1.

Giới Thiệu
Ngày nay, hơn 50% dân số thế giới cư trú tại các thành phố và được báo cáo rằng
cư trú đô thị sẽ đạt 68% trong vòng 30 năm tới [1]. Theo Liên Hợp Quốc, dân số thế
giới cũng sẽ tăng 2,5 tỷ người vào năm 2050. Sự tăng trưởng vượt bậc này sẽ đặt ra một
số thách thức đối với các thành phố, bao gồm quản lý và phát triển bền vững các khu đô
thị cũng như khả năng đảm bảo chất lượng cuộc sống tuyệt vời cho người dân. Do đó, sự
phát triển của thành phố thông minh cần được coi là một giải pháp hiệu quả và cấp bách
để hỗ trợ một số nhu cầu của dân số ngày càng tăng này.
Mặt khác, sự phát triển nhanh chóng của IoT và phân tích dữ liệu lớn thường
được coi là yếu tố chính trong việc triển khai các dịch vụ của thành phố thông minh [2].
IoT và phân tích dữ liệu lớn đã thu hút được sự chú ý mạnh mẽ toàn cầu và của giới phê
bình, như được thể hiện trong Hình 1. Sự phát triển không ngừng của công nghệ đóng
một vai trò quan trọng trong sự phát triển của các hệ thống thông minh trên các lĩnh vực
khác nhau của cuộc sống thành phố. Một thành phố thông minh khai thác và hưởng lợi từ
việc thu thập và xử lý dữ liệu bằng cách sử dụng các công nghệ khác nhau về truyền
thông, mạng và điện toán, từ đó dẫn đến sự đổi mới của các dịch vụ thông minh trên các
lĩnh vực khác nhau bao gồm y tế, giao thông, an ninh, v.v. Để hỗ trợ sự phát triển của các
thành phố thông minh, hàng tỷ đô la được giao cho các sáng kiến thành phố thông minh.
Hình 2 cho thấy những dự đoán của Statista [3] liên quan đến các khoản đầu tư công
nghệ sẽ có sẵn để hỗ trợ sự phát triển của các thành phố thông minh từ hiện tại đến năm
2023.

Hình 1: Số lượng tìm kiếm trên Google cho các cụm từ '' Internet of Things '' và '' phân tích dữ
liệu lớn '' kể từ năm 2010, theo xu hướng của Google.
Hình 2: Đầu tư vào công nghệ để phát triển thành phố thông minh trên toàn thế giới [3].
IoT đề cập đến sự kết nối giữa hàng tỷ thiết bị thông minh [4]. Công nghệ này
cung cấp cho các đối tượng vật lý khả năng bắt chước các đặc điểm của con người như
nhìn, nghe, suy nghĩ và ra quyết định để giao tiếp, chia sẻ thông tin và phối hợp hành
động với nhau. Những khả năng này biến các vật thể đơn giản thành các thiết bị thông
minh có thể hoạt động trong thời gian thực, điều chỉnh theo hoàn cảnh và hoạt động mà
không cần sự can thiệp hoặc giám sát của con người. Các cảm biến và bộ truyền động
thông minh tương tự đã được nhúng vào các khu vực khác nhau của các thành phố, tạo ra
một bộ sưu tập lượng dữ liệu khổng lồ [5]. Dữ liệu thu thập được phải được lưu trữ, phân
tích và xử lý trước khi được trình bày dưới dạng hữu ích [6].
Sự phát triển gần đây của dữ liệu IoT đã dẫn đến sự xuất hiện và phát triển của
phân tích dữ liệu thời gian thực, bao gồm Học máy (ML), DL và cơ sở hạ tầng máy tính
[7]. Gần đây, phân tích dữ liệu lớn IoT đã trở thành một lĩnh vực nghiên cứu rất phổ biến
[8–10], đặc biệt là vì các phương pháp xử lý dữ liệu truyền thống đã ghi nhận nhiều hạn
chế khác nhau, đặc biệt là khi làm việc với một lượng lớn dữ liệu. Thuật toán DL được đề
xuất như một phương tiện để giải quyết các vấn đề như vậy. Thuật toán DL cho phép các
nhà nghiên cứu xử lý một lượng lớn dữ liệu thô trong thời gian thực với độ chính xác cao
và hiệu quả cao [11]. Một số nghiên cứu sử dụng kỹ thuật DL đã được thực hiện trong
các lĩnh vực khác nhau và kết quả thu được đã góp phần vào tầm nhìn lớn hơn về thành
phố thông minh và một số bước quan trọng trên con đường hướng tới sự phát triển của
chúng [12].

Trong cuộc khảo sát này, chúng tôi chọn thành phố thông minh là lĩnh vực ứng
dụng chính của IoT, vì các thành phố thông minh liên quan đến một loạt các trường hợp
sử dụng IoT. Sau [13,14], chúng tôi xác định sáu trường hợp sử dụng bắt nguồn từ thành
phố thông minh giả định, bao gồm: nhà thông minh, chăm sóc sức khỏe thông minh, giao
thông thông minh, giám sát thông minh, nông nghiệp thông minh và môi trường thông
 minh. Chúng tôi cũng sẽ tập trung vào việc sử dụng các mô hình DL để phát triển các
ứng dụng thông minh cho các trường hợp sử dụng này, cũng như những thách thức tiềm
ẩn và các vấn đề mở khác nhau liên quan đến nó. Hình 3 minh họa các trường hợp sử
dụng này.

Hình 3: Các trường hợp sử dụng của thành phố thông minh được xem xét trong cuộc khảo sát
này.
Phần còn lại của bài báo này được sắp xếp như sau. Trong Phần 2, chúng tôi xem
xét các nghiên cứu liên quan trước đó, so sánh giữa các nghiên cứu này và công việc của
chúng tôi, đồng thời xác định những đóng góp chính của cuộc khảo sát của chúng tôi.
Trong Phần 3, lĩnh vực IoT, kỹ thuật Học Sâu và cơ sở hạ tầng điện toán IoT được trình
bày và giải thích. Trong Phần 4, các ứng dụng IoT cho một thành phố thông minh sử
dụng Học Sâu được xem xét, tóm tắt và minh họa. Trong Phần 5, chúng tôi thảo luận về
việc sử dụng các kỹ thuật Học Sâu trong các ứng dụng thành phố thông minh IoT để cung
cấp một hình ảnh dễ hiểu về các khái niện chính của ứng dụng thành phố thông minh IoT
và Học Sâu cho nghiên cứu trong tương lai. Trong Phần 6, những thách thức và vấn đề
mở liên quan đến sự phát triển của thành phố thông minh sử dụng kỹ thuật Học Sâu được
trình bày. Cuối cùng, cuộc khảo sát của chúng tôi được kết luận trong Phần 7. Cấu trúc
chi tiết của cuộc khảo sát hiện tại được trình bày trong Hình 4.
 Hình 4: Trình bày cấu trúc khảo sát.

2. Các công việc liên quan và những đóng góp chính của cuộc khảo sát hiện
tại
Phân tích dữ liệu IoT gần đây đã thu hút sự chú ý rộng rãi trong các lĩnh vực khác
nhau, dẫn đến việc các nhà nghiên cứu thực hiện một số cuộc khảo sát về chủ đề này. Các
cuộc khảo sát này bao gồm các cuộc điều tra về việc sử dụng ML cũng như các khảo sát
khác tập trung vào việc sử dụng DL để phục vụ các ứng dụng IoT. Một số khảo sát có
liên quan liên quan đến phân tích dữ liệu lớn IoT và kỹ thuật DL được liệt kê bên dưới,
tiếp theo là so sánh giữa các khảo sát này và khảo sát của chúng tôi để phác thảo những
đóng góp chính trong công việc của chúng tôi cho nỗ lực này.

