创新研究推动智慧北京关键技术发展

李学伟 张若冰

[摘要]以大数据技术为视角，针对目前“智慧北京”建设实践中存在的理论方法研究滞后于实践、大数据应用相关理论与技术尚待突破、数据壁垒等问题，从智慧北京应用目标谱系出发，提出了数据关联解决方案以及基于目标谱系的AI算法体系方法论，通过创新数据模型，解决全域大数据关键技术的应用问题，将在一定程度上促进智慧北京建设及相关高精尖产业的发展。

[关键词]智慧北京;大数据;AI谱系

[中图分类号]F492[文献标志码]A[文章编号]1672-4917（2020）03-0001-10

全球城市人口正以每年约6000万人的速度增长[1]，到2050年城市居民数量将占世界总人口的66%[2]。城市化的迅猛发展和能源消耗的持续增加，对城市环境、综合治理和居民生活影响巨大。快速城市化使全球的城市管理部门都不得不面临着向越来越多的居民提供更多的公共交通、绿色建筑、清洁能源和教育医疗等服务。为有效解决这些问题，基于大数据、物联网、云计算等科学技术的智慧城市建设，正在成为全球应对快速城市化和社会经济挑战的重要途径。[3-4]到目前为止，全球已有1000多个城市启动了智慧城市建设项目。[5]由于智慧城市是一项基于海量多源异构数据共享与交互的城市变革工程，涉及多学科领域，各国尚未就智慧城市的概念形成共识，缺乏一个目标明确、层次清晰、系统连贯的综合建设纲领与理论体系。

智慧城市是综合城市运行管理、产业发展、公共服务及行政效能为一体的城市全面发展战略，是现代城市发展的高端形态。北京作为首都，其智慧城市建设尤为重要。2014年2月和2017年2月，习近平总书记两次视察北京并发表重要讲话，强调建设和管理好首都，是国家治理体系和治理能力现代化的重要内容，应不断朝着将北京建成国际一流和谐宜居之都的目标前进。建设智慧城市是提高北京精细化城市管理水平的重要载体，更是北京全面建设超大城市治理体系，实现城市治理能力现代化的重要路径。2020年，新型冠状病毒肺炎疫情的爆发，对社会公共卫生体系的建设与优化、城市治理水平与治理能力的提升提出了更高的要求，也在倒逼智慧城市的建设加快发展步伐。目前，智慧北京的建设进入加速期，已在信息基础设施建设、智慧公共服务提供等方面有了突破式进展。但随着发展的深入，仍有一些难题严重制约着智慧北京的建设与发展。本文从智慧北京应用目标谱系出发，力图解决数据关联理论、提出基于目标谱系的AI算法体系方法论、创新数据模型，通过解决全域大数据关键技术的应用问题，提高智慧城市管理能力，以带动智慧北京的机制体制创新。

一、大数据与智慧城市

（一）智慧城市概念与体系框架

智慧城市一词发端于20世纪80年代的信息城市（information City），经历了90年代的智能城市（intelligent City）与数字城市（digital City），在2000年后逐步演化为智慧城市（smart City）。在城市从智能到智慧的發展中，出现了两股重要驱动力：一是信息和通信技术的创新发展，增强了人们借助智慧解决方案以应对城市发展问题的能力[6];二是以信息和通信技术为驱动的城市可持续发展战略，从一个全新的视角对城市未来进行规划。CISSCO白皮书（2011年）中提到，智慧城市应包括一个综合的城市信息和通信技术建设计划，不仅包括交通网络、供水和废物管理等城市基本功能，还包括各类技术驱动的智慧服务。[7]也就是说，智慧城市的主要目标是通过部署和使用智慧城市技术，提供一种提高居民生活质量的方法。[5]然而，有效的智慧城市发展需要在多方面进行规划，涉及功能性、有效性和智慧性。[8]尽管国内外学者都对智慧城市进行了定义，但其仍是一个模糊的概念，尚缺乏一个被普遍认可的定义来概括这项涵盖多种新兴技术的复杂的互联系统（表1）。智慧城市相较于智能城市更强调对城市治理政策和管理体制机制的支持作用，重视提升城市有机系统中的综合服务水平[9]。

