导语


随着大数据和人工智能的飞速发展，时空AI已经成为城市科学领域学界和业界共同关注的焦点。通过收集和分析大量的时空数据，我们能够深入了解城市中的交通流量、人流动态、资源分配等关键信息。借助先进的人工智能技术，我们可以实现对城市运行状态的实时监测和预测，从而做出更科学的决策和规划。那么，时空数据的来源有哪些？时空AI的分析框架是什么？又有哪些重点领域的前沿应用？


“复杂系统视角下的城市科学”读书会的第七次分享，我们邀请到了寄家豪博士以《时空大数据与AI在城市中的应用》为题，探讨城市时空大数据的定义及其泛在性，以及时空AI的体系架构、发展历程与挑战。


集智俱乐部的“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，通过对“城市作为复杂系统”的理论、研究方法及应用的分享、讨论和梳理，促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。本系列读书会线上进行，2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎对城市科学这一前沿领域有兴趣的朋友报名参与！






分享简介




本期读书会，寄家豪博士将在介绍城市时空大数据的基础上，系统介绍城市计算的体系架构、时空AI的发展历程和挑战与未来。

 •  第一部分介绍城市时空大数据。这部分将重点介绍将时空数据的定义及其泛在性，包括地理研究、城市科学、社交网络与神经科学等领域的时空数据，在此基础上引入近年来爆发式增长的城市时空数据。

 •  第二部分介绍城市计算的体系架构。这部分将结合文献Urban Computing: Concepts, Methodologies, and Applications，介绍时空AI的数据管理，包括时空数据的采集、清洗、存储等环节；时空AI的建模方法，包括统计学、机器学习、深度学习等；时空AI的常见任务，包括时空预测、补全、分类，时空异常检测等；时空AI的应用场景，包括社会经济、城市环境、人类移动与交通三大方面；最后，这部分将总结城市计算的体系架构。

 •  第三部分介绍时空AI的发展历程。首先是百家争鸣阶段：初期研究者尝试探索时空数据中潜藏的规律和特征，一方认为时间是主导一切的因素，而另一方认为空间才是决定事物发展的核心，这场争论促使人们开始思考如何将时间和空间融合，以更好地推动AI技术的发展。之后是统一范式阶段：统一范式意味着将时空协同建模作为实现AI的关键方法，这种方法通过对时间和空间之间的动态依赖关系进行建模，实现了对时空关联数据的综合分析和处理。对于时空AI的前沿视角，时空AI的发展并不仅仅局限于时间和空间的建模，还需要注重动态依赖与异质性，动态依赖指动态变化的时间和空间依赖，时空AI需要对这种变化的依赖规律进行建模与更新，异质性指时空数据在时间上或空间上表现出来的异质性，时空AI需要灵活地处理不同时空样本的不同特点和表达方式。

 •  第四部分介绍时空AI的挑战与未来。这部分聚焦于时空AI在极端场景下的泛化性，以及对于可解释性的探索。





分享大纲




一、城市时空大数据
二、城市计算的体系架构
  • 数据管理与建模方法
  • 常见任务与应用场景
三、时空AI的发展历程
  • 百家争鸣：时间为主或空间为主
  • 统一范式：时空协同建模
  • 前沿视角：动态依赖与异质性
四、时空AI的挑战与未来




核心概念




 •  时空大数据 Spatio-Temporal Big Data：基于统一时空基准（时间参照系和空间参照系）、活动（运动变化）在时间和空间中与位置直接（定位）或间接（空间分布）相关联的大规模海量数据集。时空大数据除具有一般大数据的5V特征外，还具有位置特征、时间特征、属性特征、尺度（分辨率）特征、多源异构特征、多维动态可视化特征。
 •  城市计算 Urban Computing：城市计算是一个交叉学科，是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。更具体的说，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相结合，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。
 •  时空AI Spatio-Temporal AI：人工智能领域的新型创新应用技术，旨在以时空为“索引”对多源异构数据进行时空化治理和融合，并借力知识工程和AI算法进行智能化分析，从而挖掘知识和辅助决策。时空人工智能是地理空间智能、城市空间智能和时空大数据智能等的统一表示，包括从时空感知、认知到决策的多项核心技术。其应用生态领域非常广泛，包括智慧城市、智能交通、智能园区、智能零售、智能地产、智能商业等多个领域。





主讲人介绍




寄家豪：寄家豪是北京航空航天大学计算机学院在读博士，主要研究内容是时空数据挖掘，城市计算与可解释性。
个人主页 https://echo-ji.github.io/academicpages/




直播信息




时间：
2023年8月19日（本周六）晚上20:00-22:00

参与方式：

扫码参与复杂系统视角的城市科学读书会，加入群聊，获取系列读书会回看权限，成为城市科学社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动城市科学社区的发展。




参考文献




 • Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science, 353(6301), 790-794.

https://doi.org/10.1126/science.aaf7894

 • Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 5(3), 1-55.

https://doi.org/10.1145/2629592

 • Wang, S., Cao, J., & Philip, S. Y. (2020). Deep learning for spatio-temporal data mining: A survey. IEEE transactions on knowledge and data engineering, 34(8), 3681-3700.

https://doi.org/10.1109/tkde.2020.3025580

 • Jin, G., Liang, Y., Fang, Y., Huang, J., Zhang, J., & Zheng, Y. (2023). Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey. arXiv preprint arXiv:2303.14483.

https://doi.org/10.1002/adma.201700990

 • Zhang, F., Wu, L., Zhu, D., & Liu, Y. (2019). Social sensing from street-level imagery: A case study in learning spatio-temporal urban mobility patterns. ISPRS Journal of Photogrammetry and Remote Sensing, 153, 48-58. https://doi.org/10.1016/j.isprsjprs.2019.04.017

 • Ji, J., Wang, J., Jiang, Z., Jiang, J., & Zhang, H. (2022, June). STDEN: Towards physics-guided neural networks for traffic flow prediction. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 36, No. 4, pp. 4048-4056).
https://doi.org/10.1609/aaai.v36i4.20322



城市科学读书会启动


随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。为了建设一个让人们幸福生活、可持续发展的城市，我们对于城市的基本运行规律迫切需要科学的认知。

近十几年来，数据获取手段的进步及计算技术的发展，为研究城市问题提供了新的机会。智能手机、物联网、卫星遥感使我们可以获取高精度的城市数据，提供了数据基础；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。

除了数据与方法外，复杂性科学（Complexity）也极大地推动了城市科学的跨学科发展。复杂性科学从演生的视角，在不同的时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；同时，基于复杂系统的模拟方法也在实践中有广阔的应用前景。

在这个大背景下，集智俱乐部的“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，通过对“城市作为复杂系统”的理论、研究方法及应用的分享、讨论和梳理，促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。

本系列读书会线上进行，2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。读书会详情及参与方式见后文。


详情请见：
城市科学读书会启动：AI与因果交织的城市复杂系统



点击“阅读原文”，报名读书会