新技术与既有工作流的共舞，AI+城市基建=智慧未来
导读
城市基础设施与AI 的融合案例，用新技术提升现有基础设施的运行效能，优化决策流程；关键点在于，新技术引入既有工作流的深度与时序，必须确保相关各方达成阶段性共识，求同存异寻找利益与工作量的共同点；若想真正把新技术带来的改变落到实处，就需要有一方力量作为持续的沟通平台主持工作。--常海兴
立陶宛维尔纽斯市的空气质量检测监测案例展示了一个“开箱即用”的人工智能项目实施过程，即运用既有平台满足城市规划决策相关需求。政府与开发运营数据平台的空气质量监测公司合作，在整个城市安装空气质量传感器，运用其数据支撑交通、城市生态系统规划和健康生活相关的规划工作。在此案例中，公司负责传感器安装、数据处理、可视化等工作，政府更多负责监督管理，致力于实现数据、人工智能分析结果与政府目标任务、市民需求适配。--王逸邈
洛杉矶“路缘带编码”的案例展示了一个“部分定制化”的人工智能解决方案，如何具体的实施的过程，凸显了城市人工智能项目即使没有大型、连续感测数据收集系统也可以返回有用结果。 洛杉矶交通部能够针对具体问题定义量身定制解决方案，仅专注于重点位置和离散数据收集努力。“路缘带编码”的实践与应用改善了复合型的大城市中的规模化服务质量，资产管理中数据工具的使用和包容性得到提升，促进了多元复杂的大型城市里基础设施与人居的灵活交互。--张博琳
╱ 城市案例 ╱
Case Studies
在本节中，我们逐步介绍了多项案例研究，展示了已经在城市中实施的实际城市AI项目。具体而言，我们强调了每个案例所涉及的步骤和注意事项。在接下来的子章节中描述了三个项目 - 加拿大温尼伯市水表生命周期、美国洛杉矶规划和资产管理数字化以及立陶宛维尔纽斯空气质量感测 - 每个都涵盖不同的城市领域，在过程的不同阶段利用人工智能，并采取不同方法来整合人工智能组件。此外，我们旨在突出显示不同地理区域大小差异的城市作为人工智能实现多样性（并非所有城市AI项目都起源于大型智慧城市） 的例子。后续的版本将进一步扩大所呈现案例研究的地理范围。
Water meter lifecycle in Winnipeg, Canada
水表生命周期 温尼伯 加拿大
在加拿大，温尼伯市的供水与废物管理部门（以下简称“公用事业部门”）决心利用、开发和扩展人工智能技术，以更好地应对不断增长的城市人口和生态足迹所带来的挑战。
这一进程始于2018年，此后已转变为纽约市批准的一项多年计划，旨在针对公用事业面临的现实机遇和挑战：根据价值和复杂性对举措进行优先排序。这是通过倾听和关注利益相关者的需求来实现的，这些利益相关者指导了与安全、客户帐户和计费以及水表生命周期相关的三个概念验证的快速开发，以展示各种可能性。
本案例重点介绍了水表全生命周期下的概念验证。在此背景下，Ernest Kwan 及其团队旨在构建一个内部的人工智能解决方案，并将其作为关键利益相关者的战略决策制定工具进行实施。Ernest 领导公用事业公司的数据和分析部门，并负责提供多年计划，该计划包含了治理、方法论、人员、流程、架构和技术等内容，最终将该部门数据资产转化为准确、可信且有保证的见解，以实现基于证据的决策。
阶段一：问题识别
公用事业部门发现了一系列与居民、商业和工业客户的水表运行情况相关的问题。他们经常发现城市中根据其采购的水量应赚取的收入与该市实际赚取的收入之间存在重大差异。这一现象表明系统中可能存在未纳入统计数据的水量，其原因可能出于无意（如泄漏）或故意（如盗窃），也可能是由于水表硬件故障导致。在全系统范围内识别出问题对于防止收入流失以及可持续管理利用水资源来说至关重要。
除了根据实际情况日常逐案调解这些差异之外，城市通常会更换老化的水表。一般来说，这是由于水表突然故障或者街道与社区的劳动力更迭。
Ernest及其团队决定从资产管理和收入流失两个角度切入去解决问题。总体而言，该市安装有约220，000个水表为其约800，000人口提供服务，其中大部分都是直读式智能电子式抄表器（简称“直读抄表器”），每年的抄表器更换数量大约为5000个。近年来，在城镇新开发与更新地区推出了基于新型AMR / AMI技术基础上运行智能电子式抄表器（smart meters），年安装数量高达1500个。
更换水表的日常计划一般根据可用预算、后勤支持便利性以及劳动力方便性等因素进行任务规划，而不考虑水表本身的运行状况。因此既有一批状态良好的水表会过早的被更换；又有许多损坏严重的水表依然未被更换。Ernest及其团队看到其他片区已将机器学习作为评估水表健康状况与更换优先级的方式之一，因此他们决定作相同的尝试。
时间
2018年，该部门开始了利用识别数据和分析提高运营效率和成本效益的方法。最初的问题识别和功能概念验证开发共耗时4个月。
成本
水表的新安装是城市的一项日常支出，而由于客户行为导致的损坏/丢失水表则由客户自己承担相关费用（一般会以折扣价购买硬件来抵消一部分款项）。目前，每个受损或丢失的普通水表以150-300美元的折扣价销售给客户（即这涵盖了部分普通水表的成本但不包括任何采购工作或劳动力成本）。每个智能水表约200美元（不包括工作量与劳动力成本）。因低效水表而产生的年度财政收入流失额度可达100万美元。因此，开发帮助指导有关健康状况、生命周期和费用计划等方面决策的AI解决方案，对于确保向居民、私营部门、工业企业提供可持续性饮用水和废水服务来说至关重要。
注意事项
在识别问题时，Ernest使用“对组织价值”和“实施难度”这两个主要指标来确定项目实施优先级并评估其可行性。在考虑“对组织价值”指标时，Ernest试图回答“为什么”应该实施一个项目，并着眼于成功实施的成效将会如何以及最终结果如何使组织受益这两方面。在考虑“实施难度”指标时，则试图回答“如何”实现一个项目、问题所涉及到功能与技术复杂性、相关数据及其来源（例如相关数据格式、数量与质量）、相关利益攸关者以及真实世界中类似项目案例研究中学到经验教训等内容。在评估项目优先级时，更优先考虑高易度高价值型的项目。
在工作推进过程中， Ernest遇到了一些利益相关方对应用新技术所施加的阻力。他发现在此情况下，强调其他城市在实际生活中的成功案例是获得认可的有效手段。
技能
Ernest发现以下技能是问题识别阶段的关键：能够从不同商务利益关系方处征求项目意见。能够理解各利益相关方各自面临的紧迫问题。具备统筹全局解决问题的态度。能构建多种执行场景，如自建解决方案、购买预制的解决方案、外包定制化开发。
利益相关方
公共部门领导、部门经理、分支机构负责人
