城市是梦想的容器，收纳着无数个为明天努力的热情。
1、背景
近年来，随着大数据、移动互联网及物联网等技术的普及，使获得大量城市建成环境和城市各类现象 (如人群流动、房地产市场等) 的观测数据成为了可能。同时，为了使海量的城市数据发挥最大价值，大量国内外地方政府制定了相应的城市开放数据政策，让研究人员、技术开发者和相关企业更容易地获得城市大数据，协同开发城市大数据的价值。2012年2月29日，纽约市市长迈克尔布隆伯格签署并通过了《开放数据法案》，这是美国历史上首次将政府数据大规模开放纳入立法。纽约市开放的数据中包括按邮政编码分区域的人口统计信息、用电量、犯罪记录、中小学教学评估等历史数据，也包括地铁公交系统的动态实时运行数据；既包括也包括小区噪音指标、停车位信息、住房租售、旅游景点汇总等与公众生活密切相关的数据，也包括饭店卫生检查、注册公司基本信息等与商业密切相关的数据，总共2090组数据已上线并向公众无偿开放。继纽约之后，很多其他国家的地方政府纷纷开放政府数据，包括伦敦、巴黎、东京、首尔、新加坡等。在中国，上海市于2015年通过举办开放数据创新应用大赛公布了治安、交通、空气质量、金融等领域的数据。随后，重庆、沈阳、贵阳等地纷纷举办类似的开放数据创新应用大赛。各国各地政府的数据开放潮流为研究人员提供了极佳的研究数据集，使得研究人员及技术开发者能够深入理解城市人口活动规律，为城市管理、城市人口活动监控、二次城市规划等领域提供知识和解决对策。近些年来，越来越多的城市管理部门开始将无隐私的数据对公众开放，提供不同类型的数据给研究者或相关企业进行使用，这样的趋势说明城市计算也逐步获得管理者和行业的认可，也将发挥非常重要的作用。
2、城市计算相关概念
城市计算是一个交叉学科，与城市大数据相应而生，是计算机科学中以城市为背景，与城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域，旨在通过机器学习等技术工具解决城市领域的问题。更具体地说，城市计算是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战 (如环境恶化、交通拥堵、能耗增加、规划落后等) 的过程。城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。城市计算帮助我们理解各种城市现象的本质，甚至预测城市的未来[1]。
图1给出了城市计算的基本框架，包括
城市感知及数据捕获
城市数据管理
城市数据分析
服务提供
４个环节。与自然语言分析和图像处理等“单数据、单任务”系统相比，城市计算是一个“多数据、多任务”的系统。城市计算中的任务涵盖改进城市规划、缓解交通拥堵、保护自然环境、减少能源消耗等，而在一个任务中又需要同时用到多种数据。比如，在城市规划的设计过程中，需要同时参考道路结构、兴趣点分布、交通流等多种数据源。
图 1: 城市计算框架 [2]
3、城市计算核心问题
3.1 城市感知计算
如何利用城市中现有的资源 (如手机、传感器、车辆和人等)，在不干扰人们生活的前提下，不断地自动感知城市的韵律，是一个重要的研究课题。如何从大量的传感器和设备中高效而可靠地收集、传送数据将挑战现有的传感器网络技术。此外，人作为传感器参与到城市感知过程是一个新概念 (通常也称为群体感知)。例如，当一起灾难发生后，有些用户会在社交网络上发布消息或上传照片，这些用户其实就在帮助人们感知发生在他们身边的事物；用户出入地铁站时的刷卡行为，也间接帮助人们感知了地铁系统的拥挤程度和人们的出行规律；人们的手机信号，可帮助感知城市中发生的异常和紧急事件。