智慧城市建设因应城市发展中的现实挑战和机遇而提出，因此不同城市的智慧城市建设框架各不相同。地理环境、国家和地区法律、文化特征和生活质量预期等，这些与当地条件密切相关的因素是智慧城市建设的主要驱动力。[10]城市管理部门的主要任务是在地方预算的限制下，有效解决城市治理问题，提升居民生活质量。因此，智慧城市的体系框架须充分协调城市发展的现实挑战与机遇。基于上述考虑，一系列智慧城市的框架被提出。[10-11]弗若斯特沙利文公司（Frost & Sullivan）对全球智慧城市进行了调查，并确定了它们的共同特征，提出了智慧钻石（smart diamond）框架，以预测未来趋势。[12]智慧钻石框架包含八个基本方面，即智能治理、智能能源、智能建筑、智能移动、智能基础设施、智能技术、智能医疗保健和智能居民。[8]IBM提出了一个生态圈计划，其中包括执法和公共安全的规划、政府和行政机构管理以及智能建筑和城市规划，以打造一个更智慧的城市。[13]2013年，国际知名智慧城市战略家博伊德·科恩（Boyd Cohen）提出了“智慧城市轮”框架，用于对智慧城市属性进行广泛而深入的评估。该框架涵盖智慧城市发展的六大重点领域，即智慧政府、智慧经济、智慧环境、智慧出行、智慧居民和智慧生活。[14]尽管国内外学者针对智慧城市的不同方面提出了多种建设思路，但仍缺乏一个被学者广泛认可的宏观系统架构。

（二）大数据时代的智慧城市建设

随着互联网、传感器以及各种数字化终端设备的普及，一个万物互联的世界正在成型。据IDC发布的《数据时代2025》报告显示，全球每年产生的数据将从2018年的33ZB增长到175ZB，相当于每天产生491EB数据ZB：泽字节，相当于2的70次方Byte，1ZB=1024EB。。人们若能全面深入分析这些多元异构、数量庞大的数据，使之转化成为有价值的信息，并从中挖掘城市运行、社会变化以及人的行为规律，将能够对城市治理智慧化起到不可估量的作用。智慧城市中由海量传感器组成的物联网将不断地采集海量的数据，而这些大数据需要经过存储、处理、查询和分析后才能充分用于各类应用，从而提供智慧服务。并且对大数据存储、处理、查询和分析的实时性要求越来越高，随之将带来存储成本过高、信息提取自动化程度过低以及知识挖掘困难等一系列的问题和挑战。[15]邬贺铨院士在2018年智慧城市院士论坛上提出，城市大数据是智慧城市的宝贵资产。对于城市治理者来说，长期以来已经形成了各类城市大数据，包括人口、地理信息、经济、交通、环境等大数据库等。对这些数据库的共享、融合和充分挖掘，不仅可以大幅提高政府电子政务水平、促进政务公开透明，而且可以借助大数据提高交通通行效率、环保检测监督水平、社会治安保障能力等。在大数据背景下，智慧城市规划建设在理论与实践层面都面临着一系列挑战。在规划理论层面，智慧城市的系统性规划理论尚处孕育之中，但智慧城市子系统（智慧政务、智慧交通、智慧医疗、智慧安防等）的理论研究及实践应用早已全面展开。[16]李德仁院士提出在云计算与数据挖掘等技术的支撑下，智慧城市的智能服务正在从任何人可以在任何时间、任何地点获取任何信息的服务（anyone，anytime，anywhere，anyinformation，4A）转变为在规定的时间、关注的地点将正确的信息传递给需要的人的灵性服务（righttime，rightplace，rightinformation，rightperson，4R），这一转变的过程需要时空位置大数据参与其中各个领域和环节，让智慧城市真正“智慧”起来。[17]在2020年的抗击新型冠状病毒肺炎疫情中，时空位置大数据为公共疫情防控提供了疫情统计、病例分布情况及病例活动轨迹测算等方面的服务，协助了疫情精准防控和社会复工复产。基于时空位置大数据提供的公共疫情防控服务成为现代疫情防控体系建设的必然趋势，也是世界各国正在深入研究的课题之一。[18]

（三）国内外智慧城市建设实践

智慧城市自2008年被IBM公司提出后，受到了世界各国的广泛关注。IDC最新发布的《全球智慧城市支出指南》（IDC Worldwide Smart Cities Spending Guide，2019H1）指出，截至2020年，全球智慧城市市场相关支出规模达1240亿美元，中国市场支出规模达266亿美元，是支出第二大的国家，仅次于美国。[19]

