城市计算

目　　录
译者序
前言
致谢
关于作者
第一部分　概念和框架
第1章　概述2
　1.1　引言2
　1.2　城市计算的定义3
　1.3　总体框架3
1.3.1　简述和示例3
1.3.2　各层功能4
　1.4　城市计算的关键挑战6
1.4.1　城市感知挑战7
1.4.2　城市数据管理挑战10
1.4.3　城市数据分析挑战11
1.4.4　城市服务挑战14
　1.5　城市数据18
1.5.1　城市数据的分类18
1.5.2　地理数据20
1.5.3　道路网络上的交通数据21
1.5.4　移动电话数据22
1.5.5　通勤数据22
1.5.6　环境监测数据23
1.5.7　社交网络数据25
1.5.8　能源25
1.5.9　经济25
1.5.10　医疗保健26
　1.6　公共数据集26
　参考文献27
第2章　城市计算应用33
　2.1　引言33
　2.2　用于城市规划的城市计算33
2.2.1　揭示交通网络中的潜在问题33
2.2.2　发现功能区域35
2.2.3　检测城市边界36
2.2.4　设施和资源部署37
　2.3　用于交通系统的城市计算39
2.3.1　改善驾驶体验39
2.3.2　改善出租车服务41
2.3.3　改善公交服务43
2.3.4　地铁服务44
2.3.5　自行车共享系统45
　2.4　用于环境的城市计算47
2.4.1　空气质量47
2.4.2　噪声污染50
2.4.3　城市水资源52
　2.5　用于城市能源消耗的城市计算54
2.5.1　汽油消耗54
2.5.2　电力消耗55
　2.6　用于社交应用的城市计算56
2.6.1　基于位置的社交网络概念56
2.6.2　理解基于位置的社交网络中的用户56
2.6.3　位置推荐57
　2.7　用于经济服务的城市计算58
2.7.1　商业位置选择58
2.7.2　优化城市物流60
　2.8　用于公共安全和保障的城市计算61
2.8.1　检测城市异常61
2.8.2　预测人群流动63
　2.9　总结64
　参考文献64
第二部分　城市感知与数据采集
第3章　城市感知80
　3.1　引言80
3.1.1　城市感知的四种范式80
3.1.2　城市感知的一般框架82
　3.2　传感器和设施部署84
3.2.1　寻找最佳汇合点84
3.2.2　最大化覆盖范围86
3.2.3　学习排序候选位置89
3.2.4　最小化不确定性91
　3.3　以人为中心的城市感知92
3.3.1　数据评估93
3.3.2　参与者招募与任务设计94
　3.4　补充缺失值96
3.4.1　问题与挑战96
3.4.2　空间模型97
3.4.3　时间模型100
3.4.4　时空模型102
　3.5　总结104
　参考文献104
第三部分　城市数据管理
第4章　时空数据管理110
　4.1　引言110
4.1.1　数据结构110
4.1.2　查询110
4.1.3　索引111
4.1.4　检索算法112
　4.2　数据结构113
4.2.1　基于点的空间静态数据113
4.2.2　基于点的空间时间序列数据114
4.2.3　基于点的时空数据114
4.2.4　基于网络的空间静态数据115
4.2.5　基于网络的空间时间序列数据115
4.2.6　基于网络的时空数据116
　4.3　空间数据管理117
4.3.1　基于网格的空间索引117
4.3.2　基于四叉树的空间索引118
4.3.3　基于k-d树的空间索引120
4.3.4　基于R树的空间索引123
　4.4　时空数据管理126
4.4.1　管理空间静态时间动态数据126
4.4.2　移动对象数据库127
4.4.3　轨迹数据管理131
　4.5　管理多个数据集的混合索引138
4.5.1　查询和动机138
4.5.2　空间关键词139
4.5.3　管理多个数据集的索引145
　4.6　总结147
　参考文献148
第5章　云计算导论152
　5.1　引言152
　5.2　存储153
5.2.1　SQL数据库153
5.2.2　Azure存储155
5.2.3　Redis缓存162
　5.3　计算163
5.3.1　虚拟机163
5.3.2　云服务164
5.3.3　HDInsight166
　5.4　应用176
5.4.1　Web应用177
5.4.2　移动应用178
5.4.3　API应用179
　5.5　总结179
　参考文献179
第6章　在云端管理时空数据182
　6.1　引言182
6.1.1　挑战182
6.1.2　云上的通用数据管理方案183
　6.2　管理基于点的数据184
6.2.1　管理基于点的时空静态数据184
6.2.2　管理基于点的空间静态时间动态数据188