基于空天地集成化的传感网，有望实现前所未有的城市感知能力，其中最有价值的就是多尺度感知能力。多尺度的城市感知意味着从感知手段、内容、精度和时效都是多尺度的，感知手段包括观测平台 (卫星、无人机、测量车、行业网、机器人、智能手机)；感知范围包括城市群、城市和街区；感知精度以米、分米、厘米；感知时效性包括季度、 周、即时。这种由一张网和一平台支撑的综合感知信息，可实现城市群趋势分析、城市运行状态监测和街区个体行为跟踪。这是基于空天地集成化传感网的城市综合感知相比于传统的城市感知网络最突出的特征和最大的优势。
图 2: 多尺度城市感知网络
3.2 多源异构巨量数据资源管理
城市产生的数据属性差别很大。例如，气象是时序数据，兴趣点是空间点数据，道路是空间图数据，人的移动是轨迹数据 (时间＋空间)，交通流量是流数据，社交网上用户发布的信息是文本或图像数据。如何管理和整合大规模的异构数据将是一个新的挑战。尤其是在一个应用中使用多种数据时，只有提前建立起不同数据之间的关联，才能让后面的分析和挖掘过程变得高效、可行。其中异构数据的协同计算的包括:
如何从不同的数据源中获取相互增强的知识是一个新的课题。传统的机器学习问题往往基于单一数据，如自然语言处理主要分析文本数据，图像视觉主要基于图像数据。同等对待不同性质的数据，在城市计算的很多应用中效果并不理想。
在保证知识提取深度的同时，如何提高对大数据的分析效率，从而满足城市计算中众多实时性要求较高的应用 (如空气质量预测、异常事件监测等)，也是一个难题。
数据维度的增加也容易导致数据稀疏性问题，如何应对大数据的数据稀疏性问题，也很重要。当数据规模达到一定程度时，简单的矩阵分解算法都变得很难执行。需要强调的是，大数据和数据稀疏性并不矛盾。
3.3 虚实混合式系统
城市计算常常催生混合系统，比如云加端模式，即信息产生在物理世界，通过终端设备被收集到云端 (虚拟世界) 分析和处理，最后云再将提取的知识作为服务提供给物理世界的终端用户。数据在物理和虚拟世界中来回穿行，从分散到集中，再到分散。设计的系统既需要应对上百万的用户，也需要跟成千上万的传感器通信。对不同数据源的同步、存储和更新对系统的设计和搭建提出了更大的挑战。后面要提到的基于浮动车数据的快速行车路线设计以及城市异常事件的监测都是典型的混合式系统。
4、城市计算研究进展
4.1 人类活动感知计算
基于前述对于城市本质的理解，我们认为只有在对于城市中人群的交互活动、动态特性及普适的涌现规律有一个更清晰的刻画时，才能对城市进行一个更准确的把握。随着大数据时代的到来，人们得以获取越来越丰富详细的城市数据，如手机信令数据[3, 4, 5]、POI(point of interests)数据[6]、公交与地铁刷卡数据[7]、出租GPS数据[8]、人口数据、夜光等遥感数据、众包地图数据(如open street map, OSM)、共享单车数据[9, 10]、媒体数据[11]、手机应用数据[12]、信用卡刷卡数据和简历数据等，且每天都在海量增加。这为我们更加精细地研究城市中人群行为，对更加准确地把握城市动态交互的本质特征、洞察纷繁城市现象背后的内存机制提供了机遇和挑战。如何从大规模的城市数据中高效地挖掘出有效信息，提升人们对于城市系统的感知能力，需要具有全面的系统科学思维与高效的计算分析方法[13]。如何整合这些多源异构数据，从中更准确地掘出不同层次与尺度下的有效信息，是城市研究所要解决的关键问题。图3为基于手机信令数据的城市用地情形挖掘和职住关系挖掘结果。
图 3: 基于手机信令数据的用地和职住分析
随着智能手机和移动终端的日益普及[14]，社交媒体[11, 15]、公交地铁卡、信用卡、移动支付得到大规模使用，积累了大量带有地点位置信息的人类行为数据，它们就像“数字脚印”一样，为深入理解城市结构与功能演化提供了更好的动力学视角。相比之下手机数据通常被认为是具有最高质量的，相较于社交媒体数据，即使是在发展中国家，手机的普及率更高而且使用人群的有偏性也更小；而且手机数据也是被动式采集，它并非是用户主动的记录行为，像微博、Foursquare 等媒体数据都是用户主动行为数据，因而手机数据更加客观，它更像是一种遍在的传感器记录着位置信息的变化。虽然任意一条手机数据通常都只是“用户匿名ID、使用服务时的机站位置、时间戳”这样的简单数据，但当拥有数以万计甚至数以亿计的个体跨越数周甚至数月的数据之后，往往可以从中挖掘出工作与居住人口的分布、城市人群的通勤需求、人群交互模式、城市节律等有效信息，这也得以让人们在时空维度上相对精确地把握城市的脉搏。这类手机大数据目前被广泛地应用于人类移动、城市道路网络交通效率、交通流量估计、交通工程、流行病传播、城市居民交互模式发现[16]等各个领域。
4.1.1 个体轨迹数据挖掘的进展与挑战
手机运营商在提供服务时通常会进行基站−基站间的流量平衡，当某个基站接收到的流量太大时，会将新的服务请求挂载到邻近某个略远但相对较空闲的基站，而这样的流量平衡策略会导致手机记录中噪声的出现：如手机用户可能并未移动，但他的手机信号因连接到更远的闲置机站而发生了跳跃，表现在手机数据的记录当中，有时两个连续记录对应的位置相距较远，但用户却在较短的时间内以非常快的速度移动到了新的位置，这对于准确挖掘用户的移动轨迹信息带来了挑战。当用户没有使用手机服务却发生了移动行为时，相应的移动行为无法被有效记录，这在过去2G或3G时代尤为明显。当时只有用户打电话或发短信时，由于通信运营商记账的需求，此时才会记录用户的位置信息，所以当时的数据会相对稀疏，此时就可能需要对个体移动进行建模来补全相应的轨迹，其中探索与偏好返回模型[17]及其改进模型[18, 19]被广泛应用于个体移动的建模预测。另外，基于个体历史移动轨迹，将地点分为规律性访问地点及非规律性访问地点，再结合马尔科夫预测器及地点推荐算法，可以针对个体移动进行较好的预测[20]。在进入4G和5G时代之后，手机操作系统和各类应用几乎每十几秒就会产生数据流量上下行，相应的手机数据时空精度非常高[21]，此时噪声过滤更加重要，而地点级别的移动建模甚至是不需要的。
手机数据还缺乏有效的地理位置信息，如某个特定地点究竟是用户的家、工作地或消费场所等都无法从原始数据中直接获取。文献[22]发展了一系列算法以过滤手机中的噪声数据，同时结合交通情况判定某个地点对于用户究竟是进行了停留还是只是路过，结合人类出行的时空特征规律，还可以对地点信息进行精确挖掘，后续研究通过空间搜索树进一步提升了相关算法的效率与精度[23, 24]。由于隐私以及数据获取的限制，往往无法获取手机用户家与工作地的真实信息，目前对于地点类别的估计都是基于时段与频次，需要将用户在特定区域的出现频次进行更好的聚合：首先对原始轨迹数据依次进行时序上的聚类，将时间上相对连续、地理上也在一个特定漫步范围内(如500m)的点聚集在一起，认定作一个停留点。进行时序聚类后，将所有的停留点再进行一次去除时间信息后的空间聚类，这样可以进一步消除不同时间内轨迹的特异性[25]，可以用空间搜索树(R-Tree)的方法提升算法精度并进行加速。经过聚合分析之后，就能够对特定地点用户的到达时间及停留时长进行分析，并与日常的直观经验进行对比验证。
当拥有全样本的手机数据时，相应的人口估计更准确，尤其是在进一步融合遥感数据之后，相应的方法也被应用于WorldPop数据库中各国人口的估计当中；而对于非全体样本的手机数据，可以通过将手机数据估计出来的居住人口与人口普查的居住人口进行对比，得出对应区域内手机用户的代表性人口或者说扩展系数(如某个区域的手机用户有一千人，普查数据中有一万居民，那么这个区域的手机用户的扩展系数就是10)，得出这样的扩展系数之后就可以进一步去估计各个区域的工作人口是否与经济普查的工作人口相符[23]，而且相比而言，手机数据的采样比例仍然远远高于问卷的比例，同时其成本比问卷要低的多、更新频率也可以高很多。
4.1.2 个人交互的总和时空关系挖掘
经过上述的地点探测和人口重标度后，可以进一步对城市的整体人口分布、出行需求、交通效率、活跃程度进行更细致的分析。根据探测出的地点类别，可以将用户的出行进行类别标识；将所有用户的轨迹信息再累加之后，就能得出整个城市的出行需求矩阵，还可以进一步得到按出行目标和按出行时段细分的OD矩阵[23]。这类算法可以应用于城市交通网络效率的评估，因为城市的交通效率既受出行需求分布的影响、又受道路网络特征的影响，文献[26]通过应用系统科学的思维将这两种因素进行综合考虑，提出人口权重效率这一指标，它比过去交通领域常用的过剩通勤在估计平均通勤时长上有更好的拟合优度，同时应用相应的指标还能探测低效道路，为道路网络优化提供相应参考；相应的方法也可应用于城际道路网络的分析。应用人口权重效率这一框架，基于特 定路径上的共享单车出行流量及路径的绕行指数，结合所发现的标度律关系，还能很好地预测路径上的机动车拥堵情况，揭示了不同交通模式间的内在联系[10]。
基于上述分析算法得到大量个体时空轨迹信息后，还可以通过构建个体间的时空交互接触网络去分析整个城市的节律[16]。如果两个个体在同一时间出现在同一地点，那么他们就可能会产生交互，进而就可以在所构建的时空交互接触网络中将两个节点进行相连，遍历所有个体之后就可以得到对应时段的时空交互网络。文献[27]发现通过定期的检测以及对于筛查出的无症状感染者及其“共时空接触个体”进行即时隔离，能够更加有效地抑制新冠疫情的传播。
4.2 城市数据管理与应用的研究进展
4.2.1 数据集成管理
城市时空大数据是一种与多尺度时间和空间密切关联的大数据[28]。城市中的时空大数据来源广泛，既包括广泛存在的传感网，也包括城市生活中的主体(人)。除具备数据量大、种类多样、价值较低、增长迅速等特性外，还具备时空相关性、时空异质性等内在属性，而且还存在数据倾斜与分布不均的固有特性[29, 30]。城市时空大数据的上述特征势必对基于关系数据库的传统空间数据管理带来了挑战[31]：
来自多源传感器的异构非结构化数据加大了使用关系数据库管理的难度；
面对数据量庞大，且持续增长的海量数据集，关系数据库在可扩展性上也存在难以克服的问题；
Web2.0 应用的普及对高并发处理和持续可用性提出了更高的要求。总而言之，传统 GIS 所依赖的关系型数据库已经难以适用于动态管理、海量存储和高并发访问的新应用场景。
NoSQL数据库，凭借其弱模式表达、分布式组织、高吞吐量处理，以及易拓展与高可用的特性，已发展成为大数据时代的新型数据管理方案，并在空间信息领域得到了大量应用[32]。因此，数据模型、组织方式、索引结构、存储管理等技术决定了城市时空大数据的高效存储和访问效率。一种可能的方式是将空间和时间联合表达为时空立方，并 建立城市时空对象与时空单元的关联和映射。在此基础上，进行时空单元降维与编码，将高维度时空单元表达为一维行键，从而充分利用 NoSQL 数据库的数据分布机制，实现城市时空大数据的多节点均衡存储，支持时空查询的数据端计算和并行处理，见图4。
图 4: 基于分布式非关系数据库的城市数据管理引擎
4.2.2 城市数据实时分析
充分利用空天地集成化传感网获取的实时城市信息，全面、准确、及时地提取城市与社会的动态变化，是提高城市管理能力和社会治理效率的全新驱动力[29, 30]。静态地理信息系统缺乏时间维度，时态地理信息系统则以静态方式管理历史状态，难以应对实时地理数据集成表达、融合组织、弹性服务、即时协同带来的巨大挑战[33]：
多源实时地理信息的集成表达问题，物理世界瞬息万变，泛在物联网时刻产生多源海量、流式异构、时空关联的实时观测数据；
实时地理信息的融合组织问题，多源实时观测数据按不同频率产生，以不同模式汇入，将形成长时序、多关联的大规模现势－历史混合数据集；
实时地理信息的弹性服务问题，时空不均的数据请求导致有限资源供给失衡，瞬时突发的用户访问将造成高并发读写压力。
4.2.3 数据深度挖掘与应用
时空数据挖掘包含时空模式、时空数据聚类、时空数据分类、时空数据异常检测等[34]。具体到城市中，可利用时空大数据挖掘发现交通拥堵规律、地质灾害潜在隐患点，特定犯罪类型的高发时空[35]以及流行疾病的传播过程[36]。在机器学习方法和深度神经网络技术的支撑下，城市时空数据挖掘正朝着更加智能、高效的方向发展，目前在犯 罪易发点发现、交通协调与管理、城市传染病监控、公共卫生与医疗健康等课题上，数据的深度挖掘让这些研究又上升到了另一个高度。
时空数据挖掘技术主要是借鉴主流计算机科学领域的研究技术。从前期利用云计算和分布式技术辅助大数据存储和挖掘，到现在设计复杂的神经网络算法来实现数据智能挖掘和模式分析。庞杂的时空数据使用传统的数学模型已经不足以分析其潜在的时空规律，深度学习算法已经广泛应用于时空数据挖掘领域[29]。微软亚洲研究院提出了一种时空深度残差网络模型[37]，这种深度神经网络可以利用城市居民的多源轨迹数据，并融合天气和事件数据，预测下一个时刻城市中每个区域的流入和流出人流量。滴滴公司提出了一种多视角的时空网络模型[38]，从空间、时间和语义３个视角出发，即空间视角采用局部卷积方法，时间视角采用长短记忆神经网络，语义视角则采用嵌入方法，设计得到的模型框架能够很好地捕获城市区域的时空相关性，可以有效辅助预测城市时空场的载客需求，从而提前调配车辆。
城市时空大数据发生于城市地理空间之中，通过建立时空大数据及其地理空间上下文信息的关联关系，实现语义承载的城市时空大数据的组织与查询、分析与挖掘之中，可以将从城市时空大数据提升为语义对象集合，支持语义立现的城市时空大数据分析与挖掘。城市中日益增长的出行轨迹数据，不仅记录对象活动的时空信息，同时蕴含着对象自身特有的属性、状态和行为特征，还在一定程度上反映对象活动与城市环境中各种要素之间的交互关系。地理关联轨迹模型通过关联地理空间要素 [39]，形成一种面向关键点的轨迹－有向线、轨迹－面的拓扑移动过程模型，进而对移动对象轨迹与地理空间信息中三类地理要素 (点、线、面) 之间的语义进行讨论，得到切合人们思维习惯的轨迹-要素拓扑表达的一般性结构，在此基础上建立面向语义轨迹模型的时空查询模式及其分析方法。
4.3 城市计算领域具体应用研究
4.3.1 城市建筑垃圾识别
建筑垃圾具有复杂的时空特征，产生量、变化量难以估算和准确监测，测绘科学和环境科学领域均针对这些问题开展了相关研究。建筑垃圾的多源遥感精准识别、堆放量和变化量的准确监测与模拟，是加强城市生态环境保护和治理，揭示城市建筑系统代谢机理的基础和关键。文献 [40]利用Sentinel-2影像数据制作的样本数据集结合机器学习算法可以实现对建筑垃圾的有效识别，并在实地调查中得到了验证。文献[41]基于卫星遥感数据制作建筑垃圾样本数据集，使用迁移学习的方法结合CNN提取建筑垃圾特征并与其他地物进行区分，可以实现在高分辨率遥感影像中自动识别建筑垃圾。文献[42]利用传统监督分类方法为基础的多层分类方法，可以实现建筑垃圾和防尘网的识别，并基于长时间序列分析了建筑垃圾的时空分布变化规律。
为了更充分地挖掘建筑垃圾的语义信息，将深度学习算法引入建筑垃圾的识别中。相比一般的机器学习算法，深度学习具备强大的特征学习能力，与卫星遥感结合进行目标识别取得了重要进展[43]，在基于遥感影像的目标检测[44]、图像分割[45]和地表覆盖分类[46]等任务上得到广泛应用。选用近几年广泛应用于图像分割中的DeepLabv3+模型，同时通过数据加权[47]，在提高建筑垃圾自动识别精度的同时解决了建筑垃圾在遥感影像中占比不均衡的问题；结合数字高程模型实现多种建筑垃圾识别，提高了识别精度且实现了大区域的建筑垃圾自动识别。文献[48]提出CCMGNet模型通过融合RGB和NIR波段信息提取建筑垃圾深层信息大大提高了其识别精度，并实现了大幅遥感影像识别，证明了该模型的有效性。
4.3.2 交通事故预测
交通事故预测是道路交通安全形势分析研判的主要部分，旨在利用历史交通事故数据，构建交通事故预测模型，预测某个区域未来一段时期的事故发生状况。为提高交通事故预测模型的准确性，需要充分考虑事故数据的自身特性。在确定一起交通事故时，需要在时间和空间维度上描述，显然事故数据具备时间特性和空间特性。
文献[49]提出的DAP(Deep Accident Prediction)模型包含多个组件，如图5，其中循环网络组件处理与时间相关的特征，全连接网络组件处理与时间无关的特征，嵌入组件捕获空间异构性。文献[50] 在研究区域上设置滑动窗口并利用循环神经网络分别对农村区域、城市区域和混合区域建模。上述研究处理了局部区域的时空特性，但忽略了全局时空特性。文献[51]提出差分时变图卷积网络捕获实时全局交通状态和研究子区域的互相关性。
图 5: DAP模型框架
现存研究构建的交通事故预测模型分为分类预测模型和回归预测模型。根据是否划分事故严重等级，分类预测模型被划分为二分类预测模型[49, 52, 53] 和多分类模型[54]。根据是否为不同的事故严重程度赋予不同的风险值，回归预测模型被划分为事故发生数量预测模型[55, 51]和事故风险等级预测模型[56]。其中，二分类预测模型预测未来一段时期某个区域是否会发生道路交通事故。由于事故基本信息只会在发生事故时被采集，因此二分类模型缺乏负样本。文献[53]通过随机修改事故基本信息中的字段来生成负样本。
4.3.3 环境监测
基于机器学习算法的数值预测方法, 目前支持向量机算法及其改进算法被广泛应用于大气污染物浓度预测中[57, 58]。随机森林算法可以处理高维度数据并且可以得到变量重要性[59], 在大气污染物浓度预测领域取得了一定的成果。深度学习算法[60, 61]是机器学习领域最新的发展成果, 可深层次提取数据特征, 较好捕捉数据间的非线性关系。文献[62, 63]使用LSTM 模型预测臭氧浓度, 但LSTM 模型无法考虑站点的空间关联影响, 导致模型预测准确度不高。将LSTM与卷积神经网络 (convolutional neural network,CNN)[64], 耦合可处理空间信息, 从而更准确预测臭氧浓度。CNN 适用于处理欧式空间数据, 在处理臭氧浓度分布这类非欧式空间数据时表现较差; 而图卷积神经网络(graph convolutional neural network, GCN)[65]基于图傅里叶变换及拉普拉斯矩阵, 能够更好提取臭氧浓度分布这类非欧式空间数据特征。
新兴的街景图像为城市研究提供了丰富的数据[66]。街景数据是沿着街道拍摄的自然图像和照片，密集地覆盖了城市街道网络，提供关于城市物理环境的详细视觉信息[67]。它不仅能以人类视角反映日常生活的城市视觉风景，而且具备获取时间快、数据规模大的特点，能与快速发展的深度学习技术相结合，为城市感知研究提供新的机遇。前人基于街景大数据从不同角度评估人类对城市物理环境的主观感受，包括道路安全性、可步行性、街道空间品质等[68]，并取得了积极成果。这些研究说明了通过街景图像来反映城市物理环境对人类活动及心理状态的影响是有效的。在城市感知方面，很多学者已证实了基于卷积神经网络CNN模型和街景数据在城市感知研究中的有效性[69]。
机器学习方法通常不会假定数据满足某种分布，具有更高的灵活性，被认为更擅长处理数据中的非线性关系[70]。尽管机器学习与街景图像的结合在城市感知建模中表现出优越的性能，但机器学习方法的弱解释问题却是限制其可信度和辅助决策的一大障碍[71]。理解机器学习为什么能在城市感知领域取得优异的成果，这需要对模型反映出的数据中的关联关系进行深入挖掘，这也是利用机器学习方法探索城市环境与人类感知交互关系的关键。
4.3.4 其他应用
然而随着城市配电网规模日渐庞大，传统的全局重构会产生大规模潮流转移，给配电网的运行带来不经济、不安全的问题，由此多级动态重构技术应运而生，该技术可满足大规模配电网运行优化灵活高效的需求，但随之而来的重构级别识别又成为新问题。考虑到深度学习(Deep Learning，DL)不依赖于显式模型，直接以数据为驱动，具有强大的特征提取能力与极快的求解速度，随着问题复杂程度的增加，深度学习的优势愈加明显，可为规模逐渐庞大的复杂配电网多级动态重构策略的高效求解提供新的思路。
文献[72, 73]均采用了强化学习(Reinforcement Learning，RL)算法来解决配电网重构问题，RL模型在训练完毕后可拥有秒级求解速度，但是其训练极耗时间，且重构问题所带来的大量约束条件也让奖励函数中各项权重的设置变得极为困难。鉴于DL在多标签二分类任务领域已近成熟，那么DL同样可以应用于重构方案的决策上，即可跨过级别识别过程直接实现净负荷数据与最优重构决策方案之间的非线性映射，摆脱级别识别带来的限制。文献[74]提出了一种数据驱动的长短期记忆网络算法来进行实时重构决策，该方法可以学习系统状态和重构策略之间的非线性映射关系，但该研究只关注到了负荷数据在时间维度上的关联，对负荷数据的挖掘不够充分。在现实电力系统中，净负荷数据往往在多维特征空间上存在耦合关系，因此在考虑净负荷数据的时序特征之外还必须考虑其多维特征空间的耦合关系。
4.3.5 数字孪生系统
数字孪生一词可追溯到由 Michael Grieves教授2003年在密歇根大学关于产品生命周期管理（PLM）的演讲中提出的“物理产品的虚拟数字化表达”[75]。当时，由于技术的局限性和不成熟，几乎没有DT相关的研究或应用。为了解决日益复杂的工程系统问题，美国国家航空航天局（NASA）和美国空军在航空器的健康维护和剩余使用寿命预测中应用了DT。目前，New IT的发展正在催生DT的繁荣。由于DT开辟了一条物理活动与虚拟世界同步的新途径，因此DT成为了一个热门的研究课题。
Schroeder等[76]将web与AR技术结合，通过web访问DT数据并利用 AR 技术将其展示给用户。这些研究侧重于物理模型到信息模型的映射、数据管理以及系统框架等内容，为数字孪生车间系统整体应用架构提供了部分实例指导。李莎莎等[77]针对数字孪生车间运行实时性问题，提出了一种逻辑与模型数据并行计算的数字孪生车间系统快速架构方法。Liu等[78]利用D-H矩阵求解机器人孪生模型的运动学方程，并将其作为云服务，实现机器人可视化和运动逻辑控制。同时，为了准确计算设备的状态和性能，需要对其使用环境进行高保真建模，文献[79, 80]对数字孪生车间设备运行环境映射的方案与必要性进行了论述。
Clemen等人[81]将实时传感器网络嵌入多智能体框架, 通过实时数据修正数字孪生的模拟过程, 降低模拟过程中的不确定性因素，为城市规划者、政策利益相关者和其他决策者提供决策支持。Zheng等人[82]考虑制造过程中的质量控制问题，提出一种基于数字孪生多智能体建模方法以保障相关信息收集对产品质量的影响。传统制造系统缺乏对制造过程的数据收集、分析和反馈，这会阻碍资源的合理利用。文献[83]建立了一个由物理车间、虚拟车间和数字孪生为组件的服务系统，该系统用于合理分配资源，降低外部干扰对制造系统的影响。文献[84]提出了一种集成在多代理网络物理系统中的新型数字孪生技术, 用于检测传感数据中的异常。文献[85]建立了云端和边缘的多智能体系统来制定和协调生产作业。利用数字孪生技术和工业物联网(IIoT)收集并处理分布式制造资源的实时状态数据，由相应的智能体在获得许可后进行决策。
5、总结与展望
城市计算是近年来计算机领域的一个热门话题，旨在通过运用大数据、人工智能等先进技术，解决城市在规划、管理、运营等方面的难题。随着城市化进程的加速，城市面临着越来越多的挑战，如交通拥堵、环境污染、能源紧张等。传统的城市管理模式已经无法满足现代城市的需求，因此，城市计算应运而生，为城市管理提供了新的思路和技术手段。
目前，城市计算领域的研究主要集中在城市规划、交通运输、环境保护等领域。其中，城市规划方面主要涉及城市空间布局、城市交通规划等；交通运输方面主要涉及智能交通、交通拥堵等；环境保护方面主要涉及空气质量监测、水污染治理等。在城市规划方面，研究者通过运用大数据和人工智能等技术，对城市空间布局和城市交通规划进行了深入研究。例如，通过分析城市人口、土地利用、交通流量等数据，可以优化城市空间布局和交通规划方案。在交通运输方面，智能交通系统是城市计算的一个重要研究方向。智能交通系统可以通过实时监测交通流量、车辆行驶轨迹等数据，优化交通信号灯的控制策略，提高道路通行效率，缓解交通拥堵。在环境保护方面，城市计算也发挥了重要作用。例如，通过运用空气质量监测数据和人工智能技术，可以预测未来空气质量变化趋势，提前采取应对措施。城市计算的研究成果主要表现在以下几个方面：
提高了城市规划和管理效率，降低了管理成本；
优化了城市交通运输系统，提高了道路通行效率，缓解了交通拥堵；
改善了城市环境质量，提高了居民的生活质量；
在复杂工业制造中，数字孪生和多智能体技术可以提高生产效率和质量，减少能源消耗和废品产生，同时也能够降低复杂度、安全风险和成本。
未来，城市计算将会在更多的领域得到应用和发展。例如，在智能交通领域，可以进一步研究智能车辆、无人驾驶等新技术，提高交通系统的安全性和效率。在环境保护领域，可以进一步研究环境监测、环境治理等新技术，提高环境管理的效率和准确性。此外，还可以将城市计算应用于公共安全、城市治理等领域，为城市的可持续发展提供更加全面的支持。
总之，城市计算是未来城市管理和可持续发展的重要方向，将会在更多的领域得到应用和发展，为城市的可持续发展贡献力量。
参考文献
可上下滚动查看完整参考文献
特别声明：本综述为公众BigTrans作者原创，首次公开发布，此前未在任何期刊和网络发布，本号保留本文一切权利。
欢迎扫下面二维码加入智能交通技术群！
扫描加入免费的「智慧城市之智慧交通」知识星球可了解更多行业资讯和资料。
欢迎加入智能交通技术群！
联系方式：微信号18515441838
6284
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