国外对于智慧城市的建设起步较早。美国早在2009年就将智慧城市建设写入美国复兴与再投资计划中，其中迪比克市作为美国第一个智慧城市，利用物联网技术将城市水、电、油、气、交通、公共服务数字化并连接起来，通过监测、分析各种数据，智能化响应市民需求，降低城市能耗;芝加哥则通过在路灯上安装各类传感器，进而完成城市路面信息、环境信息等一系列城市数据的采集。欧盟在“欧盟2020战略”中提出要发展智慧、可持续的城市。阿姆斯特丹于2008年启动了ASC（Amsterdam Smart City）计划，囊括了可持续的工作、生活、交通和公共空间4个专题;斯德哥尔摩在通往市中心的道路上设置了18个路边监测器，利用RFID、激光扫描、自动拍照等技术，自动识别进入市中心的车辆，对于高峰期进入市中心的车辆收取拥堵费，有效降低了交通拥堵水平，减少了温室气体排放。澳大利亚在2009年着手投入了近1亿澳元启动智慧电网和智慧城市项目的实施，重点强调了智慧电网、智慧城市等方面的内容。亚太地区智慧城市发展较为突出的国家主要包括韩国及新加坡。韩国政府早在2004年便推出了u-Korea发展战略，希望以此推动韩国提前进入智能社会。在城市设施管理方面，管理者可以通过无线传感器网络随时掌握道路、停车场、地下管网的运行状态;在城市安全方面，利用红外摄像头以及无线传感器网络提升火灾等事故的自动化检测水平;在交通方面，融合了公交信息系统、残疾人支持系统、公共停车系统、智能交通信号控制系统，对城市中各交通参与主体进行合理有效引导。新加坡政府在2014年公布了“iN2025”战略，该战略在“iN2015”战略的基础上进行了升级，除重视数据采集外，更多地寻求利用采集数据更好地服务人民。[20-22]

我国智慧城市建设虽起步较晚，但成效显著。从我国智慧城市发展历程来看，大致经历了四个阶段。第一个阶段可以看作是探索期，其特征表现为各地各部门按照各自理解推动智慧城市发展，相对分散且无序，不利于形成产业集群发挥集群效应;第二阶段可视为规范期，其主要特征在于国家成立了“促进智慧城市健康发展部际协调工作组”，各部门互通有无，协同指导智慧城市建设工作;第三阶段可视为攻坚期，其主要特征在于提出了新型智慧城市理念并上升为国家战略，智慧城市成为国家新型城镇化的重要抓手;第四阶段可视为发展期，其主要特征在于提出新型智慧城市的说法，各地新型智慧城市加速落地，建设成果逐步向区县和农村延伸。

2012年到2017年间，国家各部委陆续发布了一系列政策文件以引导和扶持智慧城市发展，见表2。

据《超级智慧城市报告》显示，目前全球在建智慧城市共1000个，中国在建500个，远超排名第二的欧洲（90个）。从我国在建智慧城市的分布来看，我国已初步形成环渤海、长三角、珠三角、中西部四大智慧城市群。

二、智慧北京的现状及其问题

《北京市“十三五”時期信息化发展规划》指出，北京市将以建设新型“智慧北京”为主线，以完善信息基础设施、构建信息惠民体系、推进城市智慧管理、培育融合创新生态为重点，全面推进大数据、物联网、云计算等新一代信息技术在民生服务、城市治理、产业升级等重点领域的深度融合和创新应用，为建设国际一流的和谐宜居之都提供有力支撑。《北京城市总体规划（2016—2035年）》也指出，要建立以城市人口精准管理、交通智能管理服务、资源和生态环境智能监控、城市安全智能保障为重点的城市智能管理运行体系;推进“互联网+政务服务”、智慧社区和智慧乡村服务，深化医疗健康、教育等智慧应用，建立社会保障大数据和云计算服务体系。在以上思路及政策的指导和推动下，智慧北京的建设取得了显著的成绩。

在智慧交通方面，交管部门全面引入大数据、云计算、人工智能等前沿科技，以“一云、一中心、三张网、五大综合应用”为架构构建了智慧交通管理体系[23];在智慧社区方面，各区政府以物联网、云计算、大数据等信息技术应用为手段，以满足公众日益增长的现代化服务需求为目标，着力打造各具特色的智慧社区，实现政府服务协同化、社区管理智能化、公共服务网络化、居民生活现代化、社区服务集成化，为居民提供更加安全、便利、舒适、愉悦的生活环境[24];在智慧政务方面，各区均已陆续建成了“一网通办”平台，应用区块链、人脸识别、OCR自动识别等技术实现“智慧审批”的政务服务新模式。[25]

不难看出，智慧北京的建设已在信息基础设施、公共服务提供等方面有了突破式进展，在智慧政务、智慧交通、智慧经济、智慧环境等各个领域都取得了显著的成果。但随着发展的深入，大数据关键技术的运用与实施仍存在一些根本性的问题，主要体现在：

