Search results

Smart cities, creative Cities of smart citizens?

Discussies over de ‘Smart City’ draaien vaak om technologieën die destad efficiënter moeten maken. Naast deze ‘control-room’-visie staantwee minder bekende benaderingen: ‘Smart Citizens’ zet technologiein om burgers meer zeggenschap te geven, terwijl de ‘Creative City’ destad beziet als ‘living lab’. Alle drie deze versies van de smart city biedenkansen om het werken aan de stad op nieuwe manieren vorm te geven,maar roepen ook vragen op.

De slimme stad

Technologie wordt door steden steeds vaker gebruikt om innovatieve beleidsoplossingen te ontwikkelen om de stedelijke omgeving leerbaar en veilig te houden (Yigitcanlar et.al, 2018; zie Allam & Newman, 2018). In de literatuur wordt naar een stad die technologie gebruikt, verwezen als een Smart City (Holland 2008; Kitchin, 2015; zie ook Meijer & Bolivar, 2016 voor uitgebreide conceptualisering van Smart City). Rotterdam gebruikt bijvoorbeeld gezichtsherkenning in het openbaar vervoer om onder meer zwartrijden tegen te gaan. De data die verzameld wordt, is niet alleen in bezit van de openbaar vervoersorganisatie. Maar is ook in handen van de ontwikkelaar van de gezichtsherkenning-software. Soms wordt de data ook gedeeld met de politie en gemeentelijke toezichthouders. Ook in Amsterdam speelt technologie een rol. De Johan Cruijff Arena investeert in technologische oplossingen om de veiligheid en de leefbaarheid in het gebied rondom het stadion op orde te houden. Hierbij werken zij samen met de gemeente Amsterdam, maar ook technologiebedrijven zoals Huawei en KPN. De bovenstaande voorbeelden wordt technologie ingezet om vraagstukken effectief en efficiënt aan te pakken. Dit creëert echter ook nieuwe uitdagingen. Er treden nieuwe partijen, zoals Huawei en KPN, toe tot het beleidsproces. Daarnaast wordt van publieke professionals verwacht dat zij de vaardigheden en kennis bezitten om digitaal beleid te ontwikkelen en uit te voeren.

Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data

Machine learning models have proven to be reliable methods in classification tasks. However, little research has been conducted on the classification of dwelling characteristics based on smart meter and weather data before. Gaining insights into dwelling characteristics, which comprise of the type of heating system used, the number of inhabitants, and the number of solar panels installed, can be helpful in creating or improving the policies to create new dwellings at nearly zero-energy standard. This paper compares different supervised machine learning algorithms, namely Logistic Regression, Support Vector Machine, K-Nearest Neighbor, and Long-short term memory, and methods used to correctly implement these algorithms. These methods include data pre-processing, model validation, and evaluation. Smart meter data, which was used to train several machine learning algorithms, was provided by Groene Mient. The models that were generated by the algorithms were compared on their performance. The results showed that the Long-short term memory performed the best with 96% accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrics were used to produce classification reports, which indicates that the Long-short term memory outperforms the compared models on the evaluation metrics for this specific problem.

Smart Enterprise Architectuur voor Smart Artificial Intelligence

Deze bijdrage aan "Smart Humanity" (red. W. Bronsgeest en S. de Waart 2020) schetst een beeld van modellen die richting geven aan processen, organisatorische inrichting, en informatievoorziening. AI-toepassingen worden hierbij gezien als onderdeel van de informatievoorziening.

Classification of dwelling characteristics with machine learning algorithms based on smart meter & weather data

Machine learning models have proven to be reliable methods in classification tasks. However, little research has been done on classifying dwelling characteristics based on smart meter & weather data before. Gaining insights into dwelling characteristics can be helpful to create/improve the policies for creating new dwellings at NZEB standard. This paper compares the different machine learning algorithms and the methods used to correctly implement the models. These methods include the data pre-processing, model validation and evaluation. Smart meter data was provided by Groene Mient, which was used to train several machine learning algorithms. The models that were generated by the algorithms were compared on their performance. The results showed that Recurrent Neural Network (RNN) 2performed the best with 96% of accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrices were used to produce classification reports, which can indicate which of the models work the best for this specific problem. The models were programmed in Python.

E-mobility