Mohammadi và cộng sự. [15] đã báo cáo về các phương pháp DL gần đây cho các
ứng dụng IoT. Cuộc khảo sát giới thiệu các đặc điểm khác nhau của dữ liệu lớn được tạo
ra từ IoT và thảo luận về cách rút ra phân tích từ dữ liệu này. Các loại kiến trúc DL khác
nhau và các nghiên cứu khác nhau khám phá việc sử dụng DL trong các lĩnh vực IoT
 khác nhau cũng đã được khảo sát. Cuối cùng, các tác giả đã đề cập đến việc sử dụng DL
cho dữ liệu IoT trong các ứng dụng và dịch vụ khác nhau bao gồm định vị trong nhà,
nhận dạng hình ảnh / giọng nói, bảo mật, quyền riêng tư, v.v.
Mahdavine và cộng sự, [16] đã trình bày một cuộc khảo sát thảo luận về các kỹ
thuật ML khác nhau được sử dụng để phân tích và xử lý dữ liệu IoT trong các trường hợp
sử dụng thành phố thông minh khác nhau. Ngoài ra, họ đã thảo luận về những thách thức
tiềm ẩn mà việc áp dụng các thuật toán này trong phân tích dữ liệu IoT phải đối mặt.
Zhang và cộng sự. [17] đã đề cập đến việc sử dụng DL trong các mạng di động và
không dây. Các tác giả nhấn mạnh cách điều chỉnh DL trong các mạng di động và đưa ra
một bản tóm tắt về các nền tảng đa dạng được sử dụng để tạo điều kiện thuận lợi cho việc
triển khai này.
Trong [18], Zhang và cộng sự, đã xem xét các công trình hiện có áp dụng các kỹ
thuật DL cho tính năng học dữ liệu lớn gồm 4 mô hình DL điển hình: bộ mã hóa tự động
xếp chồng (stacked auto-encoder), mạng niềm tin Sâu (deep belief network), mạng nơ-
ron tích chập (convolutional neural network) và mạng nơ-ron hồi quy (recurrent neural
network). Họ cũng đã xem, xử lý dữ liệu lớn và phân loại chúng thành 4 nhóm với bốn
loại dữ liệu: lượng lớn nhóm dữ liệu, nhóm dữ liệu không đồng nhất, nhóm dữ liệu thời
gian thực và cuối cùng là nhóm dữ liệu chất lượng thấp.
Qolomany và cộng sự. [19] đã trình bày một cuộc khảo sát xem xét việc sử dụng
ML để phân tích dữ liệu lớn nhằm tăng cường sự phát triển của các tòa nhà thông minh.
Hơn nữa, họ đã báo cáo và phân loại các ứng dụng / hệ thống tòa nhà thông minh khác
nhau được phát triển bằng kỹ thuật ML, bao gồm chăm sóc người cao tuổi tại nhà, hiệu
quả năng lượng, giải trí, an ninh và các dự án khác nhau khác.
Chen và cộng sự. [20] đã cung cấp một cuộc khảo sát về việc sử dụng DL cho dữ
liệu thành phố thông minh. Họ tóm tắt nghiên cứu mới nhất về các ứng dụng, dịch vụ
trong các trường hợp/tình huống sử dụng thành phố thông minh khác nhau, bao gồm giao
thông, chăm sóc sức khỏe, môi trường và bảo mật.

Bảng 1 cung cấp một bản tóm tắt các công việc chi tiết trước đây và liệt kê những hạn
chế của chúng để phác thảo những đóng góp chính của cuộc khảo sát hiện tại.
Những đóng góp chính của nghiên cứu được đề xuất trong các câu hỏi nghiên cứu sau:
(Câu hỏi 1) Các trường hợp sử dụng chính của hệ sinh thái thành phố thông minh là gì?
(Câu hỏi 2) Phân loại của các thuật toán DL được sử dụng nhiều nhất có thể được áp dụng trong
IoT là gì?
(Câu hỏi 3) Thuật toán DL có thể được áp dụng như thế nào cho các ứng dụng/kịch bản/trường
hợp sử dụng thành phố thông minh IoT?
(Câu hỏi 4) Những thách thức và vấn đề mở phải đối mặt với sự phát triển của thành phố thông
minh bằng cách sử dụng các thuật toán/mô hình DL là gì?
Bảng 1:
So sánh các giấy tờ khảo sát có liên quan.
Cuộc Khảo sát Tạp chí Phương Lĩnh Trường hợp sử dụng Mục đích chính Hạn chế
của pháp vực
 luận
Mohammadi IEEE Khảo sát IoT 1. Nhà thông minh Xem xét các - Không tập trung chuyên
và cộng sự. Com- toàn 2. Thành phố thông phương pháp sâu vào các dịch vụ thành
[15] muni- diện minh tiếp cận DL phố thông minh IoT và
2018 cations 3. Năng lượng thông gần đây cho Ứng dụng
Surveys & minh các ứng dụng - Không giải quyết các
Tutorials 3. Chăm sóc sức khỏe và dịch vụ IoT thách thức kỹ thuật / kinh
thông minh doanh khác nhau và các
4. Nông nghiệp vấn đề mở liên quan đến
5. Giáo dục sự phát triển của thành
6. Thể thao phố thông minh
7. Bán lẻ
8. Cơ sở hạ tầng IoT
Mahdavine và Digital Khảo sát Thành 1. Năng lượng thông Xem xét các kỹ - Chỉ xem xét bốn trường
cộng sự. Com- toàn phố minh thuật ML và hợp sử dụng liên quan đến
[16] munic- diện thông 2. Di chuyển thông ứng dụng của các ứng dụng thành phố
2018 ations minh minh chúng trong thông minh: năng lượng
and 3. Công dân thông các trường hợp thông minh, di chuyển,
Networks minh sử dụng thành công dân và quy hoạch đô
4. Quy hoạch đô thị phố thông thị
minh - Không điều tra việc sử
dụng các kỹ thuật DL để
phân tích dữ liệu thành
phố thông minh IoT
- Không thảo luận về các
vấn đề mở liên quan đến
sự phát triển của thành
phố thông minh
Zhang và cộng IEEE Khảo sát Mạng - Xem xét các - Không điều tra việc sử
sự [17] Com- toàn di động kiến trúc DL dụng DL trong các ứng
2018 muni- diện và việc sử dụng dụng IoT khác nhau, đặc
cations chúng trong biệt là trong việc phát
Surveys các mạng di triển các thành phố thông
& động minh
Tutorials
Zhang và cộng Informatio Khảo sát Big 1. Số lượng lớn Đánh giá một - Chỉ xem xét các nghiên
sự [18] n Fusion toàn Data dữ liệu số công trình cứu sử dụng mô hình DL
2018 diện 2. Dữ liệu không áp dụng kỹ để học tính năng dữ liệu
đồng nhất thuật DL cho lớn
3. Dữ liệu thời gian việc học tính - Không điều tra cụ thể
thực năng dữ liệu việc sử dụng DL trong các
4. Dữ liệu chất lượng lớn ứng dụng IoT khác nhau
thấp - Không xem xét các ứng
dụng IoT sử dụng mô hình
DL cho thành phố thông
minh
Qolomany và IEEE Khảo sát Tòa nhà 1. Chăm sóc người Đánh giá việc - Không xem xét việc triển
cộng sự [19] Access toàn diện thông cao tuổi tại nhà sử dụng ML và khai các mô hình ML
2019 minh 2. Hiệu quả năng phân tích dữ trong điện toán sương
lượng liệu lớn để phát mù/biên
3. Thoải mái và triển các tòa - Không xem xét kỹ thuật
giải trí nhà thông minh DL
4. An toàn và bảo - Không tập trung vào các
mật trường hợp sử dụng thành
5. Các dự án khác phố thông minh dựa trên
IoT
Chen và cộng IEEE Khảo sát Thành 1. Giao thông vận tải Rà soát việc sử - Không bao gồm các
sự [20] Transac- toàn diện phố 2. Chăm sóc sức khỏe dụng DL cho trường hợp sử dụng nhà
2019 tions on thông 3. Môi trường dữ liệu thành thông minh và nông
Emerging minh 4. An toàn công cộng phố thông nghiệp
 Topics in minh, tổng hợp - Không điều tra việc sử
Compu- các mô hình dụng đám mây, sương mù
tational DL phổ biến và và điện toán biên với các
Intelligenc khảo sát các ứng dụng dựa trên DL
e công trình mới - Không thảo luận về vấn
nhất liên quan đề dữ liệu lớn IoT
đến ứng dụng
thành phố
thông minh
ứng dụng kỹ
thuật DL

