Las investigaciones y proyectos sobre ciudades inteligentes, en inglés “Smart Cities“, están transformando las ciudades alrededor del mundo, mejorando el bienestar de sus ciudadanos mediante el uso de la tecnología para crear servicios sostenibles que aceleren el desarrollo económico de estas ciudades.
Sin embargo, se observa que la mayoría de las investigaciones e implementaciones de proyectos Smart Cities se concentran en gran medida en países como China, Singapore, Korea del Sur, Alemania, Japón, Francia y Estados Unidos. Las investigaciones sobre Smart Cities en países de la región de América Latina aún sigue siendo baja.
El objetivo de esta publicación es presentar un compendio de los principales proyectos e investigaciones sobre Smart Cities que se publican y difunden en sitios web como Web of Science y Scopus, así como presentar una revisión de las técnicas y modelos de minería de datos y machine learning más utilizadas en los proyectos seleccionados.
De acuerdo con Taveira de Souza et al. se utilizó el “Methodi Ordinatio” [1] para seleccionar los 39 artículos de investigación que se detallan en esta publicación.
De las investigaciones seleccionadas, la técnica más utilizada fue el “análisis predictivo“, y los estudios se concentran en las áreas de Smart Mobility y Smart Environment, que podemos interpretarlas en español como, “desplazamiento inteligente” y “entornos inteligentes“.
Esta publicación hace un breve resumen sobre las técnicas y modelos de minería de datos y machine learning más utilizadas en las investigaciones escritas en idiomas distinto al español sobre Smart Cities, buscando fomentar la investigación a mayor profundidad de cada proyecto mediante los enlaces compartidos.
Según el informe “World Urbanization Prospects: The 2018 Revision” de las Naciones Unidas [2], se estima que el 68% de todas las personas vivirán en áreas urbanas para 2050. El informe muestra que hubo un aumento exponencial en la vida urbana de 1950 a 2018, de 751 millones a 4,2 billones de personas.
Bibri y Krogstie [3] sostienen que el 70% de los recursos naturales del mundo se utilizan en ciudades urbanas, lo que resulta en la destrucción del medio ambiente, la degradación de los ecosistemas y problemas con los recursos energéticos, entre otros. Las restricciones en la disponibilidad de recursos son uno de los principales desafíos para el desarrollo urbano, debido que las ciudades están diseñadas para reducir costos, reducir el desempleo, enfocarse en el cambio climático y suministrar agua potable, entre otras cosas.
Por lo tanto, es necesario utilizar enfoques inteligentes para ayudar a los ciudadanos a abordar todos estos aspectos y las ciudades inteligentes son una de las soluciones para resolver estos problemas, como se menciona en la investigación de Myeong et. al. [4].
El término “ciudad inteligente” se ha utilizado cada vez más [5], debido a los objetivos de este concepto: “mejorar el medio ambiente y la economía y mejorar la movilidad, la seguridad, la gobernanza y el nivel de vida de los ciudadanos”.
De acuerdo con Marsal-Llacuna [6], las ciudades inteligentes (“Smart Cities”) buscan brindar servicios de alta calidad a sus ciudadanos, mejorar la calidad de vida, brindar mejores servicios públicos, fomentar negocios innovadores, monitorear y optimizar la infraestructura urbana, preservar el medio ambiente, entre otros lineamientos.
Las ciudades inteligentes pueden clasificarse en seis aspectos:
- Medio ambiente
- Economía
- Gobernanza
- Vida
- Movilidad
- Personas
Muchos países y ciudades buscan desarrollar ciudades inteligentes y algunos de ellos han desarrollado lo que se conoce como “Smart Environment“, “Smart Mobility” y “Smart Energy“, entre otros [7].
Sin embargo, uno de los grandes problemas para los proyectos Smart Cities es saber cómo manejar las inmensurables cantidades de información generadas por organizaciones, sistemas y personas todos los días [8]. Sin embargo, el análisis adecuado de estos datos puede resultar en información útil que puede ayudar en el proceso de ascenso de una ciudad inteligente.
