دانلود ترجمه مقاله پیاده سازی شهرهای هوشمند با کلان داده ها

1. مقدمه 2. مروری بر مقالات 3. مدل پژوهش 4. مدل های مرجع برای استفاده از داده ها در شهرهای هوشمند 5. چالش ها در استفاده از داده ها برای شهرهای هوشمند 6. ملاحظات در استفاده از داده ها برای شهرهای هوشمند 7. بحث و بررسی 8. نتیجه گیری

نتیجه گیری: جنبه اساسی و پایه ای نوآوری های مورد انتظار و جدید در زمینه شهر هوشمند مبتنی بر داده ها، مربوط به ICT، داده ها یا زیرساخت های هوشمند نیست، بلکه کاربردهای جدیدی برای خلق ارزش برای ذینفعان می باشد (به عنوان مثال، شهروندان). استفاده از کلان داده های شهری باعث ایجاد اطلاعاتی برای ذینفعان در راستای انجام بهتر فرآیندها و خلق ارزش می گردد. سهم اصلی این مقاله، توسعه دانش و چارچوب هایی برای استفاده از داده ها در شهرهای هوشمند از این دیدگاه کاربرد محور می باشد. طرح طبقه بندی پیشنهادی، چهار مدل مرجع را برای خلق ارزش برای شهروندان، بازدیدکنندگان، دولت محلی، و شرکت ها در استفاده از داده های حاصل از آنها را ارائه می دهد. حداقل شش چالش در تبدیل داده های شهری به اطلاعات مورد نیاز برای شهرهای هوشمند وجود دارد. پنج معیار پیشنهادی برای جمع آوری، مدیریت، و تحلیل داده های شهری، به بررسی این چالش ها در پیاده سازی مدل های مرجع کمک خواهد کرد. پژوهش ما منحصر به فرد می باشد، چرا که از یک رویکرد تجربی برای شناسایی چنین یافته هایی استفاده کرده و در این راستا به تحلیل موارد کاربردی فعلی کلان داده ها برای شهرهای هوشمند و نیز انجام چهار پروژه تحقیقاتی در سازمان های دولتی که موارد کاربردی جدیدی خلق کرده اند، پرداخته است. برخی از مطالعات قبلی، دانش مرتبط با استفاده از داده ها برای شهرهای هوشمند را ارائه داده اند. با این حال، در این پروژه، ما دریافته ایم که چنین دانشی در زمینه ها و حوزه های مختلفی پراکنده شده است. یکی از چالش های ما در هر پروژه ای، یکپارچه سازی و سفارشی سازی دانش موجود متخصصین مختلف در استفاده از کلان داده ها برای شهرهای هوشمند بود. این زمینه، یک موضوع تحقیقاتی بین رشته ای می باشد. یافته های پژوهش ما روی این زمینه متمرکز شده و کارهای قبلی در زمینه شهرهای هوشمند و موضوعات متفرقه مربوط به آن را ادغام کرده است. به طور خلاصه، یافته ها ما به مفهوم سازی، برنامه ریزی، و اجرای پروژه های شهر هوشمند کمک خواهد کرد که وابسته به استفاده از کلان داده های شهری می باشد. ما امید داریم که این مقاله موجب تحقیقات کاربردی بیشتری در استفاده از کلان داده های شهری در آینده گردد. تحقیقات آتی می توانند چندین موضوع را در راستای بسط یافته ها ما مورد خطاب قرار دهند. اولا، مطالعات بیشتری برای توسعه خط مشی ها و کاربردهای ICT در راستای توسعه شهرهای هوشمند با استفاده از کلان داده ها مورد نیاز می باشد که بخش 7، این موضوع را به طور خلاصه مورد بحث و بررسی قرار داده است. دوما، با توجه به کاربردهای گسترده شهرهای هوشمند با کلان داده ها، باید مدل های مرجع، چالش ها و ملاحظات بیشتری توسط محققین مختلف و بر اساس پروژه های مختلف، شناسایی شده و مورد آنالیز قرار گیرد. سوما، توسعه مقالات مروری در کنار مقالات موجود (به عنوان مثال، بیبری، 2018b)، برای یکپارچه سازی جامع مطالعات موجود در چارچوبی واحد، ارزشمند خواهد بود. چهارما، مطالعات تجربی بیشتری روی یافته ها ما در راستای تعیین تاثیرات نسبی چالش ها و ملاحظات در زمینه های مختلف مورد نیاز می باشد. نهایتا، چشم انداز اصلی این مطالعه، مجموعه ای از مدل های مرجع، چالش ها و ملاحظات بوده است، طراحی یک روش تحقیق، خارج از این محدوده بوده و بنابراین در اینجا، مستقیما مورد خطاب قرار نگرفته است. با این وجود، مدل های مرجع، چالش ها و ملاحظات را می توان در مطالعات آتی برای تضمین توسعه روش تحقیقی جامع برای کاربردهای شهر هوشمند با کلان داده ها مورد استفاده قرار داده و بیشتر بررسی کرد.

Concluding remarks: The fundamental aspect of recent and expected data-based smart city innovations is not ICT, data, or intelligent infrastructure, but the new applications for value creation for stakeholders (e.g., citizens). The use of urban big data contributes to the creation of information for stakeholders to perform their processes better and create value. The main contribution of this paper is the development of knowledge and frameworks for data use for smart cities drawing from this application-oriented perspective. The proposed classification scheme suggests four reference models to create value for citizens, visitors, local government, and companies using the data obtained from them. There are at least six challenges in transforming urban data into information for smart cities. The proposed five considerations for the collection, management, and analysis of urban data will help address those challenges in implementing the reference models. Our work is unique in that it used an empirical approach to identify such findings by analyzing existing use cases of big data for smart cities and by conducting four action research projects with government organizations that create new use cases. Some existing studies provide knowledge about data use for smart cities. However, through our projects we found that such knowledge is scattered across different fields and domains. One of our challenges in each project was to integrate and customize existing knowledge of different experts for the context of using big data for smart cities. This context is a truly interdisciplinary research topic. The findings of our work specialized in this context are grounded in and meaningfully integrate existing work from both within and outside the smart cities literature. In summary, our findings will help in conceptualizing, planning, and executing smart city projects that rely on the use of urban big data. We hope this paper will stimulate further application-oriented discussions on the use of urban big data. Future research could address several issues to further develop our findings. First, more studies are required for policy development and ICT application toward developing smart cities with big data though Section 7 discusses this issue briefly. Second, given the widespread applications of smart cities with big data, more reference models, challenges, and considerations should be identified by different researchers based on different projects and analyses. Third, development of review papers in addition to those existing (e.g., Bibri, 2018b) would be valuable for the comprehensive integration of existing studies into a single framework. Fourth, additional empirical studies on our findings are required to determine the relative impacts of the challenges and considerations in different contexts. Finally, the main scope of this study was the set of reference models, challenges, and considerations itself; the design methodology is outside this scope and thus is not directly addressed here. Nonetheless, the reference models, challenges, and considerations could be used and tested further in future studies to ensure the development of a solid design methodology for smart city applications with big data.