英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
构建智慧城市数字孪生体：组合语义模型与机器学习方法
Mark Austin1; Parastoo Delgoshaei2; Maria Coelho3; and Mohammad Heidarinejad, M.ASCE4
摘 要:本研究的出发点是下一代智慧城市系统将广泛采用深入嵌入城市物理领域的传感和通信技术。这些技术进步(如传感、处理和数据传输)使智慧城市数字孪生成为可能。本文探讨了智慧城市数字孪生的构建和运营的方法和挑战。提出了一个智慧城市数字孪生架构，支持语义知识表示和推理，与机器学习形式一起工作，在数据收集和处理、事件识别和自动决策方面提供互补和支持作用。该拟建建筑的语义和机器学习方面是针对一个涉及到芝加哥市区建筑能源使用的简化分析的问题。DOI: 10.1061/(ASCE)ME.1943-5479.0000774. copy;2020 American Society of Civil Engineers.
关键词:智慧城市;数字双;语义建模;机器学习
介绍
问题陈述
快速的城市化给那些因资源有限而无法运作的城市带来了额外的需求。这一瓶颈的长期解决方案正在推动城市向智慧城市的社会技术转型，其中包括采用模仿人类智能的新技术的重要成果之一的进步,计算和通讯的第五代蜂窝移动通信(5G)和物联网超过过去几十年。这样的方式更换了老化的城市基础设施与新型的城市系统由物理网络连接到网络组件(数据、信息、软件)决策。展望未来，这些新一代城市系统将具有卓越的性能水平、新的功能形式、资源配置的透明度和长期良好的经济效益。在城市居民享受这些技术进步带来的好处的同时，系统工程师和城市规划者也面临着大量新的设计挑战。这些挑战来自异构的内容(多学科、多种类型的数据和信息,多个系统的传感和测量),空间网络结构,多层,交织在一起,和动态、分布式和并发行为和控制,和城市子系统之间的相互依赖关系，包括物理、网络、组织和社会领域。
由于需要解决城市利益相关者面临的无数问题，同时考虑到每个城市独特的物理、经济、社会和文化特点，这些挑战的解决方案变得更加复杂。从运营的角度来看，两个基本的问题是:(1)日常运营的策略导致高水平的绩效(2)不同的城市如何应对和恢复人为和自然灾害?作者认为，高水平的态势感知(即了解城市的实际使用情况)是改善日常运营的先决条件。同样，从长期规划的角度来看，准确估计未来对有限资源的需求对于实现健康和可持续的城市行为至关重要。在对过去决策程序的改进中，这些问题的答案现在可以基于数据驱动的方法来衡量城市绩效，并确定城市行为的趋势和时空模式。
城市系统的分布式和多领域特性意味着没有一个决策者知道所有其他决策者已知的所有信息。为了使参与的城市域之间的交流(和依赖)关系以有序和可预测的方式发生，设计师需要关注连接城市域的边界和互动。这一观察结果表明，城市行为的智能管理系统将遵循图1所示的架构，利用分析工具提供策略，实时控制多领域行为，并针对分布在整个城市环境中的事件制定行动计划。时空推理的形式化方法需要确保行动（决策的结果）在正确的时间和地点发生。这些方法需要跨多个空间和时间尺度运作。人们还观察到，与标准的从摇篮到坟墓的产品生命周期模型不同，城市的发展是为了应对经济机遇和外部威胁，这些机遇和挑战的短期和长期管理演进需要正式的支持。
范围和目标
这项工作的动机是使下一代城市系统将通过广泛采用深入嵌入城市物理领域的传感和通信技术而得以实现。这些技术进步将有助于智慧城市数字的发展。智慧城市数字孪生在这里被定义为通过实时监控和城市活动同步反映实际城市系统的网络组件。适当的软件和算法将有助于提供更高水平的城市绩效(如城市交通、能源效率)、城市规划(如分区)和弹性(如通过控制和风险管理策略)。
本文探讨了智慧城市数字孪生的构建和运营的方法和挑战。在以模型为中心的工程世界中，当今人工智能(AI)和机器学习(ML)技术的使用是分散的，处于一个十字路口，这使得实现这一机遇变得复杂。在过去的十年中，人工智能领域的工程研究人员倾向于关注领域或开发活动的本体论的全面开发，以及它们从公共核心本体论(例如地理空间、时间、参与者、事件)和更高级别的基本形式本体论的扩展。与本体论相关的规则的开发，以及本体论和规则如何协同工作以响应事件和支持决策的考虑，都没有得到太多的关注。同时，ML算法为真实数据流中的关联关系和异常的分类、聚类和识别提供了全面的支持。ML算法的显著进步包括机器学习大规模图形结构及其属性的能力。然而，ML技术很难解释决策的基本原理，而多领域语义建模和基于规则的推理可以轻松完成这项任务。
