• 2.2      数据驱动的智能交通

 

城市交通系统是城市中信息化程度较高的部分，浮动车、一卡通、微波线圈、摄像头等交通传感与信息化设备可以有意或无意的将城市中交通参与者的交通行为记录下来，从而为数据驱动的科学研究提供研究样本。同时，由于城市交通领域自身的数据富集优势，又使得以数据为中心的智慧城市技术能够率先在智能交通领域中发挥重要作用，我们称这类技术为数据驱动的智能交通技术。以数据为驱动的智能交通技术研究中所采用的城市数据主要包括地图与POI数据、GPS数据、客流数据、道路微波测量数据等^{[10, 11,12]}，并通过多种手段对采集到的数据进行分析和理解，实现感知城市的交通运行状况，为市民提供交通引导、导航、推荐等智能服务。

 

       数据驱动的智能交通技术可以被细分为支撑层面和应用两个层面两个层次的研究。支撑层面的研究工作集中在全城交通的感知与分析方面，其目的是感知城市的总体交通状况、分析全市交通的统计行为特征，建立分析模型，为具体的智能交通应用提供数据分析与交通状态评估支撑。例如，基于城市交通监控数据的实时路况报告作为一种成熟的技术已经得到了非常广泛的应用^[13,14]，对于城市中具有特殊特性路段的检测和查询^[15]、平均通勤时间评估^[16]、交通异常与事故的检测等研究可以极大地提高城市道路交通的管理效率。另外，通过对于GPS数据的深入挖掘和分析，可以进一步理解城市中交通运行的具体模式^{[10, 17,18,19]}，提供交通流量的评估、预测和管理等应用服务^[20,21,22]。

应用层面的研究则集中在城市交通管理与运行的各项服务应用当中。基于GPS的路径导航服务是最为典型的应用之一，丰富详尽的地图数据配合实时的路况分析结果可以为用户提供非常优质的行驶路径导航服务^[23]。包含有人类行为信息车辆GPS数据则可以提供汽车司机的驾驶知识来进一步优化导航路径的选择^{[24, 25,26]}，微软亚洲研究院开发的T-Driver ^[25]车辆导航系统就采用了这样的设计理念。T-Driver系统统计了北京市城区出租车的GPS行驶数据，然后将不同地标之间驾驶技术最娴熟的出租车司机的驾驶路径用图的方式组织起来，就形成了一张包含了出租车司机驾驶知识的地标图。用该地标图来进行路径导航，可以有效的提高车辆在拥堵时段的行驶效率。该研究的主要特色在于将数据统计中获得的人类智慧应用到了传统的信息化交通服务当中，将车辆导航应用由传统的“以计算为中心”变为了“以数据为中心”，所采用的核心技术也由传统的规划技术变为了以数据为驱动的统计技术，其意义非常深刻。

 

       另一类被广泛研究的应用是出租车与乘客之间的推荐服务。该类研究最重要的任务就是理解出租车与乘客的行为模式以及两者之间的交互关系^[21,27]。法国电信研究院的D. Zhang团队通过对5350辆出租车驾驶行为的研究，分析比较了不同出租车寻客策略的有效性^[28]。文献[29,30]对如何通过优化出租车的载客策略来提高出租车司机收入进行了深入研究。北京航空航天大学的K. Xu团队^[31]通过对北京1200辆出租车的乘客数据分析，研究了优化的乘客打车策略，并基于该研究开发了名为TaxiWaiter的打车辅助系统。T-Finder系统^[32,33]则同时考虑了出租车与乘客两个方面的需求，通过对街道打车概率的统计和分析，来进行出租车寻客路线和乘客打车路线的推荐。

   

