基于城市知识体系的公共数据要素构建方法

数据要素是数字经济发展的核心动能。城市公共数据的基础良好、普适性强、应用场景丰富,成为政府主导的数据要素的首选。当前数据与应用耦合,不同应用之间共享数据难,人工数据治理过程滞后、繁重低效,仅依靠自动抽取技术无法保证数据要素的精度。为此,基于人机智能协同的总体思路,提出基于城市知识体系的数据要素构建方法。首先,对大量城市业务进行解构和抽象,构建以人、地、事、物、组织5类实体,实体间关系及实体属性为核心的城市知识体系,并以这些实体、关系和属性为数据要素的原子描述,向上组合表达各种城市业务,向下形成可标准化的数据资源体系。其次,研发一套数字化控件,承载基于城市知识体系的数据要素化理论,通过灵活配置的方式开发服务于市民的各类应用,使数据在产生时就与城市知识体系关联,自动形成数据要素。最后,构建智能学习和推荐算法,更好地连接数字化控件和城市知识体系,使应用配置人员无须学习城市知识体系就能顺畅地使用数字化控件,降低了工具的使用门槛。该方法可大大提高公共数据要素产生的效率和扩大公共数据要素的规模,释放公共数据要素的价值。

“智慧城市:反思探索得失”主题沙龙

自2008年"Smart City智慧城市"这一概念提出以来,智慧城市的建设迅速发展。我们在拥抱智慧城市的同时,也逐步认识到,创造好的城市不能仅仅依靠新技术,城市的智慧厚重而深刻。立足12年的探索,智慧城市面临哪些困难与挑战?未来新型智慧城市的发展趋势如何?智慧城市的建设重点在哪些方面?如何才能实现"城市让生活更美好"的愿景?在此背景下,本次沙龙围绕"智慧城市:反思探索得失"展开讨论,邀请专家交流思辨,以期为未来智慧城市的发展提供思路。

众包时空数据驱动的城市地理信息推测综述

对地理信息的准确掌握是城市中各种智能决策得以实现的基础.传统地理信息收集主要靠人工测绘、人工巡检或固定传感器感知,设备、人力成本高昂.近年来,随着移动互联网的发展,泛在的移动群体在城市中产生了海量的时空数据,他们有意或无意间成为城市的传感器,使研究人员有机会利用众包的思路基于此类数据推测城市地理信息.基于众包时空数据推测城市地理信息具有成本低、空间覆盖广、更新及时等优点.但其具有严重的数据质量问题,对城市地理信息推测带来了巨大挑战.本文综述了根据轨迹、基于位置的社交网络、街景等众包时空数据,推测城市中以路段、兴趣点、兴趣面为代表的地理实体的位置和属性的方法.本文给出了众包时空数据和地理实体的定义,详细比较了众包时空数据驱动的推测方法与传统方法的优劣,说明了研究问题和挑战,然后讨论了地图匹配、名称提取、位置发现和统计属性推测四个研究问题的研究进展,最后展望了该领域未来的研究方向.

政民互通:构建政府和居民之间的双向信息通道

基层治理是国家治理体系的基石,对夯实国家安全和维护社会稳定有极其重大的意义。当前,基层治理也面临诸多挑战,尤其是居民与政府之间的信息互通问题,需要重点解决各部门多头采集、居民反复填报信息、基层治理工作庞杂多变、负担繁重等难题。针对这些挑战,以数据为中心,构建政民互通的信息通道,通过灵活配置、自由组合的方式来快速搭建各类基层治理应用,实现政府基层部门与居民之间的双向互联、通而不扰,基层治理工作精准高效开展,信息及时、多级共享,为基层工作者减负赋能,畅通和规范群众诉求表达、权益保障通道。同时,政民信息通道有助于形成数据资源体系,让数据和应用分离,为数据的要素化打下基础,支撑数字中国战略的落地。

基于深度多视图网络的政务事件分拨方法

12345政务服务便民热线是由各地市政府设立的专门受理热线事项的公共服务平台。随着政府信息化进程的推进,12345热线作为市民与政府交流纽带的重要性大大提高,并对事件处置的效率提出了更高的要求。针对传统事件分拨方法主要依赖于分拨人员人工操作、速度较慢、准确率不高,且需要消耗大量人力资源的问题,文中提出了一种基于深度多视图网络的政务事件分拨方法。首先,通过自监督学习训练带权重的图卷积神经网络,从历史记录中抽取事件归口-分拨部门的分拨行为特征作为事件的归口视图。其次,使用经过政务领域语料微调的BERT模型,提取事件描述与事件标题的语义特征,得到事件的语义视图。然后,使用基于交叉注意力机制的残差网络,将事件的两种视图融合,得到事件的融合表征。最后,将融合表征输入分类器,得到事件分拨的结果。在南通市12345热线的数据集上进行实验,结果表明,所提方法在各项指标上均优于其他基线方法,能够有效提高事件分拨的效率。

基于深度对比孪生网络的事件辨重方法

在中国,市民可以通过拨打12345市民热线,向政府报告生活中遇到的问题并寻求帮助。然而,有许多重复的事件被多次上报,这给负责事件分派的工作人员带来了很大的压力,也会导致事件的处置效率变低,浪费社会公共资源。对重复事件的判断需要精确分析文本语义和上下文关系,为了解决这个问题,文中提出了一种基于深度对比孪生网络的事件辨重方法,通过评估两个事件的描述文本之间的相似性,辨别出具有相同诉求的事件。首先通过召回和过滤的方法来减少候选事件的数量;然后通过对比学习构造任务,微调预训练的BERT模型,学习易于辨识的事件描述语义表征;最后引入事件标题作为上下文信息,并通过带有分类器的孪生网络来识别重复事件。在南通市12345事件数据集上进行了实验,结果表明,该方法在各项评估指标上均优于基线方法,特别是在与辨重任务场景相关的F0.5分数上,能够有效地辨别重复事件,提高事件处置的效率。

ST-WaveMLP:面向交通流量预测的时空全局感知网络模型

交通流量预测在智能交通系统中起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理,也能帮助人们制定合适的出行计划。然而精准预测交通流量颇具挑战性,主要难点在于如何捕获交通流量数据中复杂的时空依赖性。近年来,深度学习方法已被成功应用于网格交通流量预测,主要采用深度卷积神经网络来捕获时空依赖性。但是卷积神经网络主要关注数据中空间特征的提取与整合,难以充分挖掘其中复杂的时空依赖性,而且单层卷积网络只能捕获局部空间依赖,因此,要想捕获全局空间依赖就需要对超多层的卷积网络进行堆叠,这将使整个网络模型训练收敛速度变慢。为了解决些问题,提出了一种面向交通流量预测的全局感知时空网络模型ST-WaveMLP,主要使用以多层感知机(MLP)为基础的可重复结构ST-WaveBlock来捕获相关的时空依赖。ST-WaveBlock中包含了捕获全局空间依赖和局部时间依赖的模块(SGAC),以及用于捕获局部空间依赖和全局时间依赖的模块(SLAC)。ST-WaveBlock具有较强的时空表征学习能力,通常仅用2~4个ST-WaveBlock堆叠就能有效捕获数据中的时空依赖性。最后,在4个实际交通流量数据集上进行实验验证,结果表明ST-WaveMLP具有更好的收敛性以及更高的预测精度,相较于之前最好的方法,所提方法预测精度的提升最高可达9.57%,模型收敛速度的提升最高可达30.6%。

公共数据的产权运行机制与技术方案

公共数据的要素化既有迫切需求和巨大价值,又具备良好基础和实施保障。为了实现公共数据的要素化,数据要素智能构建技术与公共数据产权运行机制需要协同创新和融合发展。梳理了公共数据的分类和参与主体,提出一套公共数据产权运行机制,包括公共数据产权结构性分置制度、公共数据确权授权机制和个人信息授权机制,并搭建一套数字化系统来承载该机制,以建立健全数据要素各参与方的合法权益,促进公共数据在政府各部门、各层级、各主体之间的安全、合规、有序流通。

一种基于深度学习的供热策略优化方法

在中国北方,冬季楼宇集中供暖采用的策略通常为气候补偿器,但是该策略严重依赖人工经验,调节相对粗放,如何优化供热控制策略对于保持楼宇室温的稳定舒适十分重要。对此,提出了一种基于深度学习的供热策略优化方法,通过学习历史真实数据信息从而对原始控制策略进行优化。首先以学习室内温度变化的热力学规律为目标,提出了一种深度多时差分网络MTDN(Multiple Time Difference Network)来对下一时刻的室温进行预测,该网络不仅准确率高,而且符合物理规律;然后将MTDN当成模拟器,以表征人体热反应的评价指标作为相关奖励项,使用基于最大熵强化学习思想的SAC(Soft Actor Critic)算法作为策略优化器与之交互训练,从而学习到一个稳定优秀的供热控制策略;最后基于天津某个换热站的真实数据,设计相关实验分别对模拟器预测能力和策略优化器策略控制能力进行评估。验证得出:相比其他类型的预测模拟器,该模拟器不仅预测精度高,并且符合物理规律;同时,相比原始策略,该策略优化器所学的策略在随机采样的多个时段内均可以保证室内温度更加稳定舒适。

基于前向搜索和投票的移动群智感知动态用户招募方法

随着移动传感设备的快速发展,移动群智感知已经成为城市数据收集的一项重要模式.用户招募——招募进行数据收集的用户——是移动群智感知中的重要一环.现有的研究主要集中在静态的用户招募,对动态的用户招募研究还比较少.因此,本文提出了一个基于前向搜索和投票的动态用户招募方法,该方法能够很好地综合多个因素,从而做出更优的招募决策.除此之外,本文还设计了一个新的数据均匀程度指标来更好地评估数据的质量.基于真实世界的Foursquare用户数据的实验结果表明,相比于基准方法,本文的方法能够收集到均匀程度更高的数据.

基于路网层次收缩的快速分布式地图匹配算法

地图匹配是轨迹数据挖掘的基本操作,在许多空间数据智能场景中都非常有用.基于隐马尔可夫模型(hidden Markov model,HMM)的地图匹配算法具有较高的准确率,应用最为广泛,但其计算效率较低,难以应对实时性要求较高的大规模轨迹情形.提出了一个基于路网层次收缩的分布式地图匹配框架CHMM,能够对大规模的轨迹数据实现快速地图匹配.具体而言,提出了一个简单但有效的分区方案,能够解决分布式场景下轨迹数据分布不平衡的问题;提出了一个基于路网层次收缩的多对多最短路径查询算法,能够保证结果不变的情况下,显著提升基于HMM的地图匹配算法的效率.采用真实的路网数据和轨迹数据做了充分的实验,实验结果表明:CHMM算法具有更快的计算效率和更强的可扩展性.CHMM算法落回到了真实的产品中,支持了多个项目的落地.我们也开源了核心代码,并提供了一个在线演示系统.

面向海量空间数据的分布式距离连接算法

空间距离连接是空间数据分析最基本的操作之一,具有广泛的应用场景。针对现有分布式方法的空间域选取过大、数据倾斜、自连接较慢的问题,提出了一种新的面向海量空间数据的分布式距离连接算法JUST-Join。首先,JUST-Join仅选取必要的空间区域作为全局域,能够提前过滤数据,减少无效的数据传输和不必要的计算开销;然后,同时考虑了参与连接的两个数据集的分布,从而缓解了数据倾斜问题;最后,针对自连接情形的冗余计算,采用平面扫描算法来进一步提高效率。文中使用Spark实现了JUST-Join算法,并利用真实的数据集做了大量实验。实验结果表明,JUST-Join算法在效率和扩展性方面都优于现有的最先进的分布式空间分析系统。

高铁行李自主管理系统界面设计研究

基于无意识设计理念,针对高铁乘客的行李的自主管理进行智能服务的界面设计。通过对用户画像及其心理需求的分析,确立研究路线的可行性,梳理完整的用户体验交互流程,探讨用户的体验预期及实现无意识设计的路径,得出符合目标的界面效果的设计结论。在用户调研中通过对其痛点的剖析,对乘客携带行李的真实情况进行分类研究,建立并完善主流用户的数据模型。运用“用户需求—关键因素—对应策略路径”分析法则,通过用户需求模型的数据分析,采用用户无意识设计的体验地图来确立交互内容、信息层级和功能架构,对用户的行为进行激发和引导。通过分析得出用户满意度高的交互体验,在车辆存储信息查询及预订、行李状态查询、行李安全提醒等行李管理系统中,完成符合行李自主管理的界面设计,提升高铁行李管理的智能化和人性化。

城市感知体系

城市感知体系是感知城市状态的“五官”和数据产生的源头,是开展智能城市建设的前提和发展数字经济的基础。当前城市感知面临着4大挑战:感知内容不全、感知手段单一、整体统筹缺失、运营管理不足。针对以上挑战,提出城市感知体系,包括一套理论框架、一套技术产品和一套运营模式,实现“全域感知、精准掌控、合理布局和稳定有效”4大业务目标。理论框架凝练出“人流量、交通流、环境、公共安全、能耗和经济”6类智能城市建设中最关注的感知内容,细化和定义各类待感知指标;构建以传感器为中心的固定和移动感知、以人为中心的主动和被动感知4种感知方式;抽象并解决资源部署、采样偏斜、数据稀疏和数据丢失4大技术难题。一套技术产品通过搭建城市感知平台承载理论框架,并为上层应用提供统一的感知数据服务,为感知体系的建设者提供统一的接入和运维工具。一套运营模式实现统筹规划布局、数据全量接入、按需采购服务、系统集成运营,确保感知体系长期稳定有效、商业良性循环。

城市智能操作系统

智能城市已经进入高速发展的新阶段,急需一个数字底座来解决城市数据的采集、汇聚、共享、分析和展示问题,也需要一个数字基地来支撑众多城市应用,并让众多企业共同参与到智能城市的建设,构建数字产业。智能城市操作系统是城市计算理论的有效实践,凝聚了团队15年的理论研究、技术创新、产品研发和业务实践。

城市治理一网统管

城市的高速发展对城市治理能力和治理体系提出了更高的要求,基于一网统管的市域治理现代化是城市安全稳定的底线、城市综合实力的体现和城市运行效率的保障。市域治理现代化在打通城市各部门数据的基础上,进一步联通各部门的业务系统,使得指令可以在不同部门之间流转,完成对事件的高效、协同处置。同时,设立市域治理指挥中心实体机构,将城管、综合治理、12345等相关部门与之一体化运行,通过机制创新和技术创新双轮驱动,创造以下4大价值:分析研判辅助决策、监测预警防范风险、联动指挥行政问效、基层治理共建共享。城市治理一网统管以城市状态一网感知和城市数据一网共享为基础,以大、中、小3屏联动为信息流转方式,以数字孪生为虚实映射的桥梁和人机交互的界面,让各部门高效协同、各层级行动一致、各事件闭环处置,确保城市的安全、稳定和发展,为全面提升国家治理体系和治理能力现代化做好承上启下的支撑。

城市知识体系

智能城市的建设已经从过往的以业务为中心进入了以数据为中心的阶段。随着数据的不断积累以及智能算法的发展,智能城市的应用也开始从简单直接地使用数据向挖掘数据蕴含的知识来解决问题演进。类比以数据为中心的智能城市建设阶段需要城市数据管理体系,以实现数据的有效归集、管理和复用;在未来以知识为中心的时代,人们也需要建立相应的城市知识体系,以确保知识的有效组织、沉淀和复用。首次提出了智能城市知识体系,包括城市知识的内容定义、知识的表达形式、知识的产生和知识的应用四部分以及各部分中的规范和方法。城市知识体系可帮助从业者快速掌握行业知识、有效组织知识、高效构建以知识为中心的智能城市应用,发挥知识的价值,并让不同应用产生的知识不断沉淀、复用和融合,让智能城市可以更快、更好的发展。

