实现城市治理一网统管，必须这 4 个关键技术

导读：要实现城市治理一网统管，必须具备以下四个关键技术：城市状态一网感知、城市数据一网共享、信息流转三屏联动、虚实映射数字孪生。

作者：郑宇

来源：大数据DT（ID：hzdashuju）

01 城市状态一网感知

城市感知一张网是掌握城市状态的五官和产生城市数据的源头，针对城市六类感知内容，利用四种感知模式和三种数据采集方式，实现对城市的全域感知、精准掌控、合理布局。

1. 六类感知内容

根据大量智慧城市应用的实践，以下六类内容最为常见，也最为重要。如图4.1所示，这六大类内容包括：人流量、交通流、环境、能源、经济和公共安全，每一类又进一步细分为若干子类，如环境包括气象、空气质量、土壤、水质等，每个子类又包含若干指标，如空气质量涵盖PM2.5、PM10的浓度等。

▲图4.1 城市感知的六大类内容

只有先定义好这六类感知内容，才能进一步规范对每类内容的感知方式，包括如何选择对应的感知设备标准、数据格式、采样频率、接入形式和布局原则等；才能统筹和连接好各种存量、增量感知基础设施；才能精准掌握好这些内容的状态，真正实现城市状态一网感知。

2. 四种感知模式

如图4.2所示，城市感知的模式可以分为以传感器为中心和以人为中心的两大类。其中，以传感器为中心的感知模式进一步又可以细分为固定感知和移动感知；以人为中心的感知又进一步细分为主动和被动群体感知。因此，总计四种感知模式。

▲图4.2 四种城市感知模式

• 以人为中心的主动群体感知：如网格员发现社区中的问题及时上报、居民通过12345询问某些事项、市民通过“随手拍”等应用发现城市中的隐患等，这都是在主动帮助感知城市的状态，被称为以人为中心的主动群体感知。

• 以人为中心的被动群体感知：还有另一种模式，同样是以人为中心的感知，但参与到感知模式中的人并不知道感知任务的存在，产生这些感知数据的初衷也不是为了完成这项任务，被称为以人为中心的被动群体感知。

3. 三种数据采集方式

当利用四种感知模式完成了对城市状态的感知，产生的感知数据将通过如图4.3所示的三种采集方式汇入数据底座：

▲图4.3 三种数据采集方式

• 及时推送模式：当分系统完成感知任务后，第一时间主动向数字底座推送感知数据。以人为中心的主动感知模式通常采用此类数据采集方式。

• 定时拉取模式：感知数据不断汇入各分系统存储起来，等待上层应用需要使用时，通过数字底座定时从各分系统批量拉取相关感知数据。以人为中心的被动感知模式多采用此类数据采集方式。

• 地理汇聚方式：该方式将空间位置临近的单个传感器局部组网，将其读数先在本地聚合，再通过某通道及时、统一地推送到数字底座，各个传感器不直接跟数字底座发生连接，降低传输成本，但数据传输还是及时、主动的。以传感器为中心的固定感知多采用此数据采集模式。

02 城市数据一网共享

城市数据一网共享构建智能城市的数字基石和创新应用的数智底座，面向城市中结构化、非结构化和时空数据三类数据，实现数据实时汇聚、高效管理、深度融合、智能分析和跨域学习。

1. 城市数据的类别

• 按照数据的结构可以将数据分为结构化数据、非结构化数据、时空数据。

• 按照数据来源可以将城市数据分为政府数据、第三方企业数据和互联网公开数据。

2. 数据接入

一个城市的数据涵盖各行各业、产生于不同系统、来自不同渠道、拥有不同的数据结构，这里既有新建的系统，也有大量历史遗留的系统，而不同的系统通常是由不同的公司在不同的年代采用不同的技术开发而来。

因此，如何把一个城市中纷繁复杂的数据从各个孤立系统接入到数据底座，就成为了要实现城市数据一网共享需要解决的首个难题。这里要考虑解决接入成本、传输效率、安全性三个挑战。

3. 数据管理

由于数据种类不同，被使用的方式不同，因此，对于三种不同类别的数据也应采用不同的管理方法。

1）结构化数据

针对以政务数据为代表的结构化数据，需要建立归集库，然后根据应用的领域建立主题库，最后针对某个专项应用建立专题库。

2）时空数据

针对时空数据建立六大数据模型，收纳万千数据；将时空索引技术和分布式计算技术结合，利用更少的计算资源提供更快的查询效率；提供多种时空查询方式，满足城市治理过程中按照空间和时间来聚合数据的刚需。

▲图4.4 六大时空数据模型

3）非结构化数据

以视频、图像、语音和文本为代表的非结构数据，后续大多需要经过分析处理变成结构化数据才能被使用和查询。针对图像数据，先从非结构化文件中提取颜色、形状、纹理、空间关系等特征。根据业务性质，从图像中还可以提取特定应用关心的物体特征，如人脸、人体、车牌、车辆等结构化信息，支撑上层算法和功能模块使用。