6.2.3　管理基于点的时空动态数据192
　6.3　管理基于网络的数据196
6.3.1　管理时空静态网络196
6.3.2　管理基于网络的空间静态时间动态数据200
6.3.3　管理基于网络的时空动态数据203
　6.4　城市大数据平台206
　6.5　总结208
第四部分　城市数据分析
第7章　城市数据的基本数据挖掘技术210
　7.1　引言210
7.1.1　数据挖掘的一般框架210
7.1.2　数据挖掘与相关技术之间的关系212
　7.2　数据预处理214
7.2.1　数据清洗214
7.2.2　数据转换216
7.2.3　数据集成217
　7.3　频繁模式挖掘和关联规则222
7.3.1　基本概念222
7.3.2　频繁项集挖掘方法224
7.3.3　序列模式挖掘227
7.3.4　频繁子图模式挖掘232
　7.4　聚类234
7.4.1　概念234
7.4.2　划分聚类方法235
7.4.3　密度聚类方法236
7.4.4　层次聚类方法240
　7.5　分类241
7.5.1　概念241
7.5.2　朴素贝叶斯分类法243
7.5.3　决策树244
7.5.4　支持向量机246
7.5.5　不平衡数据的分类248
　7.6　回归250
7.6.1　线性回归250
7.6.2　自回归252
7.6.3　回归树253
　7.7　异常值检测255
7.7.1　基于邻近性的异常值检测255
7.7.2　基于统计的异常值检测258
　7.8　总结260
　参考文献261
第8章　用于时空数据的高级机器学习技术266
　8.1　引言266
　8.2　时空数据的独特性质266
8.2.1　空间属性266
8.2.2　时间属性268
　8.3　协同过滤269
8.3.1　基本模型：基于用户和基于物品270
8.3.2　时空数据的协同过滤272
　8.4　矩阵分解275
8.4.1　基本矩阵分解方法275
8.4.2　时空数据的矩阵分解277
　8.5　张量分解279
8.5.1　张量的基本概念279
8.5.2　张量分解方法281
8.5.3　时空数据的张量分解283
　8.6　概率图模型287
8.6.1　一般概念287
8.6.2　贝叶斯网络288
8.6.3　马尔可夫随机场294
8.6.4　用于时空数据的贝叶斯网络295
8.6.5　用于时空数据的马尔可夫网络304
　8.7　深度学习308
8.7.1　人工神经网络309
8.7.2　卷积神经网络311
8.7.3　循环神经网络314
8.7.4　用于时空数据的深度学习316
　8.8　强化学习319
8.8.1　强化学习的概念319
8.8.2　表格动作值方法321
8.8.3　近似方法325
　8.9　总结327
　参考文献328
第9章　跨领域知识融合334
　9.1　引言334
9.1.1　与传统数据集成的关系335
9.1.2　与异构信息网络的关系336
　9.2　基于阶段的知识融合337
　9.3　基于特征的知识融合339
9.3.1　特征连接与正则化339
9.3.2　基于深度学习的知识融合341
　9.4　基于语义意义的知识融合343
9.4.1　基于多视图的知识融合343
9.4.2　基于相似性的知识融合347
9.4.3　基于概率依赖的知识融合351
9.4.4　基于迁移学习的知识融合352
　9.5　不同融合方法的比较357
9.5.1　数据集的体积、特征和洞察358
9.5.2　机器学习任务的目标358
9.5.3　机器学习算法的学习方法359
9.5.4　效率和可扩展性359
　9.6　总结359
　参考文献360
第10章　城市数据分析的高级主题365
　10.1　如何选择有用的数据集365
10.1.1　理解目标问题366
10.1.2　数据背后的信息366
10.1.3　验证假设367
　10.2　轨迹数据挖掘370
10.2.1　轨迹数据371
10.2.2　轨迹预处理372
10.2.3　轨迹数据管理379
10.2.4　轨迹中的不确定性379
10.2.5　轨迹模式挖掘381
10.2.6　轨迹分类385
10.2.7　从轨迹中检测异常386
10.2.8　将轨迹转换到其他表示形式387
　10.3　将机器学习与数据管理相结合391
10.3.1　动机391
10.3.2　使用索引结构加速机器学习393
10.3.3　缩减机器学习的候选对象396
10.3.4　导出边界以修剪机器学习的计算空间397
　10.4　交互式视觉数据分析397
10.4.1　合并多个复杂因素398
10.4.2　在没有先验知识的情况下调整参数398
10.4.3　深入挖掘结果398
　10.5　总结399
　参考文献399