    路径导航（行车路线推荐）、出租车寻客路线推荐和乘客打车地点推荐都属于有资源约束的分配推荐问题，其本质是一个带约束的多方博弈，现有的研究工作提供的均是局部优化的解决方案。博弈论的相关知识告诉我们，分布式的局部最优并不能保证带来最终的全局最优解^[34]。如果所有的出租车均按照推荐的行驶路线到乘客较多的地点争夺乘客，那么一方面会导致这些地点成为较难寻找顾客的地点，另一方还会导致其它地点的乘客由于缺乏出租车而打不到车。解决该问题的一个途径是采用集中调度的手段实现全局的车辆负载均衡，这种方案虽有较好的理论性能，但是实现起来非常困难。另一个途径是在推荐算法的设计上引入博弈惩罚机制，以多轮博弈的方式实现分布式的全局最优。相关的理论与应用研究还需要进一步地深入探讨。

   

    出租车行驶的异常轨迹检测也是学术界非常关心的问题^[29,35]。如何区分出租车司机为躲避拥堵而进行的适当绕行和恶意的“宰客”绕行是该类问题要解决的核心问题。法国国立电信学院设计提出的iBAT/iBOAT^[36,37]算法可以有效地对绕行出租车进行在线识别或是轨迹识别，其分析结果显示，偏爱绕路的司机所对应的月收入并不比不绕路司机的平均值高，一些司机想通过恶意绕行来增加收入往往只是一种心理安慰行为^[38]，这对于设计合理的出租车收费政策，避免司机恶意绕行有着非常重要的价值。

 

      以数据为驱动的智能交通技术还可以在优化城市公共交通系统方面发挥巨大的作用。B-Planner^[39]系统使用出租车GPS数据所提供的城市通勤需求信息，重新设计了杭州市夜间公交车的行车路线，满足了不同时段人们对公交线路的不同需求。T-Share^[40]出租车拼车系统通过综合考虑打车人的位置、目的地以及出租车的行驶路径等因素，对出租车的拼车路线进行了合理规划，在充分利用出租车自由灵活特性的同时提高了搭载乘客的通勤效率。Flexi^[41]则使用GPS数据设计了一种灵活性介于公交车和出租车之间的小型绿色公交系统。随着轨道交通系统在各个城市的发展，乘坐地铁出行成为城市市民们越来越多的选择，针对地铁轨道交通的智慧城市交通数据研究也受到了越来越多的重视。北京航空航天大学使用北京地铁系统的客流数据，对北京市轨道交通的负载流量进行了预测分析，其研究成果对于保障轨道交用运营安全，提高轨道交通运营效率有着非常重要的意义^[42]。L. Capra等对伦敦地下铁系统(tube)的客流拥堵模式进行了系统的分析，并以此为依据提出了避免地铁拥堵的技术方案^[43]。除此之外，综合利用多种交通工具的

   

客流数据，还可以实现对用户全出行路径的系统规划与通勤时间估计^[44,45]，以此为基础开发的城市交通公共服务系统，对于优化城市的整体通勤效率、改善市民的出行交通体验等，都有着非常巨大的帮助。

      

      从上述工作可以看出，科研人员们在数据驱动的智能交通领域均取得了丰硕的研究成果。值得注意的是，现有的系统与成果大多是依靠浮动车GPS、一卡通、微波探测线圈等结构化较好的数据源。对于包含了丰富语义信息但结构化程度低、信息维度高的城市交通视频监控数据，现有研究使用的还非常少。有关监控视频的应用研究依然停留在视频处理、语义提取、事件理解等阶段^[46]，在智慧城市技术体系中扮演着数据准备的角色，尚不足以完全支撑以知识发现为目标的集成应用。这一方面是因为高维视频语义分析理解难度大，相关技术尚不成熟；另一方面也是因为视频数据的体量过大，很难按照城市的规模进行协同组织与处理。解决城市交通监控视频上述两个方面的挑战，将会是以数据为中心的智慧城市研究在智能交通领域所要面临的一项重要任务。

• 3.1      核心技术与理论

   

