2021时空人工智能赋能数字孪生城市白皮书.pdf

Spatio-Temporal Artificial Intelligence Powering The Digital Twin City White Paper V1.0 2021 July 时空人工智能 Spatio-Temporal Articial Intelligence 时空人工智能赋能数字孪生城市白皮书（2021） 时空人工智能提出背景 01 时空人工智能：城市数字化转型的新引擎 02 关键技术 03 生态应用 04 时空人工智能赋能数字孪生城市案例 05 结语 06 目录 CATALOGUE 时空人工智能 赋能数字孪生城市白皮书 （2021） 编委指导委员会 主编 陶闯博士 维智科技 主编单位：上海维智卓新信息科技有限公司（维智科技） 指导单位： 上海市人工智能行业协会时空AI专业委员会 编委成员 时空人工智能赋能数字孪生城市整体框架 前言 人工智能（AI）的发展从感知阶段进入认知和预知阶段。AI的发展已经渗入到多个应用领域。最近几年，尤其是全球 疫情的爆发让大家认识到“时空大数据+AI”在科技抗疫防控中产生了巨大的价值。AI技术与地理空间智能、城市空间智 能、时空大数据智能、数字孪生城市的发展产生了深度的融合，推动了AI在认知和预知层面的创新与发展。 我们看到这些领域无论在理论方面、还是技术创新和应用实践方面，一个核心的底层创新是基于时空的人工智能： 时空人工智能（Spatio-Temporal AI）。随着城市数字孪生的发展，时空人工智能（ST-AI）开始受到产学研的广泛重视， 为此我们组织行业专家首次发布这本白皮书“时空人工智能赋能数字孪生城市（2021）”。本书的发布旨在推动AI技术 与城市数字孪生的场景结合，通过场景应用推动技术升级，通过技术创新赋能城市数字化转型。 时空人工智能是AI领域的新型创新应用技术，定义为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AI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、认知到决策预知的多项核心技术。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。 为方便大家阅读，白皮书的组织结构如左图所示。如果有任何描述方面的问题，请大家指正。同时我们邀请您参与 讨论，一起发展这一全新的AI应用技术。最后，感谢上海市人工智能行业协会时空AI专业委员会对白皮书的发布给予的 指导和支持。 时空人工智能赋能数字孪生城市白皮书 编委会 Michael BattySES V Hb AIBzl Spatio-Temporal Artificial Intelligence (AI) is a collection of digital tools, models, and methods that can be deployed to increase our understanding of how, where and why we locate and move in cities. It also enables us to develop new procedures for designing and managing the future city so that it can become more sustainable, equita- ble and efficient. In this sense, spatial-temporal AI provides the underlying foundations for the data and logic for developing the smart city. It focuses on integrating methods to provide new computational platforms and environ- ments that enable different functions in the city to begin to complement digital with physical activitiesb The core of transforming the digital city and