城市计算与全息数据模型的研究

视觉信息学3（2019）81城市计算的准全息计算模型陈宝泉a，b，曾琼b，程张林ca中国北京大学b中国山东大学c中国科学院深圳先进技术研究院ar t i cl e i nf o文章历史记录：收到2019年2019年7月1日接受在线预订2019年保留字：全息模型城市数据表示a b st ra ct随着智慧城市和城市计算技术的发展，产生了大量的数据。数据通常是从多个传感器捕获的，具有异构结构和高度分散的连接。城市计算中更复杂的任务需要集成的数据表示和智能计算模型。我们深入探讨两个基本问题- 我们能否为整个网络-物理-社会系统提供一个综合的数据表示？ 而且，我们能否提供一个综合框架来选择适当的数据来理解特定的城市事件？全息数据表示和准全息计算模型已被提出来解决这些问题。我们描述了使用准全息计算模型的案例研究，并讨论了进一步的问题，以解决我们的模型。2019浙江大学出版社版权所有由爱思唯尔公司出版这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍现代城市中的智能设备、模拟和通信产生大量数据：GPS信号、个人图像、大气和3D建筑都是例子。这些数据反映了城市在物理、社会和网络空间的演变，在城市管理、安全和活动中发挥着重要作用。然而，这些数据通常由位于不同地方的不同传感器捕获，并且可能具有不同的固有数据结构。城市数据的多源性、高度分散性和异构性使其处理、融合和分析具有挑战性一个适当的表示和计算模型来处理和挖掘城市数据是必要的，甚至对复杂的应用程序至关重要（Lazer et al. ，2009;Cook，2012）。一个网络物理社会系统（CPSS）被提出来描述一个理想的基础设施，使城市数据计算，通信和应用（德等。，2017年）在网络，物理和社会空间。这个概念基础设施的基本思想是整合跨CPSS中三个子空间的数据源的多维和多学科性质（Sheth et al. ，2013; Cassandras，2016; De et al. ，2017年）。因此，数据是CPSS最重要的组成部分，它可以被组织和分类到每个子空间。物理空间包含实体数据，例如建筑物和*通讯作者。电子邮件地址：baoquan@pku.eud.cn（B. 陈）。同行评议由浙江大学和浙江大学出版社负责。https://doi.org/10.1016/j.visinf.2019.07.001塔. 社会空间中的数据记录来自社会网络中的视觉感知或数字活动，例如移动电话记录和在线消息。网络空间包含基于物理和社会空间的虚拟信息，例如POI。因此，来自不同子空间的数据是异构的，高度分散的，并且相关性低。在分析一个特定的城市事件时，数据一方面可能是冗余的，另一方面可能是不充分的。这启发我们思考两个重要问题：我们能否为整个网络-物理-社会系统提供一个集成的数据表示？此外，我们能否提供一个综合框架，以选择适当的数据来理解一个特定的城市事件？在这里，我们提出了一个统一的时间和空间的框架表示异构，高度分散，低相关性的城市数据，称为全息数据表示。它包含三个层的整体表示（例如，数据、语义和知识）。全息数据表示被视为一种理想的空间整体模型，它统一了所有数据，数据之间的语义相关性，以及解决城市事件的高级知识。为了分析特定事件并关注其动态变化，我们进一步提出了一种基于全息数据表示的准全息计算模型。计算模型以目标事件和准全息数据作为输入，映射不同尺度的数据来描绘事件，从而产生用于事件的足够数据。这种计算模型可以帮助人们评估和跟踪事件，甚至可以植入新的传感器，以便为特定的计算任务自动更新数据的紧凑性2468- 502 X/©2019浙江大学和浙江大学出版社。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinf82B. 陈角，英-地Zeng和Z.Cheng/视觉信息学3（2019）81通过实例详细阐述了全息数据表示和准全息计算模型，展示了它们在事件驱动的城市计算任务中的良好兼容性和可扩展性。综上所述，本研究的主要贡献如下：一个概念全息数据表示统一的数据源，其内在的语义和城市计算中的潜在一个准全息计算模型，以解决采样目标事件的准全息数据的问题。如何利用我们的模型来分析城市计算案例。基于准全息计算模型的有前途的开放问题。2. 背景工作2.1. Cyber–physical–social随着互联网+、大数据、物联网等相关技术的快速发展，信息与物理系统进一步融合。