城市計算

目　　錄
譯者序
前言
致謝
關(guān)于作者
第一部分　概念和框架
第1章　概述2
　1.1　引言2
　1.2　城市計算的定義3
　1.3　總體框架3
1.3.1　簡述和示例3
1.3.2　各層功能4
　1.4　城市計算的關(guān)鍵挑戰(zhàn)6
1.4.1　城市感知挑戰(zhàn)7
1.4.2　城市數(shù)據(jù)管理挑戰(zhàn)10
1.4.3　城市數(shù)據(jù)分析挑戰(zhàn)11
1.4.4　城市服務(wù)挑戰(zhàn)14
　1.5　城市數(shù)據(jù)18
1.5.1　城市數(shù)據(jù)的分類18
1.5.2　地理數(shù)據(jù)20
1.5.3　道路網(wǎng)絡(luò)上的交通數(shù)據(jù)21
1.5.4　移動電話數(shù)據(jù)22
1.5.5　通勤數(shù)據(jù)22
1.5.6　環(huán)境監(jiān)測數(shù)據(jù)23
1.5.7　社交網(wǎng)絡(luò)數(shù)據(jù)25
1.5.8　能源25
1.5.9　經(jīng)濟(jì)25
1.5.10　醫(yī)療保健26
　1.6　公共數(shù)據(jù)集26
　參考文獻(xiàn)27
第2章　城市計算應(yīng)用33
　2.1　引言33
　2.2　用于城市規(guī)劃的城市計算33
2.2.1　揭示交通網(wǎng)絡(luò)中的潛在問題33
2.2.2　發(fā)現(xiàn)功能區(qū)域35
2.2.3　檢測城市邊界36
2.2.4　設(shè)施和資源部署37
　2.3　用于交通系統(tǒng)的城市計算39
2.3.1　改善駕駛體驗(yàn)39
2.3.2　改善出租車服務(wù)41
2.3.3　改善公交服務(wù)43
2.3.4　地鐵服務(wù)44
2.3.5　自行車共享系統(tǒng)45
　2.4　用于環(huán)境的城市計算47
2.4.1　空氣質(zhì)量47
2.4.2　噪聲污染50
2.4.3　城市水資源52
　2.5　用于城市能源消耗的城市計算54
2.5.1　汽油消耗54
2.5.2　電力消耗55
　2.6　用于社交應(yīng)用的城市計算56
2.6.1　基于位置的社交網(wǎng)絡(luò)概念56
2.6.2　理解基于位置的社交網(wǎng)絡(luò)中的用戶56
2.6.3　位置推薦57
　2.7　用于經(jīng)濟(jì)服務(wù)的城市計算58
2.7.1　商業(yè)位置選擇58
2.7.2　優(yōu)化城市物流60
　2.8　用于公共安全和保障的城市計算61
2.8.1　檢測城市異常61
2.8.2　預(yù)測人群流動63
　2.9　總結(jié)64
　參考文獻(xiàn)64
第二部分　城市感知與數(shù)據(jù)采集
第3章　城市感知80
　3.1　引言80
3.1.1　城市感知的四種范式80
3.1.2　城市感知的一般框架82
　3.2　傳感器和設(shè)施部署84
3.2.1　尋找最佳匯合點(diǎn)84
3.2.2　最大化覆蓋范圍86
3.2.3　學(xué)習(xí)排序候選位置89
3.2.4　最小化不確定性91
　3.3　以人為中心的城市感知92
3.3.1　數(shù)據(jù)評估93
3.3.2　參與者招募與任務(wù)設(shè)計94
　3.4　補(bǔ)充缺失值96
3.4.1　問題與挑戰(zhàn)96
3.4.2　空間模型97
3.4.3　時間模型100
3.4.4　時空模型102
　3.5　總結(jié)104
　參考文獻(xiàn)104
第三部分　城市數(shù)據(jù)管理
第4章　時空數(shù)據(jù)管理110
　4.1　引言110
4.1.1　數(shù)據(jù)結(jié)構(gòu)110
4.1.2　查詢110
4.1.3　索引111
4.1.4　檢索算法112
　4.2　數(shù)據(jù)結(jié)構(gòu)113
4.2.1　基于點(diǎn)的空間靜態(tài)數(shù)據(jù)113
4.2.2　基于點(diǎn)的空間時間序列數(shù)據(jù)114
4.2.3　基于點(diǎn)的時空數(shù)據(jù)114
4.2.4　基于網(wǎng)絡(luò)的空間靜態(tài)數(shù)據(jù)115
4.2.5　基于網(wǎng)絡(luò)的空間時間序列數(shù)據(jù)115