阶段二：利用Analytics Canvas工具提取数据
由于水表生命周期案例侧重于识别有测量误差的水表，因此水量消耗是最重要数据集之一。团队利用Analytics Canvas工具来映射和规划该问题的各个方面、机遇和挑战、解决每个问题所需的功能和技术要求，并对可用数据的质量进行高级评估以满足解决方案。这些数据需要以有意义且对于利益相关方有用的方式呈现，以便他们可以在制定水表更换策略与制定防止不良用水行为政策时做出更好的决策。
通过提取水表运行数据，机器学习算法可以分析随时间着发生变化与运行异常的水量消耗模式。
最近，该公用事业公司开始转向“智能水表”，该水表可以将水量数据传输到无线或宽带网络上，从而减少了技术人员手动读数的工作量。
时间
从直读水表中手动收集数据非常耗时，由于这些限制，实际读数每隔几个月（通常是季度）才会收集一次。在没有实际水表读数的情况下，公用事业部门的主要计费系统会“估算”给定时间的用水量。这限制了机器学习建模的性能和可靠性。然而，智能水表的引入将大大提高采样频率，从而提高模型性能。
技术
在直读水表的背景下，客户或技术人员通过拨号盘上的值来收集数据。一旦读取了值，客户或技术人员将在线或通过电话使用IVR系统报告数据。阅读材料集中在一个称为ITRON Field Collection System（FCS） 的系统中 。此外 ， FCS 中使用情况数据也被 Oracle Utilities Customer Care and Billing（CCB） 吸收 ，这是公用事业公司核心客户的账户与计费系统 。
在智能水表方面， 城市当局一直在试点多种AMI 和 AMR 解决方案，并计划近期正式采纳它们作为替换标准 。 AMI 和 AMR 选项能够让工作人员在接入无线网的环境下，步行或驾车经过智能水表时即可直接获取读数，并同时将信息流传输到公共设施局办公室或云端。在大部分情况下，采用智能水表通常会改善所收集到数据点的精确度、相关性、质量，更快地识别出城市耗水模式中异常现象，可以将现行的以季度统计的城市运行账单细化至月度统计。
成本
该项目的数据收集存在成本权衡问题，具体取决于所雇佣的工程师类型。对于直读水表来说，数据收集成本等同于雇佣工程师在外阅读并记录读数的次数 （高频率意味着在现场需要花费更多的时间）。对于智能水表来说，数据收集成本相当于购买仪器、安装及任何供应商维护服务等一次性费用。两者相比较而言，智慧水表的前期成本更高，但长远来看，能更多的节省员工外出记录读数形成的持续性支出。
注意事项
数据收集需要重点考虑对现有资料的分类与识别空缺项。技术团队盘整并掌握了现有数据源的所有者、格式、容量、质量，以及是否为结构化数据等信息后，深入探讨了相关机会与挑战，并专注于可能对项目有用的数据集，以及应如何联系以获取相应的资料。
技巧
关于数据集的处理，该项目需要以下技巧：
访问各种来源（例如数据库、应用程序、系统、数字文档和纸张文件等）的能力。
执行基础数据工程任务以准备支持最小可行产品（MVP），以便POC（Proof of concept, 概念验证）设计与开发。
定义与传达初步数据治理实践的能力，以优化数据质量并确保正确使用数据。
目录化、文档化管理不同数据资料库。
利益相关者
部门经理、分部主管、督察员、监管员
阶段三：数据准备、数据开放与使用限制
直读水表的手动读取并输入计量值时容易出现人为误差，从而导致许多数据质量问题。为了开发POC，团队必须优先考虑对解决方案最关键的数据质量任务。他们评估相关使用场景，并记录数据缺陷和相关限制。利益相关方已被告知需要采取的进一步行动，以使解决方案完全运作。
时间
数据准备过程中的大部分时间用于数据清洗，并将计量器数据与服务点和地址进行匹配。例如验证并排除不再活跃（但仍然存在于应用程序中）的计量器-当一个服务点有多个计量器时最为明显（通常是1:1）。在解决方案的生产版本中，AutoML将用于执行大部分初始数据准备工作。其额外好处是可指导更正源系统中与每个服务点计量表的重复或错误输入。
技术
为了开发POC，团队在微软SQL平台创建了一个数据库，用于大部分数据的输入、处理和输出活动。并使用微软 PowerBI和Tableau开发了数据仪表板，用于比较数百万个数据点进行可视化展示时的性能。
对于解决方案生产版本，团队已经实施了基于Azure云平台技术堆栈，主要由Azure Data Lake Storage (ADLS) Gen 2 和 Azure Synapse for Data Warehousing and Compute组成，通过本地系统来最小化系统管理开销。数据集成和转换正在使用Azure Data Factory (ADF) 和Talend Cloud。终端用户体验与可视化工具无关，但团队将使用Tableau生成第一批关键用例。
费用
在此步骤中，开发工作是一次性前期成本（针对POC），主要费用花费在员工成本与咨询师的工作时间。
注意事项
由于不同的来源和输入方式提供了各种形式的原始信息，需要标准化并合并到统一模型下。当水表信息来自手动收集流程时，则需要识别并纠正人为错误；当信息来自自动收集流程时，则需要识别并纠正设备错误。
技能
在该项目背景下，数据质量控制和整理需要具备以下技能：
编写各种脚本语言: SQL、Perl、Python等清理原始数据，使之变得易读易懂。
适当地将水表读数矢量化(转换、转移、建模) 。
执行样本抽样(sampling) 和聚合(aggregation)
利益相关者
督察员、监管员
阶段四：构建概念验证的方案（数据可视化）
Ernest和团队准备了一个数据可视化仪表板作为“概念验证”，突出通过水表数据了解水表健康状况、确定用水趋势，并通过组织和比较水表替换组，优化回收的回报率和减少水滥用。通过可视化展示信息，利益相关者能够更好地理解现有数据在当前或过去的走势，评估现有数据集之间的差距，并展示以数据分析方法驱动决策的优势。值得注意的是，以数据可视化的方式作为概念验证，是获得集成AI组件所需资金的一种手段。
时间
制作数据可视化仪表板需要4个月，其便携式的设计让共享很方便。完整的解决方案将于2023年完成，包括POC仪表板的操作界面，以及利用机器学习增强费率预测和异常检测解决方案的实施。
技术
POC仪表板是一款轻量级、可携带、功能齐全的应用程序，可使用Tableau Reader访问。未来将使用第3阶段中提到的云技术堆栈进行操作(这项工作正在进行，计划2023年第四季度——2024年第一季度完成)。
费用
