MMApr, 2021

LearningCity: 智慧城市的知识生成

PDF
TL;DR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
smart cityknowledge creationanomaly detectiondata annotationmachine learning
发现论文，激发创造
  • 使用大数据和机器学习实现认知智能城市：方法和挑战

    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。

    Oct, 2018

  • 从数据到行动：探索基于人工智能和物联网的解决方案，实现城市的智能化

    智慧城市需要利用物联网和人工智能等先进技术，本研究引入了一个城市智能管理系统，通过数据驱动的方法来分析交通信息、能源消耗和城市维护问题，以提高安全性、节能和可持续性，该系统在阿维罗市的案例研究中证明了其有效性。

    Jun, 2023

  • 利用生成智能技术为智慧城市数字孪生加强：关于数据、场景、三维城市模型和城市设计自主生成的调查

    通过集成先进的信息、通信和计算技术对现代城市进行数字化转型，标志着数据驱动的智能城市应用迈入了一个新时代，以实现高效和可持续的城市管理。本综述旨在探讨生成式人工智能技术与城市数字孪生的创新整合，以解决智慧城市领域中的挑战，如交通与流动性管理、能源系统运营、建筑和基础设施管理以及城市设计。综述从介绍热门生成式人工智能模型及其应用领域开始，然后系统回顾现有的利用生成式人工智能技术自治能力促进城市监测和预测分析的城市科学应用，包括数据增强、合成数据和场景生成、自动化 3D 城市建模以及生成式城市设计和优化。在回顾的基础上，本综述讨论了将生成式人工智能模型融入下一代城市数字孪生中以实现更可靠、可扩展和自动化管理智慧城市的潜在机会和技术策略。

    May, 2024

  • 第五届智慧城市挑战赛

    这篇研究论文介绍了人工智能城市挑战赛及其关于交通智能化方面的研究，用于推动智能视频分析在城市交通等领域的发展和提高算法性能以促进其在真实应用中广泛使用。

    Apr, 2021

  • 第四届 AI 城市挑战赛

    第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。

    Apr, 2020

  • CityLearn v2：面向能源灵活、韧性、以居民为中心和低碳的电网互动社区管理

    通过扩展 CityLearn v1 并利用美国建筑库数据集中的终端使用负荷剖面，CityLearn v2 提供了一个模拟环境，用于创建具有弹性的多主体分布式能源系统和具有动态住户反馈的客观控制的虚拟网格互动社区。本研究详细介绍了 v2 环境设计，并提供了应用示例，利用强化学习来管理电池储能系统的充放电周期、车辆与电网的控制以及热泵功率调制期间的热舒适度。

    May, 2024

  • 基于知识注入的对比学习用于城市图像的社会经济预测

    提出一种基于知识图谱 (KG) 以及知识注入对比学习 (KnowCL) 模型，能够有效地促进城市图像的表征学习和预测，并结合卫星和街景影像进行可持续发展目标的预测，相较基线模型预测精度有超过 30％的提高。

    Feb, 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

  • 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

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019