近日，Silicon Labs（亦稱“芯科科技”）挪威奧斯陸辦公室的Duo Zhang（張鐸）先生在國際權威學術期刊‘Journalof Hydrology’上發(fā)表了題為‘Use Long Short-Term Memory to Enhance Internet of Things for Combined Sewer Overflow Monitoring’ (使用長短期記憶強化用于下水道溢流監(jiān)測的物聯(lián)網)的文章。文中說明如何通過Silicon Labs先進的物聯(lián)網技術收集并建立數據模型再將之用于改善城市排水難題，進一步落實了物聯(lián)網應用的概念。

物聯(lián)網正蓬勃發(fā)展，更多連接的設備正被納入物聯(lián)網，這些設備將會成為數據爆炸的催化劑。在這種情況下，如何以智能的方式分析和利用收集到的數據，成為了物聯(lián)網下一步發(fā)展的關鍵。事實上，Silicon Labs早就注意到了物聯(lián)網從‘物’到‘大數據’這一動向，如下圖所示：

在Duo Zhang先生參與的挪威德拉門市（Drammen）排水系統(tǒng)升級改造項目中，工程師們搭建了基于物聯(lián)網技術的下水道溢流監(jiān)測系統(tǒng)。下水道溢流指的是當污水量超過污水管網的運載能力時，多余的污水自管網溢流設施溢出，在未經處理的情況下排往水體的情況。下水道溢流是水體的主要污染源之一，也是排水系統(tǒng)亟待解決的問題。為了強化對下水道溢流的控制，根據物聯(lián)網收集得來的數據建立精準的時間序列模型是很有必要的。

為此，Duo Zhang先生根據物聯(lián)網收集到的降雨數據及下水道水位數據，利用多種人工智能手段建立了時間序列模型，包括最為傳統(tǒng)的多層感知機（Multilayer Perceptron），水文研究中常用的小波神經網絡（Wavelet Neural Network），以及最先進的深度學習（Deep Leaning）技術，如長短期記憶（Long Short-term Memory），門控循環(huán)單元（Gated Recurrent Unit）等。

深度學習是目前極為熱門的話題，不久前擊敗圍棋世界冠軍的AlphaGo就是深度學習的代表應用之一。長短期記憶則是當前被自然語言處理應用最廣泛的手段，谷歌最新的神經機器翻譯系統(tǒng)就采用了該技術。Duo Zhang先生的試驗表明，無論是單步預測還是多步預測，深度學習方法都明顯優(yōu)于傳統(tǒng)方法，而且深度學習方法能夠有效的降低傳統(tǒng)時間序列預測中存在的遲滯，峰值震蕩等問題。

據悉，‘Journal of Hydrology’是中科院認證的Top期刊，該雜志首發(fā)于1963年，是最早的水文類學術期刊之一，其在水資源，工程，地學等多個領域都具有極高聲望。Duo Zhang先生指出，文章被如此高質量的期刊接收意味著物聯(lián)網以及人工智能技術吸引了主流學術界的注意。Duo Zhang先生預測，物聯(lián)網及人工智能等技術將突破電子及計算機行業(yè)的藩籬，將其觸角向更廣闊的領域伸展，這一趨勢將極大的改變甚至顛覆許多傳統(tǒng)行業(yè)。這一方面意味著傳統(tǒng)工程界需居安思危，積極的吸收新技術，另一方面也預示著新的藍海市場將為我們打開，帶來巨大的科研及商業(yè)價值。我們希望Silicon Labs先進的物聯(lián)網技術能夠與人工智能技術珠聯(lián)璧合，為創(chuàng)造更加智能的世界貢獻自己的力量。