郑宇：城市计算让生活更智能

下面是我自己手动整理的郑宇在郑总创客星球主办节目《未来简说》演讲（2017/9/4），原视频链接：https://mp.weixin.qq.com/s?__biz=MzAwMTA3MzM4Nw==&mid=2649441664&idx=1&sn=538f9edb96216dfeaf97a57cd226d6cf&chksm=82c0ac04b5b725126f5826f520152658b6c592725f89dc625c7e78f6d010c330655f76ad0a2e&mpshare=1&scene=1&srcid=09051LGIeEq1orHZ6lF2BRNi#rd
引用请注明出处，感谢。
今天我来跟大家分享一下，城市计算如何在生活中改变我们的方方面面。
众所周知，我们城市化的进展给我们带来了现代化的生活，但是也带来很多的问题：交通的拥堵，环境的恶化，能耗的增加。要解决这样的问题，在很多年前看似几乎不可能，因为这个城市的设置非常复杂，环环相扣，牵一发而动全身。现在，随着人工智能和大数据的到来，我们有了各种各样的大数据：从社交媒体到交通流量，从气象信息到地理信息；另外一方面，我们也有了强大的计算平台和智能算法。如果使用得当的话，我们就可以用这些数据和算法，来发现我们城市里面面临的问题，并进一步去解决这些问题。

基于这样一个挑战和机遇，我们在2008年就提出了城市计算这样一个愿景：通过不断地收集、管理、分析、挖掘城市里面多源异构数据，来解决城市里面的交通拥堵、环境恶化、规划落后等等问题。今天，我们就从人工智能和大数据的维度，来看一看城市计算如何帮我们清理城市的前世、今生和未来。
如果说城市的规划就是它的前世的话，那么当前城市的状态就是它的今生，而未来城市的发展就是它的未来。城市计算就是用大数据和人工智能把我们每一个阶段都理清楚：通过理解、洞察历史，来合理地配置资源；通过掌控现状，来高效稳定地运营城市；通过预测未来，来帮助我们去决策，然后这样一个决策又会去指导我们未来的规划，从而形成一个环路，用闭环的技术来推动城市螺旋式的上升。下面呢，我就给大家在每一个阶段，都分享一下城市计算的一些案例。
首先我们来看一下城市的前世，所谓城市的前世呢，也就是它的规划问题。当我们堵在路上的时候，很多同学们都会想，这个城市的道路是不是规划的有问题，能不能有更合理的规划，带来更通畅的交通呢？这是一个问题，第二，我们修了一些道路和地铁站之后，这对我们的交通到底有帮助吗？下面这个案例，就是要回答这两个问题。一方面通过分析数据找到现在规划中存在的问题予以改进。另一方面，通过对比两年的数据分析结果，我们来验证已经实施的规划，是不是真的已经起到作用。
好，这个是北京市某一年出租车GPS轨迹。通过这样一个数据，其实我们可以分析人们出行的规律来找到城市之间区域和区域连通性不好的区域对，注意我不是说找哪些路比较堵，因为这个大家根据平时的观察也能知道。但是路上的拥堵只是表面现象，它不是根本原因，真正的根本原因是人们要从区域A到区域B去完成某些任务, 比如说，看病、买东西、消费、娱乐等，而不得不经过某些道路。两个区域之间可以有很多道路联通，某一条道路上的拥堵只是一个表征现象，而真正的原因是因为人们有巨大的出行需求从A到B，而这两个区域之间的道路的联通和承载能力，不足以支撑这样一个需求。 因此我们不能说，如果一个地方拥堵我们就去拓宽那个道路，这是“头痛医头，脚痛医脚”，没有抓住问题的本质。进一步我们也不能仅仅根据一天的数据就去下断言，因为很可能某一条道路在某一天的拥堵，它只是因为偶尔的交通事故带来的，并不是真正的规划原因。但是，如果一个问题频繁地在数据中多次出现，那很可能就是规划带来的问题。