此外，各种新兴移动业务的发展和移动终端设备的普及，使人类拥有了最敏感的在这种情况下，网络和人类社会无缝结合，形成了一个更复杂的人、物、信息全融合在一 个 系 统 中 的 系 统 ， 这 就 是 网 络 - 物 理 - 社 会 系 统 （ Cyber-physical-social system，CPSS）。，2017年）。智慧城市是一个典型的CPSS，通过分布式传感器网络检测物理现象，获取大量的物理时空数据，市民通过可穿戴传感器、智能手机、在线社交网络提供与人类相关的社会数据。CPSS的愿景提供了一个统一的想法，从这些数据中提取有用的信息和知识，进 而 为 政 府 和 公 民 提 供 智 能 应 用 和 服 务 （ Sheth et al. ，2013;Cassandras，2016）。然而，如何选择合适的数据或评估数据是否足以理解特定的城市事件，还没有讨论。它促使我们去寻找数据及其在社会中的关系的整体数据表示。2.2. 城市大数据随着数字城市工程的开展，世界上越来越多的城市都建设了完善的城市信息基础设施，提供了海量的城市大数据。城市大数据主要包括从固定和移动传感器捕获的数据，分类网络（例如，通过物理实体（城市、交通、医疗等）的数字化获取的数据。以及人类贡献的E数据（例如，电子邮件、即时消息等）， 其可以提供对城市环境的（近）实时感测和广泛的场覆盖（De et al. ，2017年）。这些数据从多个维度描述了城市真实的物理环境和社会生活的各个方面城市大数据具有明显对于智慧城市来说，通过数据挖掘和相关性分析从这些数据中2.3. 城市计算在城市计算社区中，已经提出了许多方法来捕获、集成和分析城 市 空 间 中 的 异 构 数 据 源 （ Paulos 和 Goodman ， 2004;Varshney，2007; Zheng et al. ，2014; Tang et al. ，2017; Zhao etal. ，2018年;Silva等人，2019年），提供合理的方法来实施概念性的网络物理社会基础设施和提高城市智能。然而，持续的城市化进程对城市居民的发展和生活质量提出了挑战性问题。城市计算正是为了解决这些问题，提高现代城市的智能化水平而提出的。“城市计算”一词在他们的工作之后，Zheng et al.（2014）提出了一个更全面的城市计算定义，将其视为对大量异构城市数据的采集、集成和分析过程。城市计算涵盖了智能城市中的问题，如交通拥堵、医疗监控（Varshney ， 2007; Miotto et al. ，2016），环境监测（Ong et al. ，2016; Yi等人，2018; Qi et al. ，2018）和公共安全（Anagnostopoulos et al. ，2008; Liu et al. ，2016;Tang 等人，2017年）。在城市计算中，流分析是一个关键问题，主要集中在交通或人群流动的管理。城市流管理的关键步骤是理解和捕获多源数据（Zhao et al. ，2017）从不同的物理城市传感器。为了从网络摄像头图像中提取城市流信息，Zhang et al. （2017a，b）介绍了从原始噪声数据中计算汽车数量的方法，并考虑了低分辨率和高遮挡等挑战性因素。Zhao等人（2018）进一步将该方法扩展到从不同传感器捕获的不同类型的图像数据源。还有其他有用和有效的应用程序在城市计算中。然而，大多数方法都是面向任务的。数据表示和高级计算模型的集成受到了有限的关注。3. 模型概念化在本节中，我们将介绍一些概念和定义，以解决测量数据完整性的问题，a specific具体urban城市computing计算event事件.基于我们新提出的（准）全息数据表示，我们将介绍一个事件驱动的准全息计算模型，伴随着城市计算的彻底组成部分和例子。3.1. 全息数据表示数据（例如，城市计算中的数据（如地理空间坐标、监控视频、3D模型和移动电话信号）往往是分散的、异构的和冗余的，因此难以将其整合用于城市事件分析。我们提出了一个全息数据表示，统一不同的数据源和它们之间的关系。全息数据表示是一种基于时间τ和空间σ信息的集成数据框架，用于统一整个世界的数据源及其相关性。全息数据表示由三个基本层组成：数据源层、语义层和知识层，如图所示。1.一、理想情况下，该表示提供一种为不同类型的数据建立连接的方法，以进一步帮助人类探索隐藏在数据中的知识。