首先，建设智慧北京所需的大数据应用相关理论尚待突破。智慧城市的建设与发展是一个复杂的巨系统工程，涉及管理科学、计算机科学、信息科学、统计学、智能制造等多学科的交叉融合，需要自顶向下建立引领智慧北京建设的大数据应用理论体系。此外，智慧城市的发展离不开海量数据基础，即具有全域覆盖特点的各行各业数据信息，以及行业、企业、政府、社会、市民等主体间数据。由于这些海量数据间存在耦合联动，同时在时空属性上又有着复杂的相互关系，但现阶段依然缺乏全域大数据的描述模型，可能导致行业间的数据使用效率大大降低，因此必须改变目前“重软件轻数据”的现象。通过构建全域大数据理论体系，有助于真正实现数据治理在现实管理中的综合应用，并助推信息技术、AI技术、软件工程等高新技术产业集群的发展。

其次，智慧北京建设缺乏目标谱系。目前，在智慧北京建设的过程中，数据共享不全面、不充分的现象仍普遍存在，数据壁垒现象严重，数据联动效率尚有较大提升空间[26]，大多行业在发展中只强调数据获取的途径、性能、量级，没有考虑到数据的具体分析、利用以及相应的靶向问题与目标[27]，造成许多数据采集后缺乏统一描述标准[28]、没有可用之处或使用不充分，产生大量重复劳动和资源浪费，进而导致智慧城市管理工作的复杂程度和沟通协调难度大幅增加。因此，应基于具体应用场景及功能模块需要，建立规范化的智慧北京应用目标谱系，引领智慧北京多功能模块协调发展。

第三，AI算法体系与综合数据库结构缺乏自适应性。大数据关键技术与智能AI算法的运用密切相关，在面向各种目标谱系、具有全域特征的数据集条件下，AI算法体系需要具备相应的自适应特征，而非功能性的机械调用。进一步，数据库结构是AI算法体系运行的基础，因此，也必须对既有数据的变量元及其结构进行适应性模式设计，使之与全域大数据的逻辑元（即元知识）充分对应。这是一个综合体系设计工程，随着全域字段体系的发展，其必将推动数据库语言、算法与理论技术、软件及中间件，以及硬件存储技术的发展。

科技为城市的管理体系和治理能力现代化带来了巨大提升空间。通过智慧北京关键技术理论及其应用的研究及探索，不但能推进北京城市治理制度创新、模式创新、手段创新，提高城市科学化、精细化、智能化管理水平，更能发挥北京科技创新优势，促进高精尖产业发展，抢占第四次工业革命的制高点。基于高水平科技创新驱动的智慧北京建设，不但进一步巩固、发展了良好的政治生态，也为北京加强“四个中心”功能建设、提高“四个服务”水平提供了坚强保障。

三、关键技术理论

智慧城市的建设与全域数据治理的理论体系和实践密切相关，目前仍存在较大研究空间。笔者从智慧城市建设的内在科学问题出发，针对数据的统一标准化管理，提出以下关键技术。

（一）基于全域集理论的数据描述体系

将智慧城市比作人类的“大脑”，全域集则是模拟人类对客观世界认识抽象过程的数学表述，显然，人类活动面对的实际环境是一个混乱的数据世界，可以抽象为一个巨型数据库。可见，人类对客观世界的认识过程与基于大数据的智慧城市管理逻辑具有几乎一致的基本逻辑[29]，换言之，只要找到能够模拟人类认识客观世界过程的数据描述理论体系，即可实现智慧城市建设的系统性涌现管理。针对这一问题，将数据管理问题以数学集合论的形式进行高度抽象，可以提出基于全域集理论的数据管理模式（见图1）。

全域集表示为S=（A，B，F，J，D），其中各要素定义如下：

定义1：全域字段结构。A为各个独立业务系统的根字段元，即系统数据的全域字段结构，A={A1，A2，…，An}，Ai表示字段幂集，Ai的结构即数据库表结构（包含DB，RDB，OODB，ORDB，以及时空数据库等）。

定义2：字段的境变描述。B为A中字段的境变描述（字段在不同条件下的变换）与特征描述，在实际业务系统中共同构成逻辑总字段元体系[30]，即对A先进行基于决策环境的变换，再进行基于问题特征的（标签）描述。B={σ（A1），σ（A2），…，σ（An）}，基于不同领域的境变描述构成不同的数据子字段源体系。

定义3：境变算符向量。字段变换与字段幂集之间的关联映射关系AFB，可由多种传统集合的逻辑运算得到，也可以通过各种AI算法、计量模型等训练得到，以数据谱系为基础，算符向量提供了一种方便的数学形式描绘对客观世界认识和干预的全过程。

定义4：界壳。J表示数据分析需求与业务范围的论域约束，即界壳。界壳J可以抽象出系统边界的普遍共性，J决定了σ集的论域范围，适合描述业务全域数据系统。

定义5：表结构。D表示由B中不同字段变换、境变特征构成的关联结构表集合，是AI算法体系运行的基础载体。

全域集通过建立主体与对象特征之间的映射与界壳，从而在“大脑”中形成外界信息的映像，进一步对各种模式进行聚类压缩，实现各种概念的有效管理，从而使管理协调问题转化为数据描述问题，实现数据对客观世界的自主认识。这一思想是解决、协调各数据资源部门信息壁垒的有效方法，为数据的统一描述提供规范化标准，在各具体业务部门保密性、业务异质性与大数据的无障碍共享目标之间提供一种有效的协议机制。同时，针对各类具体的智慧目标谱，AI算法可自动在全σ集中挖掘深度关联因素，通过库云机制与各业务大数据信息建立联系，充分发掘大数据的应用价值。

（二）智慧北京目标谱系

大数据应用问题的实质是大数据的谱系问题。谱系，是指一个有历史渊源的事物形成系统，这个系统是开放的，谱系的分支可以不断演化、增长，不同的分支既有独立的标识、边界，又存在普遍的联系（比如家谱，一个姓氏可以衍生出许多代子孙，但是每一个子孙都可以通过一定的标识和分支进行追本溯源）。实际上，大数据的应用过程即是在明确需求目标（智慧北京功能模块及其各种子模块）的基础上，从全域数据中抽离出适用于服务对象的数据谱系的过程。谱系的分离不同于基于各类先进AI算法的数据大规模处理，是一种对于系统复杂性的有机分解（注意，不是消除复杂性，因此需求的边界应依据实际数据资源情形而定），目的是增强各个实际业务系统数据分析的针对性与精确性，增加知识挖掘的深度。因此，通过境变描述使不同的领域形成不同的数据谱系，实现数据规范化管理，基于智慧北京运行的功能模块（如智能交通、人口精准管理、生态环境监控、安全保障、风险预警等模块）建立大数据的智慧北京应用目标谱系，是引领智慧北京多功能模块协调发展、服务于高精尖产业的有效解决方案。

（三）自适应AI算法体系

AI算法体系是主体对象特征识别的重要技术，目前，AI算法已经成熟运用于各类特定领域，大数据的多领域时空联动是目前的难点和重要需求。针对这一需求，本文提出基于自适应AI算法体系的智慧北京技术框架。首先，集合智慧北京的宏观、中观及微观发展需求，采用基于大数据的各类深度学习技术建立功能谱系（即通过深度学习不断挖掘待解决问题的本质特征），以智慧城市管理目前所面临的实际问题为基本结構建立靶向问题目标谱系，实现需求的标准化、层次化及有序描述，即各类数据的时空联动都可以找到与之对应的谱系。进一步，对目标谱系所涉及的全部字段进行基于全域集的描述，利用字段数据对全域集中的双向对应变境函数F进行训练，形成基于靶向问题场景与数据谱系的自适应AI算法，即针对不同领域的问题，使AI算法体系可基于问题结构进行自适应调整，总体技术逻辑如图2所示。

可见，通过靶向问题目标谱系与AI算法谱系的综合运用，可为城市管理过程中的复杂问题提供个性化解决方案。

（四）综合数据库语言与结构

从拥有大数据资源的主体来看，大数据实际上是一个数据集合群;从研究者来看，则着重于研究其计算理论、数据模型描述与计算机应用技术;从应用角度来看，其主要是用于各类社会生产活动。因此，厘清各种数据库数据结构特征[31]，分析其不同描述各种定义元字段结构及其数据分析方法，是综合运用各类数据库、使大数据真正发挥作用的关键。大数据理论和技术发展必然催生数据库技术、计算理论、计算机软硬件技术和平台技术的发展。

数据库是数据描述模型与自适应AI算法体系的底层结构，在全域集与AI算法体系基础上，结合靶向问题结构，通过万物互联传感技术、移动数据获取技术、综合数据库语言与结构等技术构建双向层次数据结构，使全域字段元体系能够涵盖所有业务抽取的常用数据库系统（DB、RDB、OODB、ORDB）、时空数据库（TDB、SDB）以及包含多种数据格式的XML数据库结构①（见图3），进而从应用到功能，形成一套具有自适应问题导向特征的、层次分明的、易于管理维护的数据存储与共享管理体系。

四、智慧北京建设框架设计

结合科恩的“智慧城市轮”理论，对全球智慧城市中广泛使用的智慧城市技术和应用程序进行梳理，基于北京市城市治理的主要目标，笔者提出了基于全域集理论的智慧北京应用目标谱系。该目标谱系由感应层、集成层、智能层、应用层构成，下辖六大基本子系统，具有良好的全域可扩展性和适应性（见图4）。