除了建造仪表盘的人员和顾问成本，还有与Tableau软件相关的授权费用。使用POC不会产生额外的维护成本，但目前正在进行中的完整解决方案将会产生一定费用和运营成本。
注意事项
在这个项目中，Ernes团队使用数据可视化验证概念，并将该方法作为AI/ML解决方案的重要步骤。团队利用数据可视化在运行模型或使用算法之前更好地理解数据。当行业专家分析图表和趋势时，Ernest团队能够识别出差异，这些差异可构成模型试图识别内容的基础。他们还发现，利用数据可视化可以在AI模型实施前纠正数据错误和不一致。除了探索功能外，数据可视化还可以作为有力的沟通工具。最重要的是，概念验证可用于争取行政领导层的支持，以获得资金去实现现代分析方法和AI/ML的能力。
技能
在数据可视化的背景下，Kwan发现以下技能是有用的:
基本的统计知识
运用统计分析和可视化技术的能力
通过网络了解哪些商业机制产生了数据
对学习和理解商业流程有强烈的好奇心
对商业流程的底层机制产生假设的能力
能够使用各种统计和可视化工具，如Excel, R, Python, MATLAB和SAS语言
利益相关者
公用事业总监，部门经理，分部主管，督察员
阶段五：集成AI组件/需求预测能力
在撰写本指南时，Ernes与团队已经完成了技术堆叠的基础部分，可支持AI/ML解决方案的设计、开发和操作。公用事业公司已优先考虑到2023年上半年末安全分析案例的开发和运营、2023年下半年水表全生命周期分析，以及2024年客户帐户和计费分析。
时间
对于每个分析案例，预测分析组件大约需要3-6个月完成。在它们运行之后，将例行维护、监视和优化，以维持解决方案的质量和性能。根据利益相关者的要求，可以创建其他项目进一步加强已有方案。
技术
Ernest无法分享人工智能组件中的具体算法和技术细节，因为在本指南发布时他们还没有正式确定。然而，他能够分享所使用的预测算法将面向加拿大温尼伯的2023年57个AI城市水表全生命周期的案例，用于根据水表年龄、水表设计、水表读取路径和用水数据等变量，估计哪些水表应该优先更换或重新校准。该解决方案将在数据处理部分提到的Microsoft Azure云技术上设计、开发和操作。
成本
人工智能组件将由内部和外部资源(如顾问、承包商、供应商等)共同开发，但Ernest希望建立内部能力和减少对外部资源的依赖。然而，Ernest也认识到，在某些特定的情况下，当他的团队不具备某种特定的专业知识或技能时，就需要外部的专家进行协助。
注意事项
预测性人工智能的能力使评估工作能够持续运行(与收集数据周期一致)，它不是一次性的按需工作，而是提供对实际情况更好的洞察和更快的响应。
技能
Kwan在他的团队中寻找能够增强人工智能的技能包括:
设计和校准模型的专业知识
具备建立和运行模型的数据科学技能
应用各种机器学习模型的能力:各种回归和聚类技术，集成技术(随机森林，XGBoost)和时间序列分析。
具有ML模型的真实测试经验，如A/B测试和交叉验证。
利益相关者
公用事业总监，部门经理，分部主管。
阶段六：利用 AI 预测进行决策
为了确保项目成功，Ernest强调了确定关键利益相关者和商业者的必要性，应该在设计方案时考虑这些人的需求。这些解决方案的早期采用者将倡导、影响和推动其他人尝试在日常决策中使用AI/ML驱动的解决方案。这将显著促进重视证据和见解的文化的有机增长。
注意事项
理解用AI进行决策、战略规划和监测公共事业运行状况的价值。三个案例的优先级:安全分析、客户帐户和计费以及水表生命周期，涉及社会、经济和环境三个重要主题。此外，高级分析方法和AI/ML的成功须基于用户为本，而非技术为本。此外，建立强有力的审查和评估流程有助于确保解决方案按预期发挥作用，公平地使公民受益。
技能
Ernest希望建立一个具备以下技能的团队，以监控和维护解决方案，以确保其持续有效使用:
能够理解功能/商业级别的数据流和来源，以及模型开发和正确操作数据。
将模型性能管理工具集成到当前商业基础设施中的能力。
在生产系统上运行A/B测试的能力，分析所提出的ML模型在决策支持和流程自动化方面的表现。
能够在流程环境中持续监控模型的执行和运行状况——至少能与负责流程或应用程序团队紧密合作。
协助用户社区提高意识，教育和培训，排除故障。
利益相关者
公用事业总监、部门经理、分部主管、督察员、监管员、团队领导和所有其他用户。
关键点
加拿大温尼伯的水表全生命周期案例，展示了采用人工智能组建政府内部团队所须要的技术和能力建设工作。此方式需要创造职位引进技术熟练工，评估与购买新的硬件和软件系统，因此需要更多的政策支持与资源。然而,这样的努力是值得的，因为从长远来看，内部团队往往会使人工智能项目更可持续(比工作外包或订阅平台更持久)。在支出初始启动费用之后，构建内部的AI团队和技术堆栈也可以让新项目启动更快且成本更低，因为市政府可以利用现有资源而不是针对每个新的工作分别招标。如图所示，在温尼伯的例子中，利用咨询服务来确定技术需求和建立团队，有助于市政府利用私营部门的技术专长来确项目的初始投资得到适当的引导。温尼伯的案例也证明建设内部能力是一个持续的过程，市政府可以采取分阶段的方法实施人工智能项目，并且随着人力与技术资源的增加而扩大项目的范围与规模。
Curb digitization in Los Angeles, USA
编码“路缘带”：路缘带的数字化与规划
——洛杉矶，美国
洛杉矶“路缘带编码”的案例展示了一个“部分定制化”的人工智能解决方案，如何具体的实施的过程，凸显了城市人工智能项目即使没有大型、连续感测数据收集系统也可以返回有用结果。 洛杉矶交通部能够针对具体问题定义量身定制解决方案，仅专注于重点位置和离散数据收集努力。“路缘带编码”的实践与应用改善了复合型的大城市中的规模化服务质量，资产管理中数据工具的使用和包容性得到提升，促进了多元复杂的大型城市里基础设施与人居的灵活交互。
由于庞大的城市规模和高度多样化的公民，美国洛杉矶市正致力于将人工智能技术纳入其运营中，以改善城市中大规模的服务供给，并促进城市的互联互通、减少不平等。随着该市于2020年发布的SmartLA 2028战略规划，全市各部门预计将推进其主要技术目标，包括基础设施、数据工具与实践、数字服务、连接性与数字包容性以及治理等。洛杉矶交通部（LADOT）是参与数字化转型的城市机构之一，他们专注于基础设施和流动性方面的内容。近期，洛杉矶交通部启动了一个路缘带数字化和资产管理项目，利用人工智能技术对街道路缘带和标志的各种特征进行分类登记，以支持数据驱动的路缘使用管理。供应商IBI集团提供该项目的数据收集和技术服务。洛杉矶交通部的首席交通工程师Tomas Carranza负责监督指导该项目，并担任部门的主要联系人。
