智慧城市
智慧城市着力于运用海量数据、无缝通讯与智能算法改善城市内的各种问题，优化城市管理方法与服务方式。通过感知多维信息实现城市问题的及时发现与问题处理。下面将就智能城市中协作救援、开业推荐、火灾预测与住房评估进行简要介绍。
智慧城市群智协作救援平台
智慧城市群智协作救援平台模拟真实城市所遇到的突发性安全问题，针对消防、防爆、抢险等多个领域在内的救援行动进行模拟协作救援。救援平台包含无人机集群DJI Matrice 600(图1.a)与救援小车Robomaster EP((图1.b)两个部分。具体使用无人机集群结合群智协作机理对事故现场进行搜寻，得到环境的模型地图和目标位置，之后在安全位置降落，并架设通讯基站，保证事故现场的通讯畅通。之后地面救援小车通过接收的地图与目标位置进行自主导航并实施救援。
无人机集群通过群智协作机理进行集群协同区域搜寻，通过聚集、对齐、分离，抽象生物群体运动进行定义无人机集群运动规则以及相应的搜索算法。使无人机能够迅速有效地扩散到目标搜索区域，并且对于搜索过的区域，未来某个时刻可进行重复搜索。具有计算简单、鲁棒等特点，适用于环境规划复杂、无人机数量规模大、搜索区域宽广的任务场景。
地面救援小车装配了全向移动地盘、多自由度机械臂、激光雷达、深度摄像头等传感器，地面救援小车通过与无人机集群的通讯，在得到区域地图信息和任务目标位置后进行救援行动，在行动中通过传感器数据结合路径规划和避障算法进行动态行动规划。
(a)无人机
(b)救援小车
图1 智慧城市群智协作救援平台实践案例
连锁企业布局推荐（City Transfer）
连锁经营在现代城市中占据着主导地位，它们通常分布在城市的不同区域，可以提高为市民提供优质和有益的服务，其中关键问题是新店的选址问题，这不仅会影响到连锁企业的利润，也会影响到连锁企业的未来发展。为了在相关数据较少时仍能有效地布局推荐，作者团队提出CityTransfer模型，框架图如图2所示。
CityTransfer是一种基于多源城市数据的连锁商店推荐双层知识转移模型，由数据预处理模块、城市迁移学习模块和推荐模块三个模块组成。其中城市迁移学习模块是一个基于协同过滤的双重知识转移框架，包括转移等级预测模型、城际知识关联方法和城际语义提取方法，显著扩展了基于SVD的CF模型，从而将与语义相关的领域(如其他知识丰富的城市，目标城市的连锁企业类似)中的连锁商店知识转移到新城市的连锁商店布局推荐中。 通过选取来自中国四个不同城市多源数据（包括携程的连锁酒店企业数据、新浪微博的签到数据、高德地图的兴趣点数据）进行实验，验证了该方法在连锁商店布局推荐方面的有效性。
图2 City Transfer框架
火灾预测
消防部署是城市安全的一个重要问题，如何筛选出城市中的火灾高风险区域进行针对性地部署可以帮助更好地进行消防资源的合理分配和火灾事件的及时防控。为了更好地预测火灾风险，我们提出了CityGuard算法，综合城市气象、区域功能人口数量及用电量等多角度时空数据和城市火灾之间的关联关系，并对各个地区的火灾风险进行评估。基于CityGuard算法，我们设计了城市火灾时空预测系统（图3），根据实时获取的数据对预测结果进行迭代更新。
城市火灾时空预测系统主要分为两部分：本地学习和线上处理。在本地学习阶段，我们首先从收集到的城市数据中为每个地块提取出时空特征，并对历史火灾发生情况进行地图匹配和时段分割方便后续查询，并且使用提取的时空特征对模型进行训练以备后续进行预测。在线上处理阶段，系统一方面需要不断爬取最新的城市数据传向本地服务器，使得本地服务器对时空特征和模型不断进行更新。另一方面，将更新后的模型预测得到的火灾风险和历史火灾风险进行可视化，并对高风险地块进行筛选。
图3 城市火灾时空预测系统
住房需求估计
住房需求估计是经济学研究领域的一个重要课题。同时，由于快递行业的快速发展，快递记录中蕴含着丰富的有用信息，有助于研究人员剖析城市生活模式，小区居民的快递行为可以在一定程度上反映住宅需求。为此，作者团队提出一种基于快递数据的住房需求估算方法MT-HDE，框架图如图4所示。
在MT-HDE模型中，首先利用聚类方法对社区尺度上的快递记录进行聚合，完成记录中的缺失值；然后，从较不稀疏的数据集中提取各种特征，计算居民迁移的可能性和居民社区的吸引力。此外，考虑到不同地区之间的相关性会影响推理模型的性能，考虑了不同地区之间的共性和差异性。在得到不同区域之间的特征和相关性后，采用基于神经网络的多任务学习方法对住宅需求进行估计。 此外，该框架和方法可以应用和改进来解决其他预测问题，特别是那些需要考虑空间相关性的问题。
