摘要：

       在信息技术的驱动下，大数据为城市建设提供了新的发展机遇。人们利用物联网（IoT）进行数据采集和人工智能（AI）进行大数据分析等多种科学进步，以增强数据的集成和共享，并优化智慧城市的基本标准。过去几年，物联网背后的概念一直是智慧城市、教育、工业和商业发展的主要研究课题。物联网的服务和应用是创造智慧城市所采用的可持续城市生活的主要因素。智慧城市的利益相关者在物联网中使用信息和通信技术（ICT）变得更加主动、高效和互动。基于物联网的智慧城市应用数量的增加，导致生产以及数据量及其处理的增加。此外，城市利益相关者和政府采取事先行动/预防措施来处理从物联网设备收集的数据，并预测未来以及对确保可持续环境的影响后果。而人工智能是一些研究人员分析的关键研究技术之一，该技术被证明是提高智能城市火灾隐患检测性能的最佳技术。本研究提出了一种具有递归LSTM神经网络（R-LSTM-NN）的深度信念网络（DBN），用于预测基于物联网的智慧城市收集的大数据。此外，所提出的模型主要集中在预测使用物联网设备从智慧城市收集的火灾危险值。仿真结果表明，与其他现有技术相比，所提技术在准确性、精密度、召回率和F-1分数方面均优于其他现有技术。该模型检测火灾爆发的准确率为98.4%，最小错误率为0.14%。此外，所提出的模型可用于智慧城市面临的各种预测问题。

简介

      当城市人口密度迅速上升时，连接到互联网的设备数量迅速增加，这反过来又导致了物联网（IoT）技术的发展物联网系统受制于自主和自我配置的设备，这些设备具有相互通信的网络基础设施。物联网的主要目标是提高智能城市及其基础设施的效率、性能和安全性，这些城市分布广泛，存储能力和处理能力有限，物联网技术为智慧城市的发展开辟了道路。数字世界的不断进步使智能系统中的决策系统比以前更有效率。智慧城市为不同的应用配备了不同的电子部件，例如街道探测器、交通系统传感器、电器传感器、人体检测传感器、手势检测等。移动设备的使用可以扩展到控制一切。因此，在考虑异构环境时，应分析具体概念，例如对象特征、参与者、动机和安全规则。智慧城市的几个关键方面在2020年通过参考被采用。

       新设备可以根据其地理位置使用物联网意义上的检查框架实施和分析，并可以进行评估。对于与交通、车辆、公共空间等相关的多个活动项目，可以采用用于数据收集的传感器系统。在空气和噪音排放、汽车稳定性和监控系统的操作要求的情况下，有各种利用物联网技术的系统区域实施。互联网革命提供了一种基础设施，允许几个公民与智能城市中的所有系统互连并对其进行控制。下一次互联网革命将需要开发对象之间的足够互连。2011年交互项目的数量明显大于今天。

      因此，一方面，物联网将专注于智能生活的不同方面，如健康、安全和交通。另一方面，它可以在国家一级的决策过程（例如节能、减少污染等）、远程监控和必要的基础设施中发挥重要作用。因此，物联网将有助于改善网络的性能、环境和稳定性，基于各种因素，例如节能政策、经济考虑、安全率等。

      因此，为了使系统更智能，需要智能系统开发。因此，智慧城市中物联网设备收集的数据可用于开发这样的智能系统，以增强智慧城市中决策系统的性能。数据分析产生的模式被认为是成功的技术，在改善智慧城市服务方面具有巨大潜力。数字化已成为当今日常生活的重要组成部分，因此收集数据的数据采集和存储导致在智能城市中使用物联网设备生成大量数据，这些数据可以以许多有用的方式使用。

      在智慧城市环境中，有效处理和使用来自处理后的大数据的知识是开发更高效决策模型的最重要因素。展示了使用生成的大数据开发各种智慧城市应用。智慧城市技术的发展需要大量的时间，同时在大数据网络中使用这些信息来改善社区应用。为了给不同的智慧城市服务提供信息，大数据应用有效地收集、安全存储、分析和开发智慧城市信息。大数据还有助于决策者准备扩展智慧城市基础设施、资源或区域。

      大数据的智能决策是使用人工智能范式实现的。人工智能可以用来解释大数据;它们也可以被视为模仿思维模式的人工智能，甚至可以用来模拟人类行为。随着机器学习的进行，输入和计算，因此已知底层大数据和实时数据的必要性可以提高所获得结果的准确性。随着社区迅速数字化，信息通信和技术（ICT）在数字环境中的地位被广泛报道，技术已经证明创新使州、城镇和政策制定者能够收集有关各种问题的信息。对城市政府的研究和评估有助于决策者做出明智的选择，并制定适当和敏感的政策。人工智能可以进行这样的研究。 