阶段一：问题识别与规划
洛杉矶因其复杂的停车规定和路缘使用限制而臭名昭著。动态和更积极的路缘管理不仅是洛杉矶市议会的优先事项，也是洛杉矶交通部的战略目标。然而，洛杉矶目前并没有一个明确的关于路缘使用和制度法规的资料库，如果没有这些内容，就很难规划以改善交通网络中的流通情况。因此，洛杉矶制定了一个五年路线图，将所有路缘带资产和法规数字化，但由于预算问题，最终将范围缩小，重点以三个密集的商业区域作为试点。试点项目旨在回答三个问题：不同资产收集方法分别有哪些好处和挑战？土地利用情况如何影响数据收集的能力？路缘带数字化的最佳并可扩展解决方案是什么？
时间
由于LADOT需要与供应商签订合同，主要的时间限制来自招标及邀请过程。洛杉矶有一系列冗长的行政程序以确保公平的采购过程，这将延长项目的完成时间。虽然洛杉矶对预先批准的供应商有快捷审批程序，可以将合同批准时间加快到约1个月左右，但目前预先批准的供应商都不具备完成路缘带分类任务所需的特定技能和技术。洛杉矶交通部没有与供应商（IBI集团）进行预先的合作，审批过程将需要9—12个月。目前，洛杉矶市已经建立了一个公私合作的出行创新加速器（Urban Movement Labs，城市出行实验室）来承担该项目，由交通部担任咨询机构，由此绕过一些采购程序。
成本
成本是决定项目范围的主要因素。虽然最初目标是在五年内完成城市中所有的路缘带数字化，但新冠疫情及相关的财政削减致使该项目预算大幅减少。鉴于此，洛杉矶市启动了一项降低成本、缩小范围的试点计划，并通过精细调整过程来估算出相应费用，将三个高密度商业区的路缘带进行数字化，同时也是一种完善流程和成本估算的方式。
考虑因素
由于洛杉矶市议会与交通部对提升路缘带管理工作的重视，Carranza及项目组很容易得到支持。但Carranza也面临着来自上层的压力，即确保项目工程快速完成。在这种情况下，以及新冠疫情带来的预算限制，试点方案是一种证明有效进展、解决工程问题同时又降低成本的有效方式。然而， 市政府法务部门通常避免直接参与试点项目（以避免不公平竞争），这也是通过城市出行实验室（Urban Movement Labs）运营此项目的另一个优势。
技能
由于市议会和交通部已经确定了问题存在， 因此涉及使工程实施各种技巧包括：
寻找替代资金来源（例如伙伴关系、资助金、区域合作等）
项目管理及范围界定
了解采购及法律程序
利益相关者
该项目此阶段的主要利益相关者包括：市议会及市长，负责设定优先事项；交通部，负责执行、落实优先事项；城市出行实验室作为加速器，减少繁琐程序以推动项目实施；以及市检察官办公室和城市采购办公室，负责制定供应商招标/合同流程的限制条件。
阶段二：数据收集
项目相关的数据来源包括路缘带的使用限制（涂漆路缘的长度、位置和颜色）、停车限制（停车规定的位置、时间和参数）以及公共权利范围内的其他资产（自行车架、交通信号设备、停车计时器等）。了解路缘使用和停车限制如何在街区之间相互配合和互动可以更全面地了解街景，并有助于基于情景进行建模规划。虽然街景中的路缘和标志牌上存在着信息，但并没有数据集以统一的、机器可读的方式收集信息。为了收集数据，需要人工走遍城市所有路缘空间，从标志和路缘上收集信息，这将需要一个庞大团队数年才能完成。因此，交通部决定与IBI集团合作，利用他们的路缘带管理平台CurbIQ进行试点测试，该平台可以提供人工智能支持的路缘带数据采集方法（移动映射）。IBI集团的数据采集主要包括路缘成像和图像分类。作为附加数据源，在项目后期还会收集引文数据以进行质量保证及控制。
时间
数据采集时间取决于路缘的复杂性以及所使用的采集方法。对于路缘轮辅助的手动采集方法，每英里需要1至1.4小时。人工智能的创新使得IBI集团可以通过图像（例如车载智能手机摄像头镜头）收集等效数据，收集时间下降至每英里0.1至0.6小时。若车载摄像头方法，在调查前优化路径可以进一步减少数据收集时间。由于道路边缘不断变化，Carranza估计每3—4年重复一次路缘测绘，并在中间几年根据需求手动更新。
技术
使用的数据收集技术是SharedStreets CurbWheel和车载智能手机摄像头。CurbWheel是一种手动操作的数据收集设备，在设备在城市中移动时，允许用户测量路缘带使用的相关规定，并将其记录在手机应用程序中。设备的准确性很高，但操作将花费较多时间，因为它需要手动推送并记录数据。车载智能手机摄像头也被用来捕获街道图像，AI将其处理转换成数字化格式。相比高密度区域，智能手机摄像头+AI在高密度地区的准确性较低，但可以更快地收集数据。
费用
具体费用是保密的，Carranza表示通过CurbWheel收集数据比车载智能手机收集数据的成本高30%-40%，因为人工操作需要更长时间。但任何人都可以接受培训来操作CurbWheel设备，他建议由实习生进行CurbWheel数据收录任务而非雇佣承包商，以削减CurbWheel测量成本。
考虑因素
这两种方法之间存在成本、准确性和时间的权衡（CurbWheel最准确，但车载智能手机摄像头最具成本效益和时间效率）。被调查地点的繁忙程度可以决定两种技术的最佳组合，因为车载智能手机在不太繁忙的区域是足够的，但在可能有物体和车辆阻挡路缘特征的位置上需要使用CurbWheel。路线和时间对调查的及时性和准确性也会产生重大影响。数据所有权是另一个主要考虑因素：根据试点计划条款，IBI集团保留了收集和处理所有数据的所有权，交通部可以进行数据交互，但不能从CurbIQ平台删除它，并且在试点终止后不会保持访问权限。
技能
除了接受使用CurbWheel设备培训并掌握路径优化以改善车载智能手机相机使用外，该项目的数据收集几乎不需要技能。
利益相关者
该步骤中主要利益相关者是IBI 集团及其路缘数据可视化工具CurbIQ，他们提供了有关此类数据收集的设备和知识，但他们也受到交通部和城市运动实验室的指导。
阶段三：数据处理（以及人工智能整合）
背景
在本案例中，人工智能不是作为辅助决策的最终产品，而是作为数据收集和处理步骤的一个重要组成部分，并进而生成有用信息，为路缘管理和规划提供信息。人工智能技术用于三个主要目的：检测（步骤2中捕获的图像中的标志和物体），理解（理解已识别的标志和物体）和地理定位（确定标志和物体的精确位置）。如果没有将街景图像转换为路缘数据的处理步骤，收集到的照片将毫无意义。