De acuerdo con Wu et al. [9] la combinación de políticas y técnicas estratégicas es fundamental para el desarrollo de ciudades inteligentes, las cuales impulsan el desarrollo sostenible, el crecimiento económico y mejora las condiciones de vida para sus ciudadanos.
En este sentido, las técnicas de Minería de Datos (DM) y Machine Learning (ML) son cruciales para los proyectos Smart Cities, ya que pueden ayudar en todos los ámbitos de la sociedad, como por ejemplo en el desarrollo urbano donde se requiere la identificación de ubicaciones que necesitan vigilancia por parte de los agentes policiales [10].
Las investigaciones sobre Smart Cities seleccionados por el “Methodi Ordinatio“, están en orden de relevancia, buscando identificar las técnicas de minería de datos y machine learning, las cuales se mencionan en la siguiente tabla.
| Año | Título de Investigación | Autores | |
| 2013 | T-Drive: Enhancing Driving Directions with Taxi Drivers’ Intelligence | Yuan et al. | [11] |
| 2012 | Machine Learning for the New York City Power Grid | Rudin et al. | [12] |
| 2015 | Hybridmethodologies for electricity load forecasting: Entropy-based feature selection withmachine learning and soft computing techniques | Jurado et al. | [13] |
| 2018 | Big data analytics for discovering electricity consumption patterns in smart cities | Pérez-Chacón | [14] |
| 2016 | Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach | Peña et al. | [15] |
| 2017 | A machine learning-based method for the large-scale evaluation of the qualities of the urban environment | Liu et al. | [16] |
| 2018 | UbeHealth: A Personalized Ubiquitous Cloud and Edge-Enabled Networked Healthcare System for Smart Cities | Muhammed et al. | [17] |
| 2017 | Identifying services for short-term load forecasting using data driven models in a Smart city platform | Massana et al. | [18] |
| 2017 | Identification of key energy efficiency drivers through global city benchmarking: a data driven approach | Wang et al. | [19] |
| 2016 | Forecasting municipal solid waste generation using artificial intelligence modelling approaches | Abbasi and El Hanandeh | [20] |
| 2018 | Predicting Available Parking Slots on Critical and Regular Services by Exploiting a Range of Open Data | Badii et al | [21] |
| 2017 | Urban sustainability management: A deep learning perspective | Madu et al. | [22] |
| 2018 | Application of Computational Intelligence to Improve Education in Smart Cities. | Gomede et al. | [23] |
| 2017 | An extensive evaluation of seven machine learning methods for rainfall prediction in weather derivatives | Cramer et al. | [24] |
| 2017 | Urban expansion in 30 megacities of China: categorizing the driving force profiles to inform the urbanization policy | You and Yang | [25] |
| 2018 | Survey on traffic prediction in smart cities | Nagy and Simon | [26] |
| 2018 | Improving Vehicle Localization in a Smart City with Low Cost Sensor Networks and Support Vector Machines | Belhajem et al. | [27] |
| 2017 | Studying real traffic and mobility scenarios for a Smart City using a new monitoring and tracking system | Fernández-Ares et al. | [28] |
| 2018 | Improving low cost sensor based vehicle positioning with Machine Learning | Belhajem et al. | [29] |
| 2018 | Deep Learning in Data-Driven Pavement Image Analysis and Automated Distress Detection: A Review | Gopalakrishnan | [30] |
| 2017 | Smart City and Smart Tourism: A Case of Dubai | Khan et al. | [31] |
| 2016 | Applied machine learning: Forecasting heat load in district heating system | Idowu et al. | [32] |
| 2017 | Wi-Fi based city users’ behaviour analysis for smart city | Bellini et al | [33] |
| 2015 | Medium-Term UrbanWater Demand Forecasting with Limited Data Using an Ensemble Wavelet-Bootstrap Machine-Learning Approach | Tiwari and Adamowski | [34] |
| 2017 | A Dedicated Mixture Model for Clustering Smart Meter Data: Identification and Analysis of Electricity Consumption Behaviors | Melzi et al. | [35] |
