智慧城市综合感知与智能决策的进展及应用

龚健雅，张 翔，向隆刚，陈能成

1. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079； 2. 武汉大学遥感信息工程学院，湖北 武汉 430079； 3. 地球空间信息技术协同创新中心，湖北 武汉 430079

1 智慧城市

智慧城市是数字城市的智能化，是数字城市功能的延伸、拓展和升华[1-5]，通过物联网把数字城市与物理城市无缝连接起来，利用云计算和人工智能等技术对实时感知数据进行即时处理并提供智能化服务[6]。因此，智慧城市的基础是感知，关键是管理，价值是决策。2011年起，国家科技部先后部署了“智慧城市(一期)”863计划主题项目、“智慧城市(二期)”863计划重大项目、“物联网与智慧城市关键技术及示范”国家重点研发计划专项等，在智慧城市技术架构[7-9]、数据活化[10]、数据融合[11-12]、数据获取[13-14]、系统互联[15]、高性能分析[16-17]、时空模拟[18-22]、动态呈现[23-25]和信息服务[26-27]等方面取得了一系列系统性的成果[28]。特别是近几年，在物联网、社会感知、大数据、人工智能和信物融合等领域涌现出一批创新的思想、方法、技术和产品，对于我国智慧城市的集成研究和示范应用具有重要意义。

为此，本文聚焦城市综合感知、时空大数据管理分析与多层次信息智能决策等智慧城市前沿研究领域，综述最新进展，梳理城市时空信息平台及典型应用，最后分析了未来智慧城市感知、管理与决策面临的挑战。

2 基于空天地集成化传感网的城市综合感知

2.1 智慧城市中的空间信息基础设施

空间信息基础设施是国家信息基础的重要组成部分，也是城市智慧化的重要前提。当前我国城市空间信息基础设施包含导航与位置服务网[29-30]、地理信息服务网[31-32]和行业感知网[33-34]等3大类及10余种子类，具体表现形式和特征见表1。当前城市各类空间信息基础设施正逐步完善，其感知能力、服务标准和应用规范基本可以满足城市相应领域需求。

表1 智慧城市中的空间信息基础设施

2.2 空天地集成化传感网的思想与方法

虽然具备了较为全面的城市空间信息基础设施，但如何有效地集成利用，构建一体化空间信息基础设施，应对“三多现状”(多观测耦合、多协议互联、多主题交互)和“三高需求”(高时空感知、高精度感知、高智能感知)一直面临巨大挑战。经过10余年的研究，笔者认为，构建空天地集成化传感网，是应对这一挑战最有希望的解决方案[13-14]。空天地集成化传感网，利用高速通信网络和无处不在的感知手段，遵循观测、数据、处理和服务等标准规范，集成现有空间信息基础设施，采用异构资源集成管理、多平台协同观测、多源数据融合，以及信息聚焦服务等多种方法和技术，构建互联互通的城市感知基础体系(如图1所示)。这一体系属于空间信息网络的一种实例化[35]，将从系统论和协同论角度构建满足智慧城市的多尺度、高时变和多样化感知需求，特别是对资源环境灾害和各种人流、物流及事件流的监测与跟踪具有重要意义。

正确理解空天地集成化传感网要把握4个层次的内涵：首先，它是一种系统性、多维度和多尺度监测分析的新思想，要求从系统论的角度思考城市感知问题，从协同论的角度融合空天地多种手段，这对传统感知行业的从业者来说，是一种思想革新；其次，它是一种互联互通大规模城市监测资源的新技术，包括海量传感器组网通信[36]、异构传感器接入[37-38]、传感网资源管理[39]、传感网服务组合[40-41]、流式数据挖掘分析[42-43]和地理信息互操作[44-45]等技术；再次，它是一种协同多源异构城市感知资源的新方法，包括传感器信息建模[46-47]、观测能力评价[48-51]、协同监测[52-53]、点面观测数据融合[54-55]和按需聚焦服务[56]等方法；最后，它是一种实现城市泛在感知与深度智能的新愿景，无论是李德仁院士谈到的4W到4R信息服务能力[57]，还是城市感知脑[58]，还是未来通导遥一体化蓝图[59]，其基础都包括空天地集成化传感网。