由于人工智能/机器学习模型并非100％准确，因此需要其他质量保证方法来验证输出数据。 质量保证/质量控制采取了两种形式：首先，IBI集团员工手动分析模型无法处理并得出可信信息的图像，在自动化和手动处理程序之后，由交通部员工比较每个街区上基于图像导出的规定与每个街区发出的停车罚单，进一步确认数据处理准确性。在数据收集和处理工作开始后，开放移动基金会发布了路缘数据规范以实现更好的标准化和可移植性，因此数据最终需要适应新架构。
时间
IBI集团在此项目之前经历了开发数据处理算法的研发过程，而前期开发时间并未纳入到项目中。然而仍然会花时间在数据处理上，这恰恰根据数据收集方法以及道路拥挤程度而有所不同：CurbWheel的数据处理时间为每英里0.4至0.7小时，车载智能手机摄像头为每英里0.1至0.2小时。
技术
从人工智能角度看，主要使用的技术是各种机器学习模型，包括计算机视觉模型，用于识别摄像头内的对象或视频；文本理解模型，用于理解交通指示牌等内容。还有地理信息系统，以便将摄像头及其生成的数据与数据收集地点联系起来，并绘制路延的用途和限制。由于所有加工都由供应商完成，洛杉矶交通局无需担心建立任何流程，也不需要维护任何技术基础设施。
成本
Carranza无法分享该项目的具体成本。尽管如此，数据处理成本包括在试点计划的总成本中，作为UML和IBI 集团之间合作以及使用其服务的一部分。
考虑因素
重要的是，数据必须以完整准确的方式进行处理，否则它们对未来分析没有什么价值。如果算法出现忽略、误解或错误地定位任何迹象，就无法反映真实的路缘规定，也不能用于有意义的规划工作。在城市不同区域遇到了未包含在原始算法训练数据中的标志和物体，在这些情况下，新标志/物体必须手动分类并纳入训练数据集中。
从这个意义上说，规模经济有利于AI分类算法，因为它们能够考虑更多可能性。高密度区域对识别、理解和地理位置模型提出了更大挑战，因为高楼大厦降低了设备GPS精度，并且繁忙/杂乱的路缘使得模型无法识别某些相关对象。系统中可以采用多种验证方法进行多次检查以确保模型按预期方式运行并达到最佳水平。如果模型存在缺陷，则任何后续使用已处理过的数据或派生输出都将是无用、误导甚至是潜在危险（取决于整体环境）。
技能
尽管Carranza及其团队不需要进行数据处理步骤所需技术技能（由供应商负责），但如果在内部进行这种类型的数据收集、处理和验证，这些技能将是有用的：
数据科学技能
地理信息系统（GIS）技能
人工智能/机器学习技能
利益相关者
数据处理阶段主要利益相关者是IBI集团, 因为他们开发并执行了数据处理任务。此外洛杉矶交通局进行二次验证以确保结果准确性 。
阶段四：数据可视化/分析
作为其标准服务的一部分，IBI集团向洛杉矶交通局提供了访问其Curb Viewer平台CurbIQ的权限。该平台由 IBI集团定制构建，但设计用于任何使用CurbIQ 服务的人员（即它并未定制给任何一个城市）。洛杉矶交通局利用CurbIQ平台来可视化衍生的路缘规定。由于IBI集团在试点计划协议中保留了数据所有权，因此 洛杉矶交通局无法构建自己的可视化平台，也无法将数据合并到现有的可视化/分析工具中。
时间
IBI集团在洛杉矶市项目之前开发了Curb Viewer平台，因此前期开发时间在这个案例中没有起到作用。将洛杉矶数据加载到平台中并创建包含仅洛杉矶数据的分段视图所需的时间很少。
技术
洛杉矶交通局为此项目使用的唯一数据可视化平台是由IBI集团定制构建的CurbIQ平台。
成本
Carranza不能分享该项目具体成本。尽管如此，在试点计划总成本中包括与访问CurbIQ平台相关联费用，作为与IBI集团的合作伙伴关系和使用他们服务的一部分。
考虑因素
在评估CurbIQ可视化平台的价值时，Carranza邀请了洛杉矶交通局的信息技术和地理信息系统团队，以便更深入地了解数据被接收和在平台上可视化的方式。让部门内其他部分进行互动，使城市能够提出问题并更好地理解技术和可视化工具，超越了作为土木工程师和交通工程师的Carranza个人所考虑到的范畴。就平台本身而言，它允许用户通过基于交互式地图界面按时间查看各种路缘规定、用途和停车限制标志。此外，CurbIQ平台还包含一个分析模块，可以让用户更好地了解调查过的路缘段之间路缘规定的分布情况，并对各种限制变更和停车价格方案进行建模。
技能
由于数据可视化平台已经由供应商构建并提供，在该领域里只需要Carranza及其团队有能力解释平台上的信息即可。这些包括：
数据素养
交通管理理解
利益相关者
这一步骤中主要利益相关者是IBI集团，他们构建了该平台。从技术角度评估可视化平台时也涉及洛杉矶交通局的信息技术和地理信息系统团队等利益相关者。由于交通局员工具备专业知识，在解释结果产生的CurbIQ图表方面是主要负责人。
阶段五：作出决策
洛杉矶交通局计划基于试点项目收集的数据（以及在更广泛的“路缘编码”计划期间将要收集的数据），计划开展三个主要分析项目。这些包括改善路缘资产管理、确定城市内零排放交付区域的最佳位置以及更好地执行路缘限制。为了完成最后一项任务，洛杉矶还需要通过执法条例，允许其执行新的路边规定，如零排放交付区域。尽管试点项目不允许针对整个城市采取这些行动，但它在支持目标社区中进行此类分析方面非常有用，并且激发了市议会成员对该计划的信心，并展示了向议会和部门设定战略目标和倡议所取得的实质性进展。
技术
虽然不是一个非常技术性的步骤，但本项目此阶段使用（并继续使用）CurbIQ平台作为基于分析的规划工具以及传达已做出决策详细信息之用；另外还有一个资产管理平台，可使人们更好地跟踪路边资产并促进围绕其修复和替换做出决策。
考虑因素
Carranza强调了从市长和市议会成员那里获得支持的重要性。这种支持在获得资金和推进项目方面有很大帮助，有助于加强路缘管理从试点到运营。在这方面上，试点项目的完成可以很好地展示技术及工具的效用，证明进展和能力，并为该项目的延续提供支持。
技能
由于数据分析的技术组件是预先构建的，并作为CurbIQ平台的一部分提供，因此Carranza和他的团队只需要交通工程和规划技能，以便知道哪些规划修改可能是合理的情景。此外，他们还需要解释分析结果的技能，根据输出提出建议，并将这些建议传达给合作者和决策者。
利益相关者
在这一步中，主要利益相关者包括IBI集团（构建数据平台的分析组件）、洛杉矶交通局（运行分析并根据其对结果进行解释提出建议）以及洛杉矶市议会/市长（有权根据Carranza和洛杉矶交通局的建议做出决策和变更）。
关键点