这种概念化可以用以下公式表示：H（τ，σ）=Hd（τ，σ）+Hs（τ，σ）+Hk（τ，σ）（1）····B. 陈角，英-地Zeng和Z.Cheng/视觉信息学3（2019）8183DDDD图1.一、 全息数据表示的图解。图二、 说明了准全息的 数据表示和计算模型。在上述公式中，Hd、Hs和Hk描述了三个基本层。数据源可以根据其时间和空间信息以层次化的方式表示和注册，同时也解决了数据源之间的语义相关性和相应的潜在知识。下面将进一步解释这三个基本数据层数据源层以保证数据源的完整性为目标，基于CPSS的概念构建。我们将数据源分类到CPSS的网络，物理和社交空间。因此，Hd可以进一步定义为以下公式：Hd（τ，σ）=Hp（τ，σ）+Hc（τ，σ）+Hs（τ，σ）（2）知识层的目标是从现有的数据源及其语义相关性中推理出可理解的知识。这一层的全息数据表示可以覆盖整个数据空间中所有有效的、有用的知识想象一个小偷带着他的货物逃跑，监控录像可以记录他的行为，然后与国家安全系统中的私人身份信息基于全面的数据源，我们可以推断出更高的知识，例如他的逃跑速度，他的下一站，甚至他偷窃的原因。该知识层可以表示为Hk（τ，σ）。3.2. 准全息计算模型在这个公式中，Hp代表物理子系统中的实体。ds我们的全息数据表示是一个理想的框架，空间，如建筑物、火车和信号基站。Hd表示来自社交网络的数据，例如来自可穿戴传感器的即时消息、微博和个人信息HC表示基于物理和社会空间的虚拟信息，例如GPS、卫星图像或超级计算模拟数据。语义层是基于数据源层的更高层次的计算，由典型的数据处理和数据融合方案组成。该层的全息数据表示为Hs（τ，σ），能够从多模型异构数据中推断出共同的语义嵌入，最大限度地提高了数据处理与融合的智能性。例如，人们可以为多视图监控视频建立有效大量城市数据的完整表达。然而，在大多数现实情况下，不可能也没有必要为城市计算任务提供所有数据。假设我们-因为在踩踏事故中，在空间上远离事故的数据源对于表示事件是不必要的。因此，我们将准全息数据表示的概念定义为理想全息数据表示的子集，包含事件相关的数据源及其相关性。 见图的左侧。二、通常情况下，准全息数据在一定程度上是人们可以获得的。例如，在踩踏事故中，可以获取踩踏区域内的GPS信号和人的轨迹。目前尚不清楚这些数据是否足以描述84B. 陈角，英-地Zeng和Z.Cheng/视觉信息学3（2019）81σσσ{（3）p图3.第三章。 可视化界面（Chen et al. ，2017）的案例研究I.城市事件，或者需要多少数据进行分析。一种计算机-• 空间分辨率EC对于信息数据，一种度量准全息术对信息量的充分性的理论模型，它具有不同的含义数据集对于动态城市事件的表征具有重要意义。为了衡量准全息数据集的充分性，我们提出了一种准全息计算模型。 在我们的愿景中，用于各种信息源设备。例如，卫星图像的ec是图像的显示分辨率，它涉及天文模拟数据的距离空间。准全息计算模型采用事件和• 空间分辨率Es对于社交数据，S一组准全息数据作为输入，以返回刚好足以分析事件并建议解决方案的新的准全息数据表示。通过该计算模型，城市数据源及其相关性可以动态更新、计算和演化。可以集成来自用户的交互以加强计算模型的准确性并提高智能。 整个过程如图所示。 二、我们还可以用下面的等式来描述计算模型H_i=f（H_i（τ，σ），e），Hi+1（τ，σ）=Hi（τ，σ）+i，在这个公式中，f描述了我们的准全息计算模型。是模型f的第i个反馈，可以是正的也可以是负的。如果RPMI为负，则意味着当前数据源对于表达事件来说是冗余的;如果积极的是，需要更多的数据源。惠比寿描绘了第i次迭代的准全息数据表示。e表示输入事件;在我们的模型中，我们将其称为城市事件的时间和空间分辨率，或事件粒度。事件粒度是我们计算模型中的一个自由参数，可以用来测量数据源及其在一定范围内的相关性。比如，人群聚集活动的粒度更大，覆盖的数据源规模更大;而交通事故的粒度更小，需要的信息更细。我们可以在时间和空间两个空间中描述事件粒度e，分别表示为eτ和eσ。时间粒度eτ是指时间尺度，例如，“1 min”和“1 h”是表示事件的两个时间分辨率。空间粒度eσ是指空间尺度，例如，“1m”和“1公里”。想象一个简单的情况，用户需要分析“以1分钟的时间分辨率跟踪公共汽车”。