• 数据感知技术

以数据为中心的智慧城市技术从顶层设计到具体的技术细节，均是以海量的城市数据作为核心支撑的。因此城市数据的感知与获取技术就成为了研究工作的整体技术基础。传统的城市传感器技术在为不同的行业应用提供服务的同时，也直接或间接地收集到了大量的城市动态感知数据，这些数据使得现有的研究工作成为了可能。与此同时，随着移动互联网的兴起，人们可以随时随地的记录和分享自己的所见所闻，使得“以人为传感器”对城市进行感知的群体感知技术开始日渐兴起。例如研究工作^[124]使用微博数据对2012年北京市7.21暴雨的积水点进行了检测，其结果与实际积水地点基本相符。目前，群体感知技术在智慧城市应用当中还只是传统数据获取方式的一种补充，相信在不久的将来，群体感知技术将会逐步走向前台，成为智慧城市应用的一项主要数据来源。

 

•  数据管理技术

海量城市数据的存储、管理与检索是一项非常具有挑战性的工作，已有的一些研究工作显示，分布式数据库、Hadoop等现有的数据管理方式尚无法完全满足智慧城市应用对于海量数据查询与管理的实时性和灵活性要求^[125]。造成该问题的根本原因在于，用于智慧城市应用的海量城市数据并非专门为建设智慧城市而收集（多为城市信息化和数据化过程中的信息基础设施），数据管理系统的设计者更多考虑的是其初始的数据应用需求，而没有对智慧城市应用做任何数据管理优化。同时城市计算等智慧城市技术在数据利用方面又有着异常广阔的想象空间，即便是智慧城市研究的专家也无法列举所有可能的应用模式。这就导致数据管理系统的设计者在开发系统时无法获知系统应用者的具体应用需求，从而引起数据管理系统与应用系统之间的不匹配，影响系统的整体性能。如何解决这一问题目前学术界和工业界尚并没有非常成熟的技术方案和支撑理论。

 

•  数据挖掘技术

数据挖掘技术是大数据时代进行数据利用和知识发现的另一项核心关键技术，构建以数据为中心的智慧城市也必然需要数据挖掘技术的大力支持。该领域一个主要的挑战在于如何在海量多源的城市数据当中寻找合适具体应用的数据子集。例如，城市动态检测研究往往需要所使用的城市数据子集尽可能多的涵盖城市动态特性的各个方面，而具体的附加行业应用则要求数据所包含的信息尽可能的单一纯粹。这些互斥性的数据需求给城市数据的收集、管理和挖掘都带来了巨大挑战。解决好数据子集的选择问题与子集间不同数据的融合问题，是在智慧城市领域进行数据挖掘研究的关键所在。

 

•  数据活化技术

    数据活化（data vitalization）概念是由北京航空航天大学熊璋教授所提出的一种全新的数据管理与应用模式^[126]。数据活化也就是赋予数据生命的意思，数据活化技术的核心思想在于将真实物理世界中的数据内在联系映射到数据存储与管理的数字空间中，使存储空间中相互隔离的数据变为一个有机的整体，恢复数据在物理世界当中的关联性，并突破信息空间在进行数据利用时的局限性。数据活化体系结构采用“活化细胞”（Vitalized cell）的对数据进行组织。活化细胞作为数据组织和管理的最基本单元，一方面具有对数据的存储能力，另一方面也具有映射物理空间中数据联系与相互作用的计算能力。活化细胞在存储数据的同时，会根据实际应用的不同，不断地学习用户应用行为并对细胞中的数据进行重组织，使数据可以更好的适应多样化的用户需求。同时，当物理世界中数据描述对象发生变化时，活化细胞还可以通过自主演化的方式来改变数据的储存结构和内容，从而实现存储数据的代谢与演化过程。

 