Tóm lại, cuộc khảo sát này cung cấp những đóng góp chính sau đây làm câu trả lời cho các câu
hỏi nghiên cứu được liệt kê trước đó:
Trả lời câu hỏi 1: Là một lĩnh vực ứng dụng các công nghệ liên quan đến IoT, chúng tôi đã chọn
thành phố thông minh. Một số hệ thống IoT được cung cấp như một phương tiện phục vụ các
miền thành phố khác nhau. Chúng tôi phân loại các dịch vụ này thành sáu trường hợp sử dụng
chính bao gồm nhà thông minh, chăm sóc sức khỏe thông minh, giao thông thông minh, giám sát
thông minh, nông nghiệp thông minh và môi trường thông minh.
Trả lời câu hỏi 2: Trong vài năm qua, các kỹ thuật ML được sử dụng nhiều nhất là các mô hình
DL. Các mô hình này đã đạt được thành công trong các ứng dụng khác nhau, chẳng hạn như xử
lý hình ảnh, giọng nói, nhận dạng mẫu, v.v. Trong cuộc khảo sát này, chúng tôi đề xuất xem xét
các mô hình DL có liên quan và phân loại chúng thành sáu nhóm mô hình áp dụng chính trong
lĩnh vực dữ liệu lớn IoT. Các mô hình này bao gồm: (1 mạng nơ-ron tích chập, (2) mạng nơ-ron
hồi quy, (3) mạng niềm tin Sâu, (4) bộ mã hóa tự động xếp chồng, (5) học tăng cường sâu và (6)
mạng đối nghịch phát sinh.
Trả lời câu hỏi 3: Để điều tra việc sử dụng DL, chúng tôi đã xem xét khoảng 60 tài liệu liên
quan kiểm tra việc sử dụng phân tích dữ liệu lớn IoT trong các thành phố thông minh. Chúng tôi
đã thảo luận về các công việc này để cung cấp sự hiểu biết kỹ thuật về các thuật toán DL đang
được sử dụng trong các ứng dụng thành phố thông minh IoT. Cuộc thảo luận này sẽ giúp những
người khác hiểu thuật toán DL nào là thích hợp nhất để xử lý dữ liệu lớn IoT được tạo ra và thu
thập từ các thiết bị thông minh.
Trả lời câu hỏi 4: Phát triển thành phố thông minh đòi hỏi phải đối mặt với nhiều thách thức kỹ
thuật và kinh doanh. Trong cuộc khảo sát hiện tại này, chúng tôi xác định những thách thức
chính và làm sáng tỏ các vấn đề liên quan nhất liên quan đến việc sử dụng DL trong thành phố
thông minh.
3.
4.
5. Thảo Luận
Để có được kết quả giá trị gia tăng từ phân tích dữ liệu lớn IoT, trước tiên cần xác định
vấn đề và xác định loại phân tích cần được tiến hành. Thông thường, các ứng dụng tiềm năng
của DL trong các ứng dụng thành phố thông minh có thể được phân thành bốn lớp khác
nhau: nhận dạng, phát hiện, dự đoán và tối ưu hóa.
 Bảng 9:
Tóm tắt các công trình liên quan đến nông nghiệp thông minh
Trường Ứng Tham Dữ liệu đầu vào DL model(s) Cơ sở hạ tầng
hợp sử dụng khảo điện toán
dụng IoT
[97] Các tác giả sử dụng bộ dữ liệu Plant Village để đào tạo CNN Điện toán đám
và phát triển bộ dữ liệu thử nghiệm theo thời gian thực mây
bao gồm 1070 hình ảnh về lá xoài khỏe mạnh và bị
nhiễm bệnh
Phát [154] Bộ dữ liệu Plant Village
hiện
[155] Các tác giả thu thập dữ liệu đầu vào của họ bao gồm
bệnh
nhiều hình ảnh của lá từ các bộ dữ liệu trực tuyến có sẵn
thực
khác nhau
vật
[156] Các tác giả thu thập một bộ dữ liệu gồm 13.689 hình ảnh
Nông về những bức ảnh lá táo bị bệnh, tất cả đều được chụp ở
nghiệp Trung Quốc
thông [157] - DRL Điện toán biên
minh
[93] Các tác giả sử dụng cùng một tập dữ liệu được sử dụng CNN Điện toán đám
trong [159] mây
[159] Các tác giả thu thập bốn bộ dữ liệu hình ảnh quả táo CNN
Đếm (xanh lá cây, cam, vàng và đỏ)
thông [160] Các tác giả phát triển hai bộ dữ liệu hình ảnh: tập dữ liệu FCN (Mạng tích
minh quả táo và tập dữ liệu quả cam chập hoàn toàn)

[161] Dữ liệu đầu vào bao gồm hai bộ dữ liệu hình ảnh của táo CNN Điện toán đám
và cam mây
 Bảng 10:
Tóm tắt các công việc liên quan đến môi trường thông minh.
Trường Ứng Tham Dữ liệu đầu vào DL model(s) Cơ sở hạ tầng
hợp sử dụng khảo điện toán
dụng IoT
Chất [162] Các tác giả thu thập 2.191 quan sát về chất lượng không RNN Điện toán đám
lượng khí dựa trên EPA Hoa Kỳ mây
không
khí [98] Bộ dữ liệu AirNet GRU Điện toán đám
mây
[163] Các tác giả sử dụng bộ dữ liệu Đài Loan và Bắc Kinh ANN+ LSTM+ Điện toán đám
bao gồm một số lượng lớn hình ảnh thành phố CNN mây
Môi [164] Các tác giả thu thập hơn 1.000 hình ảnh về môi trường DBN Điện toán đám
trường thành phố Singapore mây
thông [165] Tập dữ liệu NADA CNN +LSTM Điện toán biên
minh
Phát [105] Các tác giả tạo ra một bộ dữ liệu rác mới, nơi họ thu CNN Điện toán biên
hiện thập 681 hình ảnh đường phố từ camera xe
rác [167] Các tác giả xây dựng một tập dữ liệu có tên Shandong CNN Điện toán đám
Suburb Garbage bao gồm nhiều hình ảnh có độ phân giải mây
cao
[168] Tập dữ liệu Coco R-CNN Điện toán đám
mây