我们来看一个例子，这个呢，是靠近（北京）四环的两个区域，早年间呢，很多人要通过这两个区域要上到（北京）四环高速入口。因此带来一个瓶颈。后面这条纵向的北湖渠路被拓宽了。大家有新的选择可以从这个道路上四环，因此这两个以前拥堵的两个区域就消失了。从这个意义上讲，这条道路的拓宽和修通，对于改进这个地方交通拥堵的问题起到了作用。因此，这个工作的第二个意义就是刚刚说过的，通过对比两年连续数据分析的结果，我们可以去验证已经实施的规划是否有效。
讲完了机动车道规划，我们来看一看自行车道的规划。自行车道在很多年前似乎渐渐已经被人遗忘，我们中国似乎也在渐渐远离“自行车大国”这样一个称号，但是现在随着共享单车的出现，我们对自行车的骑行需求又重新回来了。我们不可能在什么地方都去修建一个自行车道，其次，我们的空间是有限的，一个道路一旦规划了一条自行车道，它可能就会少一条机动车道，这个约束很重要；第二，我们希望修建的自行车道能够为更多的人提供服务，而不是只为一个人提供服务，但是呢，同时我们希望为每一个人提供更加舒适的体验。什么叫舒适的体验呢？我希望提供骑行的长度是连续的，越长越好；第三，我们希望我们的道路，自行车道在修建的过程中局部是连接的，虽然我们不能要求整个城市的自行车道都是连接的，但是我们希望至少在一个局部地方，你可以让我连续地骑行。加上这三个约束这就是一个很难的问题。
幸好共享单车不光给我们带来的骑行的需求，也给我们带来了用户真实骑行的数据。从这个数据里面我们其实可以看到用户真实的骑行线路，也知道用户真实的骑行需求，利用大数据和人工智能的技术，我们就可以根据有限的资源，来最合理地规划这样一个自行车道，政府只需要告诉我们在多少个区域修建总长度为多少公里的自行车道，我们就可以根据这个数据来自动地规划和设计这个道路，以下这个呢就是在上海市五个片区修建总长度为30公里的自行车道的一个规划结果，大家可以看到这个人工智能算法具体是怎么样去计算的。我们可以看看这个计算结果。在我们做规划的时候，我们其实只考虑了自行车数据本身，而没有考虑别的数据，但是结果发现，这些自行车道都是围绕以地铁站为核心而展开的规划，证明了它有一定的合理性。
然后，我们看一个真实的案例，这个是上海市金运路地铁站，旁边有一个万达广场，周边呢有很多的小区，其实人们出行的骑行需求是非常大的，这个红色的道路就是我们建议的需要规划自行车道的地方。
好，看完前世之后呢，再看看城市的今生，也就是要掌控现状，才能保证城市的高效稳定的运行和维护。说到交通就不得不说出租车，我想在坐的每一位都会去使用这个交通工具，你们可能也觉得在某一个时间段你们总是希望车能够更多一点，能够为我们提供更好的服务，但是我们发现一辆出租车在被使用的过程当中它还有2-3的空位没有被占用，于是乎大家很自然会想到拼车这样一个概念。下面我们就用人工智能和大数据的方法给大家带来一个上百万人、几千万辆出租车实时动态高效的“拼车”。在保证大家能够准时到达目的地的前提下，用户拼的程度越多，付的费用越少，而司机赚的利润更高，并且我们要保证这辆车来接你一定是最经济、能耗最低的、最环保的。这里面有诸多约束是非常非常难的问题，而且有巨大迸发量。
我们可以想象在高峰时候，我们有上百万人拿出手机，我们有上万的出租车在运营，怎么快速实时地为每个人、每一辆车去规划，这是一个非常非常难的问题。我们这里面不要求不同用户的起点和终点一致，也不要求一个用户下车之后另一个用户才能上车。让大家感觉到无缝的一种拼接，并且保证政府的能耗是最低的。通过这样一个系统在仿真环境的测试过，如果在北京用这样的一个系统，一年可节约1.5亿升的油，大概够一百万辆车跑一个半月，同时能够减排2400万吨二氧化碳，还能让整个出租车的运营效率提高三倍，而且司机的收益更高，乘客的费用要更低。这是一个非常非常难的问题，在很多年前我们不敢想象这样的问题能够解决。这也是一个能够为政府、为我们乘客和司机带来三赢的一个城市计算案例。
进一步，我们想一想如果我们把出租车换成一辆货车，我们把乘客的上车地点想象成货物的提货地点，把货物的送达地点想象成乘客的下车地点，那这样一个算法是不是很快能够应用到我们物流系统以及我们的点餐和配送系统。可以想象一下，这是能做到的。
