城市計算

目　　錄
譯者序
前言
致謝
關于作者
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)絡數(shù)據(jù)25
1.5.8　能源25
1.5.9　經(jīng)濟25
1.5.10　醫(yī)療保健26
　1.6　公共數(shù)據(jù)集26
　參考文獻27
第2章　城市計算應用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39
2.3.2　改善出租車服務41
2.3.3　改善公交服務43
2.3.4　地鐵服務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　用于社交應用的城市計算56
2.6.1　基于位置的社交網(wǎng)絡概念56
2.6.2　理解基于位置的社交網(wǎng)絡中的用戶56
2.6.3　位置推薦57
　2.7　用于經(jīng)濟服務的城市計算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　預測人群流動63
　2.9　總結64
　參考文獻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　傳感器和設施部署84
3.2.1　尋找最佳匯合點84
3.2.2　最大化覆蓋范圍86
3.2.3　學習排序候選位置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　參與者招募與任務設計94
　3.4　補充缺失值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104
　參考文獻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)結構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)結構113
4.2.1　基于點的空間靜態(tài)數(shù)據(jù)113
4.2.2　基于點的空間時間序列數(shù)據(jù)114
4.2.3　基于點的時空數(shù)據(jù)114
4.2.4　基于網(wǎng)絡的空間靜態(tài)數(shù)據(jù)115
4.2.5　基于網(wǎng)絡的空間時間序列數(shù)據(jù)115
4.2.6　基于網(wǎng)絡的時空數(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138
4.5.2　空間關鍵詞139
4.5.3　管理多個數(shù)據(jù)集的索引145
　4.6　總結147
　參考文獻148
第5章　云計算導論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163
5.3.2　云服務164
5.3.3　HDInsight166
　5.4　應用176
5.4.1　Web應用177
5.4.2　移動應用178
5.4.3　API應用179
　5.5　總結179
　參考文獻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　管理基于點的數(shù)據(jù)184
6.2.1　管理基于點的時空靜態(tài)數(shù)據(jù)184
6.2.2　管理基于點的空間靜態(tài)時間動態(tài)數(shù)據(jù)188
6.2.3　管理基于點的時空動態(tài)數(shù)據(jù)192
　6.3　管理基于網(wǎng)絡的數(shù)據(jù)196
6.3.1　管理時空靜態(tài)網(wǎng)絡196
6.3.2　管理基于網(wǎng)絡的空間靜態(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)挖掘與相關技術之間的關系212
　7.2　數(shù)據(jù)預處理214
7.2.1　數(shù)據(jù)清洗214
7.2.2　數(shù)據(jù)轉換216
7.2.3　數(shù)據(jù)集成217
　7.3　頻繁模式挖掘和關聯(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260
　參考文獻261
第8章　用于時空數(shù)據(jù)的高級機器學習技術266
　8.1　引言266
　8.2　時空數(shù)據(jù)的獨特性質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288
8.6.3　馬爾可夫隨機場294
8.6.4　用于時空數(shù)據(jù)的貝葉斯網(wǎng)絡295
8.6.5　用于時空數(shù)據(jù)的馬爾可夫網(wǎng)絡304
　8.7　深度學習308
8.7.1　人工神經(jīng)網(wǎng)絡309
8.7.2　卷積神經(jīng)網(wǎng)絡311
8.7.3　循環(huán)神經(jīng)網(wǎng)絡314
8.7.4　用于時空數(shù)據(jù)的深度學習316
　8.8　強化學習319
8.8.1　強化學習的概念319
8.8.2　表格動作值方法321
8.8.3　近似方法325
　8.9　總結327
　參考文獻328
第9章　跨領域知識融合334
　9.1　引言334
9.1.1　與傳統(tǒng)數(shù)據(jù)集成的關系335
9.1.2　與異構信息網(wǎng)絡的關系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　基于深度學習的知識融合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　基于遷移學習的知識融合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　機器學習任務的目標358
9.5.3　機器學習算法的學習方法359
9.5.4　效率和可擴展性359
　9.6　總結359
　參考文獻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　理解目標問題366
10.1.2　數(shù)據(jù)背后的信息366
10.1.3　驗證假設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　將軌跡轉換到其他表示形式387
　10.3　將機器學習與數(shù)據(jù)管理相結合391
10.3.1　動機391
10.3.2　使用索引結構加速機器學習393
10.3.3　縮減機器學習的候選對象396
10.3.4　導出邊界以修剪機器學習的計算空間397
　10.4　交互式視覺數(shù)據(jù)分析397
10.4.1　合并多個復雜因素398
10.4.2　在沒有先驗知識的情況下調整參數(shù)398
10.4.3　深入挖掘結果398
　10.5　總結399
　參考文獻399