 Nhận dạng: để nhận ra các sự kiện, các ứng dụng nhận dạng được sử dụng. Các ứng
dụng như vậy đã được sử dụng trong một loạt các ứng dụng thành phố thông minh IoT và
đã chứng minh hiệu suất tốt bằng cách sử dụng các mô hình DL. Các ứng dụng này sử
dụng hình ảnh và video làm dữ liệu đầu vào, được cung cấp từ cả camera giám sát thành
phố thông minh cũng như camera thiết bị di động được mọi người sử dụng. Điều đáng
chú ý là hầu hết các nghiên cứu về nông nghiệp và các công trình liên quan đều rút ra từ
hình ảnh cho mục đích phân loại hoặc phát hiện đối tượng. Ví dụ về các ứng dụng liên
quan bao gồm phát hiện bệnh ở lá, cũng như phát hiện và đếm quả [155,156,169]. Mô
hình DL được sử dụng trong các ứng dụng này là CNN.
 Phát hiện: để phân loại dữ liệu lớn được thu thập từ IoT và phân biệt các đối tượng, thuật
toán phát hiện là kỹ thuật được sử dụng nhiều nhất. Phát hiện đối tượng được định nghĩa
là kỹ thuật xử lý hình ảnh và video để khám phá các trạng thái hoặc phân loại các đối
tượng được phát hiện. Một số ví dụ về các tình huống phát hiện bao gồm phát hiện rơi
[129,130] và phát hiện cháy [104,149]. Mô hình CNN là thuật toán DL được sử dụng
thường xuyên nhất để phát hiện, vì loại mạng nơ-ron sâu này có thể xử lý dữ liệu lớn với
các loại và định dạng dữ liệu khác nhau.
 Dự đoán: để dự đoán các sự kiện và xác định hành động thích hợp cần thực hiện, thuật
toán DL được sử dụng để phân tích dự đoán / dự báo. RNN và các biến thể của nó là các
thuật toán được sử dụng phổ biến nhất trong dự báo. Các mô hình này mang lại kết quả
tốt nhất về mặt hiệu suất vì chúng có thể thu thập dữ liệu kích thước thời gian, điều mà
các mô hình CNN không thể làm được. RNN cũng có khả năng ghi nhớ và phân tích dữ
liệu tuần tự như dữ liệu chất lượng không khí của mỗi ngày trong một khoảng thời gian
và địa điểm xác định [162]. Ở đây, LSTM là mô hình dự đoán tối ưu và được sử dụng
nhiều nhất vì nó có thể ghi lại dữ liệu thời gian trong khoảng thời gian dài cũng như ghi
nhớ hoặc quên dữ liệu khi cần thiết bằng cách sử dụng ba cổng. Các mô hình LTSM được
 sử dụng trong các tình huống ứng dụng khác nhau, chẳng hạn như dự đoán tai nạn giao
thông [95,150] và dự báo lượng năng lượng tiêu thụ để quản lý tốt hơn trong nhà thông
minh [106,121–125].
 Tối ưu hóa: một trong những lợi thế quan trọng nhất của việc áp dụng DL trong các ứng
dụng IoT là tối ưu hóa các dịch vụ thành phố thông minh bằng cách cải thiện các quy
trình, đảm bảo hiệu quả của hệ thống và xác định các vấn đề về hiệu suất. Các mô hình
DRL thường được sử dụng để đảm bảo tối ưu hóa này, vì đây là mô hình được khai thác
nhiều nhất. Loại mô hình này sử dụng DL để đảm bảo tối ưu hóa chính sách, kết hợp với
kỹ thuật học tăng cường cho phép các tác nhân tự học mà không cần sự can thiệp của con
người.
Bảng 11 phân loại các tác phẩm khác nhau được trình bày trước đó, theo mô hình DL của
mỗi tác phẩm được áp dụng, trường hợp sử dụng của thành phố thông minh, mục tiêu chính và
danh mục phân tích dữ liệu.
Bảng 11:
Việc sử dụng các mô hình DL trong các trường hợp sử dụng thành phố thông minh IoT.
Mô Tham khảo Trường Mục tiêu chính Danh mục phân tích dữ liệu
hình hợp sử
DL dụng
Nhận dạng Phát Dự Tối ưu
hình ảnh hiện đoán hóa
[101,108,136] Y tế Dự đoán bệnh x
[102,103] Y tế Đánh giá chế độ ăn uống x
[154–156] Nông Phát hiện bệnh thực vật
nghiệp
[94,142,144] Giao Giao thông và bãi đậu xe
thông thông minh
vận tải
CNN [129,134] Y tế Chăm sóc người cao tuổi x
[104,149] Giám Phát hiện cháy
sát
[139,141] Nông Đếm thông minh
nghiệp
[105,167] Môi Phát hiện rác
trường
[139] Giao Giao thông thông minh x
thông
vận tải
RNN [137] Y tế Dự đoán bệnh
[162] Môi Chất lượng không khí
trường
[106,121–125] Nhà Quản lý năng lượng x
thông
minh
LSTM [95,150] Giám sát dự báo tai nạn
[138] Giao Giao thông thông minh
thông
vận tải
SAE [151] Giám sát Phát hiện tai nạn x
 [164] Môi Chất lượng không khí x
DBN/ trường
RBM [80] Y tế Chăm sóc người cao tuổi x

[80] Y tế Dự đoán chế độ điều trị

[140] Giao Giao thông thông minh x
thông
DRL vận tải
[157] Nông Phát hiện bệnh thực vật
nghiệp

Sau khi xem xét các công việc này, chúng tôi đã xác định các xu hướng sau đây liên quan
đến việc sử dụng các mô hình DL để phân tích dữ liệu thành phố thông minh:
 Các mô hình CNN cung cấp hiệu suất tuyệt vời cho các ứng dụng hình ảnh, cho cả mục
đích nhận dạng và phát hiện. Các mô hình này là các kỹ thuật DL được sử dụng nhiều
nhất và được sử dụng trong tất cả các trường hợp sử dụng được đề cập của thành phố
thông minh
 Các mô hình RNN phù hợp cho các ứng dụng dự đoán và LSTM là mô hình được sử
dụng nhiều nhất vì nó có thể nắm bắt các mối tương quan thời gian trong dữ liệu chuỗi
thời gian, dẫn đến hiệu quả và độ chính xác cao.
 DRL đã đạt được tiến bộ lớn trong lĩnh vực sử dụng DL trong các kịch bản thành phố
thông minh. Kiến trúc này có thể trích xuất các tính năng phong phú và cho phép các ứng
dụng học hỏi từ môi trường bằng cách sử dụng các tác nhân giống như cách con người
làm.
6.
7. Kết Luận
DL và IoT đã đạt được sức hút đáng kể trên nhiều lĩnh vực nghiên cứu khác nhau và có
thể hiểu rằng hai công nghệ tiên tiến này có tiềm năng tác động lớn đến lối sống, thành phố
và thế giới của mọi người nói chung. Sự phát triển của thành phố thông minh chỉ là một
trong nhiều lĩnh vực mà các công nghệ như vậy đã được sử dụng để đạt được hiệu quả lớn,
như chúng tôi đã chứng minh với cuộc khảo sát của chúng tôi về một số nghiên cứu gần
đây.
Mục đích chính trong công việc của chúng tôi ở đây là xem xét sự kết hợp giữa phân tích
dữ liệu lớn DL và IoT trong việc phát triển và cải thiện thành phố thông minh. Trong cuộc
khảo sát này, chúng tôi đã xác định công nghệ IoT và mô tả cơ sở hạ tầng điện toán được sử
dụng bởi phân tích dữ liệu IoT, bao gồm đám mây, sương mù và điện toán biên. Sau đó,
chúng tôi đã khảo sát các kiến trúc DL phổ biến và cách sử dụng, lợi ích và nhược điểm của
chúng. Chúng tôi tập trung vào việc trình bày các nền tảng mã nguồn mở quan trọng nhất
được phát triển để hỗ trợ các nghiên cứu DL và chúng tôi đã so sánh giữa chúng, cũng như
trong số các bộ dữ liệu DL được sử dụng phổ biến nhất.
Sau đó, chúng tôi đã điều tra việc sử dụng công nghệ DL trong các ứng dụng thành phố
thông minh khác nhau, bao gồm gia đình, chăm sóc sức khỏe, giao thông vận tải, giám sát,
nông nghiệp và môi trường.
 Cuối cùng, chúng tôi đã kết luận bằng cách nêu bật những thách thức quan trọng và các
vấn đề mở, những thứ mà việc sử dụng DL để phát triển các ứng dụng thành phố thông
minh IoT thường gặp phải.
Chúng tôi dự đoán rằng công việc này sẽ cung cấp một điểm khởi đầu cho các nhà nghiên
cứu khác đang tìm kiếm cảm nhận về công việc đã hoàn thành trong lĩnh vực nghiên cứu
phát triển thành phố thông minh của họ.

