通过预测人流动向，也许踩踏事故再也不会发生了。

　　作者 | 龟途慢慢

　　我们该如何丈量我们所生活的城市？

　　经济学家有 GDP 等经济学数值，社会学家有各项社会调查指标，建筑学家、统计学家……似乎各行各业都有自己「计算」一座城市的方法。那，计算机科学家该如何做这件事呢？

　　从 2008 年开始，来自微软亚洲研究院的郑宇博士开始主持一项名为「城市计算」的研究，具体地说，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。

　　在这个多种学科交叉（城市规划、交通、能源、环境、社会学和经济学等）、覆盖面积极大的领域，其主要研究的问题有四项：

　　· 城市感知：如何利用城市现有的资源（如手机、传感器、车辆和人等），在不干扰人们生活的前提下自动感知城市的韵律。如何从大量的传感器和设备中高效而可靠地收集、传送数据将给现有的传感器网络技术带来挑战。

　　· 海量异构数据的管理：城市产生的数据五花八门，属性差别很大。例如：气象是时序数据，兴趣点是空间点数据，道路是空间图数据，人的移动是轨迹数据（时间+空间），交通流量是流数据，社交网络上用户发布的信息是文本或图像数据。如何管理和整合大规模的异构数据是一个新的挑战。

　　· 异构数据的协同计算：这部分包括三个方面：(1) 如何从不同的数据源中获取相互增强的知识是一个新的课题。传统的机器学习往往基于单一数据，如自然语言处理主要分析文本数据，图像视觉主要基于图像数据。在城市计算的很多应用中，对不同性质的数据一视同仁，其效果并不理想。(2) 在保证知识提取深度的同时，如何提高对大数据的分析效率，从而满足城市计算中众多实时性要求较高的应用（如空气质量预测、异常事件监测等），也是一个难题。(3) 数据维度的增加也容易导致数据稀疏性问题。当数据规模达到一定程度，简单的矩阵分解算法都变得难以执行。

　　· 虚实结合的混合式系统：城市计算常常催生混合系统，如云加端模式，即信息产生在物理世界，通过终端设备被收集到云端（虚拟世界）分析和处理，最后云再将提取的知识作为服务提供给物理世界的终端用户。数据在物理和虚拟世界中来回穿行，从分散到集中，再到分散。这对系统的设计和搭建提出了更高的要求。

　　而在刚刚举行的 AAAI 2017 大会上，郑宇博士就城市计算问题最新发表了一篇名为《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》的论文，这篇文章聚焦在「城市人流量预测」问题上，目的是希望预测整个城市每一个区域在未来某个时刻会有多少人进、多少人出。（下载地址在此：https://www.microsoft.com/en-us/research/publication/deep-spatio-temporal-residual-networks-for-citywide-crowd-flows-prediction/）

　　郑宇博士 图来源微软

　　举个例子，在 2014 年 12 月 31 号的上海外滩踩踏事件中，如果我们可以提前若干时间预测到当时的人流状况，相关政府部门就能提前做出人员疏导安排，防止悲剧的发生。

　　在贵阳预测出租车的流向

　　打开 UrbanFlow—— 这个网址，你能看到一个网格状的贵阳市。在这里，郑宇和他的团队把城市划成一公里乘一公里的方格，基于云计算和大数据以及 AI 技术，去预测每个格子里面未来会有多少出租车的进和出。

　　能获得什么样的预测结果取决于输入的数据。

　　「你给我手机信号，我就可以预测有多少人进和出。你给我地铁的刷卡记录，我就能预测地铁站有多少人进和出，这个模型是通用的，我们只需要在一些数据上去验证这个模型的准确性和有效性。」郑宇如是说道。

　　要做到这样的工作其实并不容易，需要解决的难点有三个：