      无论如何，这种数据库的使用包括合适的编程设备，管理和创新，以收集，收集，解释和分析大量信息，从而在智慧城市环境中产生新信息并推进决策策略，居住者以及城市层面的不同部门和组织，使用各种人工智能和数据分析技术从信息源产生的知识正在扩大此类结果的实际价值。无论如何，基于智慧城市的数据调查领域非常庞大，不可预测且增长迅速。智慧城市信息审查的麻烦在一系列问题上是显而易见的：（一）跨主题应用必需品，例如能源、水、交通、城市等;提供非结构化、半组织或有组织的信息的大量数据源，以及数据置信度。 

      因为物联网是世界的下一个大前景。这有助于智能家居的想法，它集成了各种电子设备，并在两个方向上提供高质量、身临其境的数字内容。在这样一个系统中产生了大量的数据（称为大数据），其中大量设备相互交互。为了扩大智能家居技术的使用，增强的大数据处理可能在信息和通信技术（ICT）的增长中发挥关键作用。大数据分析方法为我们提供了关于潜力和规划和发展的更好视角和有用信息，从而为我们提供了对大数据的洞察力。在这项研究中，考虑使用物联网设备收集的空气质量大数据进行分析.在最近的研究中，与数据挖掘方法相比，深度学习技术提供了更好的结果，基于深度学习的方法用于预测空气质量值。在这项工作中，我们提出了具有递归LSTM神经网络（R-LSTM-NN）的深度信念网络（DBN），用于使用物联网设备从智能城市收集的火灾危险值中检测火灾危险。这项工作的主要贡献如下：

     •首先， 使用物联网传感器设备来感知温度， 烟雾， 和火焰以及其他功能，如精细燃料水分代码 （FFMC）， 达夫水分代码 （DMC）， 干旱代码， 相对湿度 （RH） 存在于放置传感器的环境中.

     •在数据接收器模块中，数据被处理，然后传递到云，使用大数据分析方法进行数据分析。

     •在对数据分析后，使用提出的具有递归LSTM神经网络（DBN-R-LSTM-NN）的深度信念网络（DBN-R-LSTM-NN）进行火灾危险预测，该网络由限制玻尔兹曼机（RBM）网络的深度信念网络和LSTM-RNN多层隐藏层网络组成，该网络由输入门，记忆/忘记门和输出门组成，在火灾危险预测过程中控制信息流。

      论文的其余部分组织如下：“相关作品”部分根据拟议工作对文献综述进行了精确抽象。在“拟议方法”一节中，简要描述了拟议的工作。“结果和讨论”部分讨论了拟议工作的结果分析。在结束语中，介绍了未来工作。

相关应用

      智慧城市使用物联网来提高城市系统的效率和性能。可访问性的增加导致了前所未有的数据的创建，为我们提供了一个论坛的潜力，用于处理，分析和传播日常生活中各种任务中必不可少的数据。物联网涉及数字化，有助于改善许多机构的运作，无论是政府、组织、企业还是个人。这些改进最终导致生成的数据大幅增加。国际数据公司（IDC）的报告显示，到2025年，可用数据将增加到超过55万亿千兆字节。

      许多研究人员赞同通过收集和理解数据来丰富智慧城市模型的重要一步，现在可以收集来自许多社区的数据，以方便的方式更好地了解智慧城市的发展。因此，设计师和政治家能够从封闭的系统中迁移出来，其中许多城市组成部分，如土地资源，建筑物，街道和开放空间相互连接。这些对人口密度，凝聚力，紧凑性，碎片化和城市结构中的其他组成部分有切实的影响。因此，它对于有效管理智慧城市的不同组成部分和任务非常重要。正如智慧城市的想法所建议的那样，随着世界各地的社区通过安装传感器，计算核心和众多电信系统进行枚举，这变得越来越可行。这些数字原理与人工智能有关，人工智能允许以虚拟方式实时收集数据收集，从而更深入地了解城市在不同条件下的发展、适应和敏感性。对数据分析的支持将有助于社区支持社会经济层面，并确保实施环境特征，包括生活的组成部分。

      科学家还推动了智能技术的创造，以集中精力优化智慧城市资本的控制。这是通过在SC中使用的传感器系统实现的，该系统用于提高城镇的生活质量。因此，有必要在不利情况发生之前预测智慧城市的状况。正在讨论这种关系的交通管理技术，以帮助驾驶员和人们改善交通城市生活。还提出了一个神经停车访问预测模型网络，该网络提供有关选定区域预测停车场占用率的信息。