图1 空天地集成化传感网的架构Fig.1 Architecture of space-air-ground integrated sensor web

2.3 基于空天地集成化传感网的城市综合感知

基于空天地集成化的传感网，有望实现前所未有的城市感知能力，其中最有价值的就是多尺度感知能力。多尺度的城市感知意味着从感知手段、内容、精度和时效都是多尺度的，感知手段包括观测平台(卫星、无人机、测量车、行业网、机器人、智能手机)；感知范围包括城市群、城市和街区；感知精度以米、分米、厘米；感知时效性包括季度、周、即时。这种由一张网和一平台支撑的综合感知信息，可实现城市群趋势分析、城市运行状态监测和街区个体行为跟踪。这是基于空天地集成化传感网的城市综合感知相比于传统的城市感知网络最突出的特征和最大的优势。

依托“物联网与智慧城市关键技术及示范”国家重点研发计划重点专项“城市多尺度综合感知技术与体系”，国内多家单位强强联合，开展基于空天地集成化传感网的城市综合感知相关技术研发、平台集成与应用示范(如图2所示)。其主要目标在于实现城市群至街区尺度的自然地表要素、人车物运动目标和街区复杂场景的在线感知，获取海量时空数据[23]，构建多尺度综合感知服务系统，并提供主动按需即时服务。主要研究内容包括：①建立多尺度综合感知指标、共性技术与标准体系，研究城市群地表要素空间无缝感知技术，构建城市群地表要素无缝感知系统和典型产品；②研究多尺度智能光场视频成像与分析技术，建立十亿像素光场视频成像装置和城市多尺度交通感知分析平台；③研发精细场景时空感知设备与在线监测技术，构建街区突发事件立体感知网；④研制城市多尺度综合感知服务系统，开展城市群至街区尺度暴雨内涝、区域交通和江河湖生态环境示范。

图2 基于空天地集成化传感网的城市多尺度综合感知概念图Fig.2 Concept of multi-scale and comprehensive city sensing based on space-air-ground integrated sensor web

3 城市时空大数据的管理与分析

3.1 城市时空大数据集成管理

时空大数据是一种与多尺度时间和空间密切关联的大数据[60-61]。城市中的时空大数据来源广泛，既包括广泛存在的传感网，也包括城市生活中的主体(人)。除具备数据量大、种类多样、价值较低、增长迅速等特性外，还具备时空相关性、时空异质性等内在属性，而且还存在数据倾斜与分布不均的固有特性[62-63]。城市时空大数据的上述特征势必对基于关系数据库的传统空间数据管理带来了挑战[64]：①来自多源传感器的异构非结构化数据加大了使用关系数据库管理的难度；②面对数据量庞大，且持续增长的海量数据集，关系数据库在可扩展性上也存在难以克服的问题；③Web2.0应用的普及对高并发处理和持续可用性提出了更高的要求。总而言之，传统GIS所依赖的关系型数据库已经难以适用于动态管理、海量存储和高并发访问的新应用场景。

NoSQL(not only SQL)数据库，凭借其弱模式表达、分布式组织、高吞吐量处理，以及易拓展与高可用的特性，已发展成为大数据时代的新型数据管理方案[65]，并在空间信息领域得到了大量应用[66-67]。因此，数据模型、组织方式、索引结构、存储管理等技术决定了城市时空大数据的高效存储和访问效率。一种可能的方式是将空间和时间联合表达为时空立方，并建立城市时空对象与时空单元的关联和映射。在此基础上，进行时空单元降维与编码，将高维度时空单元表达为一维行键，从而充分利用NoSQL数据库的数据分布机制，实现城市时空大数据的多节点均衡存储，支持时空查询的数据端计算和并行处理，见图3。