managing city growth and development is to dynamically sense key information, to intelligently analyze, and to integrate different applications in moving towards making cities smarter. The base of the smart city should be evolved from information infrastructures to digital foundations with intelligent sensitivity, high precision mapping, fully-scoped insights, and intelligent location-based services. As new technology in AI, Spatio-Temporal AI will liberate a huge potential in city computation, analysis, and forecasting which is key to increasing the livability and sustainability of citiesb 01 人工智能（AI）领域的技术进步给地理空间相关研究和应用的智能化发展和融合创新带来了新机遇和新挑战。虽然早期人工智能概念的 提出和理论算法的发展可以追述到20世纪4050年代，但其近期快速发展的主要动力来自于深度学习模型和开发框架（如Tensorow、 Keras、PyTorch）的快速发展和产业化日趋成熟，各行业领域大数据的生产爆发，和计算机硬件（如图形处理单元GPU和高性能计算平台 HPC）和终端设备的计算性能不断升级，进而可以支持在很短的时间内训练和部署人工智能模型、支持数据驱动的智能化决策和产业变革。 地理空间人工智能（Geospatial Articial Intelligence，简称GeoAI），是指地理空间相关科学与人工智能相结合的交叉学科研究方向，通过 研究与开发机器的空间智能提升对于地理现象的动态感知、智能推理和知识发现能力，并寻求解决人类和地球环境系统相互作用中的重大 科学和工程问题 （比如人口迁移预测、城市扩张预测模拟、复杂条件下的智能交通决策、高精地图制作与自动驾驶、全球变化对农业产的影 响、自然灾害应急救援工程等）。地理空间智能的萌芽与发展与地理学、地图学与地理信息系统、遥感科学与技术、地球系统科学、资源环境 与城乡规划、智能交通和计算机科学（尤其是机器学习和知识图谱）等学科间的交叉融合、创新发展紧密结合。 1.1 地理空间的智能 01 时空人工智能提出背景 1-1 时空人工智能提出背景 规划与设计 地理知识图谱 表达与推理 地理深度学习与 模式挖掘 地理群智智能与 复杂性模拟 分析与仿真 应用层 方法层 基础层 地理知识的认知 心理学基础 面向地理人工智 能的高性能计算 日前发布的第七次人口普查数据显示，中国城镇化水平已超过63%，已处于城镇化进程的下半场。在此背景下，城市空间的需求正 在从关注“增量”的快速建设向关注“存量”的精细化治理转变，城市空间监测评估、品质提升和精细治理转型正在成为热点。与这一大 趋势呼应，国家“十四五”规划纲要明确提出了“加快数字社会建设步伐，全面提升城市品质”的国家战略，需要我们将新近涌现的智能 化算法应用在高密度城市空间建设与管理的迫切需求上，探索高密度与高品质协同发展的路径。 当前城市空间层面的智能化研究与实践经过近年来的快速发展，基本已经解决了城市数字本底的构建问题，相当数量的城市及相 关委办实现了业务上云，建设了大量的大数据中心，并通过各类摄像头、物联网和穿戴式设备来实现海量数据的大规模、高精度获取。 以移动互联网、城市大数据、物联网、穿戴式设备等新技术的平台性整合，形成兼具大规模和高精度的建成环境数据集成，以及与之匹 配的高分辨率市民行为与感知数据。随着城市数据时空精度的不断提高，这些海量的新数据能的可视化也揭示了之前难以有效获得的 直观图景，为个体层面的行为活动与空间形态现状评估提供坚实的基础。 但城市空间的智能化需求远不止于海量数据的可视化展现，及其所支持的简单现状监测和使用评估。