen giúp cải thiện độ ngày nắng u ám xác kết mơ hình theo thời gian, chứng minh điểm dễ bị tổn thương, đặc biệt 6.1.2 Thách thức kinh doanh dự đoán ứng dụng mơ 6.1.2.1 Quy hoạch hình DL học hỏi từ liệu đầu vào Quy hoạch thách thức quan trình đào tạo Tuy nhiên, trọng việc xây dựng thành phố thông mơ hình giống hộp đen, minh phải xem xét trước bắt đầu khó để đảm bảo việc đào tạo [180] Một kế hoạch phát triển phải chuẩn thực tốt số trường bị cho thành phố dựa nhu cầu công hợp, kết mô hình khơng hiệu dân, điều giúp tránh nhiều vấn đề Ví dụ, [179], Nó báo lỗi dịch vụ dư thừa mạng lưới vận cáo ứng dụng qn sự, tải khơng phối hợp mơ hình phát triển để phát xe Lập kế hoạch giúp cho việc cải thiện tăng đồng minh/địch thể tốt độ sở vật chất dịch vụ thành phố cách xác với hình ảnh thử nghiệm Tuy xác định khu vực cần nâng cao tạo điều nhiên, sau triển khai, có độ kiện thuận lợi cho việc tích hợp hệ thống cũ xác xử lý hình ảnh hệ thống hệ sinh thái Đó sau phát hình ảnh 6.1.2.2 Giá thành xe tăng địch chụp vào ngày 49 Một điểm đặc biệt mở rộng độ tin cậy Một số cơng nghệ có liên thành phố thông minh kết nối tất quan tích hợp để phát triển dịch vụ cấu trúc thành phần [181] Tuy nhiên, liên thành phố thông minh, bao gồm dịch vụ đám kết coi tốn với phủ mây, lưu trữ framework tảng xử lý Nó số trường hợp mà số thiết bị, biến quan trọng để đảm bảo chất lượng dịch vụ cảm, truyền động phần mềm phải được cung cấp công nghệ cần thiết, để triển khai thực Ví dụ, việc lắp đặt đảm bảo sinh thái thành phố thông minh, linh hệ thống giám sát thông minh yêu cầu sử dụng hoạt, mạnh mẽ hệ đáng tin cậy [185] hệ thống thiết bị để nắm bắt, thu thập 6.2 Xu hướng tương lai liệu phân tích Các yêu cầu tốn để 6.2.1 Cải thiện mơ hình với transfer learning thực Ngoài ra, bất kỳ lỗi q Transfer-learning mơ hình học trình cài đặt thường dẫn đến tổn thất cao ảnh mà học từ kiến thức trước đó, sau hưởng đến quản lý thành phố theo cách tiêu chuyển giao sử dụng kiến thức để giải cực Do đó, chi phí thách thức quan trọng vấn đề [186] Chính lợi phát triển thành phố thông minh phải đối mô hình giai đoạn đào tạo mơ hình mặt ngày quản lý với tài nguyên tối thiểu 6.1.2.3 Chất lượng dịch vụ thời gian ngắn so với nhiều mơ hình DL sử Để thiết lập hệ sinh thái thành dụng kiểu học truyền thống (có giám sát / phố thơng minh thành công, chất lượng dịch vụ không giám sát / tăng cường) Một số cơng trình (QoS) ứng dụng cung cấp nghiên cứu điều tra việc sử dụng mơ hình đặc tính quan trọng cần phải để ý [182] Các DL với transfer-learning [107,169, 187–189] số QoS khác [183,184] sử dụng để Trong tương lai, chúng tơi hy vọng có nhiều kiểm tra chất lượng ứng dụng / hệ thống bao ứng dụng sử dụng transfer-learning gồm thời gian phản hồi, tính khả dụng, khả 50 trường hợp sử dụng thành phố thông minh khác đỗ xe thơng minh ứng dụng chăm sóc người cao tuổi Một số cải tiến cung cấp sử dụng transfer-learning : • • • • Cải thiện hiệu suất: điều 6.2.2 Sự xuất microservice phân tích