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.