智慧城市的认知计算和智能决策面临的三大科

当前，国内外智慧城市建设正在如火如荼地开展，以信息化、数字化为目标的城市新基建为未来治理提供了电子信息基础，越来越多的城市通过研发智慧城市系统，实现在一个统一平台上对城市管理和控制要素、治理对象、决策过程、评估效果等各类信息的全方面呈现，为实现统一政策、标准体系、技术平台上的城市协同治理奠定了基础。我国十九届五中全会指出：“中国未来要加快推动城市治理体系和治理能力现代化，努力走出一条符合超大型城市特点和规律的治理新路子”。“十四五”规划强调推动区域协调发展，发挥中心城市和城市群带动作用，建设现代化都市圈。

新时期的未来城市发展迎来了越来越多的挑战和不确定性，未来城市治理越来越依赖于强有力的数据支撑，如何基于大数据和人工智能技术实现城市的高效安全治理成为亟待解决的问题。然而，当前各大城市在数字治理建设过程中，仍缺乏科学合理的城市治理规范以及精准高效的模拟推演技术体系，其根源在于现有人工智能技术难以支撑未来城市智慧发展的需求。当前复杂城市环境下的情景推演、智能推理与决策技术遭遇瓶颈，例如：由于经验数据导致的错误归因，会导致犯罪预测算法有种族歧视倾向；由于对常识/客观规律等知识认知的不完备，GooglePhoto会自动将有相似背景但完全不相关的照片进行融合；由于模型难以应用于未见过的场景，会使得自动驾驶汽车在陌生场景下被撞毁。现有人工智能技术在博弈、图像、语言理解等计算和感知智能中表现突出，却难以解决开放、动态、真实城市环境下的推理与决策问题，面临认知能力欠缺的核心难题。

建立数据和知识协同驱动的认知计算框架，实现基于认知计算的城市情景推演与智能决策，面临三大科学问题，分别关乎数据、知识和认知。

数据

针对数据不可靠的问题，需要研究如何利用不可靠的数据，对应的科学问题是认知先验增强的数据驱动认知。对此，可以建立基于数据的快速认知方法，利用先验知识来增强认知的可靠性。当前深度学习方法的优化目标函数主要基于最大似然准则设计，忽略了认知过程中大量先验与目标任务紧密相关的基本原理，与构建抽象化的低维度表征相冲突。另一方面，传统神经网络优化利用注意力机制和反向传播实现输入端数据与输出端优化目标之间的梯度联结，难以适应低维度的认知先验表征及高抽象程度，扩大了城市数据不可靠带来的负面影响。因此，工程师们需要设计能够最大化利用数据低维度表征的合理优化目标函数，以及符合任务特征的有效信息传播和梯度优化方法，实现认知先验增强的数据驱动快速认知。

因此，该科学问题的本质是如何从高维度海量不可靠数据中萃取出与任务相关的有效数据。以经典的城市时空人流预测为例，若将人流数据当成图像来进行处理，用三维时空数据表示，复杂且冗余；如果能找到数据的结构，通过空间划分时间实现时空解耦，则能通过二维表征空间便捷表示。因此，要将不可靠的城市数据利用好，关键是找到数据的结构特征和关键要素，即认知先验。现有的城市计算方法直接从高维数据中解决学习问题，可靠性差。这方面可借助微分流形等数学模型的强建模能力，通过偏微分方程描述先验，实现从高维度数据中找出城市任务相关的流形表示。进一步，基于构建的可靠性强、抽象度高的低维度表征，通过合成梯度优化和注意力机制，实现认知先验增强的数据驱动快速认知方法。

知识

针对知识不完备的问题，则需要研究如何最大可能地构建和利用好城市知识，对应的科学问题是常识与因果支持的知识驱动认知：研究知识指导的城市情景推理与智能决策新方法，探索广义知识库和因果支持的知识驱动城市认知理论。当前智能系统的构建和应用主要基于从文本数据中挖掘的常识，然而城市认知过程所需要的知识包含常识、百科知识、领域知识以及客观规律等广义知识，并且以图像、文本、时空数据等多样化跨媒体城市数据的形式存在。为了实现更好的认知性能，需要从海量跨媒体数据中自动抽取广义知识，并与现有知识库融合构建广义知识库。更重要的是，现有的认知方法往往过度依赖数据，忽略了数据背后蕴含的因果关系；为实现可推理的认知决策，需要利用因果知识指导推理和决策任务，设计灵活、有逻辑的认知推理与决策模型。因此，实现广义知识库的常识与因果支持的知识驱动认知机理是另一个关键科学问题。

认知

针对任意复杂的城市认知任务，首先，实现从易到难的任务分解，构建层次化认知任务体系。其次，找到解决不同层级问题对应的数据和知识，用数据提升知识的完备性，用知识提升数据的可靠性，通过数据与知识螺旋迭代，实现认知水平由低到高的提升。具体而言，在任务分解方面，需要研究任务自动逆向生成模型和基于强化决策的任务自动生成、规划、组合方法，实现从易到难的认知任务分解；需要研究基于知识的数据解纠缠方法，揭示数据中隐含的多种因子，并基于因子属性与因子间的关系，得到适配当前认知任务的数据，以解决数据原本的偏噪混淆等问题，实现知识提升数据的可靠性；研究基于数据的知识自动化获取方法，从知识表示、关联模型等多个角度，设计基于可微神经网络架构搜索的自动化知识学习方法，通过自动化知识补全纠正实现数据提升知识的完备性，最终实现数据与知识的螺旋提升和自主认知。

转载请注明：http://www.odnmh.com/wazz/15339.html