3.2 城市时空大数据实时分析

充分利用空天地集成化传感网获取的实时城市信息，全面、准确、及时地提取城市与社会的动态变化，是提高城市管理能力和社会治理效率的全新驱动力[62-63]。静态地理信息系统缺乏时间维度，时态地理信息系统则以静态方式管理历史状态，难以应对实时地理数据集成表达、融合组织、弹性服务、即时协同带来的巨大挑战[2,59,68]：①多源实时地理信息的集成表达问题，物理世界瞬息万变，泛在物联网时刻产生多源海量、流式异构、时空关联的实时观测数据；②实时地理信息的融合组织问题，多源实时观测数据按不同频率产生，以不同模式汇入，将形成长时序、多关联的大规模现势-历史混合数据集；③实时地理信息的弹性服务问题，时空不均的数据请求导致有限资源供给失衡，瞬时突发的用户访问将造成高并发读写压力。

为此，城市时空大数据实时分析的前提是建立有效实时GIS时空数据模型[69]。一个面向时空大数据的实时GIS的时空数据模型应具备以下5个基本特点：①能够兼顾传统GIS对时空数据管理的需求；②能够高效管理运动目标的动态地理数据[70]；③能够高效管理传感网实时观测数据；④能够有效支持实时GIS的动态过程模拟[71]；⑤能够有效建立各种地理对象、状态、事件、过程等要素的相互关系。

图3 基于分布式非关系数据库的城市时空大数据管理引擎Fig.3 Spatio-temporal city big data management engine based on distributed NoSQL database

在国家863地球观测与导航领域主题项目“时空过程模拟与实时GIS系统”中，笔者提出了一个通用的实时GIS时空数据模型[69-72]，实现对象、关系、过程与观测的一体化建模，用于存储和管理在复杂地理现象时空变化过程中所涉及的时空数据，以支撑实时GIS可视化及分析应用；在此基础上提出面向实时异构海量地理信息的融合处理技术，形成从数据接入、融合到分析的实时信息处理链路，并构建高性能实时地理信息数据库系统和计算引擎；自主研发了涵盖从数据到系统、从部署到运营的实时地理信息服务平台[73]。

3.3 城市时空大数据深度挖掘

时空数据挖掘包含时空模式、时空数据聚类、时空数据分类、时空数据异常检测等[74-75]。具体到城市中，可利用时空大数据挖掘发现交通拥堵规律[76-78]、地质灾害潜在隐患点[79]，特定犯罪类型的高发时空[80-81]以及流行疾病的传播过程[82]。在机器学习方法和深度神经网络技术的支撑下，城市时空数据挖掘正朝着更加智能、高效的方向发展，目前在犯罪易发点发现、交通协调与管理、城市传染病监控、公共卫生与医疗健康等课题上，数据的深度挖掘让这些研究又上升到了另一个高度[74]。

时空数据挖掘技术主要是借鉴主流计算机科学领域的研究技术。从前期利用云计算和分布式技术辅助大数据存储和挖掘，到现在设计复杂的神经网络算法来实现数据智能挖掘和模式分析。庞杂的时空数据使用传统的数学模型已经不足以分析其潜在的时空规律，深度学习算法已经广泛应用于时空数据挖掘领域[62]。微软亚洲研究院提出了一种时空深度残差网络模型[83]，这种深度神经网络可以利用城市居民的多源轨迹数据，并融合天气和事件数据，预测下一个时刻城市中每个区域的流入和流出人流量。滴滴公司提出了一种多视角的时空网络模型[84]，从空间、时间和语义3个视角出发，即空间视角采用局部卷积方法，时间视角采用长短记忆神经网络，语义视角则采用嵌入方法，设计得到的模型框架能够很好地捕获城市区域的时空相关性，可以有效辅助预测城市时空场的载客需求，从而提前调配车辆。

城市时空大数据发生于城市地理空间之中，通过建立时空大数据及其地理空间上下文信息的关联关系，实现语义承载的城市时空大数据的组织与查询、分析与挖掘之中，可以将从城市时空大数据提升为语义对象集合，支持语义立现的城市时空大数据分析与挖掘。城市中日益增长的出行轨迹数据，不仅记录对象活动的时空信息，同时蕴含着对象自身特有的属性、状态和行为特征，还在一定程度上反映对象活动与城市环境中各种要素之间的交互关系。地理关联轨迹模型通过关联地理空间要素[85]，形成一种面向关键点的轨迹-有向线、轨迹-面的拓扑移动过程模型，进而对移动对象轨迹与地理空间信息中三类地理要素(点、线、面)之间的语义进行讨论，得到切合人们思维习惯的轨迹-要素拓扑表达的一般性结构，在此基础上建立面向语义轨迹模型的时空查询模式及其分析方法。

