郑宇博士
俞院长
郑宇博士分享：
1.城市数据的感知
感知方法：人为感知---主动方法，传感器感知（固定感知—位置固定，移动感知）
遇到挑战：
拿到的数据是sample,采样数据和整体数据的差异；→
有限的传感器，拿到有限的数据；
数据缺失missing；
应用：eg，抢救
优化平均抢救时间，min化时间
车辆的合理调度。
管理：
时空数据，点数据和网络结构数据。
空间不变，时间不停变换的数据；多时空变换的数据（摩拜）；轨迹数据
易购，多元，多模（文本，视频，语音）
时空数据特点：在不停变换且不能交叉；空间范围+时间范围；真正做云计算的时候，需要用很多种数据融合，混合式处理，有机关联；
数据结构不一样：
查询方式不一样：history：keywords，空间范围，时间范围，不能直接支持前两者。
数据融合之前，需要做好数据索引。
2.管理、计算
分布式计算环境结合—极大降低交互时间
3.数据分析和挖掘
多个数据融合一起，进行挖掘
以往的问题：
1，地理，图形，等等数据，时空数据对数据特性的要求不同。
2，多元数据的融合。
3，data minng，database的方法
4，简单静态挖掘→交互可视分析
多元数据融合的方法：
传统特征串联+
基于语义融合的方法
基于相似度的方法
eg,人们出行规律，反映出地段价值
排序不要出错，冗余特征权重小
迁移学习的问题
4.应用
做综合商业体价值评估，商铺选址，房子价值评估
location location location
房屋的价值：三个地段均可以量化。Location, (家里到最近的一个高速入口的路网距离时间)。
综合商业体的价值分析：上海世贸商业中心+海底捞
优化了人气：大众点评的数量，相对的反映了人气的兴旺与否。
5.深度学习DEEP LEARNING
深度学习方法：深度学习算法：
网格化，转化成图形化，再进化成热力图，加入影响因素，得出模型。
时空数据，与语音、图像的不同。
时空数据，有时间属性（时间距离，有层次）平滑性周期性趋势性
与普通的文本语义有很大不同
把数据分成网格，不同轨迹数据归属到同一个网格，转化成一个矩阵
很多数据，构成数据流stream
如何用：相邻数据，放入深入卷积网络，模拟平滑性，模拟周期性，模拟趋势性，三个数据作一个融合，分别有不同的权重系数，再与外部因素相融合，整体预测下一个状况。是整体预测。
空间是通过深度卷积网络抓住，经过多次卷积，空间相关性；
时空残差网络模型→当卷积神经网络很深的时候，不准的时候，这个就更准确。深度时空残差网络，在人流预测上有很大作用。和滴滴，摩拜调度等。人工智能在物流行业。
环境方面：
数据是非线性的，实时细度分析
同一点，有时间相关性，不同点有空间相关性
污染物，有物理过程和化学过程
空气质量，和雾霾不同，雾霾是天气原因，空气质量是多种原因决定的。
交通流量图，单位时间经过一个路段的数量
数据科学家：懂得行业问题，吸取其他人的经验，清楚他们失败的原因；懂得数据背后的insight;对各种模型清晰，可以组合；对云平台了解。站在云平台的角度上看数据，想问题，关联模型，解决行业问题→大数据。
数据分析师：有数据，只是分析。
互动环节：
1.针对环节问题，不同城市之间数据应用不能转移，但是有两个可以转移：数据和数据之间的关系可以转移；
2.如何找key features?各个feature的权重?
数据比特征重要，特征比模型重要。
对行业的了解，对数据的敏感性。
3.数据比较少，缺失？
从小做起，替代数据，借数据，滚雪球。
5.时空索取的方法，搜索空间大大降低，spark+分布式计算，并行。时空数据库的proming.
6.数据挖掘接着会在哪些行业得到应用？
7.如何培养算法思维？
如何确认研究方向？
来源于生活，来源于观察。避免思路和别人重复。
网友评论