利用物联网数据库补充深度学习算法
从根本上来说，这些技术/策略用物联网数据库来补充深度学习算法。
深度学习算法和时间序列数据：来自传感器的时间序列数据可以被认为是一种以规则的时间间隔取样的一维网络，而图像数据可以被认为是一种像素组成的二维网络。这让我们可以用深度学习算法为时间序列数据进行建模(大部分传感器/IoT数据都是时间序列)。探索深度学习和时间序列的做法不太常见，但是这种方法已经有了许多相关的案例(例如这篇论文：Deep Learning for Time Series Modelling to predict energy loads using only time and temp data)。
多模态：深度学习的多模态(multimodality)。深度学习算法中，多模态被研究得很多，尤其是交叉模态特征学习。在交叉模态特征学习中，如果在特征学习的过程中展示了多模态(如音频+视频)，那么，对单一模态(例如视频)就能学到更好的特征。
深度学习的时间模式：卡耐基梅隆大学电子和计算机工程系的博士学生Huan-Kai Peng与教授Radu Marculescu在他们最近的论文中，提出了识别多时间尺度中互动模式内在动态的新方法。他们的方法需要构建一个深度学习模型，由多层组成;每一层捕捉一个具体时间尺度的相关模式。
这种新的模型还可以应用于解释短期模式与长期模式相关联的可能方式。举个例子。利用这种方法，就有可能解释Twitter上 的某个长期模式是如何保持，并由一系列短期模式来加强的——这些短期模式包括人气、忠实度、传染度和互动性等。(论文见：http://vdisk.weibo.com/s/te1d-BLdOXpEB )
智慧城市的畅想
我把智慧城市看为一种物联网的应用领域。智慧城市/未来都市的定义有许多。从我们的角度看，智慧城市是指用数字技术来加提高人们的生活与福利，减少成本与能源消耗，并更有效更活跃地参与到居民活动中。关键的「智慧」部分包括运输、能源、医疗、水与垃圾处理等领域。
更加全面的智慧城市/物联网应用领域包括：智能运输系统(自动化交通工具)，医疗、环境、废物管理、空气质量、水质量、事故与紧急服务、能源(可再生能源等)。在这些领域内，我们可以找到一些应用，添加上面所讲述的直觉型组分。
还有一些典型的领域包括计算机视觉、图像识别、模式识别、行为识别。目前人们比较感兴趣的新兴领域则有自动驾驶车——例如Lutz pod，甚至更大的汽车，例如自动驾驶卡车。
结论
深度学习设计到通过多层学习，让计算机基于简单概念构建复杂概念的层级结构。深度学习被用于解决高维度直觉性应用。它是一个新兴领域，在未来几年，由于科技的进步，我们可能会看到更多深度学习的应用。
我自己则非常感兴趣于物联网数据库如何补充深度学习算法。从上面的几个案例来看，它尚为雏形。我相信它会有着广泛的应用，并且有许多我们的探索还没有完成(例如智慧城市)。
机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」(almosthuman2014)，或登录机器之心网站www.almosthuman.cn查看更多精彩内容。