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測的物聯網)的文章。文中說明如何通過Silicon Labs先進的物聯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，進一步落實了物聯網應用的概念。

物聯網正蓬勃發展，更多連接的設備正被納入物聯網，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，成為了物聯網下一步發展的關鍵。事實上，Silicon Labs早就注意到了物聯網從‘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）排水系統升級改造項目中，工程師們搭建了基于物聯網技術的下水道溢流監測系統。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，也是排水系統亟待解決的問題。為了強化對下水道溢流的控制，根據物聯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于傳統方法，而且深度學習方法能夠有效的降低傳統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，物聯網及人工智能等技術將突破電子及計算機行業的藩籬，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行業。這一方面意味著傳統工程界需居安思危，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價值。我們希望Silicon Labs先進的物聯網技術能夠與人工智能技術珠聯璧合，為創造更加智能的世界貢獻自己的力量。