This material can help researchers and industries for the adoption of data-driven technologies such as big data analytics in smart cities.

1. Keywords : Smart City, Big Data, Artificial Intelligence, IoT, Geospatial Data, Smart Mobility, Connected Vehicles

2. 2
Ⅰ. BIG DATA OVERVIEW
Ⅱ. BIG DATA IN SMART CITY
Ⅲ. BIG DATA AND LOCATION
Ⅳ. EXAMPLES
Ⅴ. CONCLUSION

3. 3
+Value, +Veracity
 기존 3Vs에서 Value(가치) 및 Veracity(정확성)이 추가되어
5Vs 로 확장되었음

4. 4
 기업 또는 어느 주체든 의사결정에 있어서 빅데이터 분석을 통해
통찰력과 예측력을 고도화 시켜 관리의 효율화, 리스크 감소 및 비용 절감을 이루려는 목적이 있음
Management Efficiency Risk Management
Basic roles of Big Data in Smart City
Company
Smart City

5. 5
 폭증하는 데이터로부터 각 영역 별 생성 데이터 특성을 고려한 빅데이터 활용 전략이 필요

6. 6
Data
Predictive
Analytics
Action Prediction
(Decision-Making Support)
“What will happen?”
“What should I do?”
Analytics (Getting Insights)
“What is the relationships
between them?”
Data Acquisition, Storage
“What happened?”
 데이터 분석은 의사결정을 지원하기 위해 크게 ‘수집-분석-예측’ 의 단계를 거치며 이루어지는 것이 일반적

7. 7http://frontender.com/blog/enablers/data-mining/
https://blogs.sas.com/content/subconsciousmusings/2014/08/22/
looking-backwards-looking-forwards-sas-data-mining-and-machine-learning/
 데이터 마이닝은 데이터로부터 의미 있는 정보 등의 지식을 캐내는 행위이며 A.I. 기술의 기초임

8. 8
Classification Clustering Association
Forecasting Sequencing Decision trees
 데이터 마이닝은 분류, 군집, 연관분석, 예측, 의사결정, 연속성패턴 등의 기법을 통해 데이터를 분석함

9. 9
http://blogs.teradata.com/data-points/building-machine-learning-infrastructure-2/
https://www.mathworks.com/discovery/machine-learning.html
“Learning”
 머신러닝은 학습 또는 비학습을 통한 데이터 분류 및 군집화 기법으로 분류에 가장 큰 장점을 가짐

10. 10
http://www.global-engage.com/life-science/deep-learning-in-digital-pathology/
https://mapr.com/blog/demystifying-ai-ml-dl/
“Learning”
“Neural
Networks”
 딥러닝은 머신러닝과 달리 신경망이란 개념이 포함되며 신경망학습을 통해 더욱 정교한 결과물을 얻어냄

11. 11
https://medium.com/swlh/ill-tell-you-why-deep-learning-is-so-popular-and-in-demand-5aca72628780
 머신러닝은 사람의 개입으로 프로그래밍 되지만 딥러닝은 사람의 개입 없이 스스로 그 기능을 수행함

12. 12
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
 A.I. 기술은 머신러닝을 통해 발전하였으며 딥러닝 기술로 진화하여 더욱 정교해지고 발전하고 있음

13. 13
http://www.nersc.gov/users/data-analytics/data-analytics-2/deep-learning/
 머신러닝의 각 기법들은 그 특성에 맞게 다양한 분야에 적용될 수 있음

14. 14
•Big Data
•Cloud Computing
•Geographic Information System (GIS)
•Green Technologies
•Internet of Things (IoT)
•Mobile Technologies
Smart
City
Smart
Mobility
Smart
Building
Smart
Education
Smart
Environment
Smart
Government
Smart
Health
Big Data
Cloud
Computing
Internet of
Things
Mobile
Applications
 스마트시티에서 필요한 주요핵심기술들

15. 15
Khan Z, Anjum A, Kiani SL. Cloud Based Big Data Analytics for Smart Future Cities.
In Proceedings of the 2013 IEEE/ACM 6th International Conference on Utility and Cloud Computing. IEEE Computer Society; 2013. pp. 381–386
 다양한 섹터의 데이터 수집, 저장, 정보처리와 의사결정 지원 기능을 위해서는 클라우드 도입이 중요

16. 16
International Journal of Information Management(2016). The role of big data in smart city
 빅데이터 기술 도입은 스마트시티에서 다양한 관련 비즈니스 모델이 가능하도록 함

17. 17Source : Sandiego.gov
 스마티시티 인프라는 기술과 활용측면에서 센서-데이터-비즈니스-어플리케이션 4계층으로 구성

18. 18
• Gather, analyze, and utilize patient information.
• Responses to health issues.
Smart Health
• Facilitate decision-making related to the supply levels of electricity.
• Allow forecasting in a near-real time manner through efficient analysis.
Smart Energy
• Recognize traffic patterns by investigating real time data.
• Reduce congestion by predicting traffic conditions and adjusting traffic controls.
Smart Mobility
• Help predict future environmental changes or natural disasters like earthquake detecti
on that will give an opportunity to save lives and resources.Smart Safety
•Provide weather information that lead to improving the country’s agriculture and man
agement of energy utilization by providing more accurate predictions on demand.Smart Environment
• Optimize academic research. By analyzing data, education institutes can realize wheth
er they are using their resources in the right places and producing the right results.Smart Education
•Publish new policies for the benefit of data owners (citizens) and producers (governm
ent agencies).Smart Governance
Eiman Al Nuaimi & Hind Al Neyadi & Nader Mohamed & Jameela Al-Jaroodi ,Journal of Internet Services and Applications 2015
 빅데이터 분석기술은 스마티시티의 각 섹터 별로 정책수립, 이슈예측 및 대응에 활용될 수 있음

19. 19
Source : Deloitte, 2015
 개별 플랫폼으로부터 통합플랫폼으로 진화하여 데이터의 통합관리 및 분석, 예측의 고도화를 이루며
통합 DB로 부터 각 섹터 별 데이터들간의 연관성 분석으로 인사이트 및 고도화된 예측이 가능하도로 진화

20. 20
Analyzes Big Data in Smart City
Learns How People Use Cities
Optimizes Infrastructure for Cities
Analytics
Machine
Learning
Deep
Learning,
A.I.
 빅데이터 분석, 머신러닝, 딥러닝 등의 기술은 스마트시티 거주자들의 패턴을 학습하고 이를 토대로
스마트시티의 인프라들을 최적화하거나 운영효율성을 개선시킬 수 있음

21. 21https://www.sciencedirect.com/science/article/pii/S0268401216302778
 스마트시티에서의 생성되는 거대한 양의 센서 데이터들은 병렬처리, 클라우드, 분산처리 기술로 처리

22. 22
IoT &
Sensors
Networks
Social Media
Smartph
one Apps
All IoT sensors have locations
; Spatial Components
 모든 IoT 센서들은 위치(공간) 데이터를 포함하고 있음

23. 23
https://www.geos.ed.ac.uk/~gisteac/eeo-agi/2015-16/5_ellul_15012016.pdf
 스마트시티에서의 서비스는 위치기반 데이터의 활용비중이 큼

24. 24
https://www.hdrinc.com/insights/smart-cities-q-a (2017)
Traffic
Safety
Environment
Climate change
Economy..
 ICT 활용도가 가장 크고 여러 섹터에 파급효과가 큰 분야가 Smart Mobility

25. 25
http://stephenmaps.weebly.com/analysis.html
 지역별 위험요소를 위치기반으로 지도에 투영시킨 위험지역 모델링으로 “범죄위험지도” 구현
미국 샌프란시스코, 애틀란시티 등에서 범죄위험예방을 위한 방법으로 활용되고 있음

26. 26
https://www.techemergence.com/smart-city-artificial-intelligence-applications-trends/
Image Acquisition
Preprocessing Image
Plate Extraction
Segmentation
Recognition
Output
 Pay by Plate
 Find stolen cars
 Track criminals
CNN (Convolutional Neural Networks)
 번호판인식 기술은 딥러닝을 활용한 것으로 주차위반, 주차료, 도난 차 수배, 범죄추적에 활용 중임

27. 27
Source : U.S. Department of Transportation (2015)
Reinforcement Learning
https://www.groundai.com/project/traffic-light-control-using-deep-policy
-gradient-and-value-function-based-reinforcement-learning/
 머신러닝 기법 중 강화학습 알고리즘을 적용한 교통신호제어 기술로 교통흐름 개선에 기여함

28. 28
Source : U.S. Department of Transportation (2015)
 자동차의 자동화 기능에서 더 나아가 자동차들 끼리 연결된 기능이 결합되어 고도화 될 수 있음

29. 29
Vehicle-to-Infrastructure (V2I)
Vehicle-to-Vehicle (V2V)
- Collection
- Analysis
- Insights
- Prediction
Improving urban traffic flow
Source : U.S. Department of Transportation (2015)
 인프라와 연결되고 자동차들 끼리 연결된 기능은 빅데이터 기술과 결합되어 도시의 교통흐름 개선에 기여

30. 30
Source : U.S. Department of Transportation (2015)
 V2V, 대중교통체계, 교통신호체계 등의 기술과 기능이 연동되어 Urban Automation 구현

31. 31
Source : U.S. Department of Transportation (2015)
 미국 와이오밍, 뉴욕, 플로리다 주 등의 도시에서 Connected Vehicle 기술을 적용하거나 계획 중에 있음

32. 32
Source : U.S. Department of Transportation (2015)
 미 교통국에서는 IoT, 빅데이터, 머신러닝 등의 기술이 스마트 시티 인프라와 결합되어
스마트시티에서의 안전과, 환경문제, 비용문제 해결에 도움이 된다고 언급하고 있음

33. 33
Infrastructure (IoT)
Platform (System)
Big Data
Analytics
Smart &
Intelligent
City
Automated Vehicles
Connected Vehicles
Urban Automation
SMART
MOBILITY
Traffic
Safety
Energy
Environment
1. IoT 인프라와 플랫폼 운영에 빅데이터 분석 과 머신러닝, A.I.기술을 활용하여 스마트시티를 고도화 시킴
2. Smart Mobility는 고도의 빅데이터 활용이 필요한 분야 중 하나이며 활용도 및 그 파급효과가 큼
Machin
Learning
A.I.

34. 34
3. 통합플랫폼으로의 진화로 각 영역별 데이터들 간의 고도화된 분석이 가능해짐에 따라
스마트 시티 운영에 필요한 A.I. 기술과 지능형 데이터의 활용이 활발해질 것으로 예상
Smart Energy
Smart
Mobility
Smart
Environment
Smart xxxx
Consolidated Platform
Intelligent Data
Predictive Analytics, Machine Learning, A.I.
Smart City
ActionLearning