| 2017 | Correlation Analysis ofWater Demand and Predictive Variables for Short-Term Forecasting Models | Brentan et al. | [36] |
| 2014 | Predicting and visualizing traffic congestion in the presence of planned special events | Kwoczek et al. | [37] |
| 2016 | Automated classification of urban locations for environmental noise impact assessment on the basis of road-traffic content | Torija and Ruiz | [38] |
| 2017 | Evolutionary design optimization of traffic signals applied to Quito city | Armas et al. | [39] |
| 2016 | Forecasting Public Transit Use by Crowdsensing and Semantic Trajectory Mining: Case Studies | Zhang et al. | [40] |
| 2016 | A data based model as a metropolitan management tool: The Bogotá-Sabana region case study in Colombia | Del Busto Pinzon and Souza | [41] |
| 2016 | Using Machine Learning in Environmental Tax Reform Assessment for Sustainable Development: A Case Study of Hubei Province, China | Zheng et al. | [42] |
| 2015 | A Methodology for Denoising and Generating Bus Infrastructure Data | Pinelli et al. | [43] |
| 2015 | Identifying determinants of urban water use using data mining approach | Liu et al. | [44] |
| 2014 | Detecting Traffic Anomalies in Urban Areas Using Taxi GPS Data | Kuang and Jiang | [45] |
| 2015 | Socially Aware HeterogeneousWireless Networks | Kosmides et al. | [46] |
| 2015 | Anomaly detection from incomplete data | Liu et al. | [47] |
| 2010 | Spatial Decision Support System for Urban Planning: Case Study of Harbin City in China | Wang and Zou | [48] |
| 2009 | Statistical methods to estimate vehicle count using traffic cameras | Zhuang et al. | [49] |
El primer estudio investigado fue realizado por Yuan et al. [11], que desarrolló un sistema inteligente de dirección de manejo (conducción de autos) para encontrar la ruta más rápida e inteligente. En este sistema, se consideraron tanto los ritmos de tráfico como la capacidad de los taxistas para elegir las mejores direcciones. Por lo tanto, los análisis de agrupamiento (clustering analyses) se utilizaron para estimar la distribución del tiempo de viaje entre dos puntos de referencia en dos intervalos de tiempo diferentes.
El estudio desarrollado por Rudin et al. [12] implica la creación de modelos predictivos de fallas de componentes y sistemas a partir de historias de redes eléctricas. Estos modelos se basan en la aplicación de conocimiento, descubrimiento y Machine Learning, que incluye agregación de tiempo, formación de características y etiquetas, junto con métodos de clasificación. Se utilizaron algoritmos de clasificación (máquina de vectores de soporte para clasificación: SVM Rank, Rankboost y P-Norm Push) para clasificar los componentes principales de acuerdo con la probabilidad de falla.
Jurado et al. [13] utilizaron técnicas de Random Forest y Soft Computing para realizar pronósticos de carga eléctrica a corto plazo. El objetivo era mostrar el rendimiento de los modelos generados y admitir redes inteligentes al proporcionar predicciones precisas y rápidas del consumo de electricidad en diferentes tipos de edificios.
Peréz-Chacón et al. [14] desarrolló un modelo basado en clúster capaz de identificar patrones de series de tiempo en bases de datos relacionadas con el consumo de energía. Los resultados del estudio se implementaron en una universidad en España.
El estudio de Peña et al. [15] buscó optimizar la eficiencia energética (EE) en un edificio inteligente reduciendo el consumo de energía y siendo ecológicamente correcto a través del proceso de minería de datos. El sistema basado en reglas detectó anomalías en el consumo de energía del edificio. Tanto el análisis de componentes principales (PCA) como la selección de atributos se usaron para inferir una correlación entre los datos del sensor interno y externo y los comportamientos de consumo de energía. También se utilizaron para estudiar la influencia de cada atributo y cuantificar la importancia de las variables en la eficiencia energética.