4 面向多层次用户的智能决策服务

要满足政府、企业、市民的按需、即时和精准决策需求，需要实现城市感知-数据-模型资源的网络化即时联动。从管理学角度来看，这是一种基于竞争情报的智慧决策[86]，其特征包括决策目标正确、决策时机合理、决策依据充分、决策标准恰当和决策效果反馈控制。目前，城市感知和数据资源都有对应的共享信息模型和服务接口技术体系[87-89]，2008年美国宇航局NASA提出了模型网(model web)概念[90-91]，2010年欧盟启动了模型不确定性研究项目UncertWeb[92]，美国国家海洋和大气管理局(NOAA)、澳大利亚联邦科学与工业研究组织(CSIRO)、开放地理空间信息联盟(OGC)，国内许多学者[93-94]纷纷开展了该方向研究。然而由于城市决策模型领域各异、资源分散、开放程度不够，城市智能决策体系还存在模型资源信息描述不统一、异质模型共享协作能力弱、行业应用模型不确定性高等共性技术挑战，基础模型、空间模型和行业模型难以在统一的时空参考框架下实现集成共享[95]、组合协作和聚焦决策，需要突破异质模型的表达、共享和组合等共享与互操作技术，最大程度降低模型的不确定性，从而利用模型中蕴含的知识，为城市多层次用户提供科学、精准和可靠的决策依据。

为此，在国家十二五863重大项目“智慧城市二期”课题“城市信息多层次智能决策技术与系统”支持下，笔者根据基础、空间和行业建立了城市决策模型分类体系，初步突破了城市决策模型的统一时空表达、网络化服务共享、组合互操作和信息聚焦服务关键技术，研制了智慧城市智能决策系统，该系统包含数据接入与耦合、事件建模、模型资源描述方法、信息聚焦服务和可视化与仿真等模块，并用于太原高新区应急事件综合管理与辅助决策支持[96]。

4.1 基于MOF框架的城市决策模型时空一致性表达

模型表达是模型共享和组合的基础，目前主要包括结构化构模[97-98]、面向对象[99-101]、数据表示[102-103]、框架表示[104]和构模语言表示[105]等方法。这些方法往往依据建模者的主观认识来确定内容，建模方法与工具不一致，较少考虑网络环境下模型的共享需求。由于城市决策模型的空间性、动态性、多元性、复杂性、模糊性和综合性，缺乏时空标签的模型资源描述模型，很难实现模型资源的时空一致性表达。

为此，笔者借鉴地理空间信息相关元数据标准，采用基于MOF框架的元建模技术[106]，建立了城市决策模型通用信息框架和内容，包括基础描述元模型构件、核心元数据内容和信息扩展机制及形式化方法。基础描述元模型构件包含模型标签、状态、结构、服务与可访问性5类组件。核心元数据内容包括标识、特征、空间、动态、参数、运行、算法、性能、服务、管理和约束等11类信息。在此基础上，开发了城市决策模型建模软件，根据元数据模板和向导，可完成决策模型的快速构建。

4.2 基于SOA架构的城市决策模型网络化共享技术

在模型共享(模型网)方面，目前主要包括分布式模型库管理系统(DMMS)[107]、语义网模型库系统(ODDM)[108]、DMMS的Web服务框架[109]、4层架构分布式Web决策支持系统[110]和OGC的Web处理服务(WPS)标准[111]。采用面向服务的体系架构(SOA)，将模型封装为Web服务，从而实现模型的网络化共享。

