Impact of artificial intelligence and internet of things technologies on smart cities and urban planning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the ongoing era of rapid developments worldwide, the world’s population is also increasing with a large sector of society desiring to move to urban areas in the hope of a better quality of life. Alongside, new technologies including the application of AI and IoT are also emerging which may help address current and future challenges of smart and sustainable studies through data-driven solutions. Smart cities have been and are being developed to improve the quality of life, boost service efficiency, increase safety and security for their residents, and achieve environmental and economic sustainability in the long run. This paper highlights how the application of artificial intelligence (AI) and Internet of Things (IoT) technologies can help urban planning, urban management, public safety, and service delivery in smart cities. A few examples have been included confirming that by using smart sensors and devices, smart cities can collect real-time data for smart parking, smart waste management, smart traffic control, smart charging, and many other functions, thus making the smart cities of tomorrow a bit smarter. The paper further underscores that AI and IOT can contribute not only to smart cities but also to urban planning in other metro cities and towns. The conclusion underlines the great potential of AI and IoT to create efficient, resilient, and livable urban environments in smart and sustainable cities. Along with the proper policies, governmental support, and collaborative efforts, cities worldwide can leverage AI and IoT technologies to tackle problems being faced in urbanization sustainably. The scope of further research is also included.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle