城市大数据智能

随着大数据、人工智能技术和城市化的快速发展，智慧城市管理已经迈入大数据时代。围绕城市管理相关领域积累了海量数据，如何有效地从这些大数据中进行深度挖掘、智能学习并获取有用知识已成为当前智慧城市发展亟待解决的关键问题。本书针对城市大数据发展现状，梳理总结了我国城市大数据智能创新应用方面成果，涵盖了大数据处理的关键技术和城市计算研究的核心模型与算法，涉及城市大数据感知及增强、空气质量预测、交通流预测、人流量预测、出租车路径推荐、租房推荐、救护车部署、外卖配送优化和地铁停站时间调度等应用领域，力图展现我国城市大数据分析与智能处理的新研究进展。

适读人群 ：相关专业高年级本科生或研究生，也可作为相关从业者的技术用书
本着务实具体、详略得当、启发创新的指导思想，主要特色如下：

?着眼于城市大数据智能化场景，从数据感知和数据增强等角度，提出了基于移动群体的感知技术、时空数据替补技术等，专注解决城市大数据智能应用所面临的数据质量挑战。

?面向多个城市智能应用场景，如空气质量、交通流预测等，提出多种深度预测的模型与算法，促进城市大数据智能自动发现有价值的规律和知识，使数据与知识联合驱动智慧城市进行高效的、智能的管理决策成为可能。

?基于城市时空大数据中存在的时空关联、动态突变和不确定性等特点，利用深度学习和强化学习等技术，为应对多模态时空融合和时空动态演化等问题与挑战，提供多种有效方案，为智慧城市的发展和大数据智能应用的成功提供了有力支持。

前言随着物联网与传感技术的飞速发展，时空大数据呈爆炸式增长。如何基于时空大数据提取城市决策知识，是大数据智能技术在智慧城市应用中的核心研究方向。如何对时空大数据进行准确感知、高效处理，从而进行智能预测、推荐、调度是当前我国城市智能化发展的重大需求，也是由传统城市管理转向智慧城市管理的核心技术所在。目前，我国不仅是开展智慧城市建设较早的国家，也是全球范围内智慧城市技术体系较完善的国家，围绕智慧城市的数据感知、深度学习、智能决策等领域的关键技术研究及应用发展迅速。但是传统的数据分析处理方法面对城市时空大数据的多源异构性、时空依赖性和数据不确定性等问题还存在诸多技术瓶颈，城市计算基础模型和算法研究亟待突破。受益于人工智能和大数据技术的迅猛发展，基于时空大数据的深度学习建模城市动态演化趋势，使自动抽取发现有价值的规律知识并引入智慧城市管理决策成为可能。
城市大数据智能技术涵盖计算机、人工智能、交通运输、环境科学等多学科交叉领域，当前一些介绍智慧城市及大数据的图书大多将城市智能应用场景与大数据智能技术分离进行介绍，缺乏二者结合的着力点。本书针对这一问题，分析城市时空大数据特有的时空关联、动态突变、不确定性等特点，关注城市数据质量不高和城市预测模型鲁棒性不足、城市资源分配效率欠缺、时空动态演化学习困难等问题，以深度学习、强化学习和多视图计算等为核心技术手段，以时空数据填补、时空序列预测、城市资源分配调度为研究对象，研究面向智慧城市大数据的多视图缺失值填补方法、城市时空数据的知识提取与预测模型，以及城市资源快速响应与分配调度关键技术，并进行核心模型算法的实验优化及应用验证。
本书共11章。第1章概述了城市大数据智能的发展历程，给出了城市大数据智能分析计算的总体框架与数据流程，梳理了城市大数据智能技术发展现状和典型应用场景。第2、3章主要介绍了城市大数据感知和增强技术。第4~6章介绍了城市时空流量智能预测技术。第7、8章介绍了面向市民出行和居住的智能推荐技术。第9~11章介绍了城市资源智能调度技术。本书所涵盖的内容从城市大数据感知与增强到基于城市大数据的智能预测、推荐和调度，力图全面展现城市大数据智能关键技术和模型算法的典型研究与应用。
本书在编写的过程中受到国家重点研发计划课题“城市知识库构建及语义协同挖掘”（2019YFB2101802）和国家自然科学基金项目“面向城市大数据的深度学习模型与方法研究”（61773324）的大力支持，在此一并表示衷心感谢！
由于编者能力有限，加之所收集和组织的材料还不够全面，本书未能全面涵盖我国城市大数据智能技术的最新进展。另外，书中还有其他疏漏和不足之处也在所难免，敬请同行专家和广大读者多多批评指正。

