CCF期刊阅读18.1--城市计算和智能

导语

城市计算是用大数据和人工智能来实实在在的解决城市面临的各种具体问题。在人工智能呼声越来越高的同事，应该是如何选择发展道路。
强人工智能vs弱人工智能
强人工智能是基于逻辑和推导的，但发展缓慢，没有形成理论体系；弱人工智能是基于计算的智能，是伴随着摩尔定律的发展，计算，存储等发展起来的。如何将算法和场景更好地结合，商业化，还有很多要做。

城市计算和智能

城市化导致的人口大量聚集，带来了交通，环境，能源等诸多问题。并且各个方面牵扯深广，环环相扣。而随着感知技术和计算环境的成熟，城市里的大数据逐渐成为了变革的源泉。本期从4个方面，城市感知，城市数据管理，城市数据分析，城市服务提供阐述智能城市的整体流程。

城市计算：用大数据和AI驱动智能城市

感知模式：基于人和基于传感器的。基于人的又分为主动和被动。
感知挑战，感知到的数据存在偏斜采样，感知器有限造成数据稀疏，往往需要根据局部特征数据推断全局分布。链路上数据丢失。
城市数据管理：数据规模大，种类多，变化快，对云平台带来一定挑战。比如，车的轨迹是timeseries的三维数据，存储以及解析方式都与传统数据不同。另外，三维空间的查询往往不是kv查询，而是近似查询，找周围的点，计算最近距离等。
城市数据分析：
如何针对时空数据设计机器学习算法，与图像，文字的学习有什么区别？另外，因为很多机器学习专家不掌握行业知识，所以，交互可视分析可以让行业专家更好的参与到这个过程中。
服务提供：
理清现状，预测未来，洞察历史。三个挑战，融合行业知识和数据科学；传统行业如银行，政府的系统对接；培养数据科学家。

毫米极的wifi无接触感知：从模式到模型

北大，华为，菲涅尔区
人的活动对接收信号的强度产生影响，从而根据接收到的信号推导出用户的活动行为。建立这种映射的方法，早期是用的基于模式，建立在经验观察和统计学习的基础上，但粒度较粗，缺乏对背后原理的理解。于是产生了基于模型的方法。其中又以基于菲涅尔区的感知模型更加通用，精确。
基于菲涅尔区模型的感知理论：
菲涅尔区是指以首发设备两点为焦点的一系列同心椭圆。是在研究光的干涉和衍射中，揭示的光从光源到观察点传播的物理特性。根据奇偶菲涅尔区不断对光进行加强和减弱。在不同菲涅尔区椭圆上反射时，信号相位会进行偏移，如果偏移的值为pie，则信号减弱，若为2pie，则信号加强。

所以只要波长频率足够，那么就能侦测到人的极细微的动作（5mm）。

而且单独菲涅尔区对人的动作会有一些盲点，但如果不知多个菲涅尔区，则总是可以侦测到信号变化。
但有问题啊，空间中不是只有人，如何判断行动的是人还是其他物体，如何将空间中所有的运动区分到不同事物身上呢？

城市空间大数据的实时计算引擎

地理信息数据系统，不再满足于单机数据库，而现存的分布式数据库也不尽如人意。本文作者从三个方面对分布式ＧＩＳ进行改进，分别是数据流模型，基于应用特征的计算优化和软件定义的网络调度。基于位置服务ＬＢＳ中典型操作包括范围查询，k近邻查询kNN，距离链接等。

现有的GIS分布式并行计算平台包括spatialHadoop,Hadoop-GIS等。但每次MapReduce中间结果都要写入磁盘。相比于内存计算系统例如spark，依然效率很低。另外本文设计了simba系统(spark上二次开发)，两级索引（需要分区，分区就涉及到了负载均衡，局部性优化等设计）以及sql,dataframe等的接口扩展，简便了数据查询和交互，提高了查询效率。

另外地理信息往往来自于不同的系统，比如公交系统，私家车ｇｐｓ，手机导航等，如何对异构大数据进行计算优化也是研究内容。

城市数据可视分析

３ｄ，广告投放，建筑物遮挡，交通流量以及投放效果预测。
可视分析是为了更好的结合专家知识和大数据分析平台。