去年 8 月，MIT Technology Review 颁布了他们评比的 35 Innovators under 35，也即 35 个 35 岁以下的创新者。毫无疑问，这些人的所从事的研究或者项目，都是当前所热门的研究方向，是对于未来可能有重大影响的项目。其中有一位微软亚洲研究院的郑宇博士，他的研究方向，叫 Urban Computing（城市计算）。
城市计算到底是什么？
城市化的过程让人们享受现代化生活的同时，也带来一些新的挑战，比如空气污染、交通拥堵、能源过度消费，在大城市这些问题尤其突出。过去，这些过于复杂的动态化问题很难用一种通用的方法被解决。随着海量计算和传感器技术的进步，实现这种方法已经变得可能。城市计算就是其中可行的一种方法。它利用城市中所有可用的传感器感受城市动态，并利用所得数据进行分析计算，解决城市存在的问题（主要是交通问题）。城市计算同样也可以帮助我们了解城市现象的本质，甚至预测城市发展的未来。
城市计算的基础有两个：一个是大数据（Big data)，另一个是建立的模型以及核心算法。
大数据由数以万计的传感器产生，一般单位是 PB（1PB=1024TB）级别。如此海量的数据需要一个足够能容纳它的存储空间。而且光有存储空间还不够，还需要强大的数据库做支撑。这些数据类型包括交通信息、地理信息、环境监测信息等。怎么将这些信息整合在一起？这需要先进的算法与模型设计。
大数据与能源消耗
城市汽车油耗和尾气排放实时计算
城市交通流跟能耗和污染排放这两个重大问题都紧密相关。准确理解整个城市的汽车油耗和尾气排放情况有助于节能减排，对一个城市的持续发展和保护人们的健康至关重要。先通过出租车的 GPS 轨迹数据计算已有数据路段上的车辆行驶速度，然后再结合兴趣点和路网结构等其它数据源，将有限的速度信息，利用协同过滤的机制传播到整个路网。然后，利用图模型将每条到路上的速度信息转化为车流量信息。最后，通过环境学理论，根据车速、流量和平均排量计算出能耗和尾气排放情况。这项研究不但可以向用户建议最低油耗路线，还可以做到细粒度的空气污染预警。对于长期数据的分析，还可以发现城市中高能耗路段（建议改进城市规划），并帮助分析汽车尾气排放的 PM2.5 占空气中总量的比重，从而为政府决策提供参考建议，如限制交通流量是否真的能够减缓污染情况 。
大数据与智能交通
实时大规模动态拼车服务
打车难是很多大城市都面临的一个问题。本项目通过出租车实时动态拼车的方案来解决这一难题。用户通过手机提交打车请求，表明上、下车地点、乘客人数和期望到达目的地间。后台系统实时维护着所有出租车的状态，在接收到一个用户请求后，搜索出满足新用户条件和车上已有乘客条件的最优的车。这里的最优是指出租车去接一个新的用户所增加的里程最小。该研究成果可以为城市节约大量的燃油、减少污染物排放量，大大提高整个出租车系统的运送能力，缩短乘客的等待时间，降低乘客的打车费用并提高司机的收入。
基于出租车 GPS 轨迹的最快行车路线设计
装有 GPS 的出租车可以看作是移动传感器来帮助我们不断感知路面的交通流量，而且出租车司机是相对有经验的司机。所以，出租车的 GPS 轨迹既体现了交通流量的变化规律，也蕴含了人们选择道路的智能。此项目（T-Drive）利用北京 3 万多辆装有 GPS 传感器的出租车来感知交通流量，并为普通用户设计真正意义上的最快驾车线路。T-Drive 的改进版进一步考虑了天气以及个人驾车习惯、技能和道路熟悉程度等因素，提出了个性化最快线路设计。这个系统不仅可以为每 30 分钟驾车路程节约 5 分钟时间，也可以通过让不同用户选择不同的道路来缓解可能出现的拥堵。
交通异常分析
城市中总是会有一些突发事件，比如自然灾害（地震和洪水等）、大型赛事和商业促销、交通事故和临时管制、以及一些群体性事件。如果能及时感知、甚至预警这些事情，将能极大的帮助城市管理，提高政府对突发事件的应对能力，保障城市安全、减少悲剧的发生。
通过分析北京 3 万多辆出租车的轨迹来发现城市中的异常事件。其主要思想是当异常事件发生时，附近的交通流将出现一定程度的紊乱。试图用具体的交通线路来进一步解释异常出现的原因。有时候，两个区域之间出现了交通流异常，但问题本身可能并不在这两个区域，而在于远处的车流必须通过这两个区域前往另一个目的地。这些车流才是问题的根源。根据司机们路线选择方式的改变来捕捉交通异常，并进一步从相关的微博中提取关键词来解释异常的原因，如婚博会、道路坍塌。
结束语
这是微软亚洲研究院从 2011 年开始的项目，至今已经做了 4 年。本文仅仅对城市计算在城市交通方面应用做了引述，当然城市计算远不止这些。在未来，城市将构成一个类似神经网络（neural network ) 的系统，所有信息可以很快的传导到各个「神经元」。未来的城市将变得更加美好。
（本文节选自微软亚洲研究院 城市计算项目 ，感谢知乎陈然专栏提供部分内容。）