在此设置中，此外，在我们的计算模型中，空间粒度对于不同的源具有丰富的内涵，表示为如e=（ep，ec，es）。每一种内涵都是由特征决定的社会因素的可扩展性。对于汽车轨迹，eσ可以由空间距离表示。群体社交网络可以用群体可伸缩性的概念来描述，例如，‘‘1000 people’’, ‘‘10 people’’ and an动态更新：我们的计算模型能够支持数据源的动态更新。如中所示，在第i次迭代的反馈下，原始准全息数据事件的Hi将更新为Hi+1。这个过程很容易扩展以支持具有动态更新数据的新迭代。4. 为例在本节中，我们将通过两个案例研究来展示如何利用我们的准全息计算模型进行城市事件分析：一个是关于拥堵探索的案例，另一个是关于公共安全控制的概念分析的案例。4.1. 案例一：拥塞探测我们的准全息计算模型的基本思想在本节中，我们应用我们的计算模型来分析城市交通拥堵的情况下（陈等。，2017年）。图3是城市交通拥堵的交互式工具。如图所示，城市管理者通常希望定位拥堵并找到拥堵和交通堵塞的原因。最开始，可访问的数据是出租车轨迹（社交空间数据），表示为H0。我们的准全息计算模型将H=0和事件作为输入。H0在位置上似乎足够两条拥挤的街道（见图）。（3）不说明理由。我们的计算模型建议更多的数据源来帮助探索原因：城市结构（物理空间数据）和POI数据（网络空间数据），表示为100。有了额外的数据源，城市管理者发现一条拥挤的街道位于该地区与许多汽车服务店出租车去哪 里维修（见图）。 3（b）），以及σσσσ另一条拥挤的街道靠近商业中心（见图1）。 3（c））。的数据源。更具体地说，物理数据p的空间分辨率eσ指示距离空间中的连续变化，例如，城市管理者提供交互以探索第二条街道上的拥堵持续时间，并且相应的信息被示为准全息数据的部分视图。第3段（d）分段。·B. 陈角，英-地Zeng和Z.Cheng/视觉信息学3（2019）8185| −|图四、 案例研究2。4.2. 案例二：治安管控我们的计算模型可以为分析复杂和动态的城市事件提供通过对一个治安控制案件的完整研究，展示了如何利用复杂公共空间的典型安全控制目标包括：（1）监控区域的安全动态(2)检测可能的不安全趋势，（3）跟踪人群拥挤事件，以及（4）在必要时提供灾难解决方案。这些目标具有不同的事件粒度，并与人群数量和物理空间高度相关。人群规模（社交空间数据），粒度范围从E1：监测区域安全动态。在一开始，只有广场上的3D结构（物理空间数据）和监控视频（网络空间数据）可用，这可以被认为是准全息代表。怨恨H0. 利用H0中的数据源，我们可以推断人群数量和密度（H0的语义层），评估人群密度是否高于危险阈值δ或者人群数量是否增加太多（人群密度的知识层）。H=0）语义信息，如人群密度。E2：检测可能不安全趋势我们的准全息计算模型不会更新原来的表示H>0，直到人群密度接近预定义的危险阈值δ θ。如果发生这种情况，我们的计算模型将向管理人员发出警报，并建议更多的数据源，以避免访问者数量的增加。来自电信公司的GPS信号（网络空间数据）、来自地铁办公室的乘客数据（社交空间数据）和出租车轨迹（社交空间数据）等数据源都很有帮助。有了GPS信号，我们就可以估计出路上的游客数量通过地铁乘客数据和出租车轨迹，我们可以分析游客，并建议他们取消行程或在可能的情况下采取强制措施避免E3：跟踪人群拥挤事件。当人群密度处于危险阈值时，模型将更新原始的准全息数据H0，人群中可以利用诸如来自通信公司的在线消息（网络空间数据）、安全警卫的轨迹（社交空间数据）和移动护栏的位置（物理空间数据）的数据源来实现该目标。在线消息有助于定位个人及其状态（无论他们是否在拥挤的区域内）。利用保安人员的轨迹，我们可以协调他们帮助疏散人群。有了移动护栏的位置，我们可以移动它们来建立任何临时的疏散通道。E4：为灾难提供解决方案。如果没有有效执行解决方案，E3将演变为灾难，例如，踩踏事故造成的伤亡假设准-突变前的全息数据表示是Hi，我们的计算模型将重新组织和更新Hi 到Hi+1，为这场灾难提供一个合适的解决方案。为了实现这一目标，我们的计算模型将建议在时间和空间尺度上具有最细粒度的额外数据源将被请求和更新，例如无人机无人机（物理空间数据），个人身份信息（网络空间数据），附近地区的保安人数（社交空间数据）以及周围地区的交通状况（社交空间数据）。无人机无人机被引入来跟踪和捕捉被困在灾难中的环境和游客。个人ID信息有助于分析个人的健康和以前的病史，以进行有效的警方将动用附近地区的保安人员及交通情况，协助安全疏散人群。