26、智能城市:从感知到交互的创新之旅

智能城市:从感知到交互的创新之旅

1. 城市感知:赋予城市生命力

在一些哲学理念中,对能量流动的广泛认知以及身心和精神的融合,代表着一种提升。在城市感知领域,城市本身正逐渐成为一个有感知能力的存在,能够收集、处理和响应数据的流动,这是其内在的存在状态。其目标是赋予城市集体智慧和更高的意识与感知能力,使城市感知成为生命系统的自然延伸。

目前,这一领域的基础设施仍十分有限,但随着下一代技术的发展,新的感知形式开始得到应用。例如,贝尔法斯特的 Pulse Smart Hub “街头家具” 界面,它形似大型智能手机的触摸屏平台,提供免费通话和 WiFi,配备除颤器、空气质量监测功能,并可接入当地服务。这个智能枢纽直接为受益的人群做出贡献,甚至在某些情况下能挽救生命,具有一定的基础感知能力。它是 5G 兼容的下一代平台,满足当地需求,促进了城市的活力和居民的福祉,且对用户和纳税人免费。该智能枢纽在英国尚属首次部署,让贝尔法斯特在全球崭露头角,也为其他城市提供了创新范例。此外,它还与救护车和警察服务协调,在减少犯罪方面取得了显著成效。

感知能力还可以扩展到行星层面,如 “地球观测”,通过遥感技术收集地球物理、化学和生物系统的信息,监测和评估自然与建成环境的状态和变化。相关设备包括卫星遥感、机载数据收集以及地面测量技术,涵盖数据的收集、分析和展示。技术在不断发展和融合,像 Worldometers 网站这样的工具可以实时跟踪全球指标,但目前还只是一个有趣的尝试,未来将发展为用于实时气候变化和城市运营管理的先进平台。

1.1 城市感知的应用案例

应用案例 特点
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值