高密度城市空间建设与管理 的人性化、品质化需要能高效处理和应对大量复杂而交联的城市问题，而这是通过现状数据可视化所不能解决的。换而言之，智能化算 法的应用不能止步于城市空间及市民行为基础数据的获取与清洗层面，而是应该更深入融合到城市规划、设计、治理等领域中来，通过 各类深度学习算法的引入，推动可感知、可建模、可分析、可预测、可解释、可决策的智能化变革，有望为这一系列经验主导的行业范式 带来的变革可能。 1.2 城市空间的智能 01 时空人工智能提出背景 01 互联网、传感技术和大规模计算基础设施在城市空间中产生了各种各样的动、静态大数据，其中超过80%的数据与时空有关，如空气质 量报点读数、天气、出租车移动轨迹、实时路况等。这些数据都至少具有时间或者空间维度，并且可能还有其它属性维度。时空数据按照数据 结构可分为点数据、网数据；按照时空信息是否动态变化又分为三类：空间静态、时间静态、时空动态。通过组合可分为六类，其中，空间静态 时间动态的点数据：例如传感器大多安装在固定位置，但其产生的读数却随时间不断变化；时间和空间都随时间变化的点数据：两个时空动 态点数据之间没有关联，例如在不同时间段滴滴打车的使用记录；空间静态时间动态的点数据：例如路网可以用一个网络来表达，虽然路网 是空间静态的数据结构，但在其上叠加动态的交通流量信息，叠加了动态流量信息的管网也就变成了空间静态时间动态的数据结构；事件 时空都动态的网络结构数据：整个网络的节点和边都在不断变化。以轨迹数据为例，空间中的人、车、物在不同的时间段经过不同位置，体现 出不同的状态，时空点按照时间顺序连接，形成链式结构。 时空大数据意味着对一个城市的丰富知识，如果正确使用，可以帮助解决各类城市化发展以及场景赋能挑战。通过融合基础地理信息数 据资源池（2D、3D），感知物联网数据资源池（环境感知数据），维度丰富的时空数据资源池（人、车、物、场），构建统一的地理信息数据、时空 数据、业务数据的数据治理框架，以及丰富灵活的时空服务体系框架，能够支撑海量数据和复杂应急应用的高效率对接。 1.3 时空大数据智能 01 时空人工智能提出背景 1-2 时空人工智能提出背景 数字孪生的概念模型最早出现于2003年，由Grieves MW教授在美国密 歇根大学的产品全生命周期管理课程上提出，当时被称作“镜像空间模型”，后 被定义为“数字孪生”。2010年，美国国家航空航天局（NASA）在太空技术路线 图中首次引入数字孪生概念，用于实现飞行系统的全面诊断和预测功能，以保 障在整个系统使用寿命期间实现持续安全地操作。 2019年10月以来，国家发改委、科技部、工信部、自然资源部、住建部等部委 密集出台政策文件，有力推动城市信息模型（CIM）及建筑信息模型（BIM）相关 技术、产业与应用快速发展，助力数字孪生城市建设。 目前，数字孪生城市建设处于1.0阶段，主要面临以下问题和挑战。 一是以 城市静态数据为主 ，而城市场景复杂，城市的状态瞬息万变，如何及时、准确地 捕捉可以反映城市动态数据是开展智能城市应用的基础，同样也是一大难题。 二是依靠数据直接表达的信息来解决问题 ，数据背后更深层次的知识有待进 一步发掘，城市数据被利用的深度和广度还很不足。 三是缺乏人机交互和人机 智能融合的可视分析能力 ，通过展现端对物理世界的反控能力更是不足，城市 的展现和感知没有形成闭环。 四是以还原真实城市为主 ，无法通过应用智能模 型前瞻性地创造出未来场景，以帮助使用者看到明天的城市问题并据此引导 今天的发展路径。 五是以政府为主进行建设 ，没有形成开放生态圈，导致可持 续性较差。 1.4 数字孪生城市的发展 01 时空人工智能提出背景 01 人工智能是新一轮科技革命和产业变革的重要驱动力，其战略重 要性已成为全球普遍共识。以2015年国务院正式把人工智能纳入“互 联网+”的重点任务之一作为起点，我国对人工智能的重视程度持续 增加，其发展至今大致可分为四个阶段。 其中，具有标志意义的是第二阶段，2017年的政府工作报告第一 次写入“人工智能”，人工智能正式上升为国家战略。同年国务院发布 新一代人工智能发展规划的中明确提出“三步走”的战略目标： 2025年，新一代人工智能在智能制造、智能医疗、智慧城市、智能农 业、国防建设等领域得到广泛应用。第三阶段，即人工智能开始和实 体经济深度融合落地。第四阶段于2020年开启，人工智能被纳入“新 基建”政策，成为新技术基础设施的主要支撑技术之一，将肩负起更 重要的角色，去推动万亿实体经济产业数字转型、智能升级和融合创 新。