      当整个环境朝着基于智能系统的模型发展时，会出现不可预测的灾难问题，这可能会破坏整个系统。为制造和管理此类灾害进行了研究。其中一个问题是智慧城市中空气污染物的浓度。揭示空气质量和警报框架可以在采取预防措施时限制空气污染水平。在现有的文献中，有几项研究提出了空气质量预测问题的方法。这些技术是确定性的人类，数学，不可察觉和神经网络结构，可以分为确定性和统计方法。混合模型使用更高的预测效率神经网络。空气质量的开发也使用替代解决方案，例如模糊模型。LSTM深度神经网络方法也用于另一项研究，以预测污染气体以提醒人们。深度学习技术已被确定为在困难的学习任务中表现良好的强大框架。Senthil和Devi提出了混合模型来分析大量数据，并分析了优化技术以提高分类性能。

     许多研究人员在文献中提出了深度学习问题计算的解决方案。递归神经网络（RNN）长短期记忆（LSTM），这是用于受控序列学习的DL的高级模型。为了有效利用其数据，LSTM 有一个循环布局来记忆以前的事件。LSTM用于解决许多问题，例如机器翻译，计算机视觉，语音识别，天气预报，交通流量预测，音频，声音模拟和视觉文本识别等。它在这个广泛的顺序模型数据中非常成功，并输入到目标序列映射。该模型具有出色的性能。因此，LSTM对此类模型的效率具有重大影响，这促使我们从能够准确预测此类时空特征的深刻建筑模型的角度来研究消防安全问题。设计这样的火灾风险预警系统需要很好地选择传感器节点。

      还进行了使用前馈神经网络和朴素贝叶斯分类器进行火灾检测的研究。传统方法使用基于传感器网络的火灾探测系统。传统框架由一些传感器集线器、网关和任务管理器组成。每个传感器集线器都配有湿度和温度传感器。在传感器集线器获得合理数据后，信息在网关上组合，信息分析和决策任务由分配任务管理器领导。研究还使用火灾天气指数（FWI）和新颖的k覆盖算法来识别火灾。称为 K 覆盖率的算法通过利用 k 个或多个传感器集线器来筛选每个点，以提高对非关键故障的适应能力。按照这些思路，可以将一些传感器置于备用模式，以延长组织寿命。尽管有许多计算可以查看所使用的传感器的基本数量，但它们通常是NP完全问题。诸如最大似然算法、模糊推理系统等算法也用于火灾检测。最近，深度学习引起了学术界和工业界的极大兴趣，这是一种新的潜在机器学习方法。

      后者已成功应用于图片分类、自然语言处理、预测与预测工作、对象识别与描述生成、人工知识开发、手势识别等。基于深度学习的算法利用多层架构从低层到顶层逐层挖掘特征，并可以识别具有代表性的数据结构。根据复杂的消防安全模型，空气质量过程的周期模式和空间分布取决于电气设备、布线、温度、交通、人类活动等多种因素。这使得使用传统的学习模型变得更加困难，特别是提供准确的空气质量特征表示。DL模型无需特征提取策略即可推导出代表性特征，并能为火灾预测结果提供有效的可能性。在这项研究中，基于人工智能的模型用于设计火灾事故预警系统。

      在实验中提出了基于模糊的大数据分析模型来计算火灾危险，并计算了可量化的可能火灾危险。输入特征在模糊化过程中首先变换三角模糊数，结果将以火灾风险等级的形式出现。

建议的预测模型

      在本文中，我们讨论了一种具有递归LSTM神经网络的深度信念网络（DBN-R-LSTM-NN）大数据方法，用于预测智慧城市的火灾、空气质量，作为早期风险预警系统。此外，还详细讨论了深度置信网络（DBN）、递归LSTM神经网络（R-LSTM-NN）、火灾预测指数（FPI）和所提出的预测模型。

      建议的 DBN-R-LSTM-NN模型。主要由物联网设备、云存储、数据接收器、数据集和分类模型组成。火焰传感器等物联网设备， 温度传感器， 和烟雾传感器用于收集有关火灾危险的数据.数据传输并存储在云存储中以供进一步处理。数据接收器用于处理数据以提取相关参数，其中启发式算法用于读取和提取传入数据的参数值。此外，所提出的分类模型还用于火灾探测。显示了火灾危险检测的总体建议框架。