基于深度流形蒸馏网络的高光谱遥感图像场景分类方法

当前场景分类任务大多面向高分辨率遥感图像,由于缺乏光谱信息限制了它的场景鉴别能力,而高光谱遥感图像具有“空谱合一”的特性,在场景分类问题上具有独特优势。针对高光谱遥感图像中地物分布复杂,以及高光谱图像中维度高、存在冗余等问题,本文提出一种高光谱场景分类流形蒸馏网络(hyperspectral scene classification manifold distillation network,HSCMDNet),有效提高了分类性能。对于遥感图像地物分布复杂问题,HSCMDNet模型使用基于移位窗口的层次化视觉Transformer(hierarchical vision transformer using shifted windows,SwinT)作为教师网络来充分挖掘高光谱图像的长距离依赖信息,捕获不同波段之间的关系。在此基础上,在教师网络与ResNet-18学生网络之间设计流形蒸馏损失,通过在流形空间中匹配学生和教师的中间层输出特征实现教师模型的知识更有效地向轻量化学生模型转移,缓解了高光谱图像中维数高导致的高计算复杂性问题。在欧比特高光谱图像场景分类数据集(Orbita hyperspectral image scene classification dataset,OHID-SC)及天宫二号遥感图像自然场景分类数据集(natural scene classification with Tiangong-2 remotely sensed imagery,NaSC-TG2)上,所提出的HSCMDNet网络的最佳分类精度分别达到了93.60%和94.55%。

众源地理数据驱动的社区管辖范围生成

社区管辖范围在智慧社区场景中应用广泛,高时效性、可靠的社区管辖范围是提供高质量基层服务的基础。然而,目前社区管辖范围面的绘制仍然依赖于基层工作者的人工标注,具有采集门槛高、更新时效低等问题。运用社区下辖区域的空间关联点位,可实现针对复杂社区管辖范围的生成问题,本文提出了一种基于众源地理数据驱动和图神经网络建模的社区范围生成算法CB-GCN,以实现针对复杂关联点位分布及区域划分条件下的高质量、低成本社区管辖范围面生成。基于城市中的多级路网将城市划分为块面,并基于楼栋空间坐标将块面进一步细分为空间单元,再基于空间单元在众源兴趣面及路网块面中的共现关系构造空间关系图;然后,基于图卷积网络计算空间单元之间的近邻关系度,并据此加权聚合计算空间点位特征;最后根据聚合结果推断空间单元的社区归属,并得到最终的社区管辖范围。实验结果表明,CB-GCN生成社区管辖范围面的效果均优于基准方法,尤其在F1-score和IoU指标中较基准方法分别提升9.4%和14.4%。CB-GCN实现了社区面管辖范围生成的自动化,显著提升了社区管辖范围兴趣面生成的效率。

基于混合注意力时序网络的睡眠分期算法研究

睡眠分期是研究睡眠疾病的重要途径,近年来受到了广泛关注。传统手工标记方法与传统机器学习算法存在效率低下、泛化性不足的问题,虽然近期流行的深度学习网络模型依靠其学习复杂特征的能力改善了睡眠分期结果,但仍存在着忽略片段内时序信息与通道相关性的问题。本文提出了一种混合注意力时序网络,利用循环神经网络取代较为传统的卷积神经网络,从时间角度提取多导睡眠图的时序特征;然后采用片段内时序注意力与通道注意力机制,实现信号片段内时序特征融合和通道相关性特征融合;再基于循环神经网络与片段间时序注意力机制,进一步实现信号片段间时序上下文特征融合;最终根据上述混合特征完成端到端自动睡眠分期。本文采用开源数据网站上包含多个多导睡眠图的睡眠数据集进行对比实验,实验结果表明本文模型能够优于10种典型基线模型,睡眠分期准确率分别可达到0.801、0.801、0.717,平均F1分数可达到0.752、0.728、0.700,验证了本文模型的有效性。