Advancing Data-Driven Decision-Making in Smart Cities through Big Data Analytics: A Comprehensive Review of Existing Literature
Notice bibliographique
Résumé
Governments and cities are increasingly launching smart city (SC) schemes to address the challenges posed by rapid urbanization and population growth in municipalities. Smart cities utilize data from various sources within a metropolis to enhance urban development, promote qualitative lifestyles, and focus on economic and environmental sustainability. Big data analytics (BDA) plays a crucial role in collecting and analyzing vast amounts of data from SC infrastructures, enabling effective management and implementation of smart city initiatives. BDA helps explore data collected through Internet of Things (IoT) devices and sensors, identifying trends, and making appropriate changes, ultimately making smart cities more efficient, sustainable, and beneficial for their inhabitants. However, big data in SC also presents potential risks and challenges related to urban security and the well-being of residents. The literature review examines various research approaches, techniques, algorithms, and architectures proposed to address the challenges of handling big data in smart cities. Urbanization's growing trend is causing challenges in managing basic amenities and resources in urban areas, necessitating innovative solutions to ensure efficient functioning and improved quality of life for citizens. Previous research has highlighted the significance of big data analytics in driving smart city decision-making, yet many smart city big data initiatives have faced difficulties in implementation. To overcome these challenges, researchers have explored techniques like artificial intelligence, machine learning, data mining, and deep learning, as well as architectures encompassing layers of instrumentation, middleware, and application for end-users. Additionally, researchers have emphasized the importance of selecting appropriate sensors for efficient data collection and explored low-cost smart traffic systems to improve urban traffic management. Overall, this review synthesizes insights from nine scholarly papers, shedding light on approaches to handling big data challenges in smart cities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».