liệu Cơng nghệ microservices [190], là tăng tốc trình biến thể công nghệ dịch vụ Web học tập Một nhiệm vụ [191,192], cho phép phát triển ứng dụng không đầu IoT cách sử dụng tập hợp thực thể kiến thức chung tập tinh chỉnh, ghép nối lỏng lẻo tái hợp từ nhiệm vụ trước sử dụng Trên thực tế, dễ thay đổi Giảm nỗ lực chi phí việc thực thể chỉnh sửa chúng để nâng cao đào tạo liệu thu ứng dụng khả mở rộng, khả mở thập từ nhiều nguồn rộng tái sử dụng Nâng cao độ xác học Do đó, việc tạo framework dựa đa tác vụ microservices xử lý dịch vụ DL Hỗ trợ phân tích liệu thời hỗ trợ tăng cường phân tích liệu lớn IoT gian thực: dịch vụ thành phố cho phép kiến trúc tích hợp thông minh bao gồm số xử lý phân tích liệu lớn cung cấp ứng dụng cần phân tích thời dịch vụ mạnh mẽ cho nhiều phạm vi ứng dụng gian thực để đảm bảo hiệu IoT [193,194] hoạt động họ Những Một số cải tiến cung cấp ứng dụng, gọi cách tích hợp cơng nghệ microservices với phân ứng dụng nhạy bén với thời tích dựa DL bao gồm: gian, bao gồm kịch 51 • • • • Khả nâng cao tăng thể nắm bắt hoạt động hàng ngày người hiệu suất ứng dụng dùng cuối, hỗ trợ cảm biến giao DL đặc biệt tính khả dụng tiếp nhúng Sử dụng liệu di động để thời gian phản hồi xử lý với phương pháp tiếp cận DL coi Tính động hệ giải pháp hiệu để nâng cao tính thơng thống DL phát triển minh dịch vụ thành phố [195] Ví dụ, nâng cao hệ thống ăn trưa [196], tác giả điều tra việc sử dụng chế biến trở nên nhanh mơ hình DL để phân tích liệu di động hơn, giảm độ trễ Apache Spark Mô đun ứng dụng Do việc sử dụng liệu di động ngày dịch vụ DL phức tăng tầm quan trọng tạp chia thành analytics [197,198], mạng truyền thông cần microservices đơn giản, có cập nhật để hỗ trợ vấn đề quan thể tái sử dụng trọng Hiện tại, nghiên cứu chuyển tiếp Dễ dàng cấu hình lại ứng sang hệ thứ năm (5G) để cung cấp dụng dựa microservices tảng đa chức năng, mở rộng linh hoạt có, thường cách giải vấn đề với chi phí thêm, cập nhật xóa cơng suất tối thiểu chúng 5G khơng phần mở rộng 6.2.3 Tích hợp liệu di động, 5G 6G với hệ thứ tư: là mạng khơng phân tích IoT dây với kiến trúc có khả vận Thiết bị di động thường coi rẻ chuyển tốc độ liệu cao, với độ trễ thấp độ hiệu quả, tảng thu thập liệu phổ tin cậy lớn [199] Mạng đề xuất phát triển biến Ngồi ra, chúng có sẵn khắp mọi nơi, có sử dụng cơng nghệ truy cập vơ tuyến 52 đặc trưng tốc độ liệu cao, vượt Gần đây, công nghệ blockchain thu qua 100x mạng 4G [200] Tích hút ý nhà nghiên cứu hợp sofmwarization với mạng không dây lĩnh vực khác Xie cộng [205] xác tạo nhiều thay đổi cảm biến, tốc độ trí định blockchain "một chuỗi khối, chứa thơng minh, từ tạo hội cho danh sách đầy đủ ghi giao dịch giống IoT [201] phát triển thành phố thông minh sổ công khai thông thường" Blockchain [202] Kết là, sử dụng 5G sở hạ giới thiệu để hỗ trợ việc triển khai chiến tầng IoT phải coi nghiên cứu mở lược bảo mật, sử dụng [203] Để làm cho mọi thứ trở nên thông minh, nhiều ứng dụng lĩnh vực khác nghiên cứu không dây Mạng 