چکیده
توسعه شهرهای هوشمند و گسترش سریع آنها منجر به تولید حجم زیادی از داده ها با نرخ بی سابقه ای شده است. متاسفانه اکثر داده های تولید شده، بدون آنکه اطلاعات و دانش مفید بالقوه آنها استخراج شوند دور ریخته میشوند. علت این امر به خاطر عدم وجود مکانیزم و استانداردهایی است که بتوان به کمک آنها از وجود چنین داده هایی بهرمند شد. علاوه بر این، ذات بسیار پویای شهرهای هوشمند نیازمند نسل جدیدی از رویکردهای یادگیری ماشین است. این رویکردها برای غلبه بر پویایی داده ها باید انعطاف پذیر و قابل تطبیق باشند تا عملیاتهای تحلیلی را انجام داده و با داده های بلادرنگ آموزش ببینند. ما در این مقاله، چالشهای مربوط به بکارگیری کلانداده های تولید شده توسط شهرهای هوشمند را از نقطه نظر یادگیری ماشین مورد بررسی قرار میدهیم. علاوه بر این، درباره پدیده اتلاف داده های فاقد برچسب بحث خواهیم کرد. جهت حل این چالش در این مقاله نشان میدهیم که استفاده از یادگیری نیمه-نظارتی برای شهرهای هوشمند «الزامی» است. ما همچنین یک چارچوب یادگیری سه-سطحی را برای شهرهای هوشمند مطرح میکنیم که با ذات سلسله مراتبی کلان داده های تولید شده توسط شهرهای هوشمند مطابقت دارد. هدف از ارائه این چارچوب، ایجاد سطوح مختلفی از انتزاعات دانش است. چارچوب پیشنهاد شده قابل مقیاس میباشد تا نیازهای مربوط به خدمات شهر هوشمند برآورد شود. این چارچوب اساسا از یادگیری تقویتی عمیق نیمه-نظارتی استفاده میکند که در آن، حجم اندکی از داده ها که دارای بازخوردهای کاربر میباشند به عنوان داده های دارای برچسب، و حجم بزرگی از داده ها که فاقد بازخوردهای کاربر میباشند به عنوان داده های بدون برچسب در نظر گرفته میشوند. رویکرد ارائه شده در این مقاله بجای اتلاف داده های بدون برچسب، از ترکیب داده های دارای برچسب و فاقد برچسب برای وضع سیاست های کنترلی بهتر استفاده میکند. علاوه بر این در این مقاله با ارائه چندین مورد کاربردی در حوزه های مختلف شهرهای هوشمند بررسی میکنیم که چگونه یادگیری تقویتی عمیق و یادگیری تقویتی عمیق نیمه-نظارتی میتوانند جنبه شناختی خدمات شهر هوشمند را کنترل کرده و عملکرد آنها را بهبود دهند. ما همچنین به بررسی چندین چالش و همچنین ارائه موضوعات پژوهشی آتی برای بکارگیری یادگیری ماشین و هوش سطح-بالا در خدمات شهر هوشمند میپردازیم.