国家政策支持人工智能走向“泛在智能“，即人工智能技术将广泛 渗入新型基础设施建设，其本质不仅仅指向人工智能自身的产业化 发展，更是在实体经济中寻找应用场景，赋能生产力升级。 1.5 人工智能的发展阶段 01 时空人工智能提出背景 1-3 时空人工智能提出背景 1.5.1 政策支持：人工智能走向“泛在智能“，推动产业智能化发展 人工智能于1956年在达特茅斯会议上被首次提出，发展至今普遍认为，人工智能分为计算智能、感知智能和认知智能三个层次。计算智 能即快速计算和海量存储能力；感知智能即让机器具有“能听、会说、会看”的能力，对具象事物能够识别与判断，其发展得益于以卷积神经 网络（Convolutional Nerul Network, CNN）、循环神经网络（Recurrent Nerul Network, RNN）等为代表的深度学习模型的迅猛发展，但深 度学习难以有效利用先验知识，其不透明性、不可解释性已成为制约人工智能发展的障碍；认知智能则为理解与解释能力，旨在让机器能读 懂语义、逻辑推理和学习判断。因此，认知智能的实现需要以知识为驱动力，这涉及到知识表示、语义理解、联想推理、智能问答、情感计算、 决策规划等关键技术。 当前人工智能的发展仍然处于弱人工智能的状态，研究重心正经历由感知智能向认知智能的过渡。以视听觉等识别技术为目标的感知 智能突破了工业化红线，但还只能在某一方面的人类工作上协助或替代人类。当人们能使用机器识别更多事物，自然而然地引发了对事物 的理解和分析等深层次的自动化知识服务的需求，而需要外部知识、逻辑推理或者领域迁移的认知智能领域还处于初级阶段。 知识图谱（Knowledge Graph）的概念最初由谷歌于 2012 年正式提出，主要用来支撑下一代搜索和在线广告业务。知识图谱本质上是 基于语义网络（semantic network）的知识库，旨在描述客观世界的概念、实体、事件及其之间的关系。知识图谱是符号主义研究范式在大数 据和人工智能时代的演变和发展，它以知识为处理对象，通过模拟人脑的知识认知、问题解决、知识问答、知识推理等功能，增强机器的认知 能力、学习能力、推理能力。其发展与语义网密不可分，相比于传统的语义网，知识图谱的优势在于：（1）语义表达能力更加丰富，能够支持更 多场景下的应用；（2）可以很好地结合人工智能技术，实现认知智能、可解释人工智能；（3）基于图结构的数据，便于知识的存储和集成。 认知智能是一种能够实实在在落地、有着广泛且多样的应用需求、能够产生巨大社会经济价值的人工智能技术。而知识图谱作为认知智能 的底层支撑，将加速人工智能从“感知智能”向“认知智能”的进阶，在电商、社交、物流、金融、医疗、司法、制造等众多领域已越来越多地涌现 出知识图谱赋能人工智能的案例。知识图谱提供了全新的视角和机遇，并带来新科技、产业和社会新纪元认知时代的黎明。 01 时空人工智能提出背景 1.5.2 技术发展：从“感知智能”到“认知智能“，让机器能“理解”与“解释” 1.5.3 知识图谱赋能：作为认知智能的底层支撑 01 很大一部分数字孪生产品脱离应用场景和实际业务需求，盲目跟风，缺乏对业务逻辑的深层理解，忽视对城市运行治理的有效 支撑。城市规划、建筑管理等行业性孪生应用多，基于数字孪生的城市治理、服务等应用普遍深度不足。由于城市级异构大数据汇集 和跨行业跨领域应用还处于初级阶段，各专业、各行业领域的算法模型成熟度不高、尚待沉淀。且市场缺乏规范的建设指引，具有长 期考量、实现体系化布局、面向深度应用需求的建设方案还比较少。 人工智能的发展已经渗入到地理空间智能、城市空间智能、时空大数据智能、数字孪生的城市发展有关的应用领域。我们看到这 些领域无论在理论方面、还是技术创新和应用实践方面，一个核心的底层创新是基于时空的人工智能：时空人工智能（Spatio-Tem - poral AI）。随着城市数字孪生的发展，时空人工智能（ST-AI）开始受到产学研的广泛重视，为此我们组织行业专家首次发布这本白 皮书“时空人工智能赋能数字孪生城市（2021）”。本书的发布旨在推动AI技术与城市数字孪生的场景结合，通过场景应用推动技术 升级，通过技术创新赋能城市数字化转型。 数字孪生城市源于“一张图的GIS、BIM、CIM实践，但高于条线“一张图”建设。