洛杉矶“路缘带编码”的案例展示了一个定制化（但不是单独定制的）人工智能解决方案的实施方式，该方案由一个市政府与一个私营科技公司共同生产。尽管洛杉矶交通局没有监督项目的完整实施过程，但是他们在与供应商关系配置方面仍保持高度协作，并对流程进行监督。洛杉矶案例还凸显了城市人工智能项目即使没有大型、连续感测数据收集系统也可以返回有用结果。“路缘带编码”项目的时间背景（例如路缘使用和标志在几个月或几年内变化一次）意味着数据采样的频率可能会更少。因此，洛杉矶交通局能够针对具体问题定义量身定制解决方案，仅专注于重点位置和离散数据收集方面的投入。这种特异性降低了成本和项目时间表，并仍然允许分析结果在解决问题方面产生有意义影响。缺乏安装和维护全市范围城市传感器资源的较小自治体可以从洛杉矶使用的某些试点技术中受益，以便仍然参与人工智能并设计更加量身定制实现方法。
Air quality monitoring in Vilnius, Lithuania
空气质量监测 维尔纽斯 立陶宛
立陶宛维尔纽斯市最近正在努力将数据驱动决策纳入其规划和运营。为了做到这一点，它强调使用关键绩效指标（KPIs）作为评估拟议项目和计划的主要方法。维尔纽斯的规划局Vilniaus Planas最近与一家基于平台的空气质量监测公司Breeze Technologies合作，在整个城市安装空气质量传感器。空气质量传感器和由此产生的数据支持与交通、城市生态系统规划和健康生活相关的规划工作。在这个项目中，人工智能用于数据处理和预测分析。在城市方面，该项目由Vilniaus Planas的创新领导Simas Sodys监督。
阶段一：问题识别
立陶宛维尔纽斯有三个主要的KPIs来改善城市服务：幸福指数、旅行时间指数和预期寿命。根据居民对该市委托调查的回应，空气质量和污染显然是市民关注的主要问题。这些问题反过来也影响了维尔纽斯在KPI方面的表现。因此，该市决定实施一项传感器系统的方案，以更好地理解和更快地应对空气质量问题，并希望改善其KPIs的表现。此外，这一举措符合维尔纽斯的更宏大的目标，即构建一个跨行业和部门的信息生态系统，将城市内的所有人连接起来。该项目旨在支持改善空气质量的更好规划，并向公民提供空气质量数据。
时间
就识别问题而言，进行居民调查和制定关键绩效指标花了几个月的时间。在制定问题的解决方案方面，由于Breeze Technologies提供了一个令人满意的空气质量监测解决方案，因此在界定范围的阶段耗时相对较短。由于解决方案是从供应商开始的，所以Sodys不需要经历找出潜在选项和研究各种供应商的过程。考虑到Breeze Technologies是一个独特的产品，维尔纽斯市能够通过直接招标而非竞争性业务流程获得合同。这一事实也大大加快了问题定义的步骤。
成本
Breeze technologies设计了一个合同包，可以满足Vilniaus Planas的需求，同时仍然具有成本效益。例如，Breeze提出了进行准确空气质量监测所需的最小数量传感器。
思考
在发现问题并确定解决方法时，了解您的公民及其需求非常重要。因此，定期进行居民调查，使维尔纽斯市真正了解市民在城市生活中最关心的方面。此外，通过关键绩效指标，Sodys发现有明确的基准指标是有帮助的，这使他和他的团队能够确定需要改进的操作和规划领域，并与公民的关注保持一致。拥有关键绩效指标还可以让他们跟踪项目实施的绩效。确保解决方案有助于改善预期的问题。
技能
在这个项目中，使用的主要问题识别技能是：
进行调查和定性分析的能力
了解利益相关者参与策略
具备审核合同提案的能力
利益相关者
在问题识别步骤中，市民回应了调查并表达了对在维尔纽斯生活的担忧，维尔纽斯市和Vilniaus Planas有义务回应市民的相关要求并改善城市的生活质量，Breeze Technologies向Sodys提供了市民正在经历的空气质量问题的解决方案。
阶段二：数据收集
尽管维尔纽斯市内存在一些陈旧的空气质量传感器，但在最近的一段时间里，大多数空气质量监测和响应工作都依赖于市民报告空气质量问题。因此，在市民报告问题和城市技术人员能够开展评估和回应问题之间存在暂时的脱节。通常情况下，事态的本质往往会在其间发生。为此，维尔纽斯与Breeze technologies公司合作，实现了一种实时收集空气质量指标的传感器系统。传感器收集本地温度、湿度、气候和污染物的数据。这些数据点提供了传感器周围环境的印象，可以表明空气中是否存在刺激物、过敏原或污染物。
时间
数据收集步骤有一些前期投资，包括初步规划和制定传感器的位置，以便它们产生最大的功效，以及在拟议的地点安装传感器。一旦安装后，它们就会近乎实时地持续进行数据采样的工作。与此同时，也需要定期进行临时维护，例如更换电池。
技术
Breeze设计了一套专属的传感器系统，并将其提供给Vilnius Planas进行数据收集。该系统包括室外空气质量监测传感器（采用薄型、廉价、轻质的材料制成），以及数据传输技术（以便将数据从传感器设备发送到Breeze数据平台）。这些传感器是灵活的，它们可以通过公共 WiFi（如果可用）或蜂窝数据计划（如果没有 WiFi 连接可用）运行。传感器还可以在LoRa网络上运行，该网络比传统网络携带的数据少，但能耗更低。
成本
数据收集步骤包括传感器的成本（维尔纽斯购买；相比之下，一些传感器供应商保留传感器设备的所有权，并以订阅的方式将它们租给参与的城市）、安装传感器的成本和Breeze平台的订阅。为了降低成本，Breeze 采用了根据地理规模为城市需求提供安装包的方法。
思考
传统的空气质量监测传感器非常昂贵，体积大如一辆汽车，这使得在一个城市内很难得到足够的覆盖（通常城市只有一个或最多几个这样的传感器）。此外，传统的空气质量监测站依靠人工过程来校准传感器和收集数据，这意味着可能需要几个月的时间才能准备好权威数据集。现代技术使传感器变得更小，部署成本也更低。Breeze传感器需要一个垂直的安装表面（如电线杆或路灯），一个电源（可以是一个标准的室外电源插座），以及一种传输收集数据的方法（如公共wifi, LORA网络，蜂窝数据计划）。蜂窝数据计划有助于最快的部署，因为传感器可以在安装后立即准备就绪，而不需要额外的配置或放置考虑。Breeze与维尔纽斯市合作，确定传感器的最佳数量以及最佳位置。
技能
在本项目中，以下技能用于空气质量监测数据收集：
传感器安装技能（由Breeze Technologies负责）
数据分析和城市知识，以确定传感器的最佳位置
利益相关者
