LLM в цифровой урбанистике

Мы представляем первый интерфейс на естественном языке для анализа сложных городских данных, использующий большие языковые модели (LLM) и пространственно-временные транзакционные сети (STTN). Сочетая интуитивно понятные запросы на естественном языке со структурированным анализом данных, наша платформа упрощает сложные городские анализы, такие как выявление моделей передвижения пассажиров, обнаружение аномалий и исследование сетей мобильности. Мы предлагаем всеобъемлющий набор данных для оценки, демонстрирующий, что незначительные архитектурные улучшения могут значительно повысить точность анализа. Наш подход преодолевает разрыв между пользователями, не являющимися экспертами, и сложными городскими исследованиями, открывая путь к доступному, надежному и масштабируемому анализу городских данных. - Natural language interface for urban network analytics

См. также другие публикации, посвященные LLM

О городских поездках

Городское социально-экономическое моделирование преимущественно сосредоточено на обширных характеристиках, связанных с местоположением и районами, опираясь на локализованную численность населения. Однако сети в городских системах широко распространены, и многие методы городского моделирования не учитывают сетевые эффекты. В данном исследовании мы предлагаем использовать записи переписи населения о ежедневных поездках в качестве надежного и комплексного источника для построения сетей мобильности в городах. Используя архитектуры глубокого обучения, мы применяем эти сети мобильности в городских агломерациях США для социально-экономического моделирования. Мы показываем, что структуры сетей мобильности обеспечивают значительную прогностическую эффективность без учета каких-либо особенностей узлов. Следовательно, мы используем сети мобильности для представления контролируемой модели обучения для непосредственного моделирования социально-экономических показателей города, объединяя модели нейронной сети Graph и Vanilla для обучения всех параметров в едином конвейере обучения. Наши эксперименты в 12 крупных городах США показывают, что предлагаемая модель превосходит предыдущие традиционные модели машинного обучения. Эта работа предоставляет исследователям городов методы включения сетевых эффектов в городское моделирование и информирует заинтересованные стороны о более широких сетевых эффектах в разработке городской политики и планировании. - COMMUTE NETWORKS AS A SIGNATURE OF URBAN SOCIOECONOMIC PERFORMANCE: EVALUATING MOBILITY STRUCTURES WITH DEEP LEARNING MODELS

Что в городе моем?

Городское развитие формируется историческими, географическими и экономическими факторами, что создает трудности для планировщиков в понимании городской формы. Это исследование моделирует потоки поездок на работу в нескольких городах США, раскрывая последовательные закономерности в распределении городского населения и поведении при поездках на работу. Встраивая городские места для отражения сетей мобильности, мы наблюдаем, что распределение населения в переопределенных городских пространствах имеет тенденцию приближаться к логарифмически нормальному распределению, в отличие от часто нерегулярных распределений, обнаруженных в географическом пространстве. Это расхождение предполагает, что естественные и исторические ограничения формируют пространственные модели населения, в то время как в идеальных условиях городская организация может естественным образом соответствовать логарифмически нормальному распределению. Теоретическая модель, использующая предпочтительное присоединение и случайные блуждания, поддерживает возникновение этого распределения в городских условиях. Эти результаты раскрывают фундаментальный организующий принцип в городских системах, который, хотя и не всегда виден географически, последовательно управляет потоками и распределениями населения. Это понимание базовой городской структуры может дать информацию планировщикам, стремящимся проектировать эффективные, устойчивые города. - Cities Reconceptualized: Unveiling Hidden Uniform Urban Shape through Commute Flow Modeling in Major US Cities. Интересная статья о понимании транспортных потоков в городе.

ИИ в кибербезопасности

Конференция CSNet 2024 в этом году объявила своей темой Artificial Intelligence (AI) for Cybersecurity. Вот заявленные темы в CFP. По сути - это области применения ИИ в кибербезопасности