城市管理部门对城市数字底图都有强烈需求，如住 房与城乡建设系统推进的城市信息模型平台，自然资源与国土规划主导的时空大数据平台，公安政法条线依托进行城市安全和综 合治理的城市底图等。每个底图自成体系，一般仅支撑本系统内应用，无法随需、随时支撑其他部门调用。长期以来智慧城市条线强 协同弱，没有明确牵头部门，即使有些地方成立了大数据局，但协调统筹力度仍然不足，多张底图如何整合形成城市级统一的数字 底图和数据资产，是数字孪生城市建设首先要面对的问题。 数字孪生城市的核心在于构建一个统一的时空智能底座，但目前尚未形成可兼容异构信息的统一标准的时空数据底层框架，机 构和厂商各自推进，难以确保统一编码、多模态数据的精准融合表达。且城市矢量时空、政府业务数据、物联网、栅格数据、模型数 据、点云数据多源数据的融合处理存在一定困难，格式间存在壁垒。数据孤岛虽然一直都受到人们的重视，却一直未能解决。各部门 业务系统数据格式不统一、数据权限不明确、数据对接机制不健全，都将制约数字孪生城市作用的发挥。 当前数字孪生城市涉及的新型测绘、标识感知、协同计算、全要素表达、可视化、数字空间模拟仿真、态势预测等价值远未释放， 关键技术自身发展和融合应用还有待加强。海量数据加载技术、云边计算协同技术、模拟仿真技术等成熟度不高；利用人工智能尤 其是时空人工智能、边缘计算对动态数据快速分析处理能力不足。 从建筑部件到地块、到各种专业单元，最终汇聚到城市，形成了城市运营活数据的层层汇聚，用于评估城市的“实体”建设基因和 “虚拟”运行绩效之间是否有相关性。例如，一个运行绩效良好的科技园区如何依赖于土地混合程度、绿化水平、路网可达性、住房租 金、或咖啡厅密度等方面的支撑。建立有效的运行绩效和建设基因之间的关联机制，赋能普通老百姓和利益相关方，助力他们更便 捷而理性地参与到城市建设或城市运营管理中，如何通过建立起市民、专家以及政府之间实时有效的沟通互动渠道是需要各地实 践的。 1.6 时空人工智能的提出 01 时空人工智能提出背景 1-4 时空人工智能提出背景 1.6.1 当前数字孪生城市建设面临的问题 （1） 城市应用场景挖掘不足，缺乏对业务逻辑的深层理解 （2） 缺乏统一时空智能平台规范，数字底座亟待整合 （3） 时空数据孤岛欠缺关联融合，数据价值远未释放 （4） 算法模型与动态数据融合不深，快速分析与辅助决策能力不足 （5） 投资运营机制不明确，尚未形成开放产业生态圈 01 时空人工智能提出背景 1.6.2 数字孪生城市未来发展需求：与智能技术融合的 数字孪生2.0 因制宜做好数字孪生城市顶层设计，要将数字孪生城市与城市治理现代化场景、业务需求紧密结合，同时考虑城市未来发展规 律和信息技术演进方向，推进数字孪生城市落地应用。在“泛在智能”的背景下，借助人工智能技术，将数字孪生城市的建设与经济、 生活、治理等应用场景紧密结合，推动实体经济产业数字化转型，做到真正为城市智慧场景服务。 （1） 细粒度的城市智慧场景服务 随着数字经济新技术、新应用、新场景的发展，跨地域、跨行业、跨业务的数据共享需求与日俱增，数字孪生城市建设亟待制定统 一的规则框架、法律法规及基础平台。遵循目标导向与需求导向相结合的原则统筹规划，充分考虑城市未来的发展规律和信息技术 的演进方向，统一共性需求，协同推进时空智能底座的建设。建立基于统一底座的数字孪生应用体系，针对现有条线系统的城市底 图和数据资源进行评估，遵循统一标准构建技术先进、数据完整、拓展性强的时空智能底座平台或时空大数据平台，并逐步推动应 用场景的丰富和系统的迭代发展。 （2） 业务需求为导向的统一时空智能底座建设 要解决数字孪生城市各层级、各系统之间的数据融合、信息共享和业务协同机制，重点是解决各系统之间的衔接配合与关联约 束关系问题，用系统科学的方法指导智慧城市的复杂巨系统规划设计，提高顶层设计的科学性、规范性和可操作性。加快完善多元 异构数据融合处理标准规范，将矢量、栅格 网格、模型、点云、政务、感知等各类数据统一格式、编码，形成全周期的数据标准规范，借 力知识图谱在数据融合方面的优势，构建多源异构数据的融合处理能力。 （3） 多源异构时空数据的融合与数据资产管理 在提供对城市多源数据的常规通用空间分析能力基础上，结合人工智能技术构建具备机器学习、深度学习和知识图谱等算法模 型的深度空间分析能力，利用分类、聚类、回归、深度学习等监督与非监督的学习方法，实现信息的分类、挖掘与预测等。