为此，笔者设计了城市决策模型网络化共享服务体系架构，包括模型服务提供者、模型服务请求者和基于ebRIM信息模型及CSW接口的注册中心3种部件，三者之间的信息传递采用4.1节中的决策资源信息描述模型。模型服务提供者利用决策资源信息描述模型对模型进行建模、使用OGC的WPS接口封装模型为服务，并将模型和服务注册到注册中心；模型服务代理即注册中心基于元模型来组织和管理分析与决策模型信息，并将模型的查询结果信息返回给模型服务请求者；模型服务请求者(用户)，通过与注册中心的交互发现合适的模型，然后利用查询到的模型信息实现与模型服务的绑定和调用。

4.3 基于工作流的城市决策模型组合互操作技术

模型组合(模型链)是将一个模型的输出作为多个模型输入的连接操作，解决在无特定模型满足问题决策时，如何利用现有模型生成一个新的组合模型，并解决模型输入输出参数相匹配问题。模型组合方法可分为关系型[112]、图型[113]、知识型[114]、脚本型[115-116]和模型库系统[117-118]。

在网络环境下，模型组合实质是模型服务的组合，即构建可组合的模型服务链。首先针对具体的决策目标，采用手工模式或半自动模式构建抽象模型链，然后通过注册中心查询能够满足需求的决策模型资源生成实例化的模型链，最后通过服务工作流引擎实现模型链的执行。模型链实例化就是将用户信息、领域知识、过程信息用可执行的模型服务实例代替，从而形成模型链实例。

4.4 事件驱动的主动聚焦决策服务技术

城市运营包括日常业务管理和突发事件响应两种典型任务，突发事件响应时面临事件类型多样、用户需求各异、服务资源分散的问题，尚不能高效聚集感知-数据-模型资源辅助应急处置决策[8]。为解决这一问题，需要构建事件驱动的主动聚焦决策流程，协同感知、数据和模型服务，为不同用户提供灵高效、准确和个性化的服务[94,119]。

为此，要研究事件驱动的主动聚焦决策服务模式，通过事件触发决策过程，实现事件处置任务需求、感知资源、数据资源和决策模型资源的衔接和聚合，提供面向细粒度用户的综合服务决策支持。首先根据事件响应的领域知识设计抽象决策信息聚焦服务链，通过城市信息资源注册中心和抽象链中的资源类型和需求，搜索符合需求的城市感知、数据和决策模型服务，根据资源质量和服务效率，生成可执行的具体决策信息聚焦服务链。

5 典型城市时空信息平台及应用

2013年原国家测绘地理信息局开展了智慧城市时空信息云平台建设试点，武汉是首批试点城市之一。武汉时空信息云平台构建了全市统一的时空大数据中心，整合了城市人口、法人、房屋等基础信息8500项2.5亿条，积聚了1803层专题信息，在城市规划、国土资源管理、社会管理及公众服务等30多个领域开展应用[6]。武大吉奥信息技术有限公司也推出了GeoSmarter平台，基于地理实体，实现人口、法人、气象、交通、规划、国土等多源数据的智能汇聚、动态关联和多维展示[120]。另外，广州城信所、超图和中地等研发了各具特色的城市时空信息平台并开展了相关应用。最近美国环境系统研究所公司ESRI与华为公司开展了战略合作，构建了智慧城市时空信息云平台解决方案[134]。各平台特征和应用如表2所示。

表2 国内典型智慧城市时空信息平台及应用

6 国外典型城市信息平台及应用

国外开展智慧城市信息平台建设时间相对较早，在研究和应用方面取得了一些成果，如表3所示。2004年，美国麻省理工学院成立了Senseable City Lab(SCL)实验室，致力于探索创新的城市社会感知与可视化方法，构建未来城市服务平台，应用于2010年的LIVE Singapore(实时新加坡)[125]、2012年的Senseable Rio(感知里约)、2017的年Cityways(城市之路)[126]和2019年的Urban Sensing[127]。2005年，美国微软公司启动SensorMap项目，其目标是借助于传感网(Sensor Web)的概念和方法，把传感数据提供给全世界，主要应用在环境、企业和家庭智能感知中[128-129]。2006年，欧盟联合欧空局启动了SANY(Sensors Anywhere Integrated Project)项目，以标准化的信息模型和服务接口集成城市原位传感器和异构传感器网络，以实现传感器高效重用和城市应急管理决策等[130-133]。2010年以后，美国IBM公司提出了“智慧的城市”愿景，并将城市感知功能集成到智慧城市运营中心，形成了IBM智慧城市解决方案库[134]，应用于2012年的巴西里约市智慧城市运营中心。