6G thực để đối Để tăng cường bảo mật cho ứng dụng IoT, ý tưởng áp dụng blockchain với phó với nhu cầu cao kết từ lưu lượng ứng dụng IoT đề xuất [206] Đối với liệu di động tăng nhanh [204] Một cách thành phố thông minh, blockchain giúp xây mạng thiết kế 6G thực để dựng môi trường bảo vệ cho ứng xây dựng công nghệ với lượng dụng họ cách áp dụng kiến trúc phi hiệu truyền thơng chi phí biến đổi tập trung [207] Các hợp đồng thông minh sống người hòa nhập vào Blockchain đầy hứa hẹn công nghệ hữu dụng giới thơng minh, khơng thành phố sử dụng để quản lý quy trình thơng minh Phân tích liệu IoT nhà cung cấp dịch vụ người sử dụng hưởng lợi từ phát triển mạng, đạt [208] khả loại bỏ số hạn chế 6.2.5 Phân tích IoT đáng kỳ vọng mở 6.2.4 Blockchain cho hệ thống IoT an toàn rộng phân tán 53 Độ kỳ vọng liên quan đến độ tin cậy, thiết bị cho chủ sở hữu họ, đặc biệt tính sẵn có khả bảo trì dịch vụ / hệ thiết bị thơng minh đeo thống / ứng dụng cung cấp Sự hiệu có Cho phép tương tác xếp hợp lý nghĩa đảm bảo an toàn cho ứng dụng người dùng thiết bị thông minh nhu thành phố thông minh, hệ thống có cầu đáng kể ứng dụng IoT, khả phát công độc hại người người người thụ hưởng thất bại thực cần thiết Các đầu vết đóng vai trị hệ sinh thái thành phố nhật ký thu tập từ ứng dụng thành phố thông thông minh [210] minh IoT phân tích xử lý 6.2.6 Đảm bảo chất lượng tính tồn vẹn cách sử dụng phương pháp tiếp cận DL để liệu với yếu tố phụ thuộc không gian trích xuất xác định điểm yếu Trong ứng dụng thành phố thông các ứng dụng Sau đó, q trình khơi phục minh, hàng tỷ thiết bị thông minh cài đặt tránh cố đảm bảo để nâng Theo báo cáo, số lượng thiết bị IoT sử cao độ tin cậy hệ thống dụng năm 2019 khoảng 26,66 tỷ, Để đối mặt với thách thức số dự báo vượt 41,6 tỷ vào năm liệu khổng lồ thu thập từ số lượng 2025 [211] Những thiết bị thông minh tạo không giới hạn đối tượng tương tác, kiến hàng nghìn tỷ gigabyte liệu vượt qua trúc IoT phải có khả mở rộng quy mô 79,4 zettabyte liệu theo 2050 Để đối phó với cần thiết để hỗ trợ nhu cầu ứng dụng lượng liệu khổng lồ này, tiêu chuẩn thành phố thông minh [209] Việc quản lý khả công nghệ phải cập nhật để quản lý mở rộng cần xem xét hai vấn đề quan đảm bảo tính tồn vẹn Ngồi ra, trọng: tăng cường giao thức để đối sở hạ tầng khác phải trở nên dễ mở rộng phó tốt với thách thức / yêu cầu IoT linh hoạt hơn, đạt khả phân loại tính đến mối quan hệ xã hội có liên quan đến 54 liệu nhanh chóng sử dụng phiên tích liệu lớn DL IoT việc phát triển chất lượng cao [212] cải thiện thành phố thông minh Trong Ghi nhớ phụ thuộc liệu khảo sát này, xác định công nghệ thu thập, bao gồm khía cạnh khơng IoT mơ tả sở hạ tầng điện toán IoT gian, quan trọng trình trình sử dụng phân tích liệu, bao gồm tính tốn phân tích liệu Loại trừ thơng tin có đám mây, sương mù biên thể dẫn đến định dự đốn sai Do đó, Sau đó, chúng tơi khảo sát kiến phân tích xác liệu không gian đến từ trúc DL phổ biến cách sử dụng, lợi ích thành phố thông minh