پژوهش های نوین در شهر هوشمند
سال:1403 | دوره:3 | شماره:3 |تعداد مقالات:6

پژوهشگران در حال بهره گیری از تکنیک های پیشرفته برای توسعه الگوریتم هایی هستند که توانایی افزودن خودکار رنگ به ویدئوهای سیاه و سفید را دارند. این پیشرفت می تواند تجربه ما از فیلم های تاریخی را متحول کرده و ابزاری قدرتمند را در اختیار فیلم سازان و تولیدکنندگان ویدئو قرار دهد. این الگوریتم ها با استفاده از شبکه های عصبی عمیق پیشرفته به تحلیل تصاویر می پردازند، الگوها را شناسایی می کنند و راهی نویدبخش برای استخراج معنا و بینش از داده های بصری در حوزه بینایی ماشین ارائه می دهند. با وجود اینکه مطالعات کنونی، بیشتر بر رنگی سازی تصاویر متمرکز هستند، در زمینه ویدئوها و فیلم ها، همچنان یک خلأ محسوس در استفاده از تکنیک های یادگیری ماشین عمیق وجود دارد. این تحقیق با هدف پر کردن این شکاف صورت گرفته است و نشان می دهد که تکنیک های رنگی سازی تصاویر امروزی می توانند برای ویدئوها نیز به طور مؤثر استفاده شوند و با پیشرفته ترین روش های موجود معرفی شده در چالش رنگی سازی ویدئو NTIRE 2023، برابری کنند.

فرآیندهای سنتی جذب و استخدام در نهادهای عمومی مانند شهرداری ها، به ویژه در شرایط رشد سریع جمعیتی و نیاز به نیروهای متخصص، با محدودیت ها و تعصبات انسانی مواجه هستند. این موارد منجر به کاهش بهره وری و افزایش هزینه ها می شوند. پژوهش حاضر با هدف بهینه سازی فرآیند استخدام در شهرداری شهر صدرا، به بررسی کاربرد الگوریتم های هوش مصنوعی در مراحل مختلف جذب نیروی انسانی می پردازد. در این مطالعه با استفاده از داده های 1000 رزومه شغلی و اطلاعات استخدامی، پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، درخت تصمیم، شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (Random Forest) و رگرسیون، مورد ارزیابی قرار گرفتند. داده ها از طریق پرسشنامه، گردآوری و با بهره گیری از تکنیک های پردازش زبان طبیعی (NLP) تحلیل شدند. نتایج نشان داد که الگوریتم های هوش مصنوعی، نقش مؤثری در افزایش دقت، کاهش زمان و هزینه های جذب و نیز حذف سوگیری های انسانی دارند. همچنین، استفاده از مدل های ترکیبی در مقایسه با مدل های مستقل می تواند عملکرد دقیق تری را در پیش بینی و ارزیابی متقاضیان ارائه دهد.

در سیستم های مبتنی بر اینترنت اشیاء (IoT)، نیازمندی های کاربر چندسطحی با استفاده از ادغام فناوری ارتباطی با شبکه های همگن توزیع شده تحت عنوان سیستم های محاسباتی همه جا حاضر (UCS)، برآورده می شوند. PCSخواستار باز بودن در پشتیبانی ناهمگون، سطوح مدیریت و ارتباطات برای کاربران توزیع شده است. بااین حال، ارائه این ویژگی ها، همچنان یک چالش بزرگ است. در کاربردهای مبتنی بر حسگر پزشکی و با توجه به اینترنت اشیاء پوشیدنی (WIoT)، قابلیت اطمینان ارتباط کاربر نهایی با استفاده از یک چارچوب محاسباتی توزیع شده مقیاس پذیر افزایش می یابد. پارامترهای تقاضا و اشتراک، اساس تجزیه وتحلیل تخصیص منابع را با استفاده از یادگیری مکرر در این چارچوب تشکیل می دهند. با کمک سیستم های محاسباتی همه جا حاضر و برآورد منابع موردنیاز، ممکن است سرعت ارتباط بهبود یابد و درعین حال، تأخیر زمانی برای کاربران نهایی حسگرهای پزشکی مبتنی بر WIoT کاهش یابد. به غیر از انتقال داده، اشتراک گذاری و تخصیص منابع، مدیریت تحرک کاربر نهایی نیز ممکن است با استفاده از چارچوب پیشنهادی برای حسگرهای پزشکی WIoT انجام شود. معیارهای خاصی جهت اثبات سازگاری چارچوب استفاده می شود که با کمک تحلیل تجربی و برآورد عملکرد ارزیابی می شوند. بر این اساس، پارامترهای استفاده از فضای ذخیره سازی، پهنای باند، نرخ انباشت درخواست، رسیدگی به درخواست ها، توقف درخواست و زمان پاسخ، تخمین زده می شوند. کاهش زمان پاسخ، انباشت و شکست درخواست با استفاده از ذخیره سازی بهبودیافته، پهنای باند و رسیدگی به درخواست ها با استفاده از چارچوب پیشنهادی در مقایسه با مدل های موجود مشهود است.

