城市信息学其三-智能地理可实现个性化和可持续的未来城市交通

摘要：

几十年来，城市流动性和人的交通量一直在不可阻挡地增加。尽管流动性给我们的社会带来了优势和机遇，但也存在严重的缺陷，例如交通部门是温室气体排放和交通堵塞的主要贡献者之一。未来，越来越多的人将生活在大城市环境中，因此，必须解决这些问题，以确保宜居环境。信息和通信以及地理信息技术的快速发展为城市信息和智能城市铺平了道路，这些城市允许进行大规模的城市分析，并支持人们进行复杂的移动决策。本章展示了geosmartness是一种新型空间数据源、计算方法和地理空间技术的组合，它如何为科学家提供机会，对移动模式进行大规模时空分析，以及调查人们的移动决策。流动模式分析对于评估实时情况和预测未来状态是必要的。这些分析也有助于发现行为变化，例如对人们出行方式的影响，可能导致更可持续的交通方式。移动技术提供了新的用户支持方式。示例包括多模式和节能移动环境下的移动数据分析，以及通过基于凝视的交互提供移动决策支持。

介绍：

几十年来，城市流动性和人口运输一直在无情地增长。尽管流动性给我们的社会带来了许多优势和机会，但也存在严重的缺点，例如交通部门是二氧化碳排放、交通堵塞和大规模事件灾难的主要贡献者之一（Elliott and Urry 2010；Taaffe et al.1996）。预测显示，到2030年，全世界将有41个超大城市，每个城市的居民超过1000万（联合国2014年），到2050年，约80%的欧洲人口将生活在城市地区（Caragliu等人，2011年）。因此，必须解决这些具有挑战性的问题，为子孙后代提供适宜居住的环境。信息和通信技术（ICT）和地理信息技术的快速发展为城市信息学和智能城市铺平了道路，它们允许进行大规模的城市分析，并支持人们进行复杂的移动决策。本章展示了地理智能是一种新型空间数据源、计算方法和地理空间技术的结合，它为科学家提供了对移动模式进行大规模时空分析以及调查人们移动决策的简单机会。这种利用空间大数据的新方法和技术的应用将使实时评估包括市民在内的城市系统的当前状态，并对未来状态进行预测和预测成为前所未有的可能。流动模式分析对于评估实时情况以及对交通网络进行短期和长期预测都是必要的。此外，这些分析有助于发现行为变化，如人们的出行习惯或新的出行选择的影响，可能导致更可持续的交通方式。为了在未来控制温室气体排放，可持续的城市流动性将变得越来越重要。交通运输的长期脱碳不仅可以通过新技术实现，如车辆效率测量、动力传动系统技术和新能源载体，还需要人们努力控制需求并转向低排放交通方式（Boulouchos等人，2017年）。移动技术有助于识别面向个人的问题，并提供个性化用户支持的新方式。空间大数据可用于支持人们基于位置的决策，结合新技术和互动概念，如基于位置的服务和基于视线的互动。这将导致更有效和高效的时空决策，并有望为未来的可持续城市流动性做出贡献。本章首先介绍geosmartness及其主要促成因素，即地理空间技术、空间、大数据和时空计算方法。我们将研究城市移动模式的分析，包括数据、预测和标记方法。本节还对移动性研究进行了概述，并提供了一个详细的示例，重点介绍了多模式和节能移动性。在下一节中，我们将详细介绍地理空间的潜力以及有说服力的技术来支持人们的可持续流动。这包括动机方面以及检测和支持行为变化的方法。本节还概述了这一领域的研究，并描述了最近一项旨在改变移动行为的研究。在最后一节中，我们解释了移动决策的特殊性，介绍了移动眼球跟踪技术和基于凝视的交互概念，并演示了它们的组合如何实现基于凝视的个性化决策支持。最后一节给出了结论和未来工作的方向。

 智能地理

Geosmartness与利用新的地理空间技术、空间大数据和时空计算方法解决世界上许多具有挑战性的移动、运输和气候领域问题的巨大机会有关。通过计算、通信和信息技术的快速发展，以及地理信息科学领域的理论进步（或更广泛的空间数据科学，包括数字表示、模型和分析方法），这一点成为可能（Goodchild 1992；Raubal 2019；Reitsma 2012）。Geosmart对于成功地将传统城市和城市地区转变为智能城市至关重要，智能城市本质上是基于实时传感器控制系统的数字集成城市空间。这样一个系统包括技术、人和社区（Nam和Pardo，2011年），其主要目标和挑战是通过技术和环境的整合来解决发展中城市的关键问题（Batty等人，2012年）。Ratti和Claudel（2016）概述了未来智慧城市的概念，同时强调了开放数据和平台的价值，以及智慧公民的必要性。已经展示并描述了在建设智慧城市时所取得的具体努力和经验教训，例如巴塞罗那（Gasco Hernandez 2018）。实现地理智能的各种方法和工具（图6.1）涵盖了传统阶段的FAGIS（地理信息系统）过程，包括空间数据，建模、表示、分析和展示（Longley et al.2011），但规模要大得多，涉及新颖的界面、尖端信息技术和实时传感器数据（不仅是地理规模；Montello 1993）。随着计算、通信和信息技术的不断进步，空间数据的结果也在不断增加。它们以大规模运动的形式出现——轨迹数据集、精细分辨率环境数据或特定的行为数据（例如，来自眼睛跟踪），通常是实时的。Li等人（2016年）通过以下维度来描述地理空间大数据：•容量：图像、传感器和基于位置的社交媒体数据的字节（或更多）会引发存储和分析问题多样性：与各种类型的地理空间数据有关，如光栅、矢量、网络、结构化和非结构化数据及其集成速度：实时轨迹和社交媒体数据，以及其他连续的传感器数据流需要以与数据采集相同的速度进行数据处理真实性：根据来源的不同，地理空间大数据的准确性和精确度各不相同，并影响可靠性和可信度。因此，质量评估可能很困难可视化：一方面提供将人类推理应用于大数据分析的程序，另一方面促进模式和关系的交流，作为此类分析的结果可视性：地理空间数据可以通过云计算技术进行有效访问和处理。为了从这些复杂而海量的空间数据中发现知识，传统的时空分析方法现在通过机器学习方法得到了大规模的扩展和完善（Raubal et al.2018）。机器学习应用于CyberGIS分析中的空间大数据、时空异常和异常检测，以及预测人类空间行为。空间数据科学通过提出时空建模和上下文集成方法来增强机器学习，以实现更好的结果和更高的性能。在移动和运输领域，最近已经证明了如何利用图形进化神经网络（GCN）从轨迹数据计算人类活动（Martinetal.2018）。利用多重个性化图形来模拟人类的移动行为，并在图形的权重和连接中嵌入大量的时空信息和结构。这些图形作为GCN的输入，GCN反过来利用了这种结构。地理信息技术利用地理信息支持人们的时空决策的比较系统和服务（Raubal 2018）。它们利用与空间和时间位置相关的数据，并根据空间位置处理这些数据，这会增加推理和数据分析的复杂性。如今，地理信息技术不仅包括用于获取、表示、分析和可视化时空数据的桌面GIS，还包括基于位置的服务（LBS），通过提供基于当前位置的空间信息来支持人们的移动决策，通常依靠内置的GPS（全球定位系统）技术（Brimicombe和Li，2009）。LBS可以通过其他上下文信息进一步增强，比如用户的视线。这允许考虑用户的观看方向（Anagnostopoulos等人，2017年）