城市计算：用大数据驱动智能城市@Tsinghua

郑宇博士

俞院长

郑宇博士分享：

1.城市数据的感知

感知方法：人为感知---主动方法，传感器感知（固定感知—位置固定，移动感知）

遇到挑战：

拿到的数据是sample,采样数据和整体数据的差异；→

有限的传感器，拿到有限的数据；

数据缺失missing；

应用：eg，抢救

优化平均抢救时间，min化时间

车辆的合理调度。

管理：

时空数据，点数据和网络结构数据。

空间不变，时间不停变换的数据；多时空变换的数据（摩拜）；轨迹数据

易购，多元，多模（文本，视频，语音）

时空数据特点：在不停变换且不能交叉；空间范围+时间范围；真正做云计算的时候，需要用很多种数据融合，混合式处理，有机关联；

数据结构不一样：

查询方式不一样：history：keywords，空间范围，时间范围，不能直接支持前两者。

数据融合之前，需要做好数据索引。

2.管理、计算

分布式计算环境结合—极大降低交互时间

3.数据分析和挖掘

多个数据融合一起，进行挖掘

以往的问题：

1，地理，图形，等等数据，时空数据对数据特性的要求不同。

2，多元数据的融合。

3，data minng，database的方法

4，简单静态挖掘→交互可视分析

多元数据融合的方法：

传统特征串联+

基于语义融合的方法

基于相似度的方法

eg,人们出行规律，反映出地段价值

排序不要出错，冗余特征权重小

迁移学习的问题

4.应用

做综合商业体价值评估，商铺选址，房子价值评估

location location location

房屋的价值：三个地段均可以量化。Location, (家里到最近的一个高速入口的路网距离时间)。

综合商业体的价值分析：上海世贸商业中心+海底捞

优化了人气：大众点评的数量，相对的反映了人气的兴旺与否。

5.深度学习DEEP LEARNING

深度学习方法：深度学习算法：

网格化，转化成图形化，再进化成热力图，加入影响因素，得出模型。

时空数据，与语音、图像的不同。

时空数据，有时间属性（时间距离，有层次）平滑性周期性趋势性

与普通的文本语义有很大不同

把数据分成网格，不同轨迹数据归属到同一个网格，转化成一个矩阵

很多数据，构成数据流stream

如何用：相邻数据，放入深入卷积网络，模拟平滑性，模拟周期性，模拟趋势性，三个数据作一个融合，分别有不同的权重系数，再与外部因素相融合，整体预测下一个状况。是整体预测。

空间是通过深度卷积网络抓住，经过多次卷积，空间相关性；

时空残差网络模型→当卷积神经网络很深的时候，不准的时候，这个就更准确。深度时空残差网络，在人流预测上有很大作用。和滴滴，摩拜调度等。人工智能在物流行业。

环境方面：

数据是非线性的，实时细度分析

同一点，有时间相关性，不同点有空间相关性

污染物，有物理过程和化学过程

空气质量，和雾霾不同，雾霾是天气原因，空气质量是多种原因决定的。

交通流量图，单位时间经过一个路段的数量

数据科学家：懂得行业问题，吸取其他人的经验，清楚他们失败的原因；懂得数据背后的insight;对各种模型清晰，可以组合；对云平台了解。站在云平台的角度上看数据，想问题，关联模型，解决行业问题→大数据。

数据分析师：有数据，只是分析。

互动环节：

1.针对环节问题，不同城市之间数据应用不能转移，但是有两个可以转移：数据和数据之间的关系可以转移；

2.如何找key features?各个feature的权重?

数据比特征重要，特征比模型重要。

对行业的了解，对数据的敏感性。

3.数据比较少，缺失？

从小做起，替代数据，借数据，滚雪球。

5.时空索取的方法，搜索空间大大降低，spark+分布式计算，并行。时空数据库的proming.

6.数据挖掘接着会在哪些行业得到应用？

7.如何培养算法思维？

如何确认研究方向？

来源于生活，来源于观察。避免思路和别人重复。