数据活化技术非常适合追踪物理世界中的对象实体在数据空间中的映射演进过程，是处理海量城市数据、构建智慧城市的有力工具。例如，研究工作[127]使用数据活化的思想设计了一种海量城市数据联网的数据组织工具IOD (the Internet of data），该工具可以对现有物联网数据的活化组织，非常适合城市中海量物联网与传感器数据的管理。研究工作[128]将数据活化思想直接应用到了智慧城市当中，设计了一种面向城市数据的数据活化体系架构。研究工作[129]使用数据活化技术对监控视频数据进行结构化的描述，该研究的成果可以用以解决城市视频监控数据的高维度和非结构化问题。除此之外，数据活化技术也受到了工业界的密切关注，如图7所示，美国Bardess Group Ltd. 公司基于数据活化技术开发了一种Data Revitalization的数据管理解决方案^[130]。该方案的数据管理架构共有五层组成，并且具有更新、学习和演进的能力，使用该架构可以有效的提高企业数据资产的整体管理质量。

 

 

数据活化技术已经在智慧城市、视频数据分析、企业数据资产管理等数据密集性应用领域初步展示了其技术优势。使用数据活化技术对城市数据的组织与管理方式进行重构，从数据的底层结构开始实现数据的智慧化，将会是未来智慧城市技术研究的一个重要的发展方向。

 

 

•  数据可视化技术

智慧城市技术是一种与普通民众生活紧密结合的应用技术，友好亲切的服务呈现方式是其中必不可少的环节。数据可视化技术能够将复杂纷繁的城市数据以一种简洁有序的方式呈献给用户，可以很好的填补技术到用户之间的理解鸿沟。在城市数据应用的推动下，数据可视化必然会成为未来智慧城市技术体系当中至关重要的一环。

 

 

• 统计物理学理论

物理学是研究物质世界最基本结构、最普遍相互作用、最一般运动规律及所使用实验手段和思维方法的自然科学。基础物理理论对于工业应用技术的影响是往往是变革性的。17世纪牛顿经典力学引发的工业革命、20世纪量子力学引发的新技术革命都是非常好的证明。进入21世纪之后，人类活动行为的基础理论研究成为了统计物理学的一个新兴研究热点，复杂网络理论、人类活动时空动力学等研究成果不断涌现，这些成果必然会引发城市技术的发展的巨大变革。在这样的大趋势下，谁能够更好的利用统计物理学的相关研究成果，谁就能够在日趋激烈的智慧城市技术竞争中占领先机。

 

• 3.2      领域研究特点

 

• 3.2.1   多学科交叉

以数据为中心的智慧城市是一个多学科，多领域相互交融的交叉学科。该领域的工作涉及到信息科学、交通科学、环境科学、规划与建筑学、统计物理学以及社会科学等多个不同领域的基本理论与技术工具。图8给出了不同学科在以数据为中心的智慧城市技术研究中所扮演的角色地位。从图中可以看出，由于数据收集、管理、分析、处理与应用均需要依赖于信息技术，因此信息科学在整个领域当中起到了核心的主导作用。同时，与城市生活运行密切相关的各项专业学科知识作为信息科学的在某一专业领域的知识补充，极大的扩展了信息技术所能够涵盖的应用范围。在对城市数据进行应用时，某一专门学科的专业知识可以帮助信息技术建立所需的数据分析与处理模型。在整个以数据为中心的智慧城市研究领域当中，信息技术即是多学科进行交叉合作的关联核心，也是支撑各个学科发挥其专业优势的公共技术平台。如果没有信息技术作为衔接，专业学科知识很难在完全不相关的领域当中建立起必要的联系。同时，如果没有专业学科知识的帮助，信息技术所能发挥的作用也只能停留在信息领域当中，无法发挥出其应有的强大作用。

 

因此在智慧城市领域开展数据研究时，技术思路上需要充分考虑其学科交叉的特点，注意吸收和使用多学科的知识、经验与技术。一方面要使用信息技术的视角，将信息科学的知识与核心思想应用到不同的学科领域当中，解决智慧城市建设过程中的不同领域的应用问题。另一方面也需要多多借鉴其他学科的问题分析与解决模式，将其融合到信息技术领域，从而丰富和扩展信息技术的内涵与外延。

 

 