این پژوهش به بررسی روش ها و استراتژی ها با هدف افزایش پایداری و توسعه اقتصادی شهرها از طریق سرمایه گذاری در زیرساخت های هوشمند ارائه شده در جهان می پردازد. به منظور پیاده سازی راه حل های فناوری پیشرفته مانند دستگاه های IoT و تجزیه وتحلیل داده ها، راهکارهای بهبود بهره وری انرژی و حمل ونقل مورد بررسی قرار می گیرد. همچنین، بر اهمیت استراتژی های نوآورانه برای طراحی و مدیریت زیرساخت، ازجمله ادغام منابع انرژی تجدیدپذیر و فناوری های ساختمان سبز، تأکید دارد. این پژوهش، ارزش تجزیه وتحلیل مطالعات موردی و بهترین شیوه ها در سرمایه گذاری زیرساخت هوشمند را جهت ارائه بینش برای برنامه ریزان شهری و سیاست گذاران برجسته می کند. علاوه بر این، بر اهمیت آگاه ماندن از روندهای جاری در سرمایه گذاری زیرساخت های هوشمند برای حمایت از پایداری بلندمدت و رونق اقتصادی در شهرها تأکید می کند. هدف این مطالعه، ارائه بینش های عملی با هدف ایجاد شهرهای هوشمندتر، پایدارتر و از نظر اقتصادی مرفه است.

زمینه: شهر هوشمند افق های نوینی را در برنامه ریزی و مدیریت شهری، پیش روی تصمیم سازان و تصمیم گیران شهری قرار داده است؛ اما چالش¬ها و موانعی در تحقق و حاکمیت این پارادایم در کلان شهرها وجود دارد. هدف از این تحقیق، تبیین راهبردهای حکمرانی عملیاتی برای مواجهه با چالش های شهر هوشمند و ذیل وظایف دولت، بخش خصوصی و جامعه مدنی است. در این تحقیق، شهر هوشمند، ابعاد آن و همچنین، حکمرانی عملیاتی مورد مطالعه قرار گرفت و به روش تحلیل تم بررسی گردید. تحقیق حاضر با استفاده از روش کیفی و مصاحبه های نیمه¬ساختاریافته با 16 تن از خبرگان مدیریت شهری انجام شد. نتایج نشان داد که چالش های شهر هوشمند ذیل وظایف سه بعد حکمرانی شامل پنج چالش اصلی "چالش تصمیم گیری و خط مشی گذاری، چالش حاکمیتی و مدیریتی، چالش فنی و عملیاتی، چالش اقتصادی و چالش آموزشی و فرهنگی" است که در 15 زیرمجموعه دسته بندی شده اند. از طرف دیگر، نه راهبرد اصلی برای هر حکمرانی عملیاتی در سه سطح سیستم، سازمان و فرد شناسایی شد که در این مطالعه به تحلیل آن ها پرداخته شده است. با توجه به اهمیت استقرار شهر هوشمند در دنیای امروزی، ارائه راهکارهایی جهت تسریع رفع این چالش ها و موانع می تواند به ارائه خدمات مطلوب و رضایت شهروندان کمک کند.

نظارت دستی ترافیک می تواند یک کار دلهره آور باشد؛ زیرا مراکز مدیریت ترافیک، تعداد بی شماری از دوربین های نصب شده روی یک شبکه را اجرا می کنند. تزریق سطحی از اتوماسیون می تواند به کاهش بار کار اپراتورهای انسانی که نظارت دستی را انجام می دهند، کمک کند و تصمیم گیری های پیشگیرانه را تسهیل نماید. این اقدامات، تأثیر حوادث و ازدحام مکرر در جاده ها را کاهش می دهد. این مقاله، یک رویکرد جدید برای نظارت خودکار فیلم های ترافیکی زمان واقعی با استفاده از شبکه های عصبی پیچیده و یک رابط کاربری گرافیکی مستقل را ارائه می کند. نویسندگان، نتایج تحقیقات دریافت شده در فرآیند توسعه مدل هایی را توصیف می کنند که به عنوان یک چارچوب یکپارچه برای یک سیستم نظارت بر ترافیک فعال با هوش مصنوعی عمل می کند. سیستم پیشنهادی، چندین الگوریتم یادگیری عمیق پیشرفته را جهت خودکارسازی نیازهای مختلف نظارت بر ترافیک به کار می گیرد. با استفاده از یک پایگاه داده بزرگ از داده های نظارت تصویری مشروح، مدل های مبتنی بر یادگیری عمیق برای شناسایی صف ها، ردیابی وسایل نقلیه ساکن و جدول بندی تعداد خودروها آموزش داده می شوند. یک رویکرد تقسیم بندی در سطح پیکسل به منظور شناسایی صف های ترافیک و پیش بینی شدت اعمال می شود. الگوریتم های تشخیص شیء در زمان واقعی همراه با سیستم های ردیابی مختلف برای شناسایی خودکار وسایل نقلیه سرگردان و همچنین، انجام شمارش وسایل نقلیه مستقر می شوند. در هر مرحله از توسعه، نتایج تجربی قابل توجهی برای نمایش اثربخشی سیستم پیشنهادی ارائه می شود. به طورکلی، نتایج نشان می دهد که چارچوب پیشنهادی در شرایط مختلف به طور رضایت بخشی عمل می کند؛ بدون اینکه به شدت تحت تأثیر خطرات محیطی مانند تاری نماهای دوربین، نور کم، باران یا برف قرار گیرد.