北京邮电大学数据科学中心主任科学家 高 升
各位专家，各位朋友：
大家下午好！
非常高兴今天能够参加城市大数据论坛，刚才听了前面几位，不管是运营商的介绍还是规划院的介绍，他们都提出了很多运用。今天借助这样一个机会，给大家提一下，我们作为学术界，或者说计算机学科领域，我们提出一些怎么做这些运用，怎么运用大数据的想法。
关于城市化进程我想大家都能够明显地感觉到，这些年来中国城市化的进程非常快，在未来的20年时间里会出现超大规模的城市，也存在很多问题，包括人口激增、交通拥堵、环境污染、产业能耗，很多的工业能耗比较高，还有一些关于食品安全。公共安全信息都是随着城市化进程带来的一些问题。为了缓解这些问题，我们提出了很多智能城市的概念，从中国城市化进程来看，从早期的所谓架构化的发展，城市基础设施建设，到后面随着技术的进步，出现了数字化城市、网络化城市。到今天，随着移动互联网、大数据、云计算、物联网的发展，出现了智慧化城市、智能城市的概念。我们希望借助智能城市这个概念，能够让生活变得更美好，社会、生态、各种资源配置更加合理。
我们提到所谓智能城市建设的时候，从技术的角度，我们期待智能城市，希望它能够依托原有的数字化城市的基础架构，充分利用遍布城市的传感器网络，跟城市进行对接。同时利用我们在城市运营和管理当中出现的数据，借助云平台，借助人工智能的分析平台，能够更好地进行大数据的存储计算以及分析和决策，最后用这些输出结果实现对城市、各种设施一种制度化的管理，最终希望能够为每一个市民提供智能化、个性化的生活服务。
这个里面谈到智能城市的宏伟目标，找到一些落脚点，一些落地的应用，希望从城市行业应用的角度去观察，或者去看所谓的城市大数据的产生。实际上，当我们再去观察城市的经济发展，观察城市的规划，包括我们讲的智能城市、智能交通的发展，甚至每一个市民在城市当中生活的时候，我们会发现我们会拥有各种各样的大数据，比如人口流动的数据，各个工厂生产的数据，还有智能交通建设当中的路网数据，很多车辆的GPS数据。每个人都可以通过社交媒体来表达意愿和观点。数据很多，当我们用这些数据的时候，数据处理存在很多难点。最明显的，比如观察智能交通的时候，有了城市交通路网的数据，有了车辆GPS的数据，同样一个环路上观察这些数据，发现这些数据的来源是多种多样的。甚至观察来自不同信息源数据的时候，数据类型也是多种多样、非结构化的。再看一下社交媒体，很多用户会产生大量的自由文本、很多图像，上传很多视频，这些社交媒体数据是多模态的数据。对于城市数据，很明显是一个时空动态的数据，我们使用这些数据，完成或者尝试去构建一个智能城市的时候，希望可以适时检测每一个城市特定区域一些环境指数的变化，希望能够更加优化地去配置商业设施、居民居住点，希望获取大气污染的指数。我们很关注每一个地区，甚至每一个地区在不同时刻雾霾的变化，希望找到大气污染源的一些数据，从而找到针对的控制措施。当我们想去实现城市建设应用的时候，我们有气象数据、交通数据，有各种空间的图数据、点数据，社交媒体上的多模态的数据。这个时候会发现城市大数据处理起来难题很多，有多元性、异构性，我们拥有城市大数据的钻石矿，希望能够去构建一个智能城市，尤其希望能够把来自于各个数据源的数据，在各个行业运用的时候可以实现信息融合、关联的挖掘。也希望可以通过关联挖掘，数据分析对于政府的决策提供一些辅助性的参考，优化决策，对生活在城市当中的居民可以提供个性化服务，可以精准定位到每一个城市居民需求，在城市生态当中希望可以获取信息。这个时候怎么来填补数据处理的鸿沟？