• 3.2.2   以数据为中心

为了理清以数据为中心的智慧城市研究中，城市信息基础设施、城市运行动态以及城市数据所扮演的不同角色及其相关关系，我们用一个“X-Ray模型”来对城市数据应用的总体模式进行说明。如图9所示，我们将想要了解的城市运行动态比作一个需要检查身体的病人，病人身体中的神经、血管、肌肉、骨骼、内脏等器官分别代表了城市当中的交通、人口、环境、能源、经济、物流等深层次的动态韵律。如果想要了解一个城市的健康状况，我们必须对这些深层次的动态进行感知。最直接的方式是安装传感设备对我们想要了解的城市动态行为进行直接监测，但是由于成本、技术、隐私等问题，直接监测往往难以实现，我们只能使用从现有信息基础设施中的获得的外围数据来对城市进行分析。这就好比医生不能总是通过穿刺、手术等有损的方式来了解病人的身体状况一样，我们需要通过一些类似X光的医学影像技术来了解病人。例如，车辆的GPS导航定位数据和手机通信的基站位置数据虽然并非了研究城市中人类活动行为而收集，但是却可以在不侵犯用户隐私和引起个体反感的情况下，对于人类日常活动的行为方式进行研究。这些城市数据就像X光射线一样，无损的透过城市的肌体将城市内大量有用的信息呈现给了科研人员。

 

 

智慧城市研究中进行分析数据的研究人员，需要像医生将X片影像同疾病建立起联系一样，将不同的城市数据同所要分析的具体城市动态特性建立起联系。在这一过程中，丰富的数据来源同精湛的分析技术都是必不可少的因素。充足的数据来源可以极大降低问题求解的难度，但是最终结果的可靠性还是需要依赖于研究人员对分析算法的设计和选取。就像综合采用CT、核磁、超声等复合医学影像手段可以更好的帮助医生诊断病情，但最终的治疗效果依然取决于医生凭借专业知识与个人经验而给出的系统治疗方案。智慧城市领域的研究人员需要综合运用信息科学、物理学、人类学、社会学知识等多学科知识，系统分析所能获得的多种城市动态数据，对智慧城市的建设中所存在的问题做出精准判断，然后因地制宜、对症下药的解决所面临的问题。这就是以数据科学在智慧城市领域进行应用的学科特点，也是以数据为中心的智慧城市技术的魅力所在。

 

• 3.2.3    区域特性

城市是人们生活的空间，关注城市科学的科研人员也身处其中，因此在进行智慧城市研究时，科研人员受到自身知识感受环境和数据项目来源的影响，会自觉或不自觉的首先选择自己身处或离自己较近的城市作为研究对象。这就导致智慧城市的相关研究工作具有很强的区域性。美国的科研人员会优先选择纽约、洛杉矶等大型发达城市进行研究，欧洲的科研工作更多的集中在欧洲中小城市的范围内，而中国和华裔的科学家更加关注北京、上海等超大型发展中城市存在的问题。智慧城市研究的这种区域性特点为中国的科研人员带来了得天独厚的优势。首先，中国具有非常丰富的城市资源。根据最新的统计数字显示，截至2012年我国的城市化水平已经达到52.57%，全球人口超过百万的特大城市21%位于中国。丰富的城市资源为我国学者提供了充分且熟悉的研究样本。其次，随着我国国民经济的发展，我国城市的信息基础设施的建设水平也有了显著的提高，城市的信息化程度有了长足的进步。物联网、GPS终端、智能手机、市政信息化等城市数据采集设施与渠道日渐普及与畅通，这使得我国学者可以相对较容易的获得丰富的城市数据。除此之外，在提高城市管理水平、改善城市环境、治理拥堵污染等城市病、建设和谐社会、构建智慧城市方面，我国从政府到民间均有着非常迫切的需求和实际投入，这使得我国的科研人员可以得到充足的研究条件支持。上述三个方面优势使得我国科研人员在以数据为中心的智慧城市研究领域中有可能率先实现理论和技术上的突破，从而引领世界智慧城市发展的潮流。