Advanced AI for Cybersecurity
AI-based Cybersecurity for Next-Generation Technologies
Challenges and Opportunities in AI-driven Security
Emerging AI Threats and Countermeasures
Privacy Preservation in AI-driven Security
Privacy-preserving AI for Surveillance and Monitoring
Cognitive Security and Adaptive Defense Mechanisms
Advanced Deep Learning Techniques for Cyber Defense
Blockchain
Cloud Security
Cognitive Cyber Security
Cyber-attacks & defense
Cyber-Physical System (CPS) Security
Cybersecurity and Human Rights
Data Center Network Control, Security, and Optimization
Decentralized Security
Resilient Networks and Systems
Secure Protocol Design and Key Management
Secure Architecture Design
Secure Network Design
Security Policies Design
Security for the Internet of Things
Security in Fog/edge Computing
AI-driven Intrusion Detection and Prevention Systems
AI-driven Security Monitoring and Anomaly Detection
Cyber Threat Intelligence and Information Sharing
AI-based Cybersecurity for IoT and Fog/edge Computing
Adversarial Machine Learning and AI Security
AI for Cyber Resilience and Incident Response Strategies
AI for Biometric Security
AI for Secure Software Development and DevSecOps
AI-enabled Threat Hunting and Cyber Forensics
AI-enabled Ethical Hacking
AI for Blockchain Technology
AI-based Secure Cloud Computing and Data Protection
AI-based Cybersecurity in Smart Cities/Grids and Urban Environments
AI for Secure Authentication and Access Control Mechanisms
AI-powered Threat Modeling and Risk Assessment
AI-driven Security Automation and Orchestration
Secure AI Model Training and Adversarial Mitigation
AI-driven Security Operations Center (SOC)
Secure Federated Learning
Federated Learning cybersecurity solutions
LLM-based Anomaly Detection
LLM-based Malware Detection and Classification
Secure Deployment of LLM-based Security Solutions
AI for Hardware-Based Attacks
AI-based Vulnerability Assessment and Patch Prioritization
Zero-Day Attack Detection Using AI-based Techniques
Ethical and Regulatory Considerations in AI-based Security
Reinforcement Learning-based Cybersecurity Solutions

Цифровой двойник городского транспорта

Практическая статья - Digital Twins for Urban Mobility

См. также другие публикации, посвященные digital twins

Городские потоки

Fine-Grained Urban Flow Prediction

Городские вычисления

Интересная коллекция статей по теме urban-computing

CNN & Urban flow

Сверточные сети в анализе городских потоков

См. также другие публикации, посвященные CNN

Городские вычисления

Замечательная коллекция статей и датасетов по теме urban computing

Bike-share API

API для работы с велосипедными станциями

Это один из проектов Urban Mobility Initiative. Последняя относится к городской лаборатории Google - SideWalkLabs

SUMO

Simulation of Urban MObility - Open Source приложение для моделирования трафика в городах.

Вот пример использования и 3D визуализация от Google

Наука о городах в Нью-Йорке

The Center for Urban Science and Progress

См. также Открытые данные Нью-Йорка

Google-урбанистика

Урбанистическая лаборатория от Google. Их интересный продукт - это FLOW. Анализ перемещений в городе.

P.S. Это развитие Google Urban Mobility Program

Городская информационная система

Как выглядит Urban Information System в исполнении от Libelium.

P.S. удивительно, что при всех бесконечных разговорах так называемых "институтов развития" об умных городах, интернете вещей и т.д., до прототипирования или тестовых проектов так ничего и не доходит. Что с Libelium можно было бы начать (у них очень гибкие и модульные системы), что с LoRaWAN. Но увы ...

Облако для iBeacon

Urban Airship предоставляет интересный сервер для рассылки push-уведомлений мобильным приложениям. А вот теперь они также включились в работу с iBeacons

Приглашаем к сотрудничеству

Домовой шлюз по концепции OSGi Residential Gateway

НИР завершен. Ищем партнеров.

Разработан «Домовой шлюз многоквартирного дома» (демонстрационный макет). Его программное обеспечение (ПО) следует концепции OSGi (Open Source Gateway Initiative), т.е. используются программы с открытым кодом, язык Java, OS Linux и т.д. Программы размещаются в микропроцессорах домовых устройств, в квартирном контроллере, домовом шлюзе и в городской базе данных ЖКХ.



Программное обеспечение (Software) домового шлюза:

1)  содержит программы с открытым исходным кодом Asterisk IP-PBX и Proxy-HTTP Gate,

2)  реализует функции контактцентра (Call Center), в частности функции диспетческой службы, пользуясь аналоговыми телефоны (подключены через интерфейсную карту) или программными SIP softphones, которые доступны в сети Ethernet,

3)  имеет выход на телефонную сеть ТфОП и мобильную сеть (через GSM модем).

Комплекс "Asterisk + Proxy-HTTP Gate" позволяет использовать Asterisk в качестве платформы разработки телекоммуникационных сервисов. Разработку упрощает наличие новой компоненты (Proxy-HTTP), основной функцией которого является перевод телефонных вызовов в HTTP запросы к внешним веб-сервисам (http://asterisk.linkstore.ru).

Web сервер является основным интерфейсным элементом домового шлюза RG. Перечислим функции, которые реализованы в web-сервере (посредством функций Asterisk) нашего домового шлюза:

Домовой портал: Домовая страница в домовом шлюзе. Через нее пользователь выбирает сервисы (через процедуру subscribe / unsubscribe).