①DB：数据库;RDB：关系数据库;OODB：面向对象数据库;ORDB：关系对象数据库;SDB：空间数据库;TDB：时态数据库;MOD：移动数据库;XML：文档描述语言。图3数据模型整体结构设计（一）感应层

感应层是智慧城市的基础数据采集层。感应层通过全域数据感知技术体系、企业BD技术集群，实现万物基础数据互联与数据协调机制，推动信息技术协调发展，包括用于检测、监视环境和生物数据的传感设备，如环境和生物识别传感器、在线视频监视的识别和测试、全球定位系统（GPS）以及水、电和能源监控。

（二）集成层

集成层从北京各行业信息系统应用情况入手，全面分析全域数据字段、谱系与联动应用机制，挖掘政府、企业、社会、个人等时空关联数据字段，依据实际环境中的靶向问题构建数据谱系。集成层拓展逻辑字段，集成现有数据库技术，建立有坚实理论体系支撑的全域大数据字段体系。其中，异构网络集成是物联网技术实施的关键挑战，跨学科的信息流、虚拟/真实信息集成以及集中管理和新物联网系统的开发是重点建设内容。

（三）智能层

智能层主要是研究、整理各方靶向问题以及服务目标体系，形成智慧北京的目标谱系。智能层通过使用数据分析和AI算法等方法，基于集成数据做出决策。智能层通过开发存储、获取数据的安全技术，建立全域数据共享机制，进而开发全域使用的数据结构模型。智能层将应用基础理论、关键技术问题、智慧服务的目标谱系与信息技术、通信技术、智能算法技术、数据库技术融合，形成可自适应、创新发展的智慧化体系暨智慧城市算法体系。

（四）应用层

应用层是以全域大数据理论体系为支撑，将前三个技术层连接起来并扩展到各智能应用程序中，包括六大关键子系统（如城市智慧管理、智慧交通和智慧民生等），以及面向政府管理部门、行业、企业、个人等若干层次和不同维度的应用平台。

1. 城市智慧管理

城市智慧管理平台具体包括电子政务系统、城市信息推送系统、居民服务快速响应系统、卫生检疫决策系统、城市安全管理系统、食品安全监测系统、信息安全管理系统、灾难应急管理系统和特殊群体服务系统。借助城市智慧管理平台及其承载的各类应用，政府管理部门不但可及时向居民提供信息和服务，提升政府和公共行政部门的管理效率和信息透明度，还可通过AI算法谱系迅速实现不同领域的信息融合和关联分析，提高对流行病监测、灾难应急、食品安全管理等的监视、跟踪和响应能力。

2. 智慧交通

智慧交通平台具体包括交通通信系统、自动化交通管理系统、电动汽车应用系统、交通监控管理系统、交通路线规划系统、智能路灯管理系统以及公共交通信息服务系统。该平台一方面借助无线通信和监视设备（如摄像头和传感器等），收集车辆、道路和环境数据，通过综合数据库分析技术，实现实时性的市内道路交通分析，以及面向未来的交通拥堵情况的预测;另一方面，为居民提供实时的城市综合交通信息服务，如实时路况信息、新能源汽车充电桩设备信息等。同时，平台还支持重大赛事和展会活动的交通导航服务，可为2022年冬奥会提供便捷的交通服务。

3. 智慧环境监管

智慧环境监管平台具体包括能源管理系统、可再生能源整合系统、储能应用系统、水资源监测管理系统、基础设施工程服务与维护系统、废物和废水管理系统、分布式发电管理系统、储水管理系统、温控系统、天气及空气质量监测系统以及智慧农业系统。智慧环境监管平台借助全域集与AI算法谱系分析，对不同类型的资源进行规划、收集、转换和储存，以减少对城市环境的影响和能源损耗，从而为改善北京环境质量提出最佳的资源解决方案。

4. 智慧生活

智慧生活平台具体包括家用安全管理系统、智能设备管理系统、数字识别应用系统、电子支付服务系统、智慧養老服务系统以及生活信息服务系统。北京老龄化问题日益严重，随之而来的是对医疗服务和家庭服务需求的大量增加，这也引发了一系列具有挑战性的城市管理问题，如优质医疗资源的保障和专业护理人才的短缺问题。智慧生活平台结合靶向问题结构，可帮助重新分配有效的医疗资源、提升医疗保健效率，同时提高护理质量并减少医疗资源浪费。

5. 智慧商务

智慧商务平台具体包括经济统计信息发布系统、宏观经济基础数据监测系统、产品质量追溯系统以及智慧双创服务系统。该平台一方面通过建立健全与北京高精尖经济结构相适应的经济调控数据体系，定期发布有关统计指标和数据，对宏观经济数据进行关联分析和动态监测;另一方面，利用物联网、射频识别等信息技术，建立产品质量追溯体系，提升企业品牌影响力，为创新创业者提供支持服务，汇聚创新人才。

6. 智慧民生

在智慧民生领域的应用平台包括智慧教育系统、智慧健康服务系统、智慧文旅服务系统。智慧民生平台通过在线多媒体平台为用户提供远程教育、健康和文旅服务。智慧民生平台通过创建北京城市公共卫生医疗服务信息化体系，完善社区卫生服务综合信息平台功能，推动医疗卫生机构间的信息共享和会诊服务，实现居民电子医疗健康档案的全覆盖。

另外，还有结合自然、突发数据信息形成的各种风险防控、应急等应用系统。这些系统可根据适时的全域数据信息，由自适应的AI技术自动分析关联字段集，为各种风险防控的目标谱提供分析、解决的支持依据。基于网络全域数据分析的智慧目标谱系具有较强的可拓展性。

五、结论与展望

本文以大数据技术为视角，对目前既有的智慧城市研究进行了梳理，分析了智慧北京的发展现状、背景及存在的现实问题，针对目前在智慧北京建设实践中存在的与大数据应用相关理论与技术尚待突破、数据壁垒等问题，提出了一种基于全域数据集合理论的体系架构。该架构将智慧城市的建设比作人类“大脑”对客观世界的认识过程，将数据管理问题以集合的形式进行高度抽象，从而形成协调机制;进一步阐述了全域数据、AI算法谱系、综合数据库语言与结构的概念模型与内在联系;基于该架构，给出了一套可行的、目前在智慧北京建設过程中具有层次化特征的大数据关键技术应用解决方案。本文从应用目标谱系出发，给出了数据有效联动的解决方案，提出了基于目标谱系的自适应AI算法体系方法论，创新了数据模型，以解决全域大数据关键技术的应用问题，从而提高智慧北京管理能力并带动智慧北京的机制体制创新。

当前，智慧城市发展面临数据融合及信息共享等诸多挑战，像北京这样超大型城市的治理工作也是一项涉及多学科领域的复杂的系统工程。围绕北京“四个中心”定位，通过学科交叉综合研究解决关键技术问题、实现智慧北京在各个领域的目标谱系，将促进智慧城市技术发展，推动相关高精尖产业、技术及人才的培养发展，以实现智慧北京的宏伟蓝图。

[参考文献]

[1]Hashem I A T.， Chang V， Anuar K et al：“The role of big data in smart city， Int. J. Inf. Management”，International Journal of Information， Vol. 36， No. 5， 2016， pp.748-758.

[2]United Nations.： World Urbanization Prospects： the 2018 Revision. （accessed on 6. 6. 2019）， https：//population.un.org/wup//Publications/Files/WUP2018-KeyFacts.pdf.

[3]Naphade M.， Banavar G.， Harrison C.， et al.：“Smarter cities and their innovation challenges”， Computer，Vol. 44， No.6， 2011， pp.32-39.

[4]Chourabi H.， Nam T.， Walker S et al.：“Understanding smart cities： An integrative framework”， the 45th Hawaii International Conference on System Science （HICSS）， 2012， pp.2289-2297.

[5]Yigitcanlar T.， Kamruzzaman， M.：“Does smart city policy lead to sustainability of cities？”， Land Use Policy， Vol. 73， 2018， pp.49-58.

[6]Komninos N.： Intelligent cities： innovation， knowledge， systems and digital spaces， Spon Press， 2002.

[7]CISCO White Paper.：The internet of things how the next evolution of the internet is changing everything.https：//www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf. 2011.

[8]Ojo A.， Dzhusupova Z.， Curry E.： Smarter as the new urban agenda： a comprehensive view of the 21st century city， Springer International Publishing，2016， pp.23-47.

[9]Nam T.， Pardo T. A.：“Conceptualizing smart city with dimensions of technology， people， and institutions”， The Proceedings of the 12th Annual International Conference on Digital Government Research，ACM International Conference Proceeding Series， Digital Government Research Center，College Park， 2011，pp.282-291.

[10]Cocchia， A.：Smart and digital City：A systematic literature review， Springer International Publishing， 2016， p.68.

[11]Ioppolo G.， Szopik-Depczyn'ska K.， Stajniak M.， KoneckaS.：“Supply chain and innovation activity in transport related enterprises in Eastern Poland”， LogForum， Vol. 12， No. 4， 2016，pp.227-236.

[12]Frost， Sullivan： Strategic opportunity analysis of the global smart city market， 2013， https：//www.egr.msu.edu/～aesc310-web/resources/SmartCities/Smart%20City%20Market%20Report%202pdf.

[13]IBM Industry Solutions： Ibm smarter cities—creating opportunities through leadership and innovation， 2013， http：//www-07ibm.com/tw/dpcs/smartercity/overview.html.

[14]B. Cohen： Smart city wheel. Retrieved from SMART & SAFE CITY. 2013. https：//www.smart- circle.org/smartcity/blog/boyd- cohen- the- smart- city- wheel/.

[15]Li Deren， Yao Yuan， Shao Zhenfeng： “The Concept， Supporting Technologies and Applications of Smart City”. Journal of Engineering Studies， Vol.4，No.4， 2016， pp. 5-15.

[16]刘伦、刘合林、王谦、龙瀛：《大数据时代的智慧城市规划：国际经验》，《国际城市规划》2014年第6期。

[17]李德仁、姚远、邵振峰：《智慧城市中的大数据》，《武汉大学学报（信息科学版）》2014年第6期。

[18]李德仁、邵振峰、于文博、朱欣焰、周素红：《基于时空位置大数据的公共疫情防控服务让城市更智慧》，《武汉大学学报（信息科学版）》， https：//doi.org/10.13203/j.whugis20200145。

[19]International Data Corporation（IDC）： Worldwide Smart Cities Spending Guide， 2019H1，（2020-02-12）. https：//www.idc.com/getdoc.jsp？containerId=prCHC46039220.

[20]金江军：《智慧城市大数据、互联网时代的城市治理》，中国工信出版集团2018年版，第23—30页。

[21]Papa R，Gargiulo C，Galderis A.： “Toward an Urban Planners Perspective on Smart City”. Journal of Land Use， Mobility and Environment， Vol.6， No.1， 2013， pp.5-17.

[22]曼紐尔·卡斯特：《网络社会的崛起——信息时代三部曲： 经济、社会与文化》，夏铸九、王志宏等译，社会科学文献出版社2003年版。

[23]张小妹：《北京CBD打造智慧交通系统》，http：//news.cctv.com/2019/05/14/ARTIUuW0UNY3iTM7QFkVGG Me190514.shtml？spm=C94212.PV1fmvPpJkJY.S71844.43。

[24]刘天思：《北京海淀搭建“智慧城市”政企合作平台》，http：//www.cnr.cn/bj/ygjz/20190411/t20190411_524574630.shtml。

[25]《北京日报》：《北京大力推动政务服务“一网通办”》，http：//www.bj.xinhuanet.com/2019-12/02/c_1125299410.htm。

[26]陈伟清、陆恩旋、曾弋戈、秦云江：《基于灰色关联理论和系统聚类分析的智慧城市政府数据开放水平评价研究》，《数学的实践与认识》2020年第6期。

[27]Xuewei Li， Xueyan Li：“Big Data and Its Key Technology in the Future”，Computing in Science & Engineering. Vol. 20， No.4， 2018， pp. 75-88.

[28]李得伟、张天宇、周玮腾、尹浩东：《轨道交通大数据运用现状及发展趋势研究》，《都市快轨交通》2016年第6期。

[29]李德仁：《脑认知与空间认知——论空间大数据与人工智能的集成》，《武汉大学学报（信息科学版）》2018年第12期。

[30]李倩、刘冰洁、赵彦云：《大数据环境下的统计元数据建设》，《统计与信息论坛》2020年第3期。

[31]Singh A， Garg S， Kaur R， et al.： Probabilistic data structures for big data analytics： A comprehensive review. Knowledge-Based Systems， 2019， DOI： 10.1016/j.knosys.2019.104987.

Innovative Research Drives the Development of Key

Technologies in Smart Beijing

LI Xue-wei1， ZHANG Ruo-bing2

（1.Beijing Union University， Beijing 100101， China;2. Beijing Jiaotong University， Beijing 100101， China）

Abstract： From the perspective of big data technology， aiming at the present problems in the practice of the construction of Smart Beijing， such as the lagging of theory research behind the practice， the ongoing breakthrough of big data applications related to theory and technology， the barriers of data， etc.， this paper analyzes the target spectrum from Smart Beijing application， puts forward solutions to data correlation， and presents the AI algorithm based on the target spectrum system methodology. Moreover， through the innovation of data model， the application of key technologies of all sets of big data is solved， and the construction of Smart Beijing and the development of related high-tech industry are promoted.

Key words：Smart Beijing; big data;AI pedigree

（责任编辑孙俊青）

[收稿日期]2020-05-26

[作者简介]李学伟（1962—），男，河南宜阳人，北京联合大学校长、教授、博士生导师;通讯作者：张若冰（1977—），男，河南周口人，北京交通大学经济管理学院博士研究生。