我们尝试提出人工智能技术，这个是大家讨论得比较多的热点。人工智能技术应该是一个比较旧的概念，60年前的时候由美国学术界提出，覆盖了模式识别、数据挖掘来统计学习。随着技术的成熟，不断地运用到计算机视觉，比如说刷脸支付、语音识别、自然语言处理上。在相关领域的一些成熟的运用，能否运用到城市大数据的处理上？
我们希望一直能够利用我们的技术构建一个人、网、物的大数据融合智能分析平台。随着我们的积累，目前也初步搭建出一个融合多数据源的分析平台，能够初步实现数据的采集、传输、处理到可视化的过程。我们中心利用一些相关的技术，提出关于面向城市大数据模型的技术。关于城市大数据的处理，我们怎么样更好地存储？我们可以建立数据中心，存储海量数据。所谓的城市大数据，是指我们能够降低存储空间，减少存储能耗，这是每一个运营商、每一个电信企业都愿意做的工作。针对多元数据，或者是多模态数据，提出一个对应大数据的算法，能够把像出租车的GPS数据，人的移动信号这个时空多位型数据，通过这个算法把非结构性的数据表现为二进制的数据，从而实现大大降低数据的存储空间，满足大数据的解锁。这个是我们提出来的，通过这个算法不仅能够实现对多元、多模态数据的处理，同时对海量的音频和视频进行压缩。这对城市的视频监控数据来说是一个很好地降低存储空间的解决办法。
对于采集到的或者形成的数据，我们采取流数据管理技术和图数据管理技术，能够快速实现对大数据的解锁。下一步我们需要针对各种各样的，或者说各行业的运用开展数据的分析。当我们再进行数据分析的时候，我们能否很好地处理或者能否很好地提取处理不同类型的数据特征，对此我们采用了大数据多模态深度学习技术，这是一个热点。在我们看来，人工智能技术能够在今天再一次爆发，很大程度上归功于深度学习技术的成熟。我们利用了这个强大的特征学习能力，实现大数据与多模态的特征提取及融合。我们通过对视频、音频、图像，包括人的移动性数据，经过深度神经网络，通过异构的数据特征的学习，实现多媒体内容的融合和分析。
在这个基础之上，我们尝试开发了一个基于多模态数据分析的曾是热点事件的视频监控和分析，通过对城市居民在社交媒体上讨论的热点，形成一个热点事件库。同时我们把城市视频监控的数据通过深度学习的模型，建立多模态数据之间的特征融合，最终实现对很多城市突发性热点事件的监控和预测。在实现了多模态数据特征融合的基础之上，可以更好地实现对一些更加庞大，或者类型更加复杂的数据的处理。这个里面我们采用多种算法，尝试去实现大数据的磨合和智能分析的这样一个基础，尝试能够解决多元数据信息融合和关联的挖掘。基于深度神经网络模型我们提出了一个灵活的、用来存储多模态数据的模型。我们利用这些相关的算法，可以更好地处理大气污染的预测，城市舆情的分析，可以处理交通流，人口流动性的数据。在这个基础上预测出某一个特定的时间点上的交通信息，大气质量的持续相关性，我们可以利用空间模型，做一些道路的结构，兴趣点的分布，还可以做一些数据相关性的预测。最后，可以通过结构复杂的一些算法，实现多类型数据的迭代，促进智能城市和行业应用上的发展。
利用各种城市大数据，我们可以给城市管理者提供更好的决策支持。对于城市居民，同样可以根据每一个用户的个人数据，利用社交媒体，以及公开的数据，实现对用户的个人画像。同时结合城市各个服务行业的大数据，能够实现面向居民的、个性化的城市生活运行。其中可以融合推荐的算法，实现对城市居民打车的推荐，城市路线的推荐，甚至包括旅游线路也可以做出这种推荐。
最后，我想对于智能城市建设，更多需要落脚在城市的特定点、行业的运用上。我们面对每一个特定领域的行业运用，可以采集全网性的大数据，借助大数据，我们可以迈出坚实的一步。希望通过人工智能技术，让城市变得更美好，让生活变得更美好。
谢谢大家！
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