随着这些挑战,本文提出了智能城市的最佳途径提出数字双设计与架构支持AI和ML形式并肩工作作为一个团队,提供补充和支持角色的收集和处理数据,识别的事件,和自动决策。如图2所示，作者设想了一个所谓的城市运营系统，为城市利益相关者(居民、企业、规划师和工程师)提供更高水平的态势感知和决策支持，以管理嵌入在时空域的城市基础设施和服务。知识表示和推理(KRR)组件需要域和元域数据、本体和规则，可以动态地响应事件。KRR封装数据并以简化的维数表示数据，ML将用于将数据分类到集合中，并了解数据中嵌入的因果关系。本文提出的方法建立在作者最近在“城市系统的系统”语义建模方面的工作基础上以及探索语义和ML相结合的方法来监测建筑能耗。
本文的其余部分如下：首先涉及语义建模和基于规则的推理、ML和数据挖掘技术以及数字领域的相关工作。接下来，介绍了提出的智慧城市数字孪生体系结构。本节描述一个建筑模板,语义建模和基于规则的推理技术扩展的模板。然后提出高度城市领域,多学科和应用，用所提出的方法的简化分析芝加哥市区的能源使用。论文在讨论和结论后结束。
相关工作
本节讨论使用本体和基于规则的推理、监督和非监督ML以及数字孪生体进行语义建模的相关工作。
语义建模和基于规则的推理
Casey 和 Austin工作的长期宗旨一直认为，城市设计的战略方法将采用应用领域的语义描述。这些方法使用本体和基于规则的推理来验证需求和多个规程之间的通信(或映射)。图3的顶部部分补充了图1和图2，并将提出的分布式系统行为建模体系结构的不同部分与本体、规则、中介和消息传递机制结合在一起。在左侧，文本需求是根据用于设计规则检查的数学和逻辑规则表达式定义的。城市域模型在系统结构和系统行为上对应多种图结构和复合层次结构。行为与组件相关联，离散行为将用有限状态机建模。连续行为将表示为常微分方程和偏微分方程的解。本体模型和规则将需求与工程模型粘合在一起，并为模拟系统结构的开发、随时间对系统结构的调整和系统行为提供了一个平台。图3中的城市构建块级别展示了用于更大的多领域语义模型中构建块元素(如需求、网络、传感器)定义的本体和规则的示例。图3的部分显示了可以导入的本体和规则(例如空间、时间、物理单元)，它们是跨所有领域表示概念和推理的基础。
语义网技术的发展在过去的二十年中已经导致了机器访问和共享信息的能力，从而支持了新知识的发现。对于多领域城市设置的语义建模，使用语义Web技术进行规则检查有几个好处：
bull;代表策略的规则很容易沟通和理解。
bull;规则保持了比系统中嵌入的逻辑更高的独立性。
bull;规则将知识从实现逻辑中分离出来。
bull;可以在不更改源代码或底层模型的情况下更改规则
当应用程序逻辑是动态的(例如策略中的更改需要立即反映到整个应用程序中)，并且规则是由外部实体强加到系统上时，基于规则的问题解决方法特别有益。规则可以被开发来解决冲突或竞争目标的情况——这样的策略使用公平的概念来防止系统运行中的错误。所有这三个条件都适用于城市系统的设计和管理。可扩展标记语言、资源描述框架和Web本体语言一起允许实现可以证明断言是否正确的推理。这些工具需要(几乎)实时操作，因此，描述逻辑需要扩展，以使它们在计算上可决定(Baader等人，2008)。读者可以参考Petnga和Austin(2016)的发现获得描述逻辑概念的详细总结。最后，这项工作使用了Apache Jena(2016)的发现，这是一个用于构建语义网和链接数据应用程序的开源Java框架。Jena为开发处理RDF、OWL和SP ARQL(支持RDF图的查询)的代码提供了应用程序编程接口(api)。其结果是一种正式的基于规则的方法，用于处理传入事件、推理和调整语义图的结构和属性。
关于本体论在城市发展项目中的使用的详细讨论可以在Falquet等人(2005)中找到。其贡献范围包括地理信息部门本体的开发，城市模型之间的互连(中介)建模，以及描述城市流动过程。这项工作还包括地理标记语言(GML)和城市标记语言CityML本体的开发。
机器学习和数据挖掘技术
机器学习和数据挖掘技术了解系统的结构和行为，从而为底层(原始)数据提供模式或预期的洞察力，并支持对未来系统状态的决策和预测。这些方法用于解决复杂的工程应用，这些工程应用需要大量的独立参数和非线性相互依赖，这些不能简单地从第一原则建模。在这篇论文中，对大规模城市地区建筑环境的理解和建筑能耗的时空格局就是其中的应用。
ML算法可以使用监督或非监督学习。监督学习通常包括两个步骤:训练和预测。数据集分为训练数据集和测试数据集。训练步骤允许识别决策模型，该决策模型提供了目标(预测变量)对特征(影响变量)的依赖性。下一步，将决策模型应用于测试数据集，然后计算模型预测性能的有效性。监督学习，例如最近邻算法，需要标记数据集(例如数据被标记为正确的答案)，这个过程在计算上是昂贵的。该算法根据新数据点与训练集中的点的接近程度对其进行预测。有监督的ML技术还包括发现二叉决策树。
