中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：隨著現(xiàn)代科技的不斷發(fā)展進步，智慧城市的建設(shè)也在不斷發(fā)展，本篇文章作者分享了有關(guān)智慧城市的內(nèi)容，從智慧城市的概念、背景和發(fā)展歷程、特點以及項目架構(gòu)設(shè)計等內(nèi)容都一一講述，感興趣的一起來看一下吧。

一、如何理解智慧城市/智慧城市是什么

提到智慧城市，常會想起上海2010年世博會“Better city, Better life.城市，讓生活更美好”。關(guān)于智慧城市，其實沒有一個共識性的定義，想從這兩點談?wù)剬χ腔鄢鞘袃?nèi)涵的理解。

1. 從AI+行業(yè)理解

我們在談?wù)揂I+、智慧化概念的時候，說的是以人工智能技術(shù)升級傳統(tǒng)行業(yè)。那智慧城市就是以人工智能技術(shù)升級城市公共服務(wù)。

麥肯錫的《智慧城市：數(shù)字科技打造宜居家園》報告中包括了出行、安全、健康、能源、水、垃圾、經(jīng)濟發(fā)展和住宅、參與和社區(qū)。不同廠商智慧城市解決方案覆蓋的行業(yè)范圍大有差異。

2. 從政府職能理解

《新型智慧城市發(fā)展報告2017》對智慧城市的定義是“智慧城市系統(tǒng)應(yīng)是一個全面、精確、實時把老百姓需求與城市管理決策對接在一起的決策輔助系統(tǒng)，是一個政府、社會、公眾三方參與的可持續(xù)的商業(yè)模式”。

我理解政府職能可以粗略劃分為決策和服務(wù)兩大類，智慧城市涉及G端、B端、C端三端用戶，是把C端用戶、B端企業(yè)和G端政府精準對接的輔助決策系統(tǒng)。

如何對宏觀和產(chǎn)業(yè)做出更精準的決策；如何服務(wù)好企業(yè)，降低信息不對稱性讓企業(yè)少跑腿；如何服務(wù)好普通市民，讓市民生活便利，更美好，實現(xiàn)更精細化的管理決策。比如阿里云城市大腦解決方案中頂層按G端、B端、C端分為優(yōu)政-政府治理（G端）、惠民-城市服務(wù)（G端）和興業(yè)-城市產(chǎn)業(yè)（G端）。

二、智慧城市的背景和歷程/為什么會有智慧城市

2017年國家提出數(shù)字中國戰(zhàn)略，2018年各省份制定數(shù)字經(jīng)濟、數(shù)字城市、數(shù)字政府等未來多年戰(zhàn)略規(guī)劃。密集出臺了《關(guān)于促進智慧城市健康發(fā)展的指導意見》、《國家智慧城市頂層設(shè)計指南》、《新型智慧城市評價指標（2016年）》等。大體政策歷程可以參考華潤《智慧城市白皮書城市建設(shè)運營數(shù)字化轉(zhuǎn)型》。

圖片來源：《智慧城市白皮書城市建設(shè)運營數(shù)字化轉(zhuǎn)型》

《華為AI賦能智慧城市白皮書》將智慧城市發(fā)展歷程劃分為試點探索（2012-2014）、落地實施（2014-2016）、發(fā)展轉(zhuǎn)型（2016-2020）、新篇章（2020至今）四個階段。劃分標準是從政策文件出發(fā)進行劃分。

《百度智慧城市白皮書》將智慧城市發(fā)展歷程劃分為概念導入期（2008-2012）、試點探索期（2012-2016）、統(tǒng)籌推進期（2016-2020）、集成融合期（2020至今）四個階段。劃分標準更多是從技術(shù)和推進方式來劃分。

三、智慧城市項目的特點

1. 周期長、回款慢、工期緊張

從時間維度看，政府項目有周期長、回款慢、工期緊張的特點。周期以年為單位，交付部署完后還有后續(xù)運維期（一般3年）。

項目初期由渠道商務(wù)打單，政府與多家意向單位溝通，聽取各家解決方案并選擇最合適的。由于招投標一般中期才開始，供應(yīng)商需要前期提前投入，且項目初驗、終驗不同階段才能獲得對應(yīng)款項。

需要成本把控和風險防范?？赡艿娘L險點有，一是項目廢標，如去年年底Z市公安1億項目廢標；二是客戶中途替換供應(yīng)商；三是客戶覺得功能已經(jīng)實現(xiàn)開始砍價。需要控制客戶預(yù)期，做好投產(chǎn)評估。

2. 參與主體多、利益復(fù)雜

從參與主體看，政府項目有參與主體多、利益復(fù)雜的特點。參與主體有客戶、供應(yīng)商、監(jiān)理等?？蛻魝?cè)，客戶有不同的層級，高層領(lǐng)導、中層干部、基層辦事員。日常工作中接觸最多的是基層辦事員，了解其工作流程和痛點。中層干部一般是周期性匯報或者節(jié)點決策時出現(xiàn)。而只有在項目啟動會或者重大的匯報節(jié)點，才會和高層領(lǐng)導接觸。

這里存在兩個錯位的三角形，決策權(quán)：高層領(lǐng)導>中層干部>基層辦事員，對接密度：基層辦事員>中層干部>高層領(lǐng)導。

政府項目一般遵循自上而下的建設(shè)路徑，領(lǐng)導意志層層下達，過程容易扭曲。如果涉及多個部門的項目，會出現(xiàn)領(lǐng)導意見紛雜、眾口難調(diào)的情況，不同部門間可能存在深層次利益沖突。

供應(yīng)商側(cè)，可能情況有，一是項目分為ABC多個包，不同的包由不同供應(yīng)商負責；二是政府只會和有資質(zhì)、體量大的公司簽合同，這一公司作為總包，再把各模塊分包給更有專業(yè)優(yōu)勢的分包商。

3. 需求變更頻繁

這一特點是由特點2衍生的，“我不知道我要什么，我只知道我不要什么”。

智慧城市項目需求是自上而下傳導的，可能是政策導向性業(yè)務(wù)需求，可能是機構(gòu)領(lǐng)導指派的任務(wù)，也可能是為了解決機構(gòu)內(nèi)部問題。需求需要決策審批，由于多層級領(lǐng)導，決策鏈路長，中途易發(fā)生需求變更，可能面臨多次推翻。

4. 需要考慮系統(tǒng)融合

這里針對二期、三期項目而言，需要考慮與一期已經(jīng)建成系統(tǒng)的融合。即使一期做得不盡人意，客戶也不會希望花了大價錢的系統