La investigación realizada por Liu et al. [16] tuvo como objetivo desarrollar un modelo de machine learning para evaluar la calidad del entorno urbano a través de la visión de imágenes de la calle (visión artificial). Estos se evaluaron mediante el algoritmo Scale-invariant feature transform, la red neuronal convolucional AlexNet y GoogLeNet, junto con la regresión de vectores de soporte ó Support Vector Regresion (SVR).
Muhammed et al. [17] desarrolló un ubiquitous framework llamado UbeHealth usando cloud computing para ayudar en la asistencia médica. Se utilizó deep learning para predecir el tráfico de red.
El estudio realizado por Massana et al. [18] implicó el uso de modelos autorregresivos (Autoregressive Model) adaptados para predecir el pronóstico de carga a corto plazo (Short-Term load forecasting , STLF) de una plataforma Smart City. El objetivo era presentar servicios que aumentaran la eficiencia energética.
El estudio realizado por Wang et al. [19] identifica, a través de un estudio sistemático, los principales impulsores de la eficiencia energética urbana. Los datos se recopilaron a través del informe Global Power City Index (GPCI), entre otras fuentes, de veinticinco ciudades ubicadas en tres continentes: Asia, Europa y América. Para el análisis de datos, utilizaron técnicas de agrupamiento (clustering), árbol de decisiones y ajuste de datos. El propósito de utilizar estas técnicas era calcular y comparar la eficiencia energética de las ciudades especificadas.
En su investigación, Abbasi y El Hanandeh [20] desarrollaron un modelo predictivo para la generación precisa de residuos sólidos municipales. Esto podría ayudar a las organizaciones a diseñar y operar mejor los sistemas de gestión de residuos sólidos. En este caso, se utilizaron máquinas de vectores de soporte (Support Vector Machine), Sistemas Adaptativos de Inferencia Neuro Difusa (Adaptive Neuro Fuzzy Inference System), redes neuronales artificiales y K-nearest neighbors (kNN) para predecir la generación mensual de residuos sólidos.
Con el objetivo de mejorar la movilidad urbana en términos de espacios de estacionamiento disponibles, Badii et al. [21], en su estudio, compararon varias técnicas que se utilizan para detectar posibles espacios abiertos para estacionar en los garajes. Entre las técnicas utilizadas, se destacaron las redes neuronales artificiales Bayesian Regularized y la RVS.
Además del deep learning, Madu et al. [22] utilizó la teoría matemática de análisis de datos: Formal Concept Analysis, que incluye reglas de asociación principales para identificar puntos cruciales en el desarrollo de la sostenibilidad urbana, con el fin de evaluar los datos textuales adquiridos por el Carbon Disclosure Project, una organización que difunde información sobre las cuatro áreas: riesgos y oportunidades , estrategias y rendimiento, emisiones de gases de efecto invernadero y gobernanza.
El estudio de Gomede et al. [23] utilizó un modelo de minería de datos (Random Forest) para evaluar la información sobre el progreso intelectual (conocimiento adquirido) de un grupo de estudiantes para mejorar su rendimiento.
Además, Cramer et al. [24] analizaron la aplicación de algoritmos de machine learning como Genetic Programming, SVR, Redes Neuronales de Base Radial, algoritmos M5-Rules y kNN, para la predicción del clima.
El estudio realizado por You y Yang [25] buscó comprender el proceso de expansión urbana y sus determinantes. Para este propósito, emplearon técnicas de minería de datos, como: Random Forest Regression, para explorar estas variables en 30 mega-ciudades en China.
El estudio de Nagy y Simon [26] detalla el uso de métodos predictivos que facilitan la movilidad del tráfico. Los principales métodos utilizados fueron modelos de Series de Tiempo, Filtros de Kalman, Redes Bayesianas y kNN.