该项目的主要利益相关者是维尔纽斯市和Vilniaus Planas，他们提供了制度化的知识和城市主题专业知识，以告知传感器的最佳位置，以及Breeze Technologies，除了安装传感器和管理数据收集管道外，他们还合作确定了传感器的位置。
阶段三：数据处理和QA/QC(AI集成）
背景
为了便于接近实时的空气质量监测，Breeze技术利用基于云的人工智能方法来校准和处理传感器收集的数据。在这种情况下，人工智能主要用于异常检测（确定和解释异常数据点）、传感器健康监测（允许城市在单元失效前主动更换），以及纳入传感器的固有特性（即传感器在各种条件下的行为模式；这使得算法可以在采样环境的上下文中更好地解释原始数据值）。
时间
数据处理算法和基础设施是由Breeze Technologies在与Vilniaus Planas合作之前构建的。因此，传统上与构建AI解决方案相关的前期开发时间并未计入该项目。当数据流进入Breeze技术平台时，处理本身几乎是实时的。
技术
项目这一步使用的主要技术包括人工智能算法（主要是离群点检测和聚类算法）、云基础设施（支持人工智能算法）和大数据存储系统。由于Breeze technologies构建并维护了所有这些技术，并通过其平台在软件即服务（SaaS）模式下运行，向客户提供处理后的数据产品，Vilniaus Planas根本不需要与技术进行交互。
花费
访问Breeze平台（处理和生产完成的数据产品）的成本包含在对Breeze平台的订阅中。
思考
在数据处理中使用人工智能，可以近乎实时地获得数据（通过AI支持的集成质量保证及控制检查），而替代的人工方法需要更长的时间和更及时的处理和质量保证。开发和改进算法可能需要大量时间，但使用预先构建的订阅服务可以让Vilnius Planas这样的用户利用这些模型，而无需在开发中投入时间、金钱或技能。此外，SaaS模型使数据处理更便宜、更可扩展，并更好地促进AI组件。然而，如果特定的用例不适合设计解决方案的模式，SaaS产品通常不允许定制。
技能
由于最终的处理过的数据产品被提交给Vilniaus Planas, Sodys和他的团队不需要任何人工智能或数据科学技能来执行处理。然而，Breeze Technologies团队在开发平台的算法和数据处理组件时使用了以下技能：
数据科学技能
AI模型构建和校准
传感器动力学的理解
利益相关者
数据处理步骤的唯一涉众是Breeze Technologies，因为他们在维尔纽斯项目之前完成了所有的开发工作，并且他们在后台进行所有的数据处理，没有客户的参与。
阶段四：数据可视化
一旦空气质量数据被传感器收集并通过人工智能技术处理，它们就会被输入到由Breeze Technologies构建的数据可视化平台中。该平台将所有来自传感器的数据集成到一个统一的地图/可视化系统中，该系统可以显示空气污染时空动态模式及观点，而这些原始数据本身并不能充分显示。此外，为了将空气质量数据与其他城市数据（如出行数据）叠加，维尔纽斯市希望将空气质量数据整合到自己的综合数据可视化应用程序中。
时间
这个数据可视化平台是由Breeze Technologies在与Vilniaus Planas合作之前建立的。因此，传统上与构建数据可视化和相关基础设施涉及的前期开发时间并未计入该项目。为了配置匹配维尔纽斯的可视化，需投入很短的时间，以及需要几个小时来培训Sodys和他的团队如何引导平台并解释/理解可视化。
成本
可视化成本已包含在Breeze SaaS平台的订阅中。由于市民数据透明度是Breeze公司的主要目标，因此如果政府同意将空气质量数据分享到Breeze的公共平台，他们将会降低平台的订阅费。
思考
集成数据可视化系统可以提高政府内部的透明度（允许打破部门壁垒，并为协作规划提供基础），以及政府和市民之间的透明度（允许市民更好地了解其城市动态）。此外，可视化的历史和空间数据可以提供更深层次的分析，并着重显示以前相似数据集中未见过的模式。使用预先构建的数据可视化平台可以大大简化数据可视化步骤，但如果可视化不可自定义，它也会限制挖掘数据的可能性。为了解决这个问题，数据可移植性支持不同来源的多个数据集之间更好地集成，并增强了政府在供应商平台之外利用自己的数据的能力。
技能
利用Breeze Technologies数据可视化平台除了简单的培训外，仅需要最少的技能。在构建可视化方面，Breeze团队使用了以下技能：
web开发技能
GIS技能
数字工程技能
数字科学技能
利益相关者
数据可视化步骤的主要利益相关者是开发数据可视化平台的Breeze Technologies，以及Vilniaus Planas/维尔纽斯市，他们是该平台的用户，并开发了自己的系统，将Breeze数据嵌入其内部数据可视化应用程序中。
阶段五：人工智能组件/预测能力
除了利用人工智能进行数据处理外，Breeze平台还与人工智能技术相结合，以多种方式支持更好地分析和规划工作。首先，人工智能算法被用来在传感器之间进行插值，以填补可能没有被传感器捕捉的数据空白，从而覆盖到维尔纽斯市更大的区域。这使得Vilniaus Planas对城市空气质量情况有了更完整的了解。其次，通过对各种清洁空气干预措施的参数进行建模，以及考虑到以前基于空气质量干预措施的表现，人工智能还被用于为清洁行动提供信息。这使得Breeze平台的分析组件能够识别各种补救场景的可能结果。此外，尽管这一设想尚未实施，Vilniaus Planas打算将Breeze数据与其MaaS平台集成，进而执行支持AI的交通网络和交通工程改造，最大限度地为整个城市提供高效和清洁的移动。
时间
与Vilniaus Planas合作前，Breeze制造了分析型人工智能部件。因此构建分析AI组件相关的前期开发时间没有计入这个项目。然而，为了培训Sodys及其团队如何在平台上导出并解释/理解分析组件的结果，需要花费几个小时的时间。
技术
使用的主要分析技术基于Breeze技术公司的平台，这是Sodys和他的团队在探索各种清洁空气干预和潜在结果时进行互动的平台。在开发该平台的分析组件时，Breeze的员工利用了如下技术：
实现人工智能算法的知识和能力（包括插值和预测算法）
了解数据集成技术（将空气质量数据引入分析平台）
成本
该成本包含在Breeze SaaS平台的订阅中。
思考
