MMOct, 2018

使用大数据和机器学习实现认知智能城市：方法和挑战

PDF
TL;DR智慧城市的大量数据产生了巨大的浪费，因为缺乏建立在数据可用性基础上的机制和标准。为了解决此挑战，我们提出了一种半监督深度强化学习框架，利用数据的层级结构提供不同层次的知识抽象，并探索了将机器学习和高级智能纳入智慧城市服务中的研究方向。
smart citiesbig datamachine learningsemi-supervised learningdeep reinforcement learning
发现论文，激发创造
  • LearningCity: 智慧城市的知识生成

    通过利用自动和众包方式支持的异常检测和数据注释，在智慧城市部署和实验 - as-a-service 生态系统中验证 LearningCity 解决方案，以结合大规模智慧城市数据和机器学习，为智慧城市的消费者提供简化数据利用的方法

    Apr, 2021

  • 支持物联网和智能城市服务的半监督深度强化学习

    本文提出了一种半监督 DRL 模型，并将其应用于智能建筑的室内定位问题，在目标距离和接受的奖励方面相对于有监督的 DRL 模型提高了 23% 和至少 67%。

    Oct, 2018

  • 机器学习与大数据的结合：无线通信视角

    本文简要介绍大数据分析和机器学习，并探讨它们在下一代无线网络中的潜在应用。提出了一个统一的大数据辅助的机器学习框架，用于预测移动用户的要求，并利用它来改善社交网络感知无线网络的性能，为了描述该框架的效率，提供了一对智能实际应用作为案例研究，以及为激励未来的研究提供开放式研究机会。

    Jan, 2019

  • 物联网数据分析的机器学习：一项调查

    本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

    Feb, 2018

  • 深度学习在时空大数据上的应用：机遇与挑战展望

    使用 GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

    Oct, 2023

  • LLMs 在可持续智慧城市中的角色：应用、挑战和未来方向

    通过深度学习、联邦学习、物联网、区块链等技术，本文探索了优化智慧城市 ICT 过程中的深度学习、联邦学习、物联网、区块链等技术的巨大潜力和应用，并强调它们在推动智慧城市创新方面的重要性和面临的挑战，以及可能的未来方向。

    Feb, 2024

  • 城市计算中的跨域数据融合深度学习：分类、进展和展望

    城市计算是一门关键学科，通过整合来自不同领域和模式（如时空、视觉和文本模式）的多源（如地理、交通、社交媒体和环境数据）跨领域数据融合，可为可持续发展提供支持。最近，我们观察到在智能城市中利用各种深度学习方法促进跨领域数据融合的趋势逐渐增长。为此，我们提出了第一份系统综述，对专为城市计算定制的基于深度学习的数据融合方法的最新进展进行了系统回顾。与以往综述相比，我们更关注深度学习方法与城市计算应用之间的协同作用。此外，我们还展望了大型语言模型（LLMs）与城市计算之间的相互影响，并提出了可能会改变该领域的未来研究方向。我们坚信，我们的综述所勾勒出的分类系统、进展情况和前景将会显著丰富研究社区。

    Feb, 2024

  • 大地数据和机器学习支持可持续和有弹性的农业

    本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

    Nov, 2022

  • 不分享的关爱：一种联邦学习众感知框架，用于增加城市代表性的多样性

    通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。

    Jan, 2022

  • 深度学习城市：全球尺度下衡量城市感知

    利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

    Aug, 2016