En su trabajo, Belhajem et al. [27], aplicaron Redes Neuronales , SVM y Filtro de Kalman Extendido para mejorar la movilidad y el posicionamiento de una flota de vehículos.
Por otra parte, Fernández-Ares et al. [28] utilizó diferentes técnicas de minería de datos, como el Cluster Analysis a través del algoritmo Self-Organizing Map (SOM) para desarrollar un sistema de monitoreo de movilidad para una ciudad inteligente, a fin de optimizar los flujos de tráfico en términos de tiempo de viaje y seguridad (Smart Traffic).
Los autores Belhajem et al. [29] utilizaron SVM y Filtro Kalman Extendido para proporcionar información más precisa sobre el posicionamiento de vehículos para ciudades inteligentes.
El estudio de Gopalakrishnan [30] incluyó el uso de deep learning en el contexto del análisis de imágenes de pavimento.
El estudio de Khan et al. [31] tuvo como objetivo identificar las mejores prácticas de las ciudades inteligentes, así como aquellas para el turismo inteligente (Smart Tourism) en Dubai. Además, la técnica de minería de texto (Text Mining) se aplicó para medir la imagen del destino de Dubai, con respecto al concepto perteneciente a las ciudades inteligentes.
El artículo de Idowu et al. [32] presentó un enfoque que involucra técnicas de Machine Learning (SVM, Feed-forward Neural Network, Regresión lineal Múltiple y Árbol de Regresión) para predecir la carga térmica en subestaciones de calefacción urbana.
Bellini et. al. [33] desarrolló una metodología para evaluar el comportamiento de las personas en la ciudad desde los puntos de acceso Wi-Fi. Se aplicaron técnicas de Clustering Analysis para extraer los lugares más frecuentados y el comportamiento típico de los usuarios de la ciudad, entre otros datos.
El estudio desarrollado por Tiwari y Adamowski [34] implicó el uso de un método híbrido, llamado Red Neuronal Artificial Wavelet-Bootstrap (WBANN) para predecir el agua urbana.
Melzi et.al. [35] presentó un enfoque de Clasificación No Supervisada (Clustering) para extraer patrones típicos de consumo eléctrico de medidores inteligentes, con la propuesta de optimizar el consumo de electricidad en las ciudades.
Brentan et. al. [36] aplicó PCA (Análisis de Componentes Principales), SOM y Random Forest para predecir la demanda de agua. El estudio se realizó en tres áreas metropolitanas de Francia y una ciudad brasileña, explorando variables climáticas y sociales para mejorar el conocimiento de la demanda residencial de agua.
Un estudio de Kwoczek et al. [37] propuso una solución al problema de la congestión del tráfico, especialmente en eventos planificados como son los partidos de fútbol, conciertos, entre otros. Se aplicó KNN-Regression para las predicciones.
El trabajo desarrollado por Torija y Ruiz [38] implicó un sistema capaz de ayudar en la clasificación de ubicaciones urbanas a través de la composición del tráfico. Se usaron Redes Neuronales Perceptrón Multicapa y SVM.
El trabajo de Armas et al. [39] utiliza métodos de Evolutionary Computing, Machine Learing y Minería de Datos para investigar la ciudad de Quito, Ecuador. El estudio se centra en optimizar una gran cantidad de semáforos desplegados en una gran área de la ciudad y examina su impacto en el tiempo de viaje, las emisiones y el consumo de combustible.
Zhang et. al. [40] desarrolló un modelo que implica la predicción del flujo y embarque de pasajeros. Se utiltizó la libreria C++ XGBoost.
El estudio de Del Busto Pinzon y Souza [41] tuvo como objetivo aplicar técnicas de minería de datos como una herramienta para la gestión metropolitana. Se utilizaron técnicas como el Auto-Correlation Matrix (ACM), PCA, Clustering y un árbol jerárquico para estudiar la estructura de las variables empleadas y analizar la evolución del crecimiento a lo largo del tiempo.