Tham khảo
[1] Liên Hợp Quốc, 68% dân số thế giới dự kiến sẽ sống ở khu vực thành thị vào năm 2050, 2018,
https://www.un.org/development/desa/en/news/population/2018-revision-of-world-urbanization-prospects.html

[2] I. Abaker, T. Hashem, V. Chang, N.B. Anuar, K. Adewole, I. Yaqoob, A. Gani, E. Ahmed, H. Chiroma,
Vai trò của dữ liệu lớn trong thành phố thông minh, Int. J. Inf. Quản lý. 36 (2016) 748-758,
https://www.sciencedirect.com/science/ article/pii/S0268401216302778. (Truy cập ngày 11 tháng 2 năm 2020).

[3] Statista, Sáng kiến thành phố thông minh: chi tiêu toàn cầu 2023, 2020, https://www.statista.com/. (Truy
cập ngày 18 tháng 4 năm 2020).

[4] A. Al-Fuqaha, M. Guizani, M. Mohammadi, M. Aledhari, M. Ayyash, Internet of Things: Một cuộc khảo
sát về việc cho phép các công nghệ, giao thức và ứng dụng, IEEE Commun. Surv. Tutor. 17 (2015) 2347–2376, http:
//dx.doi.org/10.1109/COMST.2015.2444095.

[5] R. Frank, Hiểu về cảm biến thông minh, 2013,

https://books.google.com/books?hl=en&lr=&id=v4G9jKBCghMC&oi=fnd&pg=PR7&dq=smart+
sensors&ots=fgKTgqIkkh&sig=Ig_DQQntA-e6GayPdI8g4PuWlJE. (Truy cập ngày 2 tháng 2 năm 2020).

[6] M. Chen, S. Mao, Y. Zhang, V.C.M. Leung, Dữ liệu lớn: các công nghệ liên quan, thách thức và triển vọng
tương lai, 2014, http://www.springer.com/series/10028. (Truy cập ngày 2 tháng 2 năm 2020).

[7] K. Hwang, M. Chen, Phân tích dữ liệu lớn cho đám mây, IoT và điện toán nhận thức, 2017,
https://books.google.com/books?hl=en&lr=&id=Kz1GDgAAQBAJ&oi=fnd&pg=PT10&dq=Big-
data+analytics+for+cloud,
+IoT+and+cognitive+computing&ots=b_GbM4vzm3&sig=NvT2WrTURAUuS8SCwHIx8P2Rk1k. (Truy cập ngày
1 tháng 2 năm 2020).

[8] M. Marjani, F. Nasaruddin, A. Gani, A. Karim, I.A.T. Hashem, A. Siddiqa, I. Yaqoob, Big IoT data
analytics: Architecture, opportunities, and open research challenges, IEEE Access 5 (2017) 5247–5261,
http://dx.doi.org/10.1109/ACCESS.2017.2689040.

[9] A. Yassine, S. Singh, M.S. Hossain, G. Muhammad, IoT Phân tích dữ liệu lớn cho nhà thông minh với
sương mù và điện toán đám mây, Future Gener. Comput. Syst. 91 (2019) 563–573,
http://dx.doi.org/10.1016/j.future.2018.08.040.

[10] W. Boulila, Một cách tiếp cận từ trên xuống để phân đoạn ngữ nghĩa của các hình ảnh viễn thám lớn, Earth
Sci. Inf. 12 (2019) 295–306, http://dx.doi.org/10.1007/s12145-018-00376-7.

[11] Y. Bengio, I. Goodfellow, A. Courville, Học sâu, 2015.

[12] G. M. Mohammadi, A. Al-Fuqaha, Enabling cognitive smart cities using big data and machine learning:
Approaches and challenges, IEEE Commun. Mag. 56 (2018) 94–101, http://www.havenondemand.com. (Accessed 2
February 2020).

[13] M.M. Rathore, A. Paul, A. Ahmad, S. Rho, Quy hoạch đô thị và xây dựng thành phố thông minh dựa trên
internet vạn vật bằng cách sử dụng phân tích dữ liệu lớn, Comput. Netw. 101 (2016) 63–80,
http://dx.doi.org/10.1016/j.comnet.2015.12.023.

[14] R. Khatoun, S. Zeadally, Thành phố thông minh: khái niệm, kiến trúc, cơ hội nghiên cứu, Commun. ACM
59 (2016) 46–57, http://dx.doi.org/10.1145/2858789.

[15] M. Mohammadi, A. Al-Fuqaha, S. Sorour, M. Guizani, Học sâu cho dữ liệu lớn IoT và phân tích phát trực
tuyến: Một cuộc khảo sát, IEEE Commun. Surv. Tutor. 20 (2018) 2923–2960, http://arxiv.org/abs/1712.04301.

[16] M.S. Mahdavinejad, M. Rezvan, M. Barekatain, P. Adibi, P. Barnaghi, A.P.Sheth, học máy để phân tích dữ
liệu internet of things: A survey, Digit. Commun. Netw. 4 (2018) 161–175,
https://www.sciencedirect.com/science/article/pii/S235286481730247X. (Truy cập ngày 1 tháng 2 năm 2020).

[17] C. Zhang, P. Patras, H. Haddadi, Deep learning trong mạng di động và không dây: Một cuộc khảo sát,
IEEE Commun. Surv. Tutor. (2018) http://arxiv.org/abs/1803.04311.

[18] Q. Zhang, L.T. Yang, Z. Chen, P. Li, Một cuộc khảo sát về Học Sâu cho dữ liệu lớn, Inf. Fusion 42 (2018)
146–157, http://dx.doi.org/10.1016/j.inffus.2017.10.006.

[19] B. Qolomany, A. Al-Fuqaha, A. Gupta, D. Benhaddou, S. Alwajidi, J. Qadir, AC Fong, Tận dụng máy học
và dữ liệu lớn cho các tòa nhà thông minh: Một cuộc khảo sát toàn diện, IEEE Access 7 (2019) 90316–90356,
https://ieeexplore.ieee.org/abstract/document/8754678/. (Truy cập ngày 1 tháng 2 năm 2020).

[20] Q. Chen, W. Wang, F. Wu, S. De, R. Wang, B. Zhang, X. Huang, Một cuộc khảo sát về một lĩnh vực mới
nổi: Học sâu cho dữ liệu thành phố thông minh, IEEE Trans. Emerg. Top. Comput. Intell. 3 (2019) 392–410,
https://ieeexplore.ieee.org/abstract/document/8704334/. (Truy cập ngày 21 tháng 2 năm 2020).

[21] A. Whitmore, A. Agarwal, L. da Xu, Internet of things-Một cuộc khảo sát về các chủ đề và xu hướng, Inf.
Syst. Front. 17 (2015) 261–274, http://dx.doi.org/10.1007/s10796-014-9489-2.