Медиа сервер: Обеспечивает выбор мелодий из домового шлюза. Выбор происходит по web интерфейсу через WLAN.
Аудио плейер: Обеспечивает аудио сервисы (MP3)
Web камера: Обеспечивает выбор и передачу снимков.
Домовая сигнализация: Принимает сигналы тревоги от домовых сенсоров и автоматически передает пользователю и/или службам безопасности. Сочетается с сервисом Web камеры.
Мониторинг дома: Это приложение следит за сенсорами в доме. При выходе за установленные пороги извещает пользователя. Извещения можно посылать по электронной почте, SMS или другими средствами.
Считывание счетчиков: Удаленное считывание показателей счетчиков, например электричества, газа или воды. Показатели могут накапливаться до их передачи в центральный сервер.
Управление домом: Удаленное управление устройствами дома, например вентиляцией, отоплением. Например, программирование отопления на выходные, в ночное время.



Прототип шлюза отработан для считывания показаний счетчиков воды и доступен по адресу: http://mbus.linkstore.ru. Используется протокол M-bus для взаимодействия с датчиками и протокол HTTP для общения с Web сервером.

Информационная система ЖКХ также отработана на примере расчетов за воду. Система легко расширяется для накопления оперативных данных о домах, квартирах, жильцах, о расходах по содержанию имущества, о платежах за коммунальные услуги (вода, отопление, вывоз мусора и т.д.), выписывает ежемесячные счета. Система поддерживает, в том числе и работу с традиционными Excel таблицами.

Аппаратное обеспечение (Hardware).

Квартирный контроллер общается с домовыми устройствами по интерфейсу Meter-Bus (М-Bus), который разработан для удаленного считывания показателей счетчиков бытовых энергоресурсов, средствами безопасности, управления освещением или теплом. Разработка и производство домовых устройств упрощает наличие дешевой микросхемы Texas Instruments TSS721 и наличие ГОСТа РЕН 1434-3-2006 «Теплосчетчики» на базе M-Bus. В 2008 году ЗАО «ЦКБ-Абаванет» разработало набор устройств (8 изделий) по учету воды, которые демонстрировались на Международной выставке «HiTechBuilding-2008» в Москве.

Реализованы две схемы:

1)  считывание показаний по проводам. Обратим внимание на роль домового счетчика с клапаном. В случае аварии клапан перекрывает утечку воды. Этот же клапан может помочь в борьбе с хищением воды: надо сравнивать суммарные показания квартирных счетчиков и домового счетчика.

2)  считывание показаний и передача по радио на частоте 868 МГц и по m-bus. У счетчика в квартире размещен радиопередатчик (с автономным питанием от батарейки), а в коридоре размещен приемопередатчик, который далее общается с конвертером по M-bus.

Кроме того, реализованы:

1)  средства охранной сигнализации с передачей SMS, голосового сообщения (синтезирует Asterisk) или MMS-сообщения (при наличии видеокамеры),

2)  программа удаленного управления отоплением: измеряется температура, по заданным правилам сообщается клиенту и по его командам меняется режим отопления.

Gateway для Smart House – наиболее важная часть аппаратных средств. Для реализации домового шлюза разработаны портативные компьютерные платы:

1)  на базе архитектуры Intel Atom 1.2/1.6 Ghz с MID Ubuntu Linux (на снимке) и

2)  на базе ARM MCU – 800 Mhz (mini Gateway) и 266 Mhz – micro Gateway.

И наконец. Наша работа (в ЗАО "ЦКБ-Абаванет") по умному дому началась года три назад с приглашения со стороны компании "Институт городских домов Urban Art" (Латвия). Вот наиболее интеллектуальный дом в Риге, построенный компанией "Urban Art". Это жилой дом на 148-квартир (по улице Виенибас гатве 192, г. Рига, сдан в эксплуатации в июне 2008 г.). В нем множество функций умного дома. К сожалению это реализовано на базе иностранных изделий (Honeywell, LONWORKS, KNX), хотя, как показывает наш опыт, все эти средства вполне по силам отечественным производителям

Приглашаем к сотрудничеству (совместные ОКР и производство):

* Домовой шлюз (отечественный компьютер и оригинальное ПО с открытым кодом),
* Домовые устройства с интерфейсом m-bus,
* Информационная система ЖКХ,
* Франшиза по умному дому "Urban Art".


М.А. Шнепс-Шнеппе,
генеральный директор ЗАО «ЦКБ-Абаванет», доктор технических наук профессор
Тел.: +7 (495) 921-79-91, + 371 26742446 (Латвия)

http://abava.net   e-mail: abava@abava.net , sneps@abavanet.ru

105005, Москва, ул. Радио, д. 24 (БЦ "Яуза Тауэр")