دانلود ترجمه مقاله رویکرد مدل سازی در برنامه ریزی و مدیریت شهر هوشمند

نتیجه گیری و پیشنهادات:
با وجود سیل عظیم داده های ارائه شده توسط ICMPs (بخش 1)، تحقیقات محدودی در زمینه بررسی استفاده از این داده ها به منظور توسعه ابزارهای کمّی برای برنامه ریزی و مدیریت یکپارچه شهر هوشمند صورت گرفته است. هدف این مقاله توصیف توسعه و ارزیابی یک چارچوب مدل سازی بوده که همکاری های بین بخشی را با تعیین وابستگی ها بین بخش های شهری و شناسایی اهداف مشترک بین بخشی تقویت می کند (بخش 2). به منظور محدود کردن دامنه تحقیق، این مطالعه تنها بر روی یک بُعد از شهرهای هوشمند یعنی مدیریت جرم متمرکز شد. فرض اصلی این مطالعه این است که همکاری های بین بخشی می تواند با استفاده از داده های حاصل از ICMPs و چارچوب های KPI نوظهور شهر هوشمند به منظور شناسایی اهداف مشترک بین بخش های شهری تقویت شود. پیشنهاد شده که با در نظر گرفته KPI شهر هوشمند به عنوان ورودی، رویکرد ترکیبی کاربرد شبکه های عصبی بیزی و آنالیز حساسیت می تواند به عنوان ابزاری برای شناسایی این اهداف مورد استفاده قرار گیرد (بخش 2). به منظور تست امکان سنجی این فرضیه، دو مدل اولیه برای مدیریت یکپارچه جرم در شهرهای هوشمند مورد توسعه و ارزیابی قرار گرفت. سوالات اصلی این مطالعه (به بخش 2.1.3 نگاه کنید) در بخش 3 پاسخ داده شده است. نتایج این مطالعه نشان می دهد که مدل های اولیه در پیش بینی جرم موثر است (RQ 2) که نشان می دهد همپوشانی کافی بین محرک های جرم و مجموعه شاخص های مورد استفاده در این مطالعه برای اعتبار سنجی استفاده از KPIs شهر هوشمند به منظور پیش بینی جرم وجود دارد (RQ 1).

Conclusions and recommendations:
Despite the deluge of data generated by ICMPs (Section 1), limited research has been done on exploring the use of this data to develop quantitative tools for integrated smart city planning and management. The goal of this paper was to described the development and evaluation of a modelling framework that fosters cross-sector collaborations by quantifying dependencies between city sectors and identifying common cross-sector goals (Section 2). To limit the scope of the investigation, the study focused on only one aspect of smart cities, namely crime management. The main premise of this study was that synergistic cross-sector collaborations could be fostered by using data from ICMPs and emerging smart city KPI frameworks to identify common goals between city sectors. It was proposed that, taking smart city KPIs as input, a combined approach employing Bayesian Neural Networks and sensitivity analysis could be used as a tool for identifying these goals (Section 2). To test the feasibility of this supposition, two prototype models were developed and evaluated for integrated crime management in smart cities (Section 2). The main research questions of this study (see Section 2.1.3) were answered in Section 3. The results of the study showed that the prototype models were effective at predicting crime (RQ 2), indicating that there was sufficient overlap between the drivers of crime and the set of indicators used in this study to validate the use of modified smart city KPIs to predict crime (RQ 1).