多模式人工智能融合基础设施弹性:与SDG-9一致的实时城市分析框架

科学领域:

• 人工智能的人工智能
• 城市规划 城市规划
• 减少灾害风险 减少灾害风险

背景情况:

• 城市洪水风险管理面临挑战,因为人力,技术支持和规划整合能力有限.
• 现有的模型往往无法捕捉复杂的时间和空间城市数据动态.

研究的目的:

• 为先进的城市洪水风险评估提出一个多式人工智能融合框架.
• 为实时异常检测和决策支持开发一个动态的弹性评分指数 (RSI).
• 评估拟议框架在各种城市数据环境中的通用性.

主要方法:

• 一种混合人工智能模型,结合了长短期记忆 (LSTM) 和图形神经网络 (GNN) 来分析时间和空间城市数据.
• 集成Edge-AI用于即时的传感器数据处理和城市洞察的决策仪表板.
• 在三个不同的城市进行评估:新加坡,奈和鹿特丹.

主要成果:

• 与ARIMA,随机森林和单模式深度网络相比,LSTM+GNN模型表现出更高的性能.
• 观察到F1得分的统计学上显著改善 (p < 0.05).
• 该模型在杂和不完整的数据条件下显示出强大的性能,只有轻微的退化.

结论:

• 拟议的AI框架为城市基础设施规划和减少灾害风险提供了一个可扩展的,基于证据的解决方案.
• 这项工作通过提高智能城市的弹性来支持可持续发展目标9 (SDG-9).
• 该框架为全球智能城市弹性倡议提供了一个可复制的模型.