4. 数据的智能分析

在城市数据一网共享中，除了利用数据做好服务之外，深度使用数据背后蕴含的知识来解决问题将带来更大的价值。在对数据进行智能分析时重点要考虑多源数据融合、时空AI和积木化组件三个关键技术点。

5. 数据的跨域学习

鉴于用户隐私、数据安全和法律法规等因素，一个城市中的数据不可能、也没有必要完全都物理汇聚到同一个数字底座。

新一代的数据共享技术，支持原始数据保留在各个部门和企业的内部，在各个部门内部分别安装联邦数字网关之类的部件，通过联邦学习和隐私计算等方式，实现数据不出门，算法多跑路，即融合了不同数据源的知识、创造了价值，也避免了泄露原始数据。这种新的数据共享方式也被称为跨域学习。

03 信息流转三屏联动

三屏联动是信息在不同岗位间的流转方式，也是不同层级间行动一致的保证。大屏观态势、中屏管处置、小屏作执行，让业务高效决策、指令高效执行、事件高效闭环。

1. 大屏观态势

大屏一般配置在市级城市运行中心、区一级指挥中心之类的大厅，通过大屏，领导和工作人员可以平时观城市运行的总体态势、战时观应急事件的指挥执行。

2. 中屏管处置

大部分的事件都是通过中屏（即工作人员的桌面电脑屏幕）来完成分拨、处置、下派和上报。

3. 小屏作执行

小屏是一线工作人员的手持终端设备，如手机等。小屏是基层工作人员进入一网统管体系的入口，利用小屏接收和执行下派任务，同时也发现和上报基层问题。

04 虚实映射数字孪生

数字孪生是物理世界和信息系统的桥梁、人机协同的界面，实现物理映射、动态叠加、融合分析、交互反馈四个环节。

1. 物理映射

在虚拟世界基于数据建立物理世界非常逼真的数字模型和镜像。例如，物理世界里有一座桥，虚拟世界里就会有这座桥详细的数字建模，关联的信息具体到每个桥墩、每一块砖的体积、材质、生产商和建设日期等。

如图4.5所示，在智能城市领域常用的数字孪生模型包括素体城市三维模型、精细纹理城市设计三维模型、城市地形地貌三维模型、地下管线三维模型等。

▲图4.5 数字孪生系统中常用的城市模型

2. 动态叠加

将物理世界的动态信息，如车流、人流、气象、能耗等，叠加到数字世界模型上，实现更加逼真的展现。这里并不是简单的展示渲染问题，必须要有底层系统和算法能力的强大支撑。

例如，城市里有海量时空数据源源不断的产生，如果想要流畅展现出任何区域、任何时间段的某种数据，原有的大数据平台大部分都无法实现，面临接不住、看不清、用不好的挑战。

3. 融合分析

除了能动态加载各种城市数据，数字孪生系统还需要利用AI和大数据模型，对数据进行深入、融合分析，产生能指导物理世界行动的决议。

例如，根据实时的交通数据发现交通堵点、分析影响范围和扩散趋势，并建议疏导方案和绕行路径。通过居民上报、物流快递、外卖订餐和社区房屋基础信息来动态发掘群租房隐患，并及时联动相关政府部门予以排查处置、合理疏解。

4. 交互反馈

通过数字孪生系统将决议作用于物理世界，指导人们的行为和方案实施。该决议既可以用于即时响应，也可以作为对未来规划的长效反馈。

本文摘编自《城市治理一网统管》（ISBN：978-7-111-70622-9），经出版方授权发布。

延伸阅读《城市治理一网统管》

推荐语：智慧城市的实现路径！城市计算领域奠基人、京东集团副总裁郑宇中文著作！凝练一网统管实战经验，落地城市治理实现路径。

关于作者：郑宇，博士，京东集团副总裁、京东科技首席数据科学家、IEEE Fellow、美国计算机学会杰出科学家，具有16年以上中美领先科技公司的管理和产品研发经验，以及在与政府十多年的合作过程中积累的模式创新和项目落地经验。他是城市计算领域的奠基人，在国际上开辟了城市计算领域和学科，为智能城市的建设提供了理论基础，在城市计算和时空数据挖掘两个领域学术影响力世界第一；2013年被《MIT科技评论》评为全球杰出青年创新者（TR35）。

更多精彩回顾

资讯 |《Java核心技术》基于Java 17全面升级！

干货 |再见了Java8，Java17：我要取代你

资讯 | Java核心技术大会2022 · 重磅发布

书单 |今天，Java27岁了！

新书 | 红蓝攻防：构建实战化网络安全防御体系

书讯 |7月书讯 | 12本新书如期而至！

每周赠书 | 第111期：成为架构师的路上，必看的经典好书

上新 | 运维数据治理，构筑智能运维的基石

书评 | 运营其实很重要