通过AI找到一辆车接这个人，并且他真正距离最小，这是一个最优的方案。但现在是不是还有别的车，可以满足乘客的到达时间，同时也要征求乘客的拼车意愿？如果可以使乘客的到达时间稍微推迟五分钟，但是可以省五块钱，你愿不愿意？在拼车方案中，保证乘客在规定时间到达，这个是关键的。

　　通过对车辆距离、预期到达时间与价格之间的动态平衡匹配，最大化满足用户的需求，是一个很困难的问题。这些需求已经超过了人类自己思考可以实现，必须要人工智能后面重新调度。

　　使用AI技术模拟，把出租车换成一个卡车，把一个人看成货物，上车点是取货地点，乘客下车地点是送货地点。我们把这些应用于顺丰合作，可以在不增加人员的情况把顺丰的吞吐效率提高5%-10%。

　　实现了当下的优化以后，对未来的优化更加重要。这将涉及到深度学习。

　　以物流业为例，未来的物流一要看预测，二要看累计最优，三要加时空索引，这三个东西要加在一起。

　　假设我们把一公里分成很多格子，可以预测未来有多少人进有多少人出，可以预测未来有多少人请求摩拜，有多少人请求滴滴，有多少人订饿了么。我们在贵阳已经开始做这种预测了，在贵阳预测的是每个格子里面有多少出租车进有多少出租车出。能够预测出未来这个地方有多少人请求饿了么的订单。用这种数据来验证我模型的正确性。

　　做深度学习预测人流、订单量最开始的动机来自于上海市的踩踏事件。踩踏事件发生之后我很痛心地写了一个微博，我说，这个事情可以通过人工智能做预测提前避免，如果提前两三个小时知道未来有多少人去那个地方，就可以从源头分流，不要等到大家都去了去疏解。如果政府能够提前预测量级，可以提前预备安全措施。

　　类似的公共需求也适用于北京地铁，商业需求则适用于滴滴、摩拜和饿了么等。

　　但是预测人流量是一个困难的工作，因为相关因素非常多。同时，时间空间数据不同于文本，空间有距离，有层次，时间有周期性，还有趋势性。

　　比如说交通容量每天都有变化，我们一定要考虑到时间的周期、趋势、临近性，考虑到空间的远近性，把不同的数据进行融合，以及不同的影响因子在不同层次融合。最后得到好的结果。这个数据在北京的出租车得到印证，在美国的自行车租赁系统得到印证，现在拿摩拜进行印证，效果都比以前的方法好很多。

　　/4/城市计算在空气质量领域的应用

　　微软亚洲研究院曾经用大数据和人工智能的算法预测全国200多个城市的空气质量。

　　因为空气质量受很多复杂的影响，包括周边的楼房密度，周边的交通拥堵情况，周边的扩散情况，导致整个城市空气质量不均匀。

　　我们把京津冀、珠三角、长三角城市群数据放在一起，做大尺度的系列预测和分析。有了这个信息之后，你会发现每次空气质量从好变坏过程中，你就知道哪里先变坏，哪里后变坏，知道它的传播过程。政府是明确需要知道非常细的空气质量的数据，甚至要细到宾馆级，因为有的时候我们领导人就住在某个宾馆。

　　预测未来。我的预测是系列预测，空气质量预测既要看天还要看人，是个很困难的事情。如果你要看细，细到西直门、东直门怎么样？这非常困难。还有空气质量拐点的预测，我们知道当刮大风和下大雨时，空气质量从500瞬间就变成了50，这个拐点的出现对政府来说是极关重要的。

　　可是，空气质量的拐点为什么那么重要呢？举例说明，政府曾经做了很多措施限流限行，关闭了河北的工厂，以北京为中心画一个圆，把圆里面所有的工厂全关掉，使得我们的空气质量保持在100以下。但如果你知道明天是拐点，明天会下降干嘛去关它？这一个决策就能够帮国家避免上百亿上千亿的损失。

　　微软亚洲研究院还在贵阳落地中国第一个交通流量图。这个地方显示的是车的流量不是简单的速度，对政府的管理、规划它一定要知道有多少车经过，即流量。有了流量之后就能算出速度、油耗，每个路段上面都可以算出来，进而可以看出来每个路段实时排放的PM2.5有多少，现在能把车的尾气排放算出来，结合空气中测点的读数，我们知道空气中尾气排放和PM2.5结合在一起，我们就能够正确回答空气中汽车尾气排放和PM2.5到底占多少，这个对政府的指导具有重要的意义。

　　/5/做好真正智能城市的四个关键