[22] J. Gubbi, R. Buyya, S. Marusic, M. Palaniswami, Internet vạn vật (IoT): Tầm nhìn, các yếu tố kiến trúc và
định hướng tương lai, Future Gener. Comput. Syst. 29 (2013) 1645–1660,
http://dx.doi.org/10.1016/j.future.2013.01.010.

[23] S. Mukhopadhyay, Cảm biến đeo được để theo dõi hoạt động của con người: Đánh giá, Cảm biến IEEE J.
15 (2015) 1321–1330, http://dx.doi.org/10.1109/JSEN.2015.2475626.

[24] E. Ahmed, I. Yaqoob, I.A.T. Hashem, I. Khan, A.I.A. Ahmed, M. Imran, A. v. Vasilakos, Vai trò của phân
tích dữ liệu lớn trong Internet of Things, Comput. Netw. 129 (2017) http://dx.doi.org/10.1016/j.comnet.2017.06.013.

[25] Các loại phân tích: phân tích mô tả, dự đoán, chỉ định, 2020, https://www.dezyre.com/article/types-of-
analytics-descriptive-predictive-prescriptive-analytics/209. (Truy cập ngày 1 tháng 2 năm 2020).

[26] E. Ahmed, I. Yaqoob, I. Abaker, T. Hashem, I. Khan, A. Ibrahim, A. Ahmed, M. Imran, A. v Vasilakos,
A.-M. Ibrahim, Vai trò của phân tích dữ liệu lớn trong Internet of Things, Comput. Mạng lưới. (2017) 459–471,
http://dx.doi.org/10.1016/j.comnet.2017.06.013.

[27] A. Abbasi, W. Li, V. Benjamin, S. Hu, H. Chen, Phân tích mô tả: Kiểm tra các tin tặc chuyên gia trên các
diễn đàn web, trong: Hội nghị Tin học An ninh và Tình báo Chung IEEE 2014, 2014, trang 56–63,
http://dx.doi.org/10.1109/JISIC.2014.18.
[28] M.A. Waller, S.E. Fawcett, Khoa học dữ liệu, phân tích dự đoán và dữ liệu lớn: Một cuộc cách mạng sẽ
biến đổi thiết kế và quản lý chuỗi cung ứng, khoa học dữ liệu, 34, 2013, trang 77–84,
http://www-01.ibm.com/software/data/bigdata/.

[29] D. Bertsimas, N. Kallus, Từ phân tích dự đoán đến phân tích theo quy định, Manage. Sci (2019)
http://dx.doi.org/10.1287/mnsc.2018.3253.

[30] W. Boulila, I.R. Farah, A. Hussain, Một hệ thống hỗ trợ quyết định mới để giải thích dữ liệu lớn viễn thám,
Earth Sci. Inform. 11 (2018) 31–45, http://dx.doi.org/10.1007/s12145-017-0313-7.

[31] W. Boulila, I. Chebbi, I.R. Farah, Dữ liệu lớn: Khái niệm, thách thức và ứng dụng, trong: Computational
Collective Intelligence, Springer, 2015, trang 638–647, http://dx.doi.org/10.1007/978-3-319-24306-1_62.

[32] I. Chebbi, W. Boulila, N. Mellouli, M. Lamolle, I.R. Farah, So sánh xử lý dữ liệu viễn thám lớn với hadoop
mapreduce và tia lửa, trong: 2018 Hội nghị quốc tế lần thứ 4 về công nghệ tiên tiến để xử lý tín hiệu và hình ảnh
(ATSIP), 2018, trang 1–4, http://dx.doi.org/10.1109/ATSIP.2018.8364497.

[33] D. Singh, C.K. Reddy, Một cuộc khảo sát trên các nền tảng phân tích dữ liệu lớn, J. Big Data 2 (2015)
http://dx.doi.org/10.1186/s40537-014-0008-6.

[34] A.H. Ali, M.Z. Abdullah, Một cuộc khảo sát về các nền tảng mở rộng quy mô dọc và ngang để phân tích dữ
liệu lớn, Int. J. Integr. Eng. 11 (2019) 138–150, http://dx.doi.org/10.30880/ijie.2019.11.06.015.

[35] C. Stergiou, K.E. Psannis, B.-G. Kim, B. Gupta, Tích hợp an toàn Internet-of-Things và điện toán đám
mây, Future Gener. Comput. Syst. 78 (2018) 964–975, http://dx.doi.org/10.1016/j.future.2016.11.031.

[36] A. Botta, W. de Donato, V. Persico, A. Pescapé, Tích hợp điện toán đám mây và Internet of Things: Một
cuộc khảo sát, Future Gener. Comput. Syst. 56 (2016) 684–700, http://dx.doi.org/10.1016/j.future.2015.09.021.

[37] R. Kumar, R. Goyal, Về các yêu cầu bảo mật đám mây, các mối đe dọa, lỗ hổng và biện pháp đối phó: A
survey, Comput. Sci. Rev. 33 (2019) 1–48, http://dx.doi.org/10.1016/j.cosrev.2019.05.002.

[38] J. Chen, X. Ran, Học sâu với điện toán biên: Đánh giá, Proc. IEEE 107 (2019) 1655–1674,
http://dx.doi.org/10.1109/jproc.2019.2921977.

[39] M. Mukherjee, L. Shu, D. Wang, Khảo sát về tính toán sương mù: Cơ bản, ứng dụng mạng và thách thức
nghiên cứu, IEEE Commun. Surv. Tutor. 20 (2018) 1826–1857,
https://ieeexplore.ieee.org/abstract/document/8314121/. (Truy cập ngày 1 tháng 2 năm 2020).

[40] F. Bonomi, R. Milito, J. Zhu, S. Addepalli, Điện toán sương mù và vai trò của nó trong Internet of Things,
trong: Kỷ yếu của Ấn bản đầu tiên của Hội thảo MCC về Điện toán đám mây di động, 2012, trang 13–16,
http://dx.doi.org/10.1145/2342509.2342513.

[41] F. Bonomi, R. Milito, P. Natarajan, J. Zhu, Fog computing: Một nền tảng cho internet vạn vật và phân tích,
Stud. Comput. Intell. 546 (2014) 169–186, http://dx.doi.org/10.1007/978-3-319-05029-4_7.

[42] LM Vaquero, L. Rodero-Merino, Tìm đường trong sương mù: Hướng tới một định nghĩa toàn diện về tính
toán sương mù, Comput. Commun. Rev. Assoc. Comput. Mach. (2014) 27–32,
http://dx.doi.org/10.1145/2677046.2677052.

[43] W. Yu, F. Liang, X. He, WG Hatcher, C. Lu, J. Lin, X. Yang, Một cuộc khảo sát về điện toán biên cho
Internet of Things, IEEE Access 6 (2017) 6900–6919, https://ieeexplore.ieee.org/abstract/document/8123913/. (Truy
cập ngày 1 tháng 2 năm 2020).

[44] X. Wang, Y. Han, V.C.M. Leung, D. Niyato, X. Yan, X. Chen, Hội tụ điện toán biên và học sâu: Một cuộc
khảo sát toàn diện, 2020, http://dx.doi.org/10.1109/COMST.2020.2970550.
[45] W. Shi, J. Cao, Q. Zhang, Y. Li, L. Xu, Điện toán biên: Tầm nhìn và thách thức, IEEE Internet Things J. 3
(2016) http://dx.doi.org/10.1109/JIOT.2016.2579198.

[46] J. Qiu, Q. Wu, G. Ding, Y. Xu, S. Feng, Một cuộc khảo sát về máy học để xử lý dữ liệu lớn, Eurasip J.
Adv. Signal Process. (2016) http://dx.doi.org/10.1186/s13634-016-0355-x.

