Ein Bayesianischer Ansatz für Maschinelles Lernen für die Intelligente Stadt

Intelligente Städte sind aufgrund der verschiedenen Vorteile und Herausforderungen, die mit ihrer Umsetzung verbunden sind, eines der aktivsten Forschungsgebiete der Welt. Eine große Herausforderung für intelligente Städte ist die Verarbeitung und Übermittlung der riesigen Datenmengen, die von der Sensornetzschicht erzeugt werden, die die grundlegende physikalische Schicht bildet. Laufende Forschungsarbeiten sind erforderlich, um die rechnerischen Herausforderungen zu bewältigen, die sich in Smart-City-Umgebungen ergeben, insbesondere um einen effizienten Betrieb auf der Sensorebene zu gewährleisten. Zur Bewältigung dieser Herausforderung wird ein neuartiger Rahmen für die physikalische Schicht vorgeschlagen, der das Verhalten des physikalischen Systems auf intelligente Weise erlernt, damit die Agenten die Sensoren effektiv steuern und die vordefinierten Sensor- und Umgebungsziele erreichen können. Darüber hinaus wird ein neuartiger Algorithmus für maschinelles Lernen mit halb-überwachten Bayes'schen Lernverfahren vorgeschlagen, um das Verhalten der Sensoren zu erlernen und vorherzusagen, um den Energieverbrauch in Häusern effizient zu steuern.