将不同类别 的分析能力按特定的应用场景进行建模，组成面向特定专题的空间分析能力，如面向园区规划相关的园区产业定位分析与动态评 估，面向商业选址的可行性分析与销量预测，面向交通领域的智能调度与出行规划等等。提供实时在线分析建模能力，能够构建空 间数据的分析管道，以有向无环图形式组织数据和算法模型，按照策略进行分析过程的调度执行。 （4） 基于高效算法模型的时空数据深度挖掘与分析 城市全域数字孪生化和全域智能化不可能一蹴而就，需要构建共建共治共享的城市数字化转型新模式来提供持续动能。数字孪 生城市2.0的落地离不开具有全栈时空人工智能的技术平台公司的支持，但是单靠一家公司远远不够，需要依托相关的技术联盟聚 拢相关企业及具有优势学科的高校与科研院所来共同完成。要建立创新生态，使得政府与数字城市相关领域的企事业单位、高校、 科研机构联合起来，组成跨行业、开放性的联合会。负责数字孪生城市理论、标准、解决方案等公共性问题的研究，在上下游产业建 立有效运行的产学研合作新机制，形成数字孪生的标准和质量。负责各数字孪生应用场景的方案编制，组织应用场景示范，支撑未 来数字孪生城市的建设和发展。 （5） 多方利益者共建的产业生态全方位共享合作 实现对汇聚获取的各类数据等添加时空标识，即时间、空间和属性“三域”标识。时间标识注记该数据的时效性，空间标识注记空间特性， 属性标识注记隶属的领域、行业、主题等内容，以便后续的数据整理。 时间标识注记该数据的时效性，便于后续的时空大数据整理。数据本身带有的时间标识，记录的是数据采集、生产或修改的具体日期。而 加入的时间标识，主要记录了数据汇集的时间节点，便于时空数据统一管理和分析。针对不同的数据类型，采用不同的时间标注方式。分别 为按幅标注、按类型/比例尺和批次标注。流式数据可以看作是流动的数据，在接口汇入的同时必须打上时间域标签才可以写入时空数字底 座。汇入的数据必须经过统一的脱敏过程，去掉敏感信息，才能提供给用户调阅、下载、分析。 通过建立数据时空化子系统，实现业务数据时空化落图的能力。包含时空化数据接入、数据清洗、时空化处理、数据决策、数据导出等模 块。 对于汇聚的数据，进行时空融合关联。对海量、不同来源、不同分辨率空间数据的高效融合和关联，对充分挖掘数据价值、降低时空大数 据应用系统的建设成本、提高空间数据的使用效率具有重要的现实意义。通过知识图谱的方法，能够支持对多源异构数据进行深度融合。 2.2.1 数据扩展：数据时空化 02 时空人工智能（Spatio-Temporal AI）是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（图1）。时空人工智能是上述提出的地理空间智能、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。 其首要核心是推进落实城市新型基础设施之数字孪生底座建设 ，通过城市数据时空价值释放与共享、时空动态数据资产构建等， 助力实 现新型智慧城市自组织、自学习、自预测的智能泛在愿景 。以“赋能、创新、合作、共享”为理念，推动布局构建开放共享、普惠全球的时空人工 智能技术和应用平台。助力智慧城市各个领域的技术成果转换、应用场景落地、标准研究和制定以及行业生态建设等方面的发展，加快城市 数字化转型和构筑动态数字孪生城市新范式。 2.1 概念定义 时空人工智能主要特点 2.2 主要特点 02 时空人工智能：城市数字化转型的新引擎 2-1 时空人工智能：城市数字化转型的新引擎 从数据汇集到数据时空化再到数据融合，将AI+时空算法加入动态监测、异常评估，而非发现要素将结果直接呈现，发现数据的时空规 律，辅助决策。一方面是知识由薄到厚的积累，一方面以精确的方式给决策相关方提供有效信息而非大量的冗余的信息，提高问题处置效 率，在精细化的管理的同时保证决策的高效执行。 通过引擎与服务的形式，嵌入AI+时空算法，根据不同的业务场景，使用不同的模型或工具，达到动态监测、异常诊断、评估优化，从而辅 助发现问题、解决问题，反馈机制制定，辅助决策。 AI+时空算法服务能够解决机器学习的“最后一公里”问题，用于发布服务、监控和解释模型、升级并回滚服务。经过训练，在得到满足性 能要求的模型之后，在一般情况下，需要对外发布服务，使模型发挥作用。目前AI服务的功能不仅是服务的发布和管理，还包括模型解释、 预测之后的行为定义等。 