韩国一区二区视频,黄色不卡一区,久久天堂av综合合色,中文字幕日韩专区

近年來，全國乃至全世界都掀起了智慧城市建設熱潮。有數據顯示，全球智慧城市相關產業市場規模預計從2017年的4246.8億美元增至2022年的12016.9億美元，年復合增長率達23.1%。近日在烏鎮舉行的2017世界互聯網大會上，亦有眾多企業發布自己的智慧城市云解決方案。

全球掀起智慧城市建設熱潮 時空大數據加速落地

智慧城市要解決的是日益凸顯的交通擁堵、環境惡化、能耗增加等城市問題。“在人工智能時代，城市計算是解決城市問題的必然選擇，也很可能是最好的路徑。”微軟亞洲研究院首席研究員鄭宇在12月2日于北京舉辦的2017人工智能前沿應用與人才發展論壇上說。

據介紹，城市計算包括城市數據的感知和獲取、數據的管理、數據的分析和挖掘以及數據的服務和提供。“這四個層面連成一個環路，不斷地、自動地在不干擾人生活的情況下，用大數據解決城市的大挑戰。”鄭宇說。

城市計算，預測未來

城市計算是一個交叉學科，是計算機科學以城市為背景，跟城市規劃、交通、能源、環境、社會學和經濟等學科融合的新興領域。更具體地說，城市計算是一個通過不斷獲取、整合和分析城市中多種異構大數據來解決城市所面臨的挑戰的過程。按鄭宇所述：“城市計算能幫助我們理解各種城市現象的本質，甚至預測城市的未來。”

任何計算都要以數據為基礎，但在數據的感知和獲取環節則面臨多重挑戰。“我們拿到的數據往往只是一個采樣，某些屬性在這個采樣上的分布跟它在整體數據上的分布有很大差異。”鄭宇表示，數據是否具有代表性是需要考慮的第一個問題。其次，數據的有限性、易缺失、使用的準確性等，都是城市計算在感知層面的挑戰。

“城市發展是從數字化到信息化再到智慧化遞進的過程，數據是智慧的基礎。”山東大學計算機與軟件學院院長陳寶權指出，從眾多候選集中選出所需要的數據很重要，可以解決很多實際問題，比如在城市區域內確定設立充電樁的位置，規劃空氣質量檢測站點的設置等等。

為了進一步說明數據感知與獲取對城市公共設施配置的重要性，鄭宇展示了天津市的救護車站布局圖，“以前選救護車站點基本就是根據人口數量或者道路房屋密度決定。但是人的急救需求的影響因素很復雜，我們可以根據真實的120求救信號數據和救護車搶救病人的GPS軌跡等數據對站點進行重新布局，以優化平均搶救時間。”鄭宇說。

另外，救護車輛如何在各個站點之間動態調度，使得系統運力最大化是第二步需要解決的問題。“就是要找到一個使得很多人到此的匯聚時間最優化的點。”鄭宇建議，所有以速度優先級最高的應用都可以考慮這個選址模型。

城市大數據平臺發揮效力

未來的智慧城市應該什么樣？陳寶權認為，智慧城市有兩個層面的含義：一是宏觀層面，城市總體資源的分配是智慧的，特別是基礎設施能合理滿足市民需求，比如交通設計能完全按照人流的需求來考慮；二是微觀層面，智慧城市下人人都能享受到更加便利、高效、安全和環保的服務，生活舒適度不斷提高。

要達到以上目標，數據的管理不可或缺。城市中所有數據根據結構可分為兩種：點數據與網絡結構數據。一旦建成后任何屬性都不會變動的是空間和時間都靜態的點數據；位置不變，但是每個小時的讀數不斷變化的是空間不變但是時間屬性在不停變化的結構數據。

“在摩拜單車使用中，不同時間有不同的人在不同地方發出請求，這就是一個時空多變的數據；網絡結構中，路網就是一個靜態的網絡結構，把路網疊加了交通流量信息以后就變成空間不變、時間變化的數據。”鄭宇說，最復雜的是軌跡數據，時間和空間都在變，并且點和點之間有連續的關系。

“定義好這些數據結構模型以后，我們就可以針對特定的模型設計特定的算法，提高系統的利用率。”鄭宇說，“我們是給整個城市提供服務，對整個城域作推斷、預測，運算量非常大，而且要求實時。因此，數據和應用之間就需要一個平臺來連接。”

“很遺憾現在任何一家公司的云計算平臺都不能很好地支持我們的時空大數據。”鄭宇坦言，“城市大數據平臺并不是云計算平臺，后者并不能很好地支持上述運算。”

而鄭宇主導的在貴陽落地的第一個城市大數據平臺，把分布式計算環境跟索引方法結合在一起，可以使算法完成時間從幾個小時變成幾秒鐘，“這就是平臺強大的力量。”鄭宇說。

把握時空數據

“城市計算處理的是時空數據，它跟視頻、圖像、語音是不同的。這也導致傳統的深度學習模型不能直接拿來用。”鄭宇解釋說，時空數據有空間屬性和時間屬性，時間屬性又包括時間的平滑性、周期性和趨勢性。

據介紹，數據的應用是首先把相鄰幾個小時的數據放到一個深度卷積神經網絡里面，來模擬相鄰時間的時序的平滑性。然后把幾天內同一時刻對應的數據輸入到相同結構的深度卷積神經網絡，來模擬周期性。再輸入更大時間范圍內同一時間點對應的數據，來模擬趨勢性。因為三個因素的輸出結果并不是在每個地方都一樣，因此三個數據要先做融合，并引入權重系數。

其次需要考慮外部的因素，比如氣象事件，把所有數據融合以后，再去反饋學習下一幀的數據，進而預測下一幀這個時刻的狀況。鄭宇解釋說，卷積網絡通過一次卷積可以把一個區域的值卷積到一個點上面，描述近距離的空間的局部相關性。經過多次卷積以后可以把越來越遠的地方卷積到一起，描述距離較遠的空間的相關性，當深度卷積網絡比較深的時候它的訓練效果就會變差。

為了解決這一問題，微軟研究院引入深度殘差神經網絡，整個架構稱為時空殘差網絡。“這個比較新的模型相對于以前LSTM的模型，不需要進行連續的數據輸入，只需要抽取關鍵幀。”鄭宇介紹說，這樣的結構大大優化了網絡結構，只需要用幾十幀就能達到原先模型里幾百幀、幾千幀的效果，甚至更好。他表示，這種深度時空殘差網絡，在人口流動的預測上將會有很大的應用前景。

“隨著人工智能能夠完成的復雜任務越來越多，人們會越來越感受到其存在，享受更多的福利。”陳寶權說。