Машинное обучение для общественного здоровья: оптимизация гигиенических мероприятий и мониторинг загрязнений в умных городах

Обложка

Цитировать

Полный текст

Аннотация

Введение. Общественное здоровье на территории городов имеет особенное значение, особенно в контексте умных городов, где технология играет жизненно важную роль. Интегрирование модернизированной инфраструктуры и систем обработки данных в умных городах обладает потенциалом для заметного улучшения общественного здоровья. Такое улучшение зависит от оптимизации многих факторов, особенно в базах данных гигиенических стандартов и мониторинга загрязнений. Способность придерживаться строгого соблюдения гигиенических процедур и тщательного мониторинга загрязняющих агентов необходима для устранения экологических рисков для здоровья в городах с высокой плотностью населения. Поскольку территории крупных городов становятся всё более комплексными, существует нарастающая необходимость в приоритете оптимизации этих процессов.

Материалы и методы. Для решения проблем, связанных с оптимизацией общественного здоровья в умных городах, в этом исследовании предлагается Оптимизированное общественное здоровье, использующее машинное обучение (ООЗМО). ООЗМО реализует модернизированные методы машинного обучения для усовершенствования гигиенических протоколов и контроля загрязнений на территориях умных городов. Предложенный подход включает оценку в реальном времени, повышение эффективности сбора данных, влияние интеллектуальных интервенций и увеличение пропускной способности. Методология нацелена на процессы оптимизации и преодоление ограничений применяемых подходов для получения более точных и быстрых результатов.

Результаты. Данные моделирования подтверждают превосходство применения ООЗМО в сравнении с другими методами. Точность средней оценки, достигаемая с ООЗМО, составляет 86,76%, демонстрируя её эффективность в получении точных результатов. Задержка валидации в реальном времени довольно низкая при 12,99 мс, что указывает на отзывчивость системы. При эффективности сбора данных с трафиком 22,96 Гб/ч OОЗМО демонстрирует способность к довольно эффективному сбору релевантных данных. Влияние умных интервенций в 33,2% подчёркивает эффективность системы во внедрении интеллектуальных интервенций. Кроме того, пропускная способность 314,67 кбс указывает на высокую производительность ООЗМО.

Ограничения. В то время как ООЗМО показывает обнадёживающие результаты, необходимо принять к сведению определённые ограничения в этом исследовании. Основанная на моделировании оценка этих данных не может в полной мере учесть все проблемы в окружающем мире. Кроме того, обобщение результатов для диверсификации городских проблем требует дальнейших исследований. Такие ограничения, как проблемы персональных данных и потенциальные технологические барьеры, также следует рассматривать при внедрении ООЗМО в практических ситуациях.

Заключение. В заключение Оптимизированное Общественное Здоровье с помощью Машинного обучения (ООЗМО) представляется как мощный инструмент трансформирования процессов общественного здоровья в умных городах. Исследование освещает возможности ООЗМО для значительного усовершенствования гигиенических протоколов и контроля загрязнений, обеспечивая более здоровую и экологически стабильную среду на городских территориях. Принимая во внимание определённые ограничения данного исследования, следует признать, что окончательные результаты подчёркивают потенциал ООЗМО в революционном преобразовании практик общественного здоровья и вкладе в благополучие городского населения в эпоху умных городов.

Соблюдение этических стандартов. Исследование не требует заключения комитета биомедицинкой этики или других документов.

Конфликт интересов. Автор декларирует отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Финансирование. Исследование не имело финансовой поддержки.

Поступила: 15.12.2023 / Поступила после переработки: 02.02.2024 / Принята к печати: 11.03. 2024 / Опубликована: 10.04.2024

Об авторах

Рамантан Удаякумар

Университет Калинги

Автор, ответственный за переписку.
Email: rsukumar2007@gmail.com
ORCID iD: 0000-0002-1395-583X

