För att förstå hur en stad fungerar och beteende krävs kunskap om de olika processer som gör att människor och andra biologiska organismer kan leva och frodas, samt förståelse för deras inbördes förhållanden - varav många är komplicerade och har ännu inte undersökts djupt.

"Städer är oerhört komplexa, med många aspekter och interaktioner inom dem, "sa Pete Beckman, datavetare vid US Department of Energy's (DOE) Argonne National Laboratory. "Till exempel, väder påverkar mänsklig rörelse; luftkvaliteten påverkar långsiktig hälsa; och tillgänglighet till transporter hjälper till att avgöra möjligheter som sträcker sig från anställning till social interaktion. Vad vi behöver är en ny generation metoder och verktyg som kan hjälpa oss att hitta relationer gömda i den växande volymen och mångfalden av data som samlas in om städer. "

Centralt för dessa metoder är maskininlärning - den allt starkare process som datorer tränar för att göra förutsägelser eller bestämningar från stora mängder data. Maskininlärning har revolutionerat många delar av våra liv, från schackspelet till ansiktsigenkänningssystem, och det kommer nu till våra städer.

"Med maskininlärning, vi kan ta data som kommer från experiment eller observationer och vi kan utforska giltigheten av befintliga teorier eller hypotesera nya om sambandet mellan stadssystem och processer, "förklarade Beckman, som hjälper till att tillämpa datavetenskap på urbana utmaningar.

Eftersom städer är så komplexa, de frågor som Beckman och hans Argonne -kollegor tillämpar dessa tekniker sträcker sig över allt från bekämpning av föroreningar till förbättrad fotgängarsäkerhet, och från att förutsäga brott till att förstå dynamiken i spridningen av smittsamma sjukdomar. Maximera en av dessa parametrar, han sa, kan påverka andra, att göra maskininlärning till en optimal teknik för att hitta relationer i ett system för komplicerat att beskriva med en teori.

Argonnes arbete i skärningspunkten mellan maskininlärning och stadsmiljö utnyttjar laboratoriets djupa och breda tvärvetenskapliga team och kraftfulla vetenskapliga verktyg för att lösa några av samhällets mest komplexa problem. Detta syns mest direkt i National Science Foundation-finansierade Array of Things (AoT), ett partnerskap mellan Argonne, University of Chicago, och Chicago stad. AoT är ett nätverk med över 100 programmerbara, multisensor -enheter (noder) distribuerade i hela Chicago, på väg att växa till 200 i slutet av 2019.

Varje nod är värd för två kameror (mot himlen och mot marken), en mikrofon och sensorer för att mäta faktorer som påverkar stadsmiljön, som klimat, buller och luftkvalitet. Noden är också värd för kraftfull dator för att bearbeta data lokalt och i realtid.

AoT -noder byggs med Argonnes modulära, öppen källkod plattform som heter Waggle.

"En viktig fördel med att använda Waggle för Array of Things är att noder lokalt kan köra maskininlärningsprogram utan att behöva behålla kontakt med eller mata tillbaka data till en central server, "sa Charlie Catlett, AoT -huvudutredare och datavetare vid Argonne och University of Chicago.

Även om varje generation av noder (av ungefär 100 noder distribuerade) är standardiserad och konsekvent, forskare kan fjärrprogrammera inte bara provtagningsalgoritmerna för standardsensorer, men också tillhandahålla maskininlärningskod för att analysera bilder, ljud eller kombinationer av sensorvärden.

"Maskininlärning inom noder innebär att vi inte bara har distribuerat ett traditionellt sensornätverk, men vi kan också nu designa mjukvarudefinierade sensorer, mätfaktorer som ligger utanför räckhåll för elektroniska sensorer, till exempel flödet av fordon genom en korsning eller den typiska storleken på en grupp som använder en allmän park, "Catlett sa." Utan att behöva byta hårdvara installerad på gatupolen, vi kan driva ny programvara för att lägga till mjukvarudefinierade mätningar, besvara ett nästan obegränsat antal frågor. "

Detta skiljer sig från de flesta sensornätverk, vars noder består av en sensor som matar information tillbaka till en central databas, men som saknar förmåga att på distans modifiera avkänningsstrategin, mycket mindre lägga till nya mått. Typiska sensornätverk är utformade för en specifik uppsättning mätningar, så när de väl är installerade, det enda sättet att förbättra dem är att ersätta dem med en ny installation.

Enheter som AoT -noder som kan fjärrprogrammeras maskininlärning "vid kanten" kan också ge en ytterligare detaljnivå och analys kring olika aspekter av stadsmiljön.

"Vad vi finner är att traditionell avkänning och tillgänglig stadsdata endast ger en del av historien, "Catlett sa." För mer komplexa urbana fenomen - som att försöka ta reda på de fina detaljerna om säkerheten vid en korsning - var vi tvungna att utveckla ett system som kunde fjärrprogrammeras med maskininlärningskod för att tolka bilder, ljud och annan data. "

"Vi gör detta på gatan - i utkanten av nätverket - snarare än i molnet, " han lade till.

I sista hand, Catlett sa, AoT försöker införliva en viss grad av autonomi, där en nod kan ändra sina driftsparametrar baserat på något den upptäcker i miljön.

"Till exempel, säg att du ville ha ett sätt att se på översvämningar på stadens gator, men du visste att det bara gällde när luftfuktigheten nådde en viss nivå, "sa han." Vi vill att våra noder ska fatta ett beslut om hur de fungerar utifrån sina observationer. "

Ett flerdimensionellt sensornätverk som kan lära sig och anpassa sig, som AoT, kan låta forskare hantera avvägningar och identifiera potentiella samband mellan olika stadsfenomen. Komplexiteten i en stad, enligt Beckmans uppfattning, gör maskininlärning till det enda "handlingsbara" sättet forskare har för att ta hand om de stora frågorna som står inför stadsplanerare och invånare.

"Det finns ingen teori som säger det, för varje passagerare du lägger till på följande sätt, staden kommer att bete sig på ett särskilt sätt, " han sa.

Att ha ett maskininlärningsförbättrat nätverk som AoT ger forskare en plattform för att utforska några av de mer komplicerade frågorna som städer står inför.

"Vi har nu ett experimentellt instrument för staden att börja ställa alla slags mycket specifika frågor, och instrumentet är programmerbart, Sa Catlett.