GeoAI技术内涵与城市计算

资源与环境信息系统国家重点实验室2024年10月17日2024年10月17日中国科学院地理科学与资源研究所城市信息智能化处理面临诸多新挑战0时空数据采集能力远远超过数据同化和理解能力。预测能力并未随着可用数据的增长而同步增长，当前诸多城市大脑智商有限。0如何从城市海量时空数据中提取知识?如何发展数据分析模型从而比传统方法学习到更多知识以支撑智慧城市建设?中国科学院地理科学与资源研究所InstituteofGeographicSciencesa报告内容3GeoAl与大模型赋能城市计算中国科学院地理科学与资源研究所InstituteofGeographicSciencesa自然智能(NaturalIntelligence)o感知智能：通过被动与主动方式接受外界信息并感知场景变化的能力○学习智能：基于外界信息变化调整自身状态或行为以适应环境的能力o记忆智能：在生命体内存储和提取通过学习获得的经验或信息的能力o认知智能：认识现象特征，探究模式规律，归纳并总结成知识的能力o交流智能：生命体间通过语言/表情/动作表达认知并相互沟通的能力o决策智能：采取趋利避害思维，分析主客观条件做出正确决策的能力InstituteofGeographicSciencesando概念起源：1956年夏季，达特茅斯学会0复兴动力：算力与存储能力激增、深度学习模型和开发框架快速发展持Al模型的快速训练和部署、专业壁垒减少0应用领域：生物特征识别、文本挖掘、图像理解、机器翻译、智能搜索、InstituteofGeographicSciences人工智能持续多年成为新兴技术焦点中国科学院地理科学与资源研究所InstituteofGeograp现代机器学习方法引领了人工智能复兴监督学习监督学习无监督学习强化学习集成学习深度学习迁移学习特征表达分类/回归演化计算人工智能研究分支机器学习人工智能研究分支大模型：具有大量参数(从数十亿到数万亿)和复杂结构的机器学习模型，能够处理大规模数据和复杂问题，且具有较高的效率和精度，本质上是对事物间隐含关系的深层次刻画人工智能发展现状的个人认识o服务Al的存储与计算能力非人类可比。辅以大模型的学习能力和场景适应能力，迅速完成迭代优化，在完善的执行力基础上，进一步言模型而言，专业领域概念模糊，只是模型的训练语料具有专业特0各种基于深度学习的Al模型算法存在可解释性、可复制性、可迁移InstituteofGeographicSciencesNaturalResourcesResearch,C人工智能发展趋势的个人判断0集成建模方法：将复杂系统已获知的物理机理模型与数据驱动的机o引入知识图谱：经典符号学习+联结主义学习的集成，实现大模型InstituteofGeographicSciencesNaturalResourcesResearch,C地理空间人工智能(GeoAl)成为地理信息科技新发展理念息，以及针对下游任务的方法、系统与服务的支撑技术体系，包括影像分类、目标探测、场景分割、仿真与插值、链接预测、地理信息抽0不断产生的时空大数据，为Al模型训练和算法研发提供了用武之地。OGIS为机器学习模型所需的标注数据生成提供了技术支撑平台。InstituteofGeographicSciencesandOAl技术有助于精确刻画空间异质性效应、空间依赖的近邻效应、空间交互的距离衰减效应和空间分区的尺度效应(刘瑜等2023)OAl技术有助于实现已有知识在不同地理区域间的可信迁移，为复杂系统未来趋势预测提供技术支撑OAl技术有助于提高发现新的时空格局与演化普适规律的能力，尽管这种规律的普适性经常受到质疑终极目标：利用数据与知识双驱动的Al技术助力地理空间数据分析模型研发，并通过自我学习实现迭代，最终实现地理时空大模型，根本性提高空间定位、空间关系理解、空间推理、行为调控和空间决策能力中国科学院地理科学与资源研究所InstituteofGeographicSciencesa视觉空间智能视觉空间智能vs地理空间智能(李飞飞2024),CV的下一个前沿。目标是Largeworldmodelo地理空间智能：感知、认知、学习、预测、适应、自动调整地理空间系统要素状态的能力。目标是多模态地理空间大模型中国科学院地理科学与资源研究所空间范围标定….目标：深化对自然环境/社会系统的认识目标：深化对自然环境/社会系统的认识从本质上一维的自然语言大模型、多模态大模型到真正三维的时空大从本质上一维的自然语言大模型、多模态大模型到真正三维的时空大模型的不断演化，为地理空间数据挖掘与分析奠定了极佳的技术基础InstituteofGeographicSciencesand当前地理空间分析面临挑战：大量引入AI算法，在遥感影像处理等领域应用广泛，但多为"黑箱"模型，数据处理过程难以解释；以GPT解决思路：构建包含地理空间数据生成模型、地理空间知识库、地理语义分割语义分割对每一个像素划分类别。可用于提取地物、或进行土地利用类型分类算法：场景：土地覆盖提取、建筑物提取、道路检点云分类用于点云分类和提取算法：场景：分类点云数据(建筑物、地面)、电力线，电线杆的捉取等对象分类用来对图像进行分类，如拥挤的人群、图像中是否含有猫算法：场景：损坏建筑分类，干净或富营养化池塘、损坏的设备、识别植物种类等视频检测在视频中识别物体并以矩形框的方式场景：识别移动目标，如车、人、船等目标检测以矩形外框的方式标出识别物体的位置算法：场景：树、车，飞机、游泳池、油井、构筑物、基于视频提取路面破损、路标等相关设施、车辆检测与计数、消防栓，并盖等实例分割对象识别的基础上切割出对象的算法：场景：建筑物提取、3D屋顶结构，污水池等识别图像中的变化更多将源域图像转换到目场景：制围，去云边缘检测图像标注提供图像的文本描述。GeoAl的共性技术机器学习核心任务：提升数据表达方法，产生特征向量目的：化繁为简，寻找针对原始数据更好的表达方式，方便具体任务(如地理过程预测、空间聚类等)的实施o特征工程，依赖人为确定或处理的数据特征，如线性回归o表征学习，通过嵌入等方式进行特征映射，自动提取特征表征学习可视为特征工程的高阶阶段。模型选择过程取决于对问题的理解所提出的假设，是先验知识与数据量之间的博弈中国科学院地理科学与资源研究所InstituteofGeographicSciencesandNaturalResourcesRese地理空间表征学习用表征学习模型提取隐含的地理空间特征，提高地理建模精度InstituteofGeographicSciencesandGeoAl的共性技术2.时空插值与预测○时空预测：推断地理对象属性的时空演变趋势3)时空知识图谱3)时空知识图谱服务对象：当前知识表达多是面向人的(管理、检索与传播需求),知识的几数学方法支撑数据支撑开放信息抽取模型开放信息抽取模型语义搜索空间关系空间关系推理模型文本语义计算模型多源数据融合模型口支撑支撑以深度学习为代表的机器学习方法能够有效捕捉时空数据中的复杂模式和长期依赖关系，推动从大语言模型到多模态大模型的演化Spatio-TemporalLLM(orientedto薄薄plac据梁宇轩等2023地理时空大模型：利用深度学习方法和先进计算架构，建立的具有海量参数，能够处理与深入分析时空大数据的综合性基础模型昆昆地理时空大模型基础框架(姚尧2024)中国科学院地理科学与资源研究所当前GeoAl发展状况的个人认识的机器学习模型，展现了Al技术服务空间数据挖掘的巨大潜力，o大数据时代训练数据的时空分布特征对机器学习的影响有所减弱，但数据空间结构、时空依赖性、异质性、尺度如何影响当前Al的核心机制(如卷积、特征映射、注意力、迁移学习)还缺乏研究上，产生多模态时空大模型，并具备自我学习和提升能力，同时InstituteofGeographicSciencesandGeoAl与大模型赋能城市计算筑楼宇、自然环境、经济活动、资源消费等时空场景中多源大数据的实时采集与协同计算过程，感知城市脉搏，诊断城市状态，甄别存在的问题和隐患，为城市管理决策提供智能，为城市居民生活提供便利中国科学院地理科学与资源研究所InstituteofGeographicSciencesa1.城市道路交通状态识别解决方案：利用时序统计、非参数拟合模型、集成学习、层叠泛化模型，计算车行道和交叉口交通状态道言数候输入数据2)基础模型3)Level-0测试输出4泛化法多模型误差比较测试数据2.城市道路交通状态交互特征识别间交通影响关系，将交通系统要素关联关系挖掘过渡到因果关系识别①(2)Thedhangeoftopkcoherencewi2017,6(11):321.3.城市道路短时交通预测解决方案：顾及交通状况时序相关性、空间异质性、时间非平稳性，构建自适应时空K近邻模型、时空多视图、时空多任务模型，提高短时交通预测精度、计算效率和泛化能力{PeriodpredictiōnRecentsesuls__resuls__[befnepredicdlon_解决方案：集成重点营运车辆轨迹数据挖掘、网络文本挖掘、专业模型标定、时空分析和机器学习方法，实现交通污染排放精细刻画京津冀区域交通空气污染在线监测系统分染分染排放|策情指权拟0心置心置放摊心果心证时空网化料结QQ情量设置然空网计量模情量设置然众机动车高时空分辨率多尺度排放清单极样或通状通状风导风导交通模式调交通模式调焦中酒具一一中酒具一一移动对象轨迹0邻近性周期性LiMX,LuF,ZhangHC,etal,Predictingfuturel6.服从空间与统计分布模式的城市个体轨迹生成个体活动类型序列生成个体活动类型序列生成交互视角(真实v合成)轨违聚美模式:道模人相似度堂网选轨迹视角(真实w合成)个体活动位里选择bdIwanA邻接矩降不同地理含又的输入：·使用不同地理属性·构建不问空间关系个体出行空间行为机制解析csbcdefd位置表征教连来征A邻接矩阵X特征矩阵批址内行为叔制相如度蛇系把插fLiuK,Jinx,LuF,etal,Act2Loc:asynthetictrajectoryx,-x,XrInformationScience,2024,38(5):847-878.8.基于物理与社会空间交互的城市人群活动密度预测解决方案：综合考虑物理和社会交互作用对活动强度估计的影响，显著提高动态活动强度预测的准确性和可解释性MobilePhone_Network■AP-IPS■AP-PD■APPM■AIP-S重中业业PPSPPattributesLrecMulti-level@SigmoidWLakyehocnyComoluionulliyeradattributesLrecMulti-level@SigmoidWLakyehocnyComoluionulliyeradcMSpatio-temporalpriorSpatio-temporalpriorOutputResultsoflmputerOutputResultsofPredictor@Eu”E…,ELE-1ActivatedembeddingEuE…,ELE-1ActivatedembeddingEuff10.时空知识图谱辅助的城市旅游景点推荐解决方案：使用注意力机制，将知识图谱嵌入表示与符号计算相结合，推演游客兴趣在知识图谱上的传播模式，实现景点推荐结果的可解释seedspropoostioneeWhuOengduWhuOengduCghtt⁷MountOnodhengKuanhu*画夜都不吃西烤缺花NrkaNrka000—Rank-ProcessingandManagement.2023,60:103369.个人感受个人感受：专题应用丰富多彩。跨文本、专题地图、遥感影像、街景、场景视频、音频和代码的城市大模型是人工智能战略服务城市计算的关键城市大模型及使命：物联网物联网大模型大算力大模型大算力城市智能计算当前面临的问题1.1.人工智能技术两大驱动力亟需有效结合：城市多源时空数据的实时学习与行业知识的自动化积累与复现一城市建设与运维体现智慧的核心○深度学习进入冷静期，算解释、可复现、可迁移的○时空知识图谱的加持，是息智能提取、分析和知识深度学习(