Current Visitors:
智慧城市技术体系研究作为对整个智慧城市技术研究工作的顶层设计，对于指导领域技术的发展方向，明确研究工作的内涵与外延，优化现有研究资源的配置与分布等均具有非常重要的意义。
早期的智慧城市技术体系研究由IBM的研究人员发起，文献[3]对IBM的Smarter
Cities技术功能进行了详细的介绍，其提出的智慧城市功能范围更多的是以服务和基础设施为中心，对于数据的重要性没有做过多的强调。研究工作[4]从整合的角度对智慧城市框架系统的框架进行了理解，提出了一种智慧城市的初步框架。该框架认为智慧城市要从政策、组织和技术三个角度将政府、居民社区、经济、基础设施、自然环境相整合，对于技术细节没有做过多的讨论。文献[5]对一些早期的智慧城市技术框架进行了总结，认为智慧城市的根本要素包括人、机构和技术三个方面，在技术方面又可以细分为数字城市、智能城市、无线城市、信息城市等。这些智慧城市技术体系的研究工作，更多是围绕城市建设的基本要素展开，对于一些数据科学与技术在城市中扮演的角色，没有做过多讨论。
近些年，学术界开始逐步关注到数据科学对于智慧城市技术的重要性，并提出了一些相应的技术体系。如图1所示，浙江大学的潘纲教授在2013 IEEE Communication Magazine, Smart Cities专题中阐述了基于轨迹数据分析与挖掘的智慧城市技术体系框架[6]。该框架将基于轨迹数据的智慧城市技术体系分为了轨迹感知(trace)、知识发现(knowledge)和具体应用(applications)三个层次。该框架从概略的层面上系统描述了以数据为中心的智慧城市技术的整体技术路线。微软亚洲研究院的郑宇团队在2013《CCF通讯》城市计算专题当中提出了一种“四层反馈”结构的城市计算技术体系框架[7,8]。如图2所示，该技术体系将城市计算的技术框架细分为了“城市感知与数据捕获”、“城市数据管理”、“城市数据分析”、“服务提供”等四个层次。该框架的一个特色在于其引入了“服务提供”层对于真实物理世界的反馈回路，更加完善的考虑了智慧城市技术对于城市生活的影响。在科技部863“智慧城市（一期）”项目的支持下，863智慧城市项目（一期）总体组提出了“六横两纵”的智慧城市技术框架[9]。如图3所示，该框架将智慧城市技术体系按照依赖关系划分为了“城市感知层”、“数据传输层”、“数据活化层”、“支撑服务层”、“应用服务层”以及“行业应用层”等六个横向的层次，即“六横”；同时还引入了贯穿六个层次的两大保障体系：“标准与评估体系”以及“安全保障体系”，即“两纵”。该技术框架的一大特色在于其十分具体的细化了各个层次所应包含的技术集合以及其之间的相互依赖关系，为智慧城市技术的整体发展提供了详细的布局性指导。我国未来智慧城市的技术体系建设很有可能将会参照该体系进行丰富和完善。
Fig 3. The general Smart City technical framework of the China "863" project. [9]
图3. 中国863智慧城市项目总体技术体系架构[9]
综合看来，上述几种智慧城市的技术体系框架均有一个共同的特性，即以数据的获取与管理技术作为底层的支撑，以数据挖掘、处理和分析技术作为整个框架的核心构成，在此基础之上对城市用户提供多样化的服务应用。换言之，未来智慧城市的技术的发展方必将是以数据为中心，在这一点上学术界已经从顶层设计的角度达成了基本共识。
Fig 4. Data sensing of urban dynamic
图4. 城市动态特性的数据感知
在使用城市感知数据对城市动态特性进行研究的现有工作可以分为城市动态检测和城市动态分析两个大类。接下来，我们对这两个大类的代表性工作进行简要介绍。
- 城市动态特征检测
城市动态检测研究的目标是指对城市感知数据中包含的城市空间特征和时间特征进行检测发现。如图5所示，空间特征是指在时间上频繁或规律出现而在地理上具有独特分布的城市数据特征。城市的空间信号特征往往对应于城市中具有特殊功能的热点地区，例如商业区、交通枢纽站、事故多发点等[49,50]。早期的热点检测方法以城市数据信号的强度和密度特性作为衡量指标，不同的强度和密度对应不同的空间特征。香港科大的Lionel M. Ni教授团队最早提出了一种基于移动特性而非密度特性的热点检测方法[50]。微软亚洲研究院的Y. Zheng团队通过将GPS数据同POI数据相结合的方式，计算了北京各个城市区域中属于某一个功能区划的概率，并以此为依据实现城市功能区的划分[51]，该工作的底层支撑技术就是城市空间信号的特征检测[52,53]。类似的工作还有使用推特文本数据流的时空动态检测[54]，根据大规模出租车的运动行为对城市的社交功能分布进行检测[55]，以及对城市人口的移动特性检测[56]等。
如图6所示，城市时间特征是指在时间上随机出现的异常于该地理区域通常时间分布的异常信号特征，该类特征往往对应于城市中一些特殊事件的发生，例如演出、大型活动、交通管制等。文献[57]使用出租车浮动车的GPS数据设计了分析城市交通流量异常的检测算法，文献[58]在前述算法的基础上进一步实现了对于交通异常模式的早期检测，利用该算法提供的服务，可以更早的对道路交通中的一些拥堵事件进行具有前摄性的预防处置。文献[59]则使用群体感知的方式收集了城市中市民的活动数据和社交网络的媒体数据，并利用这些数据进行城市交通事件的异常检测。由于社交网络中的媒体数据具有更加丰富语义特性，因此可以获得更加准确检测效果。
