圖1.5 采樣數據的偏斜分布

圖1.6 城市感知中的數據稀疏和缺失

圖1.10 空間數據的層次屬性

圖2.3 使用人類移動性和POI識別城市的功能區域

圖2.6 T-Drive：基于出租車行駛軌跡的駕駛建議

圖2.7 基于通行時間估計的稀疏軌跡

圖2.9 共享自行車系統中的交通預測

圖2.10 使用大數據監測實時和細粒度空氣質量

圖2.12 紐約市的噪聲投訴（2012年5月23日至2014年1月13日）

圖2.13 紐約市噪聲污染診斷

圖2.14 利用配備GPS的出租車對城市加油行為進行人群感知

圖2.15 根據稀疏軌跡推斷車輛的汽油消耗和污染排放

圖2.17 根據大數據對房產進行排名

圖2.18 城市快遞系統

圖3.12 選擇部署空氣質量傳感器的位置

圖4.22 典型軌跡查詢

圖4.27 用于響應路徑查詢的基于后綴樹的索引

圖4.35 跨域相關模式挖掘的混合索引

圖9.4 使用軌跡和POI估計用戶相似性

圖10.2 POI和噪聲投訴的地理空間分布

圖10.3 氣象特征與PM10的相關矩陣

圖10.8 Douglas-Peucker算法示例

圖10.12 不確定軌跡示例

圖10.22 城市計算與傳統機器學習系統之間的差異