2.2.2 模型增强：AI+时空算法 在静态建模基础上，通过叠加多维实时动态数据和AI分析数据，支持以生命体、有机体这样的视角对最小治理单元进行感知和管理，并 且构建了系统化的数字生命体征，实现城市运行管理的实时预判、实时发现、实时处置。 实现最小单元事件、客流感知、预测、预警，实现政府和市场主体之间上下贯通、相互联动的协同工作模式，实践了从岗位责任闭环、市 场主体闭环、城运闭环、应急处置闭环到两网融合闭环的“五级闭环”管理新机制。具体场景包括但不限于： 2.2.3 场景细化：精细化场景 针对高空抛物、外立面附属设施、沿街楼层装修、窗户状态（开窗、破损）等高空坠物高发场景，通过在外立面安装传感器或摄像头等设 备，24小时监控。结合AI+时空智能算法和建筑的数字孪生模型，进行对比，及时发现异常，及时预警。 （1） 高空坠物应用场景 针对楼道飞线充电、安全通道占道堆物、智能烟感（后续视实际情况安装）等消防安全应用场景，感知设备7*24小时巡查，结合AI+时空 算法发现相关问题生成预警，经城运指挥平台生成工单，通过政务微信高效一件事派单物业经理（若为居民小区，则派给居委干部），工作 站同步收到消息，并关注事件处置情况，并同步在3D建模的楼层图内展示相关问题点位。 （2） 消防安全应用场景 在店招牌周边安装感知设备，经过AI+时空算法的分析预测，分析并预测松动、摇晃、（接近危险数值）或零部件腐蚀等情况，设备报警， 将信息报给就近工作站、居委会、及物业，提醒商家或物业尽快修复问题店招。责任主体：考虑实际情况的复杂性和多样性，将经营者作为 对店招安全管理的直接负责人，业主为间接负责人，二者之间的责任具有连带关系。 （3） 店招店牌管理 针对小区、大楼、公共空间等场景，提出智慧管线管理概念，通过安装智能感应设备、GIS与GPS定位（图2），结合管线图纸、硬件层、物 联网实现管线设施将设备与事件关联并数字化管理，使用AI+时空算法技术，在线监测与预测，一张图展示地下空间，提升极端天气和突发 事件带来的事故维修处置能力，降低人工排查的劳动强度，精准定位事故根源点位，同时将基础管理数据纳入常态长效管理机制，预判风 险，加强维护巡查，为居民安全保驾护航。 （4） 地下管线应用场景 基于空间多源频谱信号AI的室内外定位感知技术 02 时空人工智能：城市数字化转型的新引擎 构建时空数据采集体系。针对不同的社会化数据源，对多种数据源进行采集数据入库，通过多端口数据读取，文件系统数据读取，多接 口数据队列，数据全表对比，实时消息队列建立进行整体的数据采集体系。面向任务需求，整合相关社会化数据，如城市人群数据、产业经 济数据等。 对各类结构化、非结构化的时空大数据，在序化前的处理工作，总体上包括：统一格式、一致性处理和空间化。 2.3.1 可感知（采集、融合） 根据实际的应用需求，构建基于时空数据挖掘工具、时空人工算法平台。时空数据挖掘工具系统建立在数据挖掘的各个环节中，支撑时 空数据引擎算法的产出。 搭建标签计算工具，定义元标签，并且定制规则，利用元标签规则组合逻辑，定义新维度标签，并且对标签进行校验，最终业务输出。搭 建客流计算工具，对各大场景客流维度进行计算，包括但不限于总客流，到访客流，各不同时间维度客流等，结合不同时间和场景对客流进 行计算，最终业务输出。搭建数据生产工具，针对线上或线下数据，包括但不限于：线下POI、AOI、线下品牌门店，特定场景等进行数据获 取，数据清洗和审核入库，保证其数据在各个环节均可查，可审核，保证数据生产流程透明化。搭建数据标注工具，对线上或线上数据进行 标注，比如场景边界绘制，场景描述，场景标签标注等，包括标注工具的开发，流程制定等。搭建数据运营工具，针对数据进行整体的运营操 作，比如数据质量的分析，数据场景的规划，数据报告的输出等。 时空人工智能平台支持大部分机器学习工具框架，如TensorFlow、PyTorch、Scikit-Learn、XGBoost、Keras、MLlib、MXNet等。针对不 同的机器学习框架提供基于Kubernetes的资源调度和分布式训练的能力，以缩短训练时间，提高模型的时效性。用户无须进行复杂的配 置和平台分配工作，只需关注数据的输入、代码的运行、日志的输出即可。 平台算法库涵盖丰富的机器学习与深度学习模型，以支撑时空数据计算与分析、数据治理和挖掘，并能够适配不同的应用场景，为上层 智能发现服务提供算法支撑。例如循环神经网络处理时空序列数据，以学习时空数据的时间依赖性，被广泛应用在各类时空预测任务上， 如轨迹预测、人流量预测、流失预测、异常事件检测等等。