4.2.6　基于網(wǎng)絡(luò)的時空數(shù)據(jù)116
　4.3　空間數(shù)據(jù)管理117
4.3.1　基于網(wǎng)格的空間索引117
4.3.2　基于四叉樹的空間索引118
4.3.3　基于k-d樹的空間索引120
4.3.4　基于R樹的空間索引123
　4.4　時空數(shù)據(jù)管理126
4.4.1　管理空間靜態(tài)時間動態(tài)數(shù)據(jù)126
4.4.2　移動對象數(shù)據(jù)庫127
4.4.3　軌跡數(shù)據(jù)管理131
　4.5　管理多個數(shù)據(jù)集的混合索引138
4.5.1　查詢和動機(jī)138
4.5.2　空間關(guān)鍵詞139
4.5.3　管理多個數(shù)據(jù)集的索引145
　4.6　總結(jié)147
　參考文獻(xiàn)148
第5章　云計算導(dǎo)論152
　5.1　引言152
　5.2　存儲153
5.2.1　SQL數(shù)據(jù)庫153
5.2.2　Azure存儲155
5.2.3　Redis緩存162
　5.3　計算163
5.3.1　虛擬機(jī)163
5.3.2　云服務(wù)164
5.3.3　HDInsight166
　5.4　應(yīng)用176
5.4.1　Web應(yīng)用177
5.4.2　移動應(yīng)用178
5.4.3　API應(yīng)用179
　5.5　總結(jié)179
　參考文獻(xiàn)179
第6章　在云端管理時空數(shù)據(jù)182
　6.1　引言182
6.1.1　挑戰(zhàn)182
6.1.2　云上的通用數(shù)據(jù)管理方案183
　6.2　管理基于點(diǎn)的數(shù)據(jù)184
6.2.1　管理基于點(diǎn)的時空靜態(tài)數(shù)據(jù)184
6.2.2　管理基于點(diǎn)的空間靜態(tài)時間動態(tài)數(shù)據(jù)188
6.2.3　管理基于點(diǎn)的時空動態(tài)數(shù)據(jù)192
　6.3　管理基于網(wǎng)絡(luò)的數(shù)據(jù)196
6.3.1　管理時空靜態(tài)網(wǎng)絡(luò)196
6.3.2　管理基于網(wǎng)絡(luò)的空間靜態(tài)時間動態(tài)數(shù)據(jù)200
6.3.3　管理基于網(wǎng)絡(luò)的時空動態(tài)數(shù)據(jù)203
　6.4　城市大數(shù)據(jù)平臺206
　6.5　總結(jié)208
第四部分　城市數(shù)據(jù)分析
第7章　城市數(shù)據(jù)的基本數(shù)據(jù)挖掘技術(shù)210
　7.1　引言210
7.1.1　數(shù)據(jù)挖掘的一般框架210
7.1.2　數(shù)據(jù)挖掘與相關(guān)技術(shù)之間的關(guān)系212
　7.2　數(shù)據(jù)預(yù)處理214
7.2.1　數(shù)據(jù)清洗214
7.2.2　數(shù)據(jù)轉(zhuǎn)換216
7.2.3　數(shù)據(jù)集成217
　7.3　頻繁模式挖掘和關(guān)聯(lián)規(guī)則222
7.3.1　基本概念222
7.3.2　頻繁項集挖掘方法224
7.3.3　序列模式挖掘227
7.3.4　頻繁子圖模式挖掘232
　7.4　聚類234
7.4.1　概念234
7.4.2　劃分聚類方法235
7.4.3　密度聚類方法236
7.4.4　層次聚類方法240
　7.5　分類241
7.5.1　概念241
7.5.2　樸素貝葉斯分類法243
7.5.3　決策樹244
7.5.4　支持向量機(jī)246
7.5.5　不平衡數(shù)據(jù)的分類248
　7.6　回歸250
7.6.1　線性回歸250
7.6.2　自回歸252
7.6.3　回歸樹253
　7.7　異常值檢測255
7.7.1　基于鄰近性的異常值檢測255
7.7.2　基于統(tǒng)計的異常值檢測258
　7.8　總結(jié)260
　參考文獻(xiàn)261
第8章　用于時空數(shù)據(jù)的高級機(jī)器學(xué)習(xí)技術(shù)266
　8.1　引言266