El trabajo desarrollado por Zheng et al. [42] utilizó el método estadístico “Synthetic Control Method ” para evaluar las políticas ambientales en 12 ciudades de la provincia de Hubei, China, que necesitaban controlar la contaminación ambiental.
Pinelli et. al. [43] propuso una metodología junto con análisis de clasificación y clustering para detectar y luego corregir ubicaciones de paradas de autobuses, así como reconstruir rutas y designar horarios a través de trazas GPS.
Liu et. al. [44] identificaron las variables más importantes en el uso del agua urbana. Para esto, los autores utilizaron datos históricos de uso de agua urbana y un modelo de minería de datos llamado Programación Genética (GP) para identificar los factores más relevantes para 47 ciudades en el norte de China
El estudio de Kuang y Jiang [45] aplicó “Análisis de Componentes Principales” (PCA) y el método Wavelet Transform para encontrar tráfico irregular en áreas urbanas. Para su uso, el método se aplicó en un conjunto de datos con información GPS registrada de varias unidades de taxis.
Kosmides et. al. [46] propuso una infraestructura de comunicación inalámbrica estable, confiable y de alta calidad que combina redes inalámbricas heterogéneas con redes públicas usando la tecnología Software-Defined Networking (SDN). Se aplicaron las siguientes tres técnicas de machine learning, Redes Neuronales de Perceptrón Multicapa (Multilayer Perceptrons Neural Network) , SVM y Redes Neuronales Probabilísticas (PNN) para hacer predicciones sobre el nivel de personas esperadas en un área determinada y así prevenir la congestión.
El trabajo desarrollado por Liu et al. [47] propuso un sistema llamado “Population Anomaly Detection” (PAD), siendo uno de los temas clave el monitoreo de eventos y la gestión poblacional dentro de una ciudad. Para realizar su estudio, los autores utilizaron técnicas de clustering basadas en correlación y redes de telefonía móvil, para completar información incompleta de las ubicaciones de las personas.
Wang y Zou [48] emplearon técnicas de minería de datos espaciales (Spatial Data Mining) al adquirir conocimiento de la base de datos del sistema de información geográfica (SIG) para apoyar a los planificadores urbanos en sus procesos de toma de decisiones, ya que la aceleración de la urbanización en distintas ciudades de China comienza a causar problemas de sobre expansión urbana.
Finalmente, el estudio de Zhuang et al. [49] tiene como objetivo presentar un método que mejore las cámaras de tráfico en una ciudad, que ayuda a controlar el tráfico en tiempo real (real-time traffic). Los autores desarrollaron dos métodos, uno de ellos enfocado en el Aprendizaje Estadístico Gaussiano (Gaussian-based Statistical Learning), para modelar el tráfico.
Conclusiones
Podemos destacar que la técnica más utilizada fue el análisis predictivo. Esto probablemente se deba al hecho de que el análisis predictivo se puede utilizar en diferentes escenarios, es fácil de interpretar y arroja resultados cada vez más confiables y que despierta mucho interés a quien lo necesita.
La técnica más utilizada fue el análisis predictivo
Gran parte de las investigaciones mencionadas en esta publicación se centraron más en las áreas de Smart Mobility y Smart Environment.
También se observa que China es el país con el mayor nivel de estudios y aplicaciones de proyectos Smart Cities.
Los enfoques relacionados con la eficiencia energética y la inteligencia en el transporte urbano también han sido sobresalientes para estos estudios.
Espero que esta publicación contribuya al desarrollo de nuevas investigaciones relacionadas a proyectos sobre Smart Cities, que mejoren las condiciones de vida de los ciudadanos y promuevan la innovación de las ciudades del Perú y países de América.
Referencias:
[3] Bibri, S.E.; Krogstie, J.: Smart sustainable cities of the future: An extensive interdisciplinary literature review.