[47] R. Mitchell, J. Michalski, T. Carbonell, Một cách tiếp cận trí tuệ nhân tạo, 2013,
https://link.springer.com/content/pdf/10.1007/978-3-662-12405-5.pdf. (Truy cập ngày 2 tháng 2 năm 2020).

[48] Y. LeCun, Y. Bengio, G. Hinton, Học sâu, Nature (2015) 436–444, http://dx.doi.org/10.1038/nature14539.

[49] X.-W. Chen, X. Lin, Học sâu dữ liệu lớn: thách thức và quan điểm, IEEE Access 2 (2014) 514–525,
https://ieeexplore.ieee.org/abstract/document/6817512/. (Truy cập ngày 2 tháng 2 năm 2020)

[50] R. Shokri, V. Shmatikov, Học sâu bảo vệ quyền riêng tư, trong: Kỷ yếu của Hội nghị ACM SIGSAC lần
thứ 22 về Bảo mật Máy tính và Truyền thông, 2015, trang 1310–1321, http://dx.doi.org/10.1145/2810103.2813687.

[51] H. Li, K. Ota, M. Dong, Learning IoT in edge: Học sâu cho internet vạn vật với điện toán biên, IEEE Netw.
32 (2018) 96–101, http://dx.doi.org/10.1109/MNET.2018.1700202.

[52] E. Brynjolfsson, A. Mcafee, Doanh nghiệp của trí tuệ nhân tạo, Harvard Bus. Rev. (2017) 1–20,
https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence. (Truy cập ngày 17 tháng 4 năm 2020).

[53] G. James, D. Witten, T. Hastie, R. Tibshirani, Học tập không giám sát, 2013, các trang 373–418,
http://dx.doi.org/10.1007/978-1-4614-7138-7_10.

[54] T. Hastie, R. Tibshirani, JF học tập, Học không giám sát, Yếu tố Stat. Học. (2009) 485–585,
https://link.springer.com/content/pdf/10.1007/978-0-387-84858-7_14.pdf. (Truy cập ngày 1 tháng 2 năm 2020).

[55] D.P. Kingma, DJ Rezende, S. Mohamed, M. Welling, Học bán giám sát với các mô hình tổng quát sâu sắc,
trong: Những tiến bộ trong hệ thống xử lý thông tin thần kinh, 2014, trang 3581–3589,
http://arxiv.org/abs/1406.5298. (Truy cập ngày 15 tháng 2 năm 2020).

[56] H. van Hasselt, A. Guez, D. Silver, Deep reinforcement learning with double q-learning, 2016,
www.aaai.org (Truy cập ngày 1 tháng 2 năm 2020).

[57] H. van Hasselt, A. Guez, D. Silver, Deep reinforcement learning with double q-learning, in: Thirtieth
AAAI Conference on Artificial Intelligence, 2016, www.aaai.org (Truy cập ngày 3 tháng 2 năm 2020).

[58] L. Deng, Một cuộc khảo sát hướng dẫn về kiến trúc, thuật toán và ứng dụng cho deep learning, APSIPA
Trans. Signal Inf. Process. 3 (2014) http://dx.doi.org/10.1017/ATSIP.2013.99.

[59] M. Al-Sarem, W. Boulila, M. Al-Harby, J. Qadir, A. Alsaeedi, Phát hiện tin đồn dựa trên Deep learning
trên các nền tảng tiểu blog: Một đánh giá có hệ thống, IEEE Access 7 (2019) 152788–152812,
https://ieeexplore.ieee.org/abstract/document/8871102/. (Truy cập ngày 17 tháng 4 năm 2020).

[60] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai, T. Liu, X. Wang, L. Wang, G. Wang, J. Cai, T.
Chen, Những tiến bộ gần đây trong mạng nơ-ron phức tạp, Pattern Recognit. (2018) 354–377,
https://www.sciencedirect.com/science/article/pii/S0031320317304120. (Truy cập ngày 5 tháng 3 năm 2020).

[61] H.L. Ca, M. Mandel, R. Pascanu, Y. Bengio, B.U. Ca, Thuật toán học tập để phân loại Máy Boltzmann
Hugo Larochelle, 2012.

[62] H. il Suk, SW Lee, D. Shen, Biểu diễn tính năng tiềm ẩn với bộ mã hóa tự động xếp chồng lên nhau để
chẩn đoán AD / MCI, Cấu trúc não. Funct. 220 (2015) 841–859, http://dx.doi.org/10.1007/s00429-013-0687-3.

[63] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai, T. Liu, X. Wang, L. Wang, G. Wang, J. Cai, T.
Chen, Những tiến bộ gần đây trong mạng nơ-ron phức tạp, Pattern Recognit. 77 (2018) 354–377.
[64] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, Nhà xuất bản MIT, 2016.

[65] PJ Werbos, Backpropagation qua thời gian: những gì nó làm và làm thế nào để làm điều đó, Proc. IEEE. 78
(1990) 1550–1560, https://ieeexplore.ieee.org/abstract/document/58337/. (Truy cập ngày 3 tháng 4 năm 2020).

[66] S. Hochreiter, Vấn đề gradient biến mất trong quá trình học mạng lưới thần kinh tái phát và giải pháp vấn
đề, Int. J. Uncertain. Fuzz. Knowl.-Based Syst. 6 (1998) 107–116, http://dx.doi.org/10.1142/S0218488598000094.

[67] F. Cummins, F.A. Gers, JJ Urgen Schmidhuber, Học cách quên: Dự đoán liên tục với LSTM, 1999,
http://dx.doi.org/10.1162/089976600300015015.

[68] C. Olah, Tìm hiểu về mạng LSTM, 2015, https://colah.github.io/posts/2015-08-Understanding-LSTMs/.

(Truy cập ngày 4 tháng 2 năm 2020).

[69] G.E. Hinton, S. Osindero, YW Teh, Một thuật toán học nhanh cho mạng lưới niềm tin sâu sắc, Tính toán
thần kinh. 18 (2006) 1527–1554, http://dx.doi.org/10.1162/neco.2006.18.7.1527.

[70] Y. Bengio, P. Lamblin, D. Popovici, H. Larochelle, Tham lam lớp đào tạo layer-wise của các mạng sâu,
Adv. Neural Inf. Quá trình. Syst. (2007) 153–160.

[71] G.E. Hinton, Hướng dẫn thực hành để đào tạo các máy Boltzmann bị hạn chế, trong: Mạng lưới thần kinh:
Thủ thuật thương mại, 2012, trang 599–619, http://dx.doi.org/10.1007/978-3-642-35289-8_32.

[72] N. le Roux, Y. Bengio, Sức mạnh đại diện của các máy boltzmann bị hạn chế và mạng lưới niềm tin sâu
sắc, Tính toán thần kinh. 20 (2008) 1631–1649, http://dx.doi.org/10.1162/neco.2008.04-07-510.

[73] I.J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio,
Mạng lưới đối kháng phát sinh, trong: Những tiến bộ trong hệ thống xử lý thông tin thần kinh, 2014, trang 2672–
2680, http://www.github.com/goodfeli/adversarial. (Truy cập ngày 5 tháng 2 năm 2020).

[74] B. Dai, S. Fidler, R. Urtasun, D. Lin, Hướng tới mô tả hình ảnh đa dạng và tự nhiên thông qua GAN có
điều kiện, trong: Hội nghị quốc tế IEEE về thị giác máy tính, 2017, trang 2970–2979.

[75] C. Ledig, L. Theis, F. Huszár, J. Caballero, A. Cunningham, A. Acosta, A. Aitken, A. Tejani, J. Totz, Z.
Wang, W. Shi Twitter, Hình ảnh thực tế duy nhất siêu phân giải bằng cách sử dụng mạng đối nghịch thế hệ, trong:
Kỷ yếu của Hội nghị IEEE về Thị giác Máy tính và Nhận dạng Mẫu, 2017, trang 4681–4690.