我们想象大家每一天都可能在使用不同外卖和点餐系统也在使用各种的物流系统，通过我们这样一个人工智能算法把刚刚的算法稍作改进。我们就能够在不增加任何资源投入的情况下面，把整个系统的运力提高10%-20%。
好，讲完了这个例子，我们再看另一个例子。我今天给大家讲的每一个例子其实都跟大家生活非常相关。尤其是这个例子，我相信没有人能脱得了关系，因为除非你不呼吸。我们都知道，中国正在经历着空气污染带来的阵痛，这个跟很多发展中国家是一样的，政府已经意识到这个问题的严重性，因此在很多的城市里面，布局了空气质量监测站点。
但检测站点价格非常昂贵，一个国产站点将近要人民币一百万，一个进口站点大概要两百万，一个超级子站监控12种污染物大概要1200万，所以这样的站点不可能在整个城市每个角落都去建，而且后期还要有相关的维护成本和占地成本。但是问题来了，这个城市里面的空气是极度不均匀的，这一点可能大家未必知道，这是一个真实数据的回放。其中每一个图标，就是一个空气质量检测站点。而图标上的数字呢，就是空气污染指数。大家都知道AQI(空气质量指数)如果它是500的话，就爆表了，对吧。如果它是绿色，就表示它是优，如果它是红色，就表示它已经污染了。我们可以看到在同一时刻，不同站点的空气质量读数差异可以非常之大，有时候两个站点只隔一两个街区，它的读数可以差好几百。其实看到这样的现象并不奇怪，因为空气质量受很多复杂因素的影响。
那怎么办呢，我们就用大数据和人工智能的方法，结合空气质量、交通信息、气象条件、地理条件把大数据和人工智能用到空气质量的一个细粒度模型计算里面。我们去建立一个地方各种各样的数据跟这个地方对应的空气质量的一个关系。一旦把这个模型学习好之后呢，我把这个模型就可以用到别的空地，即便那个地方没有建空气质量站点，我也可以用刚刚的模型把整个城市的空气质量给算出来。
这样不仅为城市节约了很多的资源，避免了建很多重复的站点，还有进一步深意。比如说，最近我们把京津翼、长江三角多个城市按片区来做大尺度、细粒度的分析，我们可以看到当空气质量变坏的过程中，哪里先变坏，哪里后变坏，从而知道污染源从哪里起源传向哪里，帮助政府去锁定污染源的传播路线。所以这个工作不仅仅只是节约了一个成本的问题，也是帮助我们去追溯污染源。
好，讲完了前世，讲完了今生，大家很自然地要讲到未来。未来很重要，首先说一个整个城市的人流量预测，也就是说我们把整个城市分成很多个区域，我们能够预测整个区域未来有多少人进去以及有多少人从这个区域出来，这叫人流量预测，现在呢，我们很自豪地在贵阳市落地了第一个城市人流的预测系统。
这里呢，我们是把贵阳市分成一公里乘一公里的格子，去预测每一个格子里面未来会有多少出租车进和出租车的出。我并不是说出租车可以代表人流，我只是用这种数据来证明我的方法的有效性。我们可以想象一下，如果把这个数据换成手机信号数据，我们就能知道有多少人进去这个区域，多少人离开这个区域。我们再把这个数据换成地铁的刷卡或者公交卡刷卡数据，我们就能知道有多少人坐公交地铁进来，有多少人坐公交地铁离开。再进一步假设，我们把这个模型，用来预测共享单车的需求量、预测外卖的需求量，同样道理这个数据只要放进去，我就能够给你预测对应的流量。
因此，它是一个非常通用的人工智能模型，就能对我们的城市安全管控有更好的帮助。你在上地铁的时候，我就让你不要去了，告诉你那边可能会很危险，你可能会改变你的行程。所以我们知道不同地域人之间的转移，以及人从哪里来、去哪里更加重要，更加有效。这就是对城市未来几个小时的短期的预测，跟我们的公共安全和物流息息相关。
我们今天从大数据和人工智能的角度，看看城市计算如何帮助我们理清城市的前世、今生和未来。那么最后，城市计算还需要管理者跟数据科学家的对接，形成一个环路来推动整个城市螺旋式地上升。城市计算让我们拥有更合理的规划，更通畅的交通，更高效的物流，更清新的空气，最后带来更智能的城市。
这就是城市计算，我叫郑宇，来自于亚洲微软研究院，谢谢大家！
（第一次写博客，如果对你有帮助，请为我点个赞再走哦）