图神经网络可用于地址匹配、社交网络、可解释性推荐系统、关联分析、比较分析、 相似度分析、人群画像、场景画像等等。 2.3.2 可建模（理解、计算） 人口分析 。运用大数据分析的方法，获取互联网等大数据，制定网格价值评估模型，通过网格内用户价值评估结果对网格进行画像。运 用大数据技术构建网格画像分析模型的方法，通过在地图上任意网格或网格组合，实时对该网格区域内居住人口、工作人口、企业、基础设 施、公共安全等进行分析推理，形成直观的分析成果。可以快速分析出网格区域内包含人口综合分析、人口流动趋势、社区比较、社会治安 等标签的区域画像，可以有效的辅助政府相关人员快速了解本市各区域形势，以便于更合理有效进行民生、治安、资源分配等工作的进行， 为政府工作的人员提供便利，更好的为民众服务。 客流统计，对于人群分析而言意义非凡，因此客流的统计方式也是需要我们主动掌握的，并需要我们结合不同场景灵活使用不同的客 流统计方式。对客流监控可为各类场所运营方提供人流量峰值、累计人数、人流量区域分布热图等基础信息，还提供了进入某个区域的概 率（比如商场进店率）、驻留率等分析信息，同时通过数据呈现出某个区域（比如某个景点）的人流量情况、以及整个场所的人流量变化的走 势图。而运用指数统计的方式，更能从宏观角度体现场所一段时间内的趋势情况，从而通过数据提出有利的决策。客流指数则是运用空间 层次以及时间层次的推算模型，在客流指数理论架构及模型推算基础上。通过对客流评估指数与客流密集指数进行相关验证，证实客流指 数可以正确的反应客流的密集情况。 轨迹热力在固定区域和固定人群中，可通过对部分人群的历史流动情况进行可视化呈现，达到对人轨迹的分析，统计，预防和抓捕的效 果。分别从人群画像、流动轨迹、任务与反馈和人群密集度等维度进行分析，获取不同的细分人群，如可细分为可疑人员，关注人员，常驻人 口或流动人口，未落地人员轨迹，群体出行、敏感轨迹等人群。针对不同人群进行人员信息分布统计，包括人员分析，热门场所分析推理等， 进行可视化呈现。 2.3.3 可分析（挖掘，推理） 02 2.3 核心能力 02 时空人工智能：城市数字化转型的新引擎 2-2 时空人工智能：城市数字化转型的新引擎 轨迹热力的宏观运用上，可运用区域的热力图来支持决策，通过监测系统来检测项目的多个区域，确定每个区域的人群数量，并且该监 测系统包括多个传感器，如摄像机，运动传感器等；通过热力图生成模块生成项目，建立分析项目，为决策的实施提供具有操作性的分析结 论。 产业分析 。融合多维企业数据，360度还原企业全貌，如发展阶段、人才分布、产品亮点、行业地位等，以可视化图表展示。结合海量数据 和精准算法，就企业行为、产品销量、经营风险等进行预测。 根据企业画像，通过分析企业近期新闻、招聘等行为数据，智能提取企业需求。对创业服务机构服务人员来说，可在企业转型、融资等诸多 关键节点进行科学引导，采取相应措施推动企业发展。 在洞察企业需求后，基于创业服务机构资源矩阵，线上智能匹配服务，线下企业服务人员配置个性化服务，让企业服务体验更精准。 面向企业聚集区（科技园、产业园、孵化器等）的运营机构的大数据管理工具，协助园区把企业数据变成可运营的资产，为企业提供更广泛、 更高效、更精准的服务。助力园区管理者降低沟通成本、激活内外资源、实现快速发展。助力企业服务人员提升服务质量、提高工作效率、加 强内部互动。 时空人工智能预测的核心在于高效的机器学习与深度学习算法，能够根据时空历史数据预测其未来观测值。因卷积神经网络（CNN）、 循环神经网络（RNN）、图神经网络（Graph Neural Networks，GNN）和序列到序列（sequence to sequence，Seq2Seq）等深度学习模型 在时空域上具有强大的自动特征学习能力，被广泛地应用于各类时空数据预测建模任务中。对于不同的应用，输入和输出变量都可以属于 不同类型的时空数据实例，包括点数据、时间序列数据、空间地图数据和轨迹数据等，根据数据类型特点将采取适用的深度学习模型或进 行组合建模来实现对未来场景的预测。 基于城市全域时空感知数据的采集、高性能计算引擎和云服务加持以及知识图谱的知识融合和知识嵌入，能够实现对海量异构时空数 据的实时动态分析预测和可解释性预测，服务于各类智慧城市应用场景：具体包括但不限于城市交通管理场景下的道路交通流量预测、拥 堵预测、交通事故预测、出租车及网约车供需关系预测和异常事件