李天瑞

目录前言
第1章城市大数据智能概述1
11城市大数据智能研究
背景1
12城市大数据智能研究
现状3
13本书的组织结构7
第2章城市移动群智感知8
21引言8
22相关工作10
23预备知识和问题
定义12
24移动群智感知方法14
241模型框架14
242数据覆盖率15
243数据收集任务
设计19
25实验方案与结果分析24
251实验方案24
252结果分析26
26本章小结30
第3章城市时空数据填补32
31引言32
32相关工作34
33预备知识和问题定义35
34基于多视图学习的数据
缺失填补方法36
341模型框架36
342全局空间视图37
343全局时间视图38
344局部空间视图39
345局部时间视图40
346时空多视图
学习40
35实验方案与结果分析41
351实验方案41
352结果分析44
36本章小结47
第4章城市空气质量预测48
41引言48
42相关工作49
43预备知识和问题定义51
44基于深度学习的空气
质量预测方法52
441模型框架52
442空间转换模块53
443DeepAir算法56
45实验方案与结果分析59
451实验方案59
452结果分析62
46本章小结66
第5章城市交通流预测67
51引言67
52相关工作69
53预备知识和问题定义71
54基于多模态深度学习的
交通流预测方法73
541模型框架73
542核心模块说明75
55实验方案与结果分析78
551实验方案78
552结果分析81
56本章小结88
第6章城市人流量预测89
61引言89
62相关工作91
63预备知识和问题定义93
64基于深度时空残差网络的
城市人流量预测方法94
641模型框架94
642时空特征提取
模块95
643外部因素模块97
644模型融合模块97
645算法框架与优化
方法100
646模型变体构建
方法101
65实验方案与结果分析103
651实验方案103
652结果分析108
66城市人流量预测
系统116
67本章小结119
第7章城市出租车路径推荐120
71引言120
72相关工作122
73预备知识和问题
定义123
74基于深度强化学习的
动态出租车路径推荐
方法124
741模型框架124
742时空特征
抽取126
743深度策略
网络129
744深度强化
学习131
75实验方案与结果
分析134
751实验方案134
752结果分析137
76本章小结140
第8章城市租房推荐141
81引言141
82相关工作143
83预备知识和问题
定义144
84基于元学习的城市租房
推荐方法146
841模型框架146
842特征抽取
模块148
843满意程度评估
模型150
85实验方案与结果
分析153
851实验方案153
852结果分析155
86城市租房推荐系统160
87本章小结161
第9章城市救护车部署162
91引言162
92相关工作164
93预备知识和问题定义166
94基于数据驱动的动态
救护车重新部署方法168
941模型框架168
942紧急度指标169
943最优匹配
算法174
95实验方案与结果分析176
951实验方案176
952结果分析179
96本章小结188
第10章城市外卖配送优化189
101引言189
102相关工作191
103预备知识和问题定义192
104基于贪心与替换策略的
外卖配送任务分组
方法194
1041模型框架194
1042预处理195
1043可共享性196
1044空驶时间199
1045分组算法200
105实验方案与结果
分析203
1051实验方案203
1052结果分析206
106本章小结208
第11章地铁停站时间调度209
111引言209
112相关工作212
113预备知识和问题
定义213
114基于深度Q网络的动态
列车停站时间调度
方法214
1141模型框架214
1142深度Q网络设计
方法217
115实验方案与结果
分析223
1151实验方案223
1152结果分析226
116本章小结231
参考文献232