Декан факультета компьютерных наук и информационных технологий, университет Калинги, 492101, Найя Райпур, Чхаттисгарх, Индия

e-mail: rsukumar2007@gmail.com

Россия

Список литературы

  1. Karim S.A., Chen H.F. Deaths from COVID‐19 in rural, micropolitan, and metropolitan areas: a county‐level comparison. J. Rural Health. 2021; 37(1): 124–32. https://doi.org/10.1111/jrh.12533
  2. Zhao Z., Pan Y., Zhu J., Wu J., Zhu R. The impact of urbanization on delivering public service-related SDGs in China. Sustain. Cities Soc. 2022; 80: 103776. https://doi.org/10.1016/j.scs.2022.103776
  3. Rony M.K.K., Sharmi P.D., Alamgir H.M. Addressing antimicrobial resistance in low and middle-income countries: overcoming challenges and implementing effective strategies. Environ. Sci. Pollut. Res. Int. 2023; 30(45): 101896–902. https://doi.org/10.1007/s11356-023-29434-4
  4. Kim H., Choi H., Kang H., An J., Yeom S., Hong T. A systematic review of the smart energy conservation system: From smart homes to sustainable smart cities. Renew. Sust. Energ. Rev. 2021; 140: 110755. https://doi.org/10.1016/j.rser.2021.110755
  5. Deng T., Zhang K., Shen Z.J.M. A systematic review of a digital twin city: A new pattern of urban governance toward smart cities. J. Manag. Sci. Eng. 2021; 6(2): 125–34. https://doi.org/10.1016/j.jmse.2021.03.003
  6. Liu L., Guo X., Lee C. Promoting smart cities into the 5G era with multi-field Internet of Things (IoT) applications powered with advanced mechanical energy harvesters. Nano Energy. 2021; 88: 106304. https://doi.org/10.1016/j.nanoen.2021.106304
  7. Herath H.M.K.K.M.B., Mittal M. Adoption of artificial intelligence in smart cities: A comprehensive review. Int. J. Inf. Manag. Data Insights. 2022; 2(1): 100076. https://doi.org/10.1016/j.jjimei.2022.100076
  8. Awan F.M., Minerva R., Crespi N. Using noise pollution data for traffic prediction in smart cities: experiments based on LSTM recurrent neural networks. IEEE Sens. J. 2021; 21(18): 20722–9. https://doi.org/10.1109/JSEN.2021.3100324
  9. Thakur J.S., Paika R. Smart health and wellness promoting villages: a case study from India. In: Lakshmanan V.I., Chockalingam A., Murty V.K., Kalyanasundaram S., eds. Smart Villages. Cham: Springer; 2022: 321–9. https://doi.org/10.1007/978-3-030-68458-7_24
  10. Sinha M., Chacko E., Makhija P., Pramanik S. Energy-Efficient smart cities with green Internet of things. In: Chakraborty C., ed. Green Technological Innovation for Sustainable Smart Societies. Cham: Springer; 2021: 345–61. https://doi.org/10.1007/978-3-030-73295-0_16
  11. Blasi S., Ganzaroli A., De Noni I. Smartening sustainable development in cities: Strengthening the theoretical linkage between smart cities and SDGs. Sustain. Cities Soc. 2022; 80: 103793. https://doi.org/10.1016/j.scs.2022.103793
  12. Fadda M., Anedda M., Girau R., Pau G., Giusto D.D. A social Internet of Things smart city solution for traffic and pollution monitoring in Cagliari. IEEE Internet Things J. 2022; 10(3): 2373–90. https://doi.org/10.1109/JIOT.2022.3211093
  13. Geropanta V., Karagianni A., Mavroudi S., Parthenios P. Exploring the relationship between the smart-sustainable city, well-being, and urban planning: An analysis of current European approaches. In: Visvizi A., Pérez del Hoyo R., eds. Smart Cities and the UN SDGs. Elsevier; 2021: 143–61. https://doi.org/10.1016/B978-0-323-85151-0.00010-5
  14. García L., Garcia-Sanchez A.J., Asorey-Cacheda R., Garcia-Haro J., Zúñiga-Cañón C.L. Smart air quality monitoring IoT-based infrastructure for industrial environments. Sensors (Basel). 2022; 22(23): 9221. https://doi.org/10.3390/s22239221
  15. Ullah F., Qayyum S., Thaheem M.J., Al-Turjman F., Sepasgozar S.M.E. Risk management in sustainable smart cities governance: A TOE framework. Technol. Forecast. Soc. Change. 2021; 167: 120743. https://doi.org/10.1016/j.techfore.2021.120743
  16. Liu L., Zhang Y. Smart environment design planning for smart city based on deep learning. Sustain. Energy Technol. Assess. 2021; 47: 101425. https://doi.org/10.1016/j.seta.2021.101425

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Удаякумар Р., 2024


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 37884 от 02.10.2009.