无监督学习算法(例如，k-means聚类算法)的目标是在没有提供正确答案(标签)的情况下，对数据集中的底层结构或模式进行建模和识别。半监督学习方法介于监督学习和非监督学习之间，采用有标记和无标记数据的组合。首先，利用无监督方法识别模式，然后利用无监督学习生成的标签对无标记数据进行最佳预测。然后在标记的数据上测试预测决策模型。这种半监督技术可以解决广泛的工程应用，包括建筑能源性能和城市环境中断后恢复运行所需的程序。
数字孪生体
数字孪生是一个系统的网络(或数字)表示，它通过与事件相关的数据的实时监视和同步反映其在物理世界中的实现。相关的软件和算法可以提供卓越的性能水平、避免不必要停机时间的策略，并支持长期规划。数字双胞胎也可以避免对物理系统本身进行修补的需要。数字孪生概念可以追溯到2000-2010年，最初是作为一种支持NASA飞行器设计和操作的方式提出的。从那时起，潜在应用范围已经扩展到包括汽车零部件、制造工艺、发电厂、风力涡轮机网络设计和智慧城市。成功的数字孪生体的共同关键元素是云计算、物联网和语义建模。在系统工程领域，西门子现在将数字孪生体视为基于模型的系统工程程序的继承者。
需要注意的是，在建筑信息建模(BIM)、参数化三维(3D)计算机辅助设计(CAD)技术以及建筑、工程和建筑(a /E/C)行业的过程中，也存在建造物理对象或空间的数字副本的概念。与数字孪生体一样，BIM在21世纪初开始流行，它为大型项目的承包商提供了建筑参考的三维数字、视觉和定量模型。结合建筑师、工程师、制造商和承包商的工作实践，BIM实践范式沿着从可视化到协调、分析，最后到供应链集成的轨迹不断发展(Taylor and Bernstein 2009)。采用BIM实践可以导致项目生产力的巨大提高，如通过减少错误降低项目风险，更好的时间线，和预算管理(Jinetal. 2017)。然而，这个物理信息模型适用于概念和设计阶段的建筑，而不是那些每天都被占用和使用的建筑。另一种表述这种区别的方式是:BIM只是真实世界的一幅图片，而数字孪生是现有和运营资产的数字复制品。因此，建筑的数字孪生可以洞察建筑子系统的当前状态，以及它们如何受到乘员行为和其他事件的影响。
拟议的数字孪生架构
数字孪生的理想实现包括物理对象的模型，与对象存储的数据，个体对象之间的唯一一对一对应，以及监控和同步它们的状态和行为的能力(Shetty 2017)。智慧城市数字孪生体(Leeetal. 2015;Savisalo等人，2018)由于涉及物理、网络、社会和自然领域(图1和3)的众多问题，以及定义它们交互的语义和规则的困难，实现过程非常复杂。当对城市结构和行为的认识不完全，以及未来城市事件的空间和时间性质存在相当大的不确定性时，进一步的挑战就会出现。展望未来，智慧城市数字孪生体将需要应对这些挑战。作者建议，实现这一目的的一种方法是让他们在一个持续学习的过程中进行迭代，这个过程包括逐步细化语义模型和数据驱动的因果关系发现，以及参与领域元素之间的隐藏模式。这项工作的构建块是一个架构模板，它集成了语义建模和ML技术，并定义了它们的角色和交互。演示了如何扩展模板，使其包含真实城市中用于评估的数据源和度量的范围。
语义建模和机器学习体系结构模板
图4显示了为实现智慧城市数字孪生而提出的多领域语义建模和ML方法相结合的架构模板。而不是创建少量的包罗万象的本体和相关规则,这里的目标是将数据的发展,本体,平等和规则,创造建筑模板为一个特定的域或设计问题。这个语义模型开发方法迫使开发人员考虑链数据之间的依赖关系,本体,和规则,并提供所需的数据支持需要数据和对象属性的本体,进而需要数据模型的数据显示在右边的图4。语义图模型将通过访问(软件设计模式)相关数据模型并收集与应用程序相关的数据和对象属性来填充真实数据的实例。可以开发规则来验证语义属性(例如验证一个特定的数据属性已经初始化)，并使用数据源和可能来自多个域的传入事件进行推理。后者的实现会产生能够动态适应传入事件(如天气)的语义图。
所提议的架构模板还使用ML技术和三种学习方式来深入了解数据。语义特征工程(Zheng和Casari 2018)从原始数据开始，然后使用领域知识创建ML算法中使用的特征，支持规则的组织(和简
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[262290]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
