PREFACE
前言

快速的城市化導致了許多大城市的擴張，在使生活變得現代化的同時，也帶來了巨大的挑戰，如空氣污染、能源消耗和交通擁堵等。考慮到城市的復雜和動態環境，幾年前要應對這些挑戰似乎是不可能的。而現在，感知技術和大規模計算基礎設施已經產生了各種大數據，如人類流動、氣象、交通模式和地理數據等。了解相應的大數據意味著對一座城市有了充分的了解。如果對大數據的使用得當，將有助于我們應對這些挑戰。此外，云計算和人工智能等計算技術的興起為我們提供了前所未有的數據處理能力。

在這種情況下，城市計算作為一個跨學科領域蓬勃發展，并將計算機科學與傳統的城市相關領域（如城市規劃、交通、環境科學、能源工程、經濟學和社會學等）相結合。城市計算旨在釋放城市數據中的知識力量，解決城市中的重大問題，從而實現人、城市運營系統和環境之間的三贏。簡而言之，城市計算將通過大數據、云計算、人工智能等先進計算技術來應對城市挑戰。

多年來，人們一直在討論智慧城市的愿景，希望整合多種信息和通信技術來源來提高生活質量。然而，目前尚不清楚如何實現這樣一個廣闊的愿景。城市計算沒有停留在對智慧城市愿景無休止的討論中，而是在以數據為中心的計算框架中通過具體的方法來應對特定的城市挑戰，該框架包括城市感知、城市數據管理、城市數據分析及所提供服務。

盡管已有其他幾本關于城市信息學的書，但這是一本專門研究城市計算的書，涵蓋范圍廣泛，敘述嚴謹。本書從計算機科學的角度介紹了城市計算的一般框架、關鍵研究問題、方法和應用。具體地，本書專注于數據和計算，將城市計算與基于經典模型和經驗假設的傳統城市科學區分開來。

本書面向高年級本科生、研究生、研究人員和專業人士，涵蓋了城市計算領域的主要基礎知識和關鍵高級主題。每一章都是一個教程，介紹城市計算的一個重要方面，并為相關研究提供許多有價值的參考。本書為研究人員和應用程序開發人員全面講解了城市感知、城市數據管理、城市數據分析及所提供服務的一般概念、技術和應用，幫助讀者探索這一領域并開發新的方法和應用程序，最終實現更綠色、更智能的城市。本書也為研究生和其他感興趣的讀者提供了城市計算研究領域的最新進展。

本書根據城市計算的框架進行組織，如下圖所示，由四個部分組成：概念和框架、城市感知與數據采集、城市數據管理、城市數據分析。

本書的第一部分（第1章和第2章）給出城市計算的概述。

第1章介紹了城市計算的關鍵概念和框架，從計算機科學的角度討論了框架各層面臨的主要挑戰。介紹了城市的數據來源，根據數據結構和時空特性將城市數據分為六類。該章末尾列出了一些公共數據集。

第2章介紹了城市計算在不同領域的典型應用，包括交通、城市規劃、環境保護、能源、經濟、公共安全以及社交和娛樂領域。這些應用拓寬了我們的視野，提出了新的研究課題，也激發了新的想法。

本書的第二部分（第3章）介紹了數據的來源和收集方法。

第3章介紹了城市感知的四種范式，包括靜態感知、移動感知、被動人群感知和主動人群感知。前兩種范式屬于以傳感器為中心的感知，后兩種范式屬于以人為中心的感知。對于以傳感器為中心的感知模式，介紹了四種傳感器部署模型。對于以人為中心的感知范式，提出了參與者招募和任務設計的技術。最后介紹了三類模型，包括空間模型、時間模型和時空模型，用于填補地質傳感器數據中的缺失值。

本書的第三部分由第4～6章組成，介紹了空間數據和時空數據的數據管理。從基本的索引和檢索算法開始，討論了使用云計算平臺來管理空間數據和時空數據的技術。

第4章首先從建立索引、服務時空范圍查詢、服務最近鄰查詢和更新索引四個角度介紹了四種廣泛使用的空間數據索引結構，包括基于網格的索引、基于四叉樹的索引、k-d樹和R樹。然后介紹了管理時空數據的技術，包括移動對象數據庫和軌跡數據管理。前者更關心移動對象在（通常是最近的）時間戳上的具體位置，后者涉及移動對象在給定時間間隔內經過的連續運動（例如路徑）。關于移動對象數據庫，描述了三種查詢和兩種索引方法。一種索引方法在每個時間戳上建立一個空間索引，并在連續的時間間隔內重用索引的未更改子結構。另一種索引方法將時間視為第三維度，將空間索引結構從管理二維空間數據擴展到管理三維時空數據。關于軌跡數據管理，提出了三種類型的查詢，包括范圍查詢、k近鄰查詢和路徑查詢，還為軌跡數據設計了不同距離度量。最后介紹了用于管理多個數據集的混合索引結構。