　8.2　時空數(shù)據(jù)的獨(dú)特性質(zhì)266
8.2.1　空間屬性266
8.2.2　時間屬性268
　8.3　協(xié)同過濾269
8.3.1　基本模型：基于用戶和基于物品270
8.3.2　時空數(shù)據(jù)的協(xié)同過濾272
　8.4　矩陣分解275
8.4.1　基本矩陣分解方法275
8.4.2　時空數(shù)據(jù)的矩陣分解277
　8.5　張量分解279
8.5.1　張量的基本概念279
8.5.2　張量分解方法281
8.5.3　時空數(shù)據(jù)的張量分解283
　8.6　概率圖模型287
8.6.1　一般概念287
8.6.2　貝葉斯網(wǎng)絡(luò)288
8.6.3　馬爾可夫隨機(jī)場294
8.6.4　用于時空數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)295
8.6.5　用于時空數(shù)據(jù)的馬爾可夫網(wǎng)絡(luò)304
　8.7　深度學(xué)習(xí)308
8.7.1　人工神經(jīng)網(wǎng)絡(luò)309
8.7.2　卷積神經(jīng)網(wǎng)絡(luò)311
8.7.3　循環(huán)神經(jīng)網(wǎng)絡(luò)314
8.7.4　用于時空數(shù)據(jù)的深度學(xué)習(xí)316
　8.8　強(qiáng)化學(xué)習(xí)319
8.8.1　強(qiáng)化學(xué)習(xí)的概念319
8.8.2　表格動作值方法321
8.8.3　近似方法325
　8.9　總結(jié)327
　參考文獻(xiàn)328
第9章　跨領(lǐng)域知識融合334
　9.1　引言334
9.1.1　與傳統(tǒng)數(shù)據(jù)集成的關(guān)系335
9.1.2　與異構(gòu)信息網(wǎng)絡(luò)的關(guān)系336
　9.2　基于階段的知識融合337
　9.3　基于特征的知識融合339
9.3.1　特征連接與正則化339
9.3.2　基于深度學(xué)習(xí)的知識融合341
　9.4　基于語義意義的知識融合343
9.4.1　基于多視圖的知識融合343
9.4.2　基于相似性的知識融合347
9.4.3　基于概率依賴的知識融合351
9.4.4　基于遷移學(xué)習(xí)的知識融合352
　9.5　不同融合方法的比較357
9.5.1　數(shù)據(jù)集的體積、特征和洞察358
9.5.2　機(jī)器學(xué)習(xí)任務(wù)的目標(biāo)358
9.5.3　機(jī)器學(xué)習(xí)算法的學(xué)習(xí)方法359
9.5.4　效率和可擴(kuò)展性359
　9.6　總結(jié)359
　參考文獻(xiàn)360
第10章　城市數(shù)據(jù)分析的高級主題365
　10.1　如何選擇有用的數(shù)據(jù)集365
10.1.1　理解目標(biāo)問題366
10.1.2　數(shù)據(jù)背后的信息366
10.1.3　驗(yàn)證假設(shè)367
　10.2　軌跡數(shù)據(jù)挖掘370
10.2.1　軌跡數(shù)據(jù)371
10.2.2　軌跡預(yù)處理372
10.2.3　軌跡數(shù)據(jù)管理379
10.2.4　軌跡中的不確定性379
10.2.5　軌跡模式挖掘381
10.2.6　軌跡分類385
10.2.7　從軌跡中檢測異常386
10.2.8　將軌跡轉(zhuǎn)換到其他表示形式387
　10.3　將機(jī)器學(xué)習(xí)與數(shù)據(jù)管理相結(jié)合391
10.3.1　動機(jī)391
10.3.2　使用索引結(jié)構(gòu)加速機(jī)器學(xué)習(xí)393
10.3.3　縮減機(jī)器學(xué)習(xí)的候選對象396
10.3.4　導(dǎo)出邊界以修剪機(jī)器學(xué)習(xí)的計算空間397
　10.4　交互式視覺數(shù)據(jù)分析397
10.4.1　合并多個復(fù)雜因素398
10.4.2　在沒有先驗(yàn)知識的情況下調(diào)整參數(shù)398
10.4.3　深入挖掘結(jié)果398
　10.5　總結(jié)399
　參考文獻(xiàn)399