表3 国外典型智慧城市信息平台及应用

7 未来智慧城市感知决策的技术挑战

7.1 高度融合的物理感知与社会感知

社会感知计算旨在通过人类生活空间日益部署的大规模多种类传感设备，实时感知识别社会个体的行为，分析挖掘群体社会交互特征和规律，辅助个体社会行为，支持社群的互动、沟通和协作[135]。当前构建的城市感知主要侧重于城市物理感知，能够有效获取城市外在运行状态和表观特征。然而，对于城市深层次的社会状态，比如群体情绪、公众偏好和经济运行等，尚无法有效提取，造成城市感知能力缺失。为此，必须从社会感知的宏观群体和微观个体两个方面开展社会感知能力建设。宏观群体是指利用各种社会感知手段揭示人类活动和社会经济环境，研究人类群体的时空行为[136]。而微观个体行为是以人为感知单元，基于社会感知数据提取个人的时空行为模式和关系。为此，在隐私保护和数据安全的前提下，要重点挖掘可信的社交媒体、手机信令、导航GPS设备[137]、可穿戴设备和群智设备等大数据[138]。最后还要高度融合现有的物理感知与社会感知手段，形成对城市内外部完整全面的感知能力。

7.2 高度智能化的城市管理分析能力

面对城市大数据时代的到来和复杂多样的城市管理需求，急需增强城市管理分析的智能化水平。现有的一些智能化管理功能，例如智慧消防[139]、智慧环保[140]和智慧能源[141]等，的确能够表现出一定的自动化和自主性，但是大多数仍未达到可靠、可信和可应用的水平，因此很多时候也被称为“伪智能”。其核心原因，就是没有充分挖掘城市综合感知获得的海量数据和信息，没有完全建立准确可靠的城市发展模拟与预测模型，更没有达到人类智能的平均水平[142]。因此不可否认，现在的城市感知与管理的智能水平还相对初级。为此，李德仁院士提出了构建“智慧城市脑”的宏伟设想[58]，将人工智能应用于城市信息学，将大幅度提升城市信息处理的感知认知能力，更加精细、准确和即时地对高时变城市事件作出科学响应，实现城市管理分析的高度智能化。

7.3 高置信度的城市信物融合系统决策

城市信物融合系统决策是在城市感知基础设施和信息系统的基础上，深度融合可控可信的网络物理设备，以安全、可靠、高效和实时的方式传递、监测和控制物理实体，对城市事件作出高置信度响应的能力[143-145]。为此，必须重点突破具有稳健性、可追溯、可自进化的高置信度信物融合城市感知管理系统体系架构，构建多模态多源数据管理和自进化控制系统平台。其核心是要深入挖掘区块链技术在其中的核心作用，构建城市信物融合系统决策的可追溯性[146-148]。这也是积极响应习近平总书记“把区块链作为核心技术自主创新重要突破口”重要指示的关键性举措。与此同时，要研究构建自进化的信物融合系统，具备自适应性、可自我驱动、具有主动安全防御功能。最后，还要积极构建高置信智慧城市信物融合系统决策相关的构建标准、指标体系、评价标准、设计方法和运行机制。

8 结 论

经过近10年智慧城市的转型发展，城市感知由行业孤立在线感知逐步发展为多网融合综合感知，城市管理由静态数字化逐步发展为动态智能化，城市决策由模型库驱动逐步发展为模型网驱动，初步满足了城市特定领域的管理运维需求。随着城市一体化管理运维需求的进一步提升、新兴信息和空天技术的发展，城市感知决策面临智能化、实时化和可信化的技术挑战。因此，需深度融合遥感、地信、导航、物联网、大数据、人工智能和社会学等学科领域，构建智慧城市综合感知即可信决策的技术、产品和标准体系，引领国际学术和产业发展。

致谢：特别感谢我的导师李德仁院士。祝福李院士八十大寿身体健康、万事顺利！