第5章從存儲、計算和應用程序接口的角度介紹了云計算平臺中的主要組件。使用Microsoft Azure作為示例平臺來描述每個組件的框架和一般使用過程。Microsoft Azure中的存儲進一步由SQL Server、Azure存儲和Redis組成。Microsoft Azure計算資源包括虛擬機、云服務和HDInsight。HDInsight是Microsoft Azure中的一個分布式計算組件，用于執行大規模數據預處理、管理和挖掘，并包含廣泛使用的Hadoop、Spark和Storm。Azure提供的應用程序接口由Web應用程序、移動應用程序和API應用程序組成。這些組件確保了城市計算應用程序的順利和可靠實現。

第6章介紹了分別為六種類型的時空數據設計的數據管理方案，這些方案使當前的云計算平臺能夠以最小的工作量管理海量和動態的時空數據。對于每種類型的數據，根據是否使用空間索引或時空索引以及是否將其部署在分布式系統上，提出了四種數據管理方案。不是從根本上重建一個新的平臺，而是利用當前云上的現有資源和架構，如云存儲和HDInsight，為空間數據和時空數據創建一個增強的數據管理平臺。四種方案中最高級的數據管理方案將空間索引和時空索引（例如，基于網格的索引、R樹和3D R樹）集成到分布式計算系統中，如HDInsight中的Spark和Storm。這種高級的方案結合了雙方的優勢，使我們能夠更高效地處理更大規模的時空數據，同時使用更少的計算資源。

本書的第四部分由第7～10章組成，介紹了從城市數據中挖掘知識的基本技術和高級主題。從基本的數據挖掘算法開始，介紹了針對時空數據設計的高級機器學習技術以及跨領域知識融合方法。最后討論了城市計算的一些高級主題，如選擇有用的數據集、軌跡數據挖掘、將數據管理與機器學習相結合以及交互式視覺數據分析等。

第7章介紹了數據挖掘的一般框架，包括兩個主要部分：數據預處理和數據分析。數據預處理部分又包括數據清洗、數據轉換和數據集成。數據分析由各種數據挖掘模型、結果表示和評估組成。根據模型要完成的任務，數據挖掘模型可以分為五大類：頻繁模式挖掘、聚類、分類、回歸和異常值檢測。對于每一類模型，該章在從空間數據和時空數據中挖掘知識的背景下介紹了其總體思想和具體示例。

第8章首先討論了時空數據與圖像和文本數據相比的不同性質。空間屬性包括空間距離和空間層次。時間屬性由時間接近度、周期和趨勢組成。這些獨特的屬性使得需要專門為時空數據設計高級機器學習算法。然后，該章介紹了時空數據背景下六類機器學習算法（包括協同過濾、矩陣分解、張量分解、概率圖模型、深度學習和強化學習）的原理，并提供了豐富的實例來展示這些機器學習算法應該如何適應時空數據。例如，耦合矩陣分解被設計為能夠進行位置推薦和交通狀況估計。貝葉斯網絡用于推斷交通量、進行地圖匹配和發現區域的潛在功能。特定的馬爾可夫隨機場用于預測用戶的交通方式和一個地方的空氣質量。最后提出了一個獨特的專門用于預測城市中每個地區的人群流量的深度學習模型。

傳統的數據挖掘通常處理來自單個域的數據。在大數據時代，我們面臨著來自不同領域不同來源的無數數據集。這些數據集由多個模態組成，每個模態都有不同的表示、分布、規模和密度。融合多個數據集的目的包括填充缺失值、預測未來、推斷因果關系、分析對象、排序和檢測異常。在大數據研究中，能夠釋放多個不同（但可能有關）數據集中知識的能量至關重要，這從本質上區分了大數據和傳統的數據挖掘任務。這就需要高級的技術，以在機器學習和數據挖掘任務中有機地融合來自各種數據集的知識。第9章介紹了三類知識融合方法，包括基于階段的方法、基于特征的方法和基于語義意義的方法。最后一類融合方法進一步分為四組：基于多視圖、基于相似性、基于概率依賴和基于遷移學習的方法。這些方法側重于知識融合，而不是模式映射和數據合并，顯著區分了跨領域數據融合和數據庫社區中研究的傳統數據融合。該章不僅介紹了每一類方法的原理，還介紹了使用這些技術處理真實大數據問題的有價值的示例。此外，該章將現有的研究放在一個框架內，探討了不同知識融合方法之間的關系和差異。

第10章在前幾章介紹的基本技術的基礎上討論了一些城市數據分析的高級主題。第一，給定一個城市計算問題，通常需要確定應該選擇哪些數據集來解決給定問題。通過選擇正確的數據集，我們更有可能高效地解決問題。第二，軌跡數據具有復雜的數據模型，包含了關于移動對象的豐富知識，從而需要獨特的數據挖掘技術。第三，從大規模數據集中提取具有深遠意義的知識需要高效的數據管理技術和有效的機器學習模型，這兩種技術的有機結合對于完成城市計算任務是必不可少的。第四，解決城市計算問題需要數據科學知識和領域知識。如何將人類智能與機器智能相結合是一個值得討論的前沿課題。交互式視覺數據分析可能是解決這一問題的一種方法。

對于年輕且不斷發展的城市計算領域，希望本書能提供有益的參考并且是一本實用的教程。

鄭宇