[76] Y. Li, S. Liu, J. Yang, M.-H. Yang, Hoàn thành khuôn mặt thế hệ, trong: Hội nghị IEEE về Thị giác Máy
tính và Nhận dạng Mẫu, 2017, tr.3911–3919.

[77] J. Li, X. Liang, Y. Wei, T. Xu, J. Feng, S. Yan, Mạng lưới đối kháng tạo tri giác để phát hiện đối tượng
nhỏ, trong: Hội nghị IEEE về Thị giác Máy tính và Nhận dạng Mẫu, 2017, trang 1222–1230.

[78] K. Arulkumaran, M.P. Deisenroth, M. Brundage, A.A. Bharath, Học tăng cường sâu: Một cuộc khảo sát
ngắn, Quy trình tín hiệu IEEE. Mag. 34 (2017) 26–38, http://dx.doi.org/10.1109/MSP.2017.2743240.

[79] L. Zhao, J. Wang, J. Liu, Định tuyến để quản lý đám đông trong thành phố thông minh: Quan điểm học tập
củng cố sâu sắc, IEEE Commun. Mag. 4 (2019) 88–93, https://ieeexplore.ieee.org/abstract/document/8703471/.
(Truy cập ngày 5 tháng 2 năm 2020).

[80] Y. Liu, B. Logan, N. Liu, Z. Xu, Học tăng cường sâu cho các chế độ điều trị năng động trên dữ liệu đăng
ký y tế, trong: 2017 IEEE International Conference on Healthcare Informatics (ICHI), 2017, pp. 380–385,
https://ieeexplore.ieee.org/abstract/document/8031178/. (Truy cập ngày 5 tháng 2 năm 2020).

[81] G. Nguyễn, et al., Machine learning and deep learning frameworks and libraries for large-scale data
mining: một cuộc khảo sát, Artifi. Trí tuệ. Khải Huyền 52 (2019) 77–124, http://dx.doi.org/10.1007/s10462-018-
09679-z.
[82] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G.S. Corrado, A. Davis, J. Dean, M.
Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving, M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J.
Levenberg, D. Mané, R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K.
Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viégas, O. Vinyals, P. Warden, M. Wattenberg, M. Wicke, Y.
Yu, X. Zheng, G. Research, Tensorflow: Máy học quy mô lớn trên các hệ thống phân tán không đồng nhất, 2016,
Arxiv.Org. www.tensorflow.org. (Truy cập ngày 2 tháng 3 năm 2020).

[83] R. Collobert, K. Kavukcuoglu, C. Farabet, Torch7: Một môi trường giống như matlab cho học máy, trong:
BigLearn, NIPS Workshop, 2011, http://numpy.scipy.org. (Truy cập ngày 2 tháng 3 năm 2020).

[84] F. Bastien, P. Lamblin, R. Pascanu, J. Bergstra, I. Goodfellow, A. Bergeron, N. Bouchard, D. Warde-

Farley, Y. Bengio, Theano: tính năng mới và cải tiến tốc độ, 2012, ArXiv Preprint arXiv:1211.5590, (Truy cập ngày
2 tháng 3 năm 2020).

[85] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, T. Darrell, Caffe: Kiến
trúc phức hợp để nhúng tính năng nhanh, trong: MM 2014 - Kỷ yếu của Hội nghị ACM 2014 về Đa phương tiện,
Hiệp hội Máy tính, Inc, 2014, trang 675–678, http://dx.doi.org/10.1145/2647868.2654889.

[86] F. Chollet, Keras, 2015, https://github.com/keras-team/keras. (Truy cập ngày 18 tháng 4 năm 2020).

[87] A. Vedaldi, K. Lenc, Matconvnet: Mạng nơ-ron phức tạp cho MATLAB, trong: MM 2015 - Kỷ yếu của
Hội nghị Đa phương tiện ACM 2015, Hiệp hội Máy tính, Inc, 2015, trang 689–692,
http://dx.doi.org/10.1145/2733373.2807412.

[88] Deeplearning4j, (nd). https://deeplearning4j.org/. (Truy cập ngày 18 tháng 4 năm 2020).

[89] MXNet, 2020, https://mxnet.apache.org/. (Truy cập ngày 18 tháng 4 năm 2020).

[90] S. Tokui, K. Oono, S. Hido, J. Clayton, Chainer: khung mã nguồn mở thế hệ tiếp theo cho deep learning,
trong: Kỷ yếu hội thảo về hệ thống học máy (LearningSys) trong Hội nghị thường niên lần thứ hai mươi chín về hệ
thống xử lý thông tin thần kinh (NIPS), 2015, trang 1–6,
http://learningsys.org/papers/LearningSys_2015_paper_33.pdf. (Truy cập ngày 21 tháng 4 năm 2020).

[91] Chainer: Một khuôn khổ linh hoạt cho mạng nơ-ron, 2020, https://chainer.org/. (Truy cập ngày 21 tháng 4
năm 2020).

[92] Gregory Piatetsky, Python dẫn đầu 11 nền tảng khoa học dữ liệu, học máy hàng đầu: Xu hướng và phân
tích, 2020, https://www.kdnuggets.com/2019/05/poll-top-data-science-machine-learning-platforms.html. (Truy cập
ngày 26 tháng 4 năm 2020).

[93] N. Häni, P. Roy, V. Isler, Một nghiên cứu so sánh về các phương pháp phát hiện và đếm trái cây để lập bản
đồ năng suất trong vườn táo, J. Field Robot. (2019) https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.21902.
(Truy cập ngày 18 tháng 2 năm 2020).

[94] B. Yang Cai, R. Alvarez, M. Sit, F. Duarte, C. Ratti, Hệ thống video dựa trên Deep learning để đo đỗ xe
chính xác và theo thời gian thực, IEEE Internet of Things J. (2019) 7693–7701, https://qcode.us/codes/. (Truy cập
ngày 17 tháng 2 năm 2020).

[95] S. Moosavi, M.H. Samavatian, S. Parthasarathy, R. Teodorescu, R. Ramnath, Dự đoán rủi ro tai nạn dựa
trên dữ liệu thưa thớt không đồng nhất: Bộ dữ liệu và thông tin chi tiết mới, trong: Hội nghị quốc tế ACM
SIGSPATIAL lần thứ 27 về những tiến bộ trong hệ thống thông tin địa lý, ACM, 2019, trang 33–42,
http://dx.doi.org/10.1145/3347146.3359078.

[96]

[97]
[98]

[99]

[100]

[101]

[102]

[103]

[104]

[105]

[106]

[107]

[108]

[109]

[110]

[111]

[112]

[113]

[114]

[115]

[116]

[117]

[118]

[119]

[120]

[121]

[122]

[123]

[124]

[125]

[126]

[127]

[128]

[129]
[130]

[131]

[132]

[133]

[134]

[135]

[136]

[137]

[138]

[139]

[140]

[141]

[142]

[143]

[144]

[145]

[146]

[147]

[148]

[149]

[150]

[151]

[152]

[153]

[154]

[155]

[156]

[157]

[158]

[159]

[160]

[161]
[162]

[163]

[164]

[165]

[166]

[167]

[168]

[169]

[170]

[171]

[172]

[173]

[174]

[175]

[176]

[177]

[178]

[179]

[180]

[181]

[182]

[183]

[184]

[185]

[186]

[187]

[188]

[189]

[190]

[191]

[192]

[193]
[194]

[195]

[196]

[197]

[198]

[199]

[200]

[201]

[202]

[203]

[204]

[205]

[206]

[207]

[208]

[209]

[210]

[211]

[212]

[213]