[4] Myeong, S.; Jung, Y.; Lee, E.: A Study on Determinant Factors in Smart City Development: An Analytic Hierarchy Process Analysis
[5] Albino, V.; Berardi, U.; Dangelico, R. Smart Cities: Definitions, Dimensions, Performance, and Initiatives
[6] Marsal-Llacuna, M.-L.; Colomer-Llinàs, J.; Meléndez-Frigola, J. Lessons in urban monitoring taken from sustainable and livable cities to better address the Smart Cities initiative.
[7] Wu, Y.; Zhang, W.; Shen, J.; Mo, Z.; Peng, Y. Smart city with Chinese characteristics against the background of big data: Idea, action and risk.
[8] Lim, C.; Kim, K.-J.; Maglio, P.P. Smart cities with big data: Reference models, challenges, and considerations. 2018
[9] Wu, Y.; Zhang, W.; Shen, J.; Mo, Z.; Peng, Y. Smart city with Chinese characteristics against the background of big data: Idea, action and risk. 2018
[10] Kitchin, R. The real-time city? Big data and smart urbanism. 2014
[11] Yuan, J.; Zheng, Y.; Xie, X.; Sun, G. T-Drive: Enhancing Driving Directions with Taxi Drivers’ Intelligence. 2013
[12] Rudin, C.; Waltz, D.; Anderson, R.; Boulanger, A.; Salleb-Aouissi, A.; Chow, M.; Dutta, H.; Gross, P.;Huang, B.; Ierome, S.; et al. Machine learning for the New York City power grid. 2012
[13] Jurado, S.; Nebot, A.; Mugica, F.; Avellana, N. Hybrid methodologies for electricity load forecasting: Entropy-based feature selection with machine learning and soft computing techniques. 2015
[14] Pérez-Chacón, R.; Luna-Romera, J.M.; Troncoso, A.; Martínez-Alvarez, F.; Riquelme, J.C. Big data analytics for discovering electricity consumption patterns in smart cities. 2018
[15] Peña, M.; Biscarri, F.; Guerrero, J.I.; Monedero, I.; León, C. Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach.
[16] Liu, L.; Silva, E.A.; Wu, C.; Wang, H. A machine learning-based method for the large-scale evaluation of the qualities of the urban environment.
[17] Muhammed, T.; Mehmood, R.; Albeshri, A.; Katib, I. UbeHealth: A Personalized Ubiquitous Cloud and Edge-Enabled Networked Healthcare System for Smart Cities. 2018
[18] Massana, J.; Pous, C.; Melendez, J.; Colomer, J. Identifying services for short-term load forecasting using data driven models in a Smart City platform. 2017
[19] Wang, X.; Li, Z.; Meng, H.; Wu, J. Identification of key energy efficiency drivers through global city benchmarking: A data driven approach. 2017.
[20] Abbasi, M.; El Hanandeh, A. Forecasting municipal solid waste generation using artificial intelligence modelling approaches. Waste Manag. 2016
[21] Badii, C.; Nesi, P.; Paoli, I. Predicting Available Parking Slots on Critical and Regular Services by Exploiting a Range of Open Data. 2018.
[22] Madu, C.N.; Kuei, C.; Lee, P. Urban sustainability management: A deep learning perspective. 2017
[23] Gomede, E.; Gaffo, F.H.; Brigano, G.U.; de Barros, R.M.; de Mendes, L.S. Application of Computational Intelligence to Improve Education in Smart Cities. Sensors 2018.
[24] Cramer, S.; Kampouridis, M.; Freitas, A.A.; Alexandridis, A.K. An extensive evaluation of seven machine learning methods for rainfall prediction in weather derivatives. 2017
[25] You, H.; Yang, X. Urban expansion in 30 megacities of China: Categorizing the driving force profiles to inform the urbanization policy. 2017
[26] Nagy, A.M.; Simon, V. Survey on traffic prediction in smart cities. 2018
[27] Belhajem, I.; Ben Maissa, Y.; Tamtaoui, A. Improving Vehicle Localization in a Smart City with Low Cost Sensor Networks and Support Vector Machines. 2018
[28] Fernández-Ares, A.; Mora, A.M.; Arenas, M.G.; García-Sanchez, P.; Romero, G.; Rivas, V.; Castillo, P.A.; Merelo, J.J.; Fernandez-Ares, A.; Mora, A.M.; et al. Studying real traffic and mobility scenarios for a Smart City using a new monitoring and tracking system. 2017
[29] Belhajem, I.; Ben Maissa, Y.; Tamtaoui, A. Improving low cost sensor based vehicle positioning with Machine Learning. 2018.
