1.3.2 各層功能

本節討論城市計算框架中每一層的功能和關鍵組件。

1.3.2.1 城市感知和數據采集層

城市感知通過傳感器或城市中的人收集不同來源的數據。城市感知主要有兩種模式，分別是以傳感器為中心的感知和以人為中心的感知。前一種模式將傳感器集合部署在固定位置（如氣象站），如圖1.3a所示，也稱為靜態感知；或將傳感器與移動物體（如公交車或出租車）一起部署，如圖1.3b所示，也稱為移動感知。一旦部署好，這些傳感器就不斷地將數據發送到后端系統，而不需要人員參與。

以人為中心的感知模式利用人類作為傳感器，當人類在城市中移動時探測城市動態。然后，綜合個人收集的信息去解決問題。這種感知模式可以進一步分為兩類：被動人群感知和主動人群感知。

當個人用戶使用現有的城市基礎設施，如無線通信系統和公共交通系統時，被動人群感知程序被動地收集他們的數據，如圖1.3c所示。人們甚至不知道他們在為被動人群感知程序貢獻數據。例如，雖然無線蜂窩網絡是為個人之間的移動通信而構建的，但一大群人的手機信號可以幫助我們了解全市通勤模式，從而改善城市規劃[5]。同樣，乘客在地鐵站的刷入和刷出數據也可以描述人們在城市中的通勤模式，盡管這樣的票務系統最初是為收取人們的通行費用而創建的。通勤者在通過自動檢票口時根本不知道自己在執行感應任務。

主動人群感知可以被視為眾包[18]和參與式感知[4]的結合。這種感知模式如圖1.3d所示，人們主動從周圍獲取信息，并貢獻自己的數據以便綜合起來解決問題。人們清楚地知道分享的目的以及他們在參與式感知項目中所做的貢獻。他們還可以根據可用性和提供的激勵措施來控制何時何地參與此類感知項目。當參與者眾多且預算有限時，主動人群感知項目還涉及參與者招募和任務分配過程[6，14]。

1.3.2.2 城市數據管理層

城市數據管理層使用云計算平臺、索引結構和檢索算法管理來自不同領域的大規模動態城市數據，如交通、氣象、人員流動和POI數據。

第一，該層為不同類型的城市數據在云上設計了不同的存儲機制。根據數據結構，城市數據分為兩類：點數據和網絡數據。城市數據也可以按其時空動力學分為三類，包括時空靜態數據、空間靜態時間動態數據、時空動態數據。

第二，該層為空間和時空數據設計了獨特的索引結構和檢索算法，因為大多數城市數據都與空間和時間屬性相關。此外，為了支持上層的跨域數據挖掘任務，需要混合索引結構來組織來自不同域的多模態數據。這些索引和檢索技術是上層數據挖掘和機器學習任務的基礎。

第三，該層還啟用了一些高級數據管理功能，包括地圖匹配[31，56]、軌跡壓縮[7，42]、尋找最大k覆蓋[27]和動態調度[32-33，62]等，這些功能本身就可以解決許多城市計算問題。

1.3.2.3 城市數據分析層

該層應用了多種數據挖掘模型和機器學習算法，以發揮不同領域數據中知識的能量。該層采用基本的數據挖掘和機器學習模型，如聚類、分類、回歸和異常檢測算法，來處理時空數據。該層還基于跨域數據融合方法[64]融合了來自多個不同數據集的知識，如基于深度學習[61]、基于多視圖、基于概率相關性和基于遷移學習[48]。由于許多城市計算應用程序需要即時服務，因此在數據挖掘中將數據庫技術與機器學習算法相結合也很重要。基于上述組件，該層的高級主題包括填補時空數據中的缺失值、預測模型、對象分析和因果推斷。還必須啟用交互式視覺數據分析[28]，通過讓領域專家參與數據挖掘循環，將人類智慧與機器智能相結合。

1.3.2.4 服務層

服務層提供了一個接口，允許領域系統通過云計算平臺從城市計算應用中獲取知識。由于城市計算是一個跨學科的領域，數據中的知識必須整合到現有的領域系統中，以指導系統的決策制定。如圖1.4所示，通過一組應用程序編程接口（API），城市計算應用程序中的空氣質量預測可以整合到現有的移動應用程序中，幫助人們做旅行規劃或者幫助環境保護機構制定污染控制決策。

就服務創建的時間而言，這一層提供了三種類型的服務，包括理解當前情況、預測未來和診斷歷史。例如，基于大數據推斷整個城市的實時和細粒度空氣質量屬于第一類[71]，預測未來空氣質量屬于第二類[77]，根據長期積累的數據診斷空氣污染的根本原因屬于第三類[80]。基于創建服務的領域，該層提供從交通到環境保護、城市規劃、節能、社會功能和娛樂以及公共安全領域的服務。