IoT quan trọng, đặc chúng, mặt hạn chế Chúng tập biệt tình lưu lượng truy cập trung vào việc trình bày điều quan trọng thiết bị di động, nơi vị trí kiện nội địa tảng mã nguồn mở phát triển để hỗ trợ hóa thiết bị điều cần thiết [213] nghiên cứu DL, đưa Kết luận so sánh chúng, hầu hết DL IoT đạt sức hút đáng kể liệu DL thường sử dụng nhiều lĩnh vực nghiên cứu dễ hiểu hai lĩnh Sau đó, chúng tơi nghiên cứu việc vực tiên tiến cơng nghệ có tiềm tác sử dụng công nghệ DL ứng dụng động lớn đến mọi người lối sống, thành phố khác thành phố thông minh, bao gồm giới nói chung Sự phát triển thành phố gia đình, chăm sóc sức khỏe, giao thơng, giám thông minh nhiều lĩnh vực mà sát, nông nghiệp môi trường công nghệ sử dụng để có hiệu tuyệt Cuối cùng, kết luận vời, chứng minh với khảo cách nêu bật thách thức quan trọng sát số nghiên cứu gần vấn đề mở mà việc sử dụng DL để phát triển Mục tiêu công việc xem xét kết hợp phân thành phố thông minh IoT ứng dụng thường phải đối mặt Chúng dự đốn cơng việc 55 cung cấp điểm khởi đầu cho nhà Các tác giả tuyên bố họ khơng có lợi ích tài nghiên cứu khác tìm kiếm cảm giác cạnh tranh mối quan hệ cá nhân công việc hồn thành lĩnh vực nghiên mà xuất ảnh hưởng đến công việc cứu phát triển thành phố thông minh báo cáo báo Tuyên bố lợi ích cạnh tranh Các tác giả tun bố họ khơng có lợi ích tài chính-tài cạnh tranh mối quan hệ cá nhân ảnh hưởng đến cơng việc báo cáo báo 56 57 ... Lưu trữ phân tích liệu lớn Dữ liệu IoT thu thập phải lưu trữ phân tích để rút kiến thức có giá trị hỗ trợ việc định [24] Phân tích liệu trình chuyển đổi liệu từ đơn vị thô thành hành động thông. .. tích liệu lớn IoT Trong khảo sát này, cung cấp đánh giá tài liệu liên quan đến việc sử dụng IoT DL để phát triển thành phố thông minh Chúng bắt đầu cách xác định IoT liệt kê đặc điểm liệu lớn IoT. .. Videos Giao thông thông minh Images Sử dụng học sâu ứng dụng thành phố thông minh: Nhận xét văn học Việc sử dụng kỹ thuật DL để phân tích liệu IoT có tác động đáng kể đến số khu vực thành phố Công

Ngày đăng: 04/12/2022, 22:56

HÌNH ẢNH LIÊN QUAN

các vấn đề mở khác nhau liên quan đến nó. Hình 3 minh họa các trường hợp sử dụng này - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
c ác vấn đề mở khác nhau liên quan đến nó. Hình 3 minh họa các trường hợp sử dụng này (Trang 6)
Các mơ hình điện toán đám mây và điện toán sương mù chia sẻ các dịch vụ giống nhau như  lưu trữ, triển khai và mạng - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
c mơ hình điện toán đám mây và điện toán sương mù chia sẻ các dịch vụ giống nhau như lưu trữ, triển khai và mạng (Trang 15)
Điện toán biên được đề xuất như một mơ hình mới được lập chiến lược để giảm thiểu và giảm  thiểu những nhược điểm của điện toán đám  mây [43] - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
i ện toán biên được đề xuất như một mơ hình mới được lập chiến lược để giảm thiểu và giảm thiểu những nhược điểm của điện toán đám mây [43] (Trang 16)
