时空人工智能提出的背景

地理空间的智能

人工智能（AI）领域的技术进步给地理空间相关研究和应用的智能化发展和融合创新带来了新机遇和新挑战。虽然早期人工智能概念的提出和理论算法的发展可以追述到20世纪40～50年代，但其近期快速发展的主要动力来自于深度学习模型和开发框架（如Tensorflow、Keras、PyTorch）的快速发展和产业化日趋成熟，各行业领域大数据的生产爆发，和计算机硬件（如图形处理单元GPU和高性能计算平台HPC）和终端设备的计算性能不断升级，进而可以支持在很短的时间内训练和部署人工智能模型、支持数据驱动的智能化决策和产业变革。地理空间人工智能（Geospatial Artificial Intelligence，简称GeoAI）， 是指地理空间相关科学与人工智能相结合的交叉学科研究方向，通过研究与开发机器的空间智能提升对于地理现象的动态感知、智能推理和知识发现能力，并寻求解决人类和地球环境系统相互作用中的重大科学和工程问题 （比如人口迁移预测、城市扩张预测模拟、复杂条件下的智能交通决策、高精地图制作与自动驾驶、全球变化对农业产的影响、自然灾害应急救援工程等）。地理空间智能的萌芽与发展与地理学、地图学与地理信息系统、遥感科学与技术、地球系统科学、资源环境与城乡规划、智能交通和计算机科学（尤其是机器学习和知识图谱）等学科间的交叉融合、创新发展紧密结合。

地理空间智能的研究框架

城市空间的智能

日前发布的第七次人口普查数据显示，中国城镇化水平已超过63%，已处于城镇化进程的下半场。在此背景下，城市空间的需求正在从关注“增量”的快速建设向关注“存量”的精细化治理转变，城市空间监测评估、品质提升和精细治理转型正在成为热点。与这一大趋势呼应，国家“十四五”规划纲要明确提出了“加快数字社会建设步伐，全面提升城市品质”的国家战略，需要我们将新近涌现的智能化算法应用在高密度城市空间建设与管理的迫切需求上，探索高密度与高品质协同发展的路径。

当前城市空间层面的智能化研究与实践经过近年来的快速发展，基本已经解决了城市数字本底的构建问题，相当数量的城市及相关委办实现了业务上云，建设了大量的大数据中心，并通过各类摄像头、物联网和穿戴式设备来实现海量数据的大规模、高精度获取。以移动互联网、城市大数据、物联网、穿戴式设备等新技术的平台性整合，形成兼具大规模和高精度的建成环境数据集成，以及与之匹配的高分辨率市民行为与感知数据。随着城市数据时空精度的不断提高，这些海量的新数据能的可视化也揭示了之前难以有效获得的直观图景，为个体层面的行为活动与空间形态现状评估提供坚实的基础。

但城市空间的智能化需求远不止于海量数据的可视化展现