基于物联网技术的下水道溢流监测系统解决下水道溢流

近日，Silicon Labs（亦称“芯科科技”）挪威奥斯陆办公室的Duo Zhang（张铎）先生在国际权威学术期刊‘Journalof Hydrology’上发表了题为‘Use Long Short-Term Memory to Enhance Internet of Things for Combined Sewer Overflow Monitoring’ (使用长短期记忆强化用于下水道溢流监测的物联网)的文章。文中说明如何通过Silicon Labs先进的物联网技术收集并建立数据模型再将之用于改善城市排水难题，进一步落实了物联网应用的概念。

物联网正蓬勃发展，更多连接的设备正被纳入物联网，这些设备将会成为数据爆炸的催化剂。在这种情况下，如何以智能的方式分析和利用收集到的数据，成为了物联网下一步发展的关键。事实上，Silicon Labs早就注意到了物联网从‘物’到‘大数据’这一动向，如下图所示：

在Duo Zhang先生参与的挪威德拉门市（Drammen）排水系统升级改造项目中，工程师们搭建了基于物联网技术的下水道溢流监测系统。下水道溢流指的是当污水量超过污水管网的运载能力时，多余的污水自管网溢流设施溢出，在未经处理的情况下排往水体的情况。下水道溢流是水体的主要污染源之一，也是排水系统亟待解决的问题。为了强化对下水道溢流的控制，根据物联网收集得来的数据建立精准的时间序列模型是很有必要的。

为此，Duo Zhang先生根据物联网收集到的降雨数据及下水道水位数据，利用多种人工智能手段建立了时间序列模型，包括最为传统的多层感知机（Multilayer Perceptron），水文研究中常用的小波神经网络（Wavelet Neural Network），以及最先进的深度学习（Deep Leaning）技术，如长短期记忆（Long Short-term Memory），门控循环单元（Gated Recurrent Unit）等。

深度学习是目前极为热门的话题，不久前击败围棋世界冠军的AlphaGo就是深度学习的代表应用之一。长短期记忆则是当前被自然语言处理应用最广泛的手段，谷歌最新的神经机器翻译系统就采用了该技术。Duo Zhang先生的试验表明，无论是单步预测还是多步预测，深度学习方法都明显优于传统方法，而且深度学习方法能够有效的降低传统时间序列预测中存在的迟滞，峰值震荡等问题。

据悉，‘Journal of Hydrology’是中科院认证的Top期刊，该杂志首发于1963年，是最早的水文类学术期刊之一，其在水资源，工程，地学等多个领域都具有极高声望。Duo Zhang先生指出，文章被如此高质量的期刊接收意味着物联网以及人工智能技术吸引了主流学术界的注意。Duo Zhang先生预测，物联网及人工智能等技术将突破电子及计算机行业的藩篱，将其触角向更广阔的领域伸展，这一趋势将极大的改变甚至颠覆许多传统行业。这一方面意味着传统工程界需居安思危，积极的吸收新技术，另一方面也预示着新的蓝海市场将为我们打开，带来巨大的科研及商业价值。我们希望Silicon Labs先进的物联网技术能够与人工智能技术珠联璧合，为创造更加智能的世界贡献自己的力量。