Bảng 2 So sánh giữa các mơ hình Học sâu - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
Bảng 2 So sánh giữa các mơ hình Học sâu (Trang 25)
Hình 18 cho thấy tỷ lệ sử dụng cho từng nền tảng DL đã trình bày trước đây.Các nền tảng này được tóm - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
Hình 18 cho thấy tỷ lệ sử dụng cho từng nền tảng DL đã trình bày trước đây.Các nền tảng này được tóm (Trang 26)
tắt và so sánh trong Bảng 3. - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
t ắt và so sánh trong Bảng 3 (Trang 26)
- Ít cấu hình hơn so sánh với cái khác  thư viện API cấp thấp  Deeple - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
t cấu hình hơn so sánh với cái khác thư viện API cấp thấp Deeple (Trang 27)
Tập dữ liệu này bao gồm 736 được gắn nhãn hình ảnh kỳ thi viết tay cho cả hai khỏe mạnh người và  bệnh nhân - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
p dữ liệu này bao gồm 736 được gắn nhãn hình ảnh kỳ thi viết tay cho cả hai khỏe mạnh người và bệnh nhân (Trang 28)
Hình 19. Mơ tả hệ sinh thái thành phố thông minh. - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
Hình 19. Mơ tả hệ sinh thái thành phố thông minh (Trang 30)
Bảng 5 Tóm tắt các cơng trình liên quan đến nhà thơng minh - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
Bảng 5 Tóm tắt các cơng trình liên quan đến nhà thơng minh (Trang 32)
Trường hợp Ứng dụng IoT Tham khảo Dữ liệu đầu vào Mơ hình Deeplearning  - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
r ường hợp Ứng dụng IoT Tham khảo Dữ liệu đầu vào Mơ hình Deeplearning (Trang 36)
Dự đoán tai nạn [150] Tác giả sử dụng các bản ghi hình tai nạn giao thông thu thập từ Bắc Kinh mô tả thời gian và vị  trí xảy ra tai nạn  - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
o án tai nạn [150] Tác giả sử dụng các bản ghi hình tai nạn giao thông thu thập từ Bắc Kinh mô tả thời gian và vị trí xảy ra tai nạn (Trang 39)
trình liên quan rút ra từ hình ảnh cho mục đích phân loại hoặc phát hiện đối  tượng. Ví dụ về các ứng dụng liên quan  bao gồm phát hiện các bệnh trong lá,  cũng như phát hiện và đếm quả  [155,156,169] - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
tr ình liên quan rút ra từ hình ảnh cho mục đích phân loại hoặc phát hiện đối tượng. Ví dụ về các ứng dụng liên quan bao gồm phát hiện các bệnh trong lá, cũng như phát hiện và đếm quả [155,156,169] (Trang 45)
với các mơ hình DL có đã được phát hiện. Những mối đe dọa này ảnh hưởng đến hiệu suất  của các mơ hình này và giảm độ chính xác, tính  hợp lệ và độ tin cậy của chúng - Tận dụng Deep Learning và phân tích dữ liệu lớn IoT để hỗ trợ phát triển thành phố thông minh: Đánh giá và định hướng trong tương lai bài tập lớn mạng máy tính  đại học bách khoa Hà Nội
v ới các mơ hình DL có đã được phát hiện. Những mối đe dọa này ảnh hưởng đến hiệu suất của các mơ hình này và giảm độ chính xác, tính hợp lệ và độ tin cậy của chúng (Trang 48)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w