E2-E4中提到的数据源是来自我们的准全息计算模型的潜在反馈，该模型将原始数据表示更新为新的数据表示以用于分析事件。图4示出了迭代过程。该案例研究展示了我们的准全息计算模型的典型分析过程，该模型可以很容易地扩展并应用于更复杂和动态的事件。5. 潜在问题我们的准全息模型表现出显着的兼容性的数据分析，适应不同性质的事件然而，拟议的模式仍有相当多的潜在问题需要解决，如下所述：多事件联合优化计算：该模型的一个目标是为处理特定事件提供交互式计算分析和优化指导。当多个事件或条件同时发生时，它们会带来多个约束，因此需要基于同现来优化输出结果。考虑一个如何解决这样的多目标优化问题就显得尤为重要。自进化数据表示：我们的全息数据表示是一个空间和时间框架，用于描述整个世界中的数据，信息和知识。对于一个不断展开和发展的动态事件，传入的数据经常更新，如何定义一个自演化的数据表示，以及如何最好地探索时间相干性，是需要解决的关键问题。86B. 陈角，英-地Zeng和Z.Cheng/视觉信息学3（2019）816. 总结发言城市空间中不同传感器获取的多源、异构数据具有高度分散性和碎片化的特点，给城市计算和应用带来了巨大挑战本文提出了全息数据表示的概念，以统一基于时间和空间信息的数据源及其相关性。在全息数据表示的基础上，定义了一种新的事件驱动的准全息计算模型，该模型可以度量数据源的充分性，并选择合适的数据对给定的事件进行分析。通过两个实例进一步解释了准全息计算模型。最后，我们讨论了在扩展和实现我们的准计算模型时需要解决的两个有趣的问题虽然我们的模型是作为一个概念框架提出的我们将把它留给未来的努力，以最大限度地利用准全息计算模型在大规模的城市计算。确认本 研 究 得 到 了 国 家 基 础 研 究 计 划 （ 973 计 划 ）（2015CB352501，2015CB352500）的资助竞合利益没有利益冲突。引用Anagnostopoulos，C.E.，Anagnostopoulos，即，普索罗拉斯身份证Loumos，V.Kayafas，E.，2008.从静止图像和视频序列中识别车牌：综述。IEEE传输接口运输单System.9（3），377-391. 网址：//dx.doi.org/10.1109/TITS.2008.922938网站。Cassandras，C.G.，2016年。智慧城市作为网络物理社会系统。Engineering 2（2），156-158. http://dx.doi.org/10.1016/J.ENG.2016.02.012网站。陈伟，黄志，吴，F.，Zhu，M.，Guan，H.，Maciebenski，R.，2017. VAUD：城 市 时空数据可视化分析方法。IEEETrans. 目视Comput. Graphics 24（9），2636库 克 ， DJ ， 2012. 你 的 家 有 多 智 能 ？ 科 学 335 （ 6076 ） ， 1579-1581 。http://dx.doi.org/10.1126/science.1217640网站。De ， S. ， Zhou ， Y. ， （ 1996 年 ） ， 中 国 科 学 院 ， 拉 里 兹 戈 伊 蒂 亚 阿 巴 德 岛Moessner，K.，2017.城市大数据系统的网络-物理-社会框架：调查。应用科学7（10），http：//dx.doi.org/10.3390/app7101017网站。Lazer，D.，Pentland，A.，亚当湖，Aral，S.，巴拉巴西，A.- L.，Brewer，D.，克里斯-塔基斯，N。承包商：N.，Fowler，J.，Gutmann，M.，Jebara，T.，金，G.，梅西， M.，罗伊， D.，Van Alstyne，M.， 2009.计算社会科学 。Science 323（5915），721-723. http://dx.doi.org/10.1126/science.1167742网站。刘，X.，刘伟，Mei，T.，Li，T.，Leibe，B.，妈妈，H.，2016.基于深度学习的城市监控渐进式车辆重新识别方法。In：ECCV. http://dx.doi.org/10.1007/978-3-319-46475-6_53网站。米奥托河，Li，L.