由于分析组件是预先构建的，因此对于行政辖区的主要考虑是围绕着培训展开的。Breeze为用户提供了关于如何使用该平台、如何运行分析以及如何理解和解释结果的指导说明。由于用户不一定能够看到预先构建的SaaS解决方案中算法所做的假设，因此了解分析是如何进行的，对于确保任何潜在风险得到识别和说明是很重要的。除了预构建的能力之外，随着不同行政辖区以各种方式与Breeze平台的分析组件进行交互，它们开始确定数据和分析组件可能满足的其他需求。通过额外的开发工作，Breeze团队能够扩展传感器和算法用于其他目的，如野火探测和花粉监测。
技能
除了相当基础的培训外，用户也不需要技术知识来运行和解释人工智能模型的结果。然而，在分析组件构建的过程中，Breeze Technologies团队使用了以下技能：
人工智能/机器学习技能
数字科学技能
环境工程/规划相关专业知识
利益相关者
数据可视化的主要利益相关者是Breeze Technologies，它开发了平台内的分析能力。还有Vilniaus Planas/维尔纽斯市，他们是平台的用户。此外，其他行政辖区亦建议加强这方面的工作，使得维尔纽斯市从中受益，因为这些辖区在制定分析报告时，发现了之前开发分析之外的其他需求。
阶段六：决策
背景
维尔纽斯市主要打算利用空气质量传感器数据，以及从类似工作中收集的数据，以促进城市内各部门之间以及城市与其市民之间建立更具合作性的关系。更广泛的目标是支持创建一个“智能城市大脑”，使城市能够更好地确定其工作的优先次序，根据沟通的需求对其市民的生活质量产生最大的影响。
时间
这种以人为本的治理依赖于持续的、不间断的反馈和改进过程。在此过程中，根据市民的需要不断评估实施情况，并作出相应调整。
思考
拥有明确定义的绩效指标是确保所实施的干预措施产生最大影响的关键。与市民的对话和调查对于理解市民的优先事项和需求至关重要。提供数据便利的部门间协作有助于确定最佳解决方案。人工智能非常有助于解锁以前从未见过的见解。虽然Sodys或Breeze 没有明确提到，但强大的数据共享和透明度框架也与这类工作高度相关，维尔纽斯和Breeze 致力于公开数据就证明了这一点。
技能
本项目中使用以数据为媒介的以人为本治理，主要涉及以下技能：
定性分析技能（即设计及调查的能力，以及分析结果）
利益相关者参与技术
公民参与技术
战略规划能力
城市相关专业知识
利益相关者
这一过程的主要利益相关者是Vilniaus Planas/维尔纽斯市民，他们都参与以数据为媒介的合作，以确定改善居民生活方式的方案，并持续推进。
关键要点
维尔纽斯的空气质量监测案例演示了一个“开箱即用”的人工智能项目的实施。在本案例中，该过程的大部分内容都属于外包服务供应商的职责，包括传感器安装、数据存储、数据处理、数据可视化和人工智能集成。采用开箱即用的方法允许各种规模、预算和技术成熟度的城市参与城市人工智能。由于服务供应商包揽了绝大多数的步骤环节，因此政府只需要管理和监督该项目。然而，正如维尔纽斯的案例研究所强调的那样，使用开箱即用的解决方案并不一定意味着放弃管理和监督。政府仍然可以（也应该）采取协作的方式，将解决方案融合到其具体情况和市民的需要中，特别是如果他们了解每个步骤发生了什么。此外，正如Sodys和他的同事们所做的那样，政府可以将数据和模型结果整合到现有的数据可视化和决策平台中，以确保分析观点与城市及城市内其他部门的目标和活动相一致。
结论
通过介绍目前城市人工智能“最新技术”的文献综述，我们构想了一副用于解释城市人工智能实施关键组成部分的图解。为此，本文着重呈现了三项案例研究，以详细阐述在不同城市背景下开展城市人工智能项目的具体考虑因素。因此，本指南综合了学者、初创企业和市政府在城市人工智能领域的研究和实践见解。
正如文献综述所示，人工智能已成为城市环境中越来越普遍的应用方法。随着可持续性和人口增长问题日益紧迫，加上传感器系统和云计算/大数据解决方案广泛推广带来的技术功能增强，城市及其从业者开始以新颖且创新的方式应对挑战。与此同时，公民和公职人员仍然对人工智能技术的外部性影响以及与大规模个人数据收集相关隐私和安全问题感到不安。学术界在数据管理和算法增强决策制定方面提出了伦理化和以人为本的方法，并且取得了巨大的进展。然而，以前并没有任何实用指南以详细且易于理解的方式阐述在城市环境中实施人工智能所涉及的组成部分和程序注意事项。
通过对城市人工智能的剖析，我们将概念分解为若干组成部分：城市基础设施、传感器和数据收集基础设施、网络基础设施、数据存储基础设施、数据处理、数据可视化、人工智能/机器学习和决策制定/适应。每个部分都强调了在城市环境中完成一个完整的人工智能项目所需的物理和技术组件以及社会、治理和实用建议，以更好地促进每个步骤中的决策制定。专家的观点和见解丰富了这些剖析内容，并特别强调了每个步骤如何根据特定的城市背景进行调整的变化。作为最后一步，“结果”被有意省略在城市人工智能结构图中，因为该系统包含反馈循环，城市决策制定会影响城市和社会基础设施，从而影响所产生的数据等等。因此，城市人工智能并不会停留于某个简单明确的解决方案，而是会随着城市的发展不断演变。
这些案例研究展示了指南中详细说明的组件的实际应用，突出了有助于或阻碍人工智能项目的财务、时间、技术和政治必要性。我们特意挑选了三个位于不同国家的案例研究，关注不同规模城市、涉及不同行业，处于不同的实施和项目成熟阶段，以强调人工智能的模块化和可移植性，以及获得支持的不同途径。任何城市，无论其人口、预算和基础设施状况如何，只要它确定需要得到一种解决方案，都可以找到适合其范围内实施人工智能的方法。此外，案例研究表明即使人工智能通常在项目实施中占据其独立的步骤（如城市人工智能剖析中的模型），但它也可以轻松地渗透到其他步骤中。这样一来，例如数据收集或数据处理等任务就可以实现自动化，从而降低团队对员工数量的需求，使解决方案更具成本效益。然而，市政府仍须对流程的每一步进行监督，以确保负责任的实施。
为了评估人工智能解决方案并在城市环境中成功实施人工智能项目，城市和其他城市利益相关者应该了解组成技术及其影响。通过本指南提供的基础知识，技术人员和决策者可以更有意义地与公民和供应商合作，共同生产和制定人工智能解决方案。这样做可以建立信任并确保系统组件符合项目目标，进而符合公众需求。通过全面了解城市人工智能系统，无论这些步骤是由内部或外部供应商执行，决策者和技术人员都可以更好地提高数据收集、数据处理和决策工作的透明度、可交流性和可见性。最后，理解这些技术可以让决策者和专业人员运行一个坚实的框架来评估和适应其人工智能解决方案。由于城市和技术的不断发展，在理解城市人工智能方面需要持续不断地学习改进而非一个离散目标。
转自公众号“一览众山小-可持续城市与交通”