[30] Gopalakrishnan, K. Deep Learning in Data-Driven Pavement Image Analysis and Automated Distress Detection: A Review. Data 2018.
[31] Khan, M.S.; Woo, M.; Nam, K.; Chathoth, P.K. Smart City and Smart Tourism: A Case of Dubai. Sustainability 2017.
[32] Idowu, S.; Saguna, S.; Ahlund, C.; Schelen, O. Applied machine learning: Forecasting heat load in district heating system. 2016.
[33] Bellini, P.; Cenni, D.; Nesi, P.; Paoli, I. Wi-Fi based city users’ behaviour analysis for smart city. J. Vis. Lang. Comput. 2017.
[34] Tiwari, M.K.; Adamowski, J.F. Medium-Term Urban Water Demand Forecasting with Limited Data Using an Ensemble Wavelet-Bootstrap Machine-Learning Approach. J. Water Resour. 2015.
[35] Melzi, F.N.; Same, A.; Zayani, M.H.; Oukhellou, L. A Dedicated Mixture Model for Clustering Smart Meter Data: Identification and Analysis of Electricity Consumption Behaviors. 2017.
[36] Brentan, B.M.; Meirelles, G.; Herrera, M.; Luvizotto, E., Jr.; Izquierdo, J. Correlation Analysis of Water Demand and Predictive Variables for Short-Term Forecasting Models. 2017.
[37] Kwoczek, S.; Di Martino, S.; Nejdl,W. Predicting and visualizing traffic congestion in the presence of planned special events. 2014.
[38] Torija, A.J.; Ruiz, D.P. Automated classification of urban locations for environmental noise impact assessment on the basis of road-traffic content. 2016.
[39] Armas, R.; Aguirre, H.; Daolio, F.; Tanaka, K. Evolutionary design optimization of traffic signals applied to Quito city. 2017.
[40] Zhang, N.; Chen, H.; Chen, X.; Chen, J. Forecasting Public Transit Use by Crowdsensing and Semantic Trajectory Mining: Case Studies. 2016.
[41] Del Busto Pinzon, D.F.; de Souza, F.T. A data based model as a metropolitan management tool: The Bogota-Sabana region case study in Colombia. 2016
[42] Zheng, Y.; Zheng, H.; Ye, X. Using Machine Learning in Environmental Tax Reform Assessment for Sustainable Development: A Case Study of Hubei Province, China. 2016.
[43] Pinelli, F.; Calabrese, F.; Bouillet, E. A Methodology for Denoising and Generating Bus Infrastructure Data. 2015.
[44] Liu, Y.; Zhao, J.; Wang, Z. Identifying determinants of urban water use using data mining approach. Urban Water 2015.
[45] Kuang,W.; An, S.; Jiang, H. Detecting Traffic Anomalies in Urban Areas Using Taxi GPS Data. 2015.
[46] Kosmides, P.; Adamopoulou, E.; Demestichas, K.; Theologou, M.; Anagnostou, M.; Rouskas, A. Socially Aware Heterogeneous Wireless Networks. 2015.
[47] Liu, S.; Chen, L.; Ni, L.M. Anomaly Detection from Incomplete Data. ACM Trans. Knowl. Discov. Data 2014.
[48] Wang, Y.; Zou, Z. Spatial Decision Support System for Urban Planning: Case Study of Harbin City in China. J. Urban Plan. Dev. 2010.
[49] Zhuang, P.; Shang, Y.; Hua, B. Statistical methods to estimate vehicle count using traffic cameras. 2009