，基德，文学士，达德利J.T. 2016. Deep patient：一种无监督的表示 ， 从 电 子 健 康 记 录 中 预 测 患 者 的 未 来 。 Sci. 众 议 员http://dx.doi.org/10.1038/srep26094网站。翁，B. T.，Sugiura，K.，Zettsu，K.，2016.利用环境监测数据动态预训练深度递归神 经 网 络 预 测 pm2.5 。 神 经 元 计 算 Appl.27 （ 6 ） ，1553http://dx.doi.org/10.1007/s00521-015-1955-3.Paulos ， E. ， 安 德 森 ， K. ， Townsend ， A. ， 2004. UbiComp 在 城 市 前 沿http://dx.doi.org/10.1184/R1/6470588.v1。Paulos，E.，古德曼，E.，2004.熟悉的陌生人：焦虑，舒适和游戏公共场所在：SIGCHI会议的人的因素在计算系统的程序。In：CHI '04，ACM，New York，NY，USA，pp. 223-230. http://dx.doi.org/10.1145/985692.985721网站。齐，Z.，王，T.，宋，G.，胡伟，Li，X.，张志，2018.深度空气学习：细粒度空气质量的插值、预测和特征分析。IEEETrans. 知道。数据工程师30，2285Sheth，A.，Anantharam，P.，Henson，C.，2013.物理-网络-社会计算：21世纪初的方法。IEEEIntell.System.28（1），78-82.http://dx.doi.org/10.1109/MIS.2013.20。席尔瓦，T.H.，Viana，A.C.Benevenuto，F.，比利亚斯湖Salles，J.，Loureiro，A.，Quercia，D.，2019.利用基于位置的社交网络数据的城市计算：一项调查。ACM计算监视器52（1），17：1http://dx.doi.org/10.1145/3301284.唐，Y.，张，C.，古，R.，Li，P.，杨，B.，2017.智能交通监控系统中的车辆检测与识别。MultimediaToolsAppl.76（4），5817-5832.http://dx.doi.org/10.1007/s11042-015-2520-x网站。瓦什尼大学，2007.普及医疗保健和无线健康监测。暴徒网络12（2），113-127。http://dx.doi.org/10.1007/s11036-007-0017-1网站。Yi，X.，张杰，王志，Li，T.，郑宇，2018.深度分布式融合网络在空气质量预测中的应用。第24届ACM SIGKDD国际知识发现会议论文集#38;数据挖掘。In：KDD'18，ACM，pp. 965-973. http://dx.doi.org/10.1145/3219819.3219822网站。Zhang，S.，（1991），中国农业科学院，吴，G.，Costeira，J.，J.，2017. Fcn-rlstm：用于城市摄像机车辆计数的深度时空神经网络。3687-3696. 网址：//dx.doi.org/10.1109/ICCV.2017.396网站。Zhang，S.，（1991），中国农业科学院，吴，G.，Costeira，J.，J.，2017.从大规模网络摄像机数据中了解流量密度。赵，H.，施，J.，Qi，X.，王，X.，贾，J.，2017.金字塔场景解析网络。在 ：IEEE计算机视觉和模式识别会议（CVPR），pp。6230-6239。赵，H.，Zhang，S.，（1991），中国农业科学院，吴，G.，J.M.F.，Costeira，J.P.，戈登，G.J.，2018. 对抗性多源域自适应。在：Bengio，S.，Wallach，H.，Larochelle ， H. ， Grauman ， K. ， Cesa-Bianchi ， N. ， 加 内 特 河 ， 巴 西 - 地（编），进展 神 经 信息处理系统第31卷柯兰联营公司pp. 8559-8570。郑宇，卡普拉湖Wolfson，O.，杨，H.，2014.城市计算：概念，方法和应用。美国计 算 机 学 会 翻 译 中 心 系 统 技 术 5 （ 3 ） ， 38 ： 1-38 ： 55 。http://dx.doi.org/10.1145/2629592网站。