5G和边缘计算如何助力智慧城市发展？

[[379966]]

所有自动交通以及未来智慧城市的许多技术都将取决于5G和边缘计算。后者本质上是我们在整个大流行中一直在做的技术版本，即依赖附近的情况。这样可以提高弹性，并向系统中添加更多信息，以创建更智能的城市。

5G网络提供了更高的小区密度、更高的数据速度和更低的网络延迟。在5G中，更多处理被推到网络边缘，从而实现了低延迟应用程序的实施。另外，小区站点的密集化为消费者提供了增加的网络容量、更多的数据带宽和更高的移动数据速度。这种网络密集化将实现高级分析，以进行实时决策。5G技术的应用可以帮助城市节省金钱、资源，并为人们创造更清洁、更安全、更健康的生活场所。

5G和边缘计算齐头并进。5G增加了可通信的数据量，而边缘计算使用数据在本地运行计算，而不是将数据发送到其他地方进行分析和处理。这通常更快、更能抵抗破坏。结合起来，这两种技术具有广阔的前景，并且是当今最杰出的新兴技术。

根据IDC的研究，到2023年，全球5G连接数将增长到10.1亿，到2024年，全球在边缘计算上的支出将达到2500亿美元。这为通过注入下一代技术来转变城市提供了巨大的生态系统机遇。

智慧城市旨在改善居民的生活质量。可以利用诸如物联网(IoT)、区块链、人工智能和分析等关键技术来覆盖整个范围，包括废物管理、智能停车、电子政务、电力和公共照明、教育、卫生、交通管理和智能建筑。边缘计算、5G功能和工业物联网设备的结合为技术的有效使用奠定了基础，并有可能实现更智能的供应链，并使我们更好地应对服务中断。

公用事业和基础设施

边缘分析可以帮助智慧城市自治市更好地管理和节约宝贵的资源，包括能源、水和新鲜空气。水系统和废物管理系统中基于IoT传感器的分析功能可实现更好的监控和管理，而创新的电网可为企业和消费者提高能源效率。边缘分析还有助于监视和控制建筑物的运行，例如供暖、通风、空调、照明和安全，以虚拟方式自动实现最佳的居住环境。

经济发展与公民管理

通过使用5G网络上的IoT传感器，可以监控交通流量，停车位可用性，公用事业使用情况和公共路灯管理。主管部门可以利用边缘分析来找到实用的解决方案，以节约能源，优化水和电资源并减少对环境的影响。在大流行期间，我们已经看到一些趋势，人们从拥挤的城市搬到人口较少，服务更好的地区。使用技术，尽量减少交通拥堵并改善废物管理，可以吸引新居民并增加社区内的经济机会。

边缘计算的优势可能延伸到智慧城市的各个方面：

公共安全与犯罪控制

边缘分析和边缘AI使高级、安全的视频、传感器和通信系统能够主动监视公共场所以及法律和秩序。使用边缘AI，可以在危害公共安全之前预防或减轻犯罪或其他灾难性事件的发生。嵌入在桥梁和发电厂等关键基础设施中的传感器可以监控结构数据，以识别潜在危险，从而保护公民和城市的经济福祉。配备传感器的无人机可以监视车辆交通、人群、建筑工地和灾区，以帮助持续监视状况并支持急救人员。总体而言，社区从对执法和灾难管理的信任中受益。

智能交通和自动驾驶智能车

边缘分析将成为互联自动驾驶汽车革命的关键推动力。道路车辆将彼此通信，并与基础设施通信，并改善总体道路安全性。它还将减少交通拥堵并提高驾驶员舒适度。

基于边缘计算的``车辆到云''解决方案通过不同服务(例如高清实时地图，实时交通监控和警报)为不同级别的自动驾驶提供了边缘云功能。汽车中的分布式AI应用程序将通过5G无线电将视频数据发送到电信网络内部的边缘计算站点。视频数据将通过边缘云上的机器学习算法进行近乎实时的处理。实时图像处理的结果将发送到汽车，在汽车中将与本地分析进行比较，并做出最终决定，例如给驾驶员的指示。

智能医疗

医疗保健行业正在看到联网设备的数量激增。边缘计算和边缘分析可以在很大程度上减轻这种负担。临床医生的移动设备可以将患者数据实时捕获到边缘的连接分析平台中。患者将不再需要等待分析结果，这将大大减少他们的就诊次数。

协作边缘的概念将成为另一个推动者，其中地理上分散的数据将融合到组合的边缘设备可消耗视图中。例如，由于深度学习能够检测出临床上重要的特征以进行诊断和预后，因此近来在眼科学领域已变得越来越重要。这导致将各种深度学习系统嵌入眼科成像设备中，从而实现了自动图像采集。可以在基于智能手机的设备级别执行相同的操作，例如通过使用连接到智能手机的高分辨率眼底成像系统。

让城市自己思考

边缘分析的变革潜力几乎是无限的。5G网络的速度以及可以将本地处理工作转移到网络边缘这一事实，使得边缘分析的主张非常强大。减少的延迟和相互连接的智能设备相互连接，这使当前的模式有了巨大的飞跃，该模式要求将大量数据发送回云以进行分析处理和洞察。设备或边缘网络上的自主决策和认知智能可减少处理和决策延迟。这意味着可以决定性地实时做出决定。

5G中的边缘分析将不仅限于传统的描述性分析，还将继续发展。这项强大的技术具有从情景中学习，预测接下来将要发生的事情，规定下一个最佳操作或决策以及从过去的行为模式中学习以做出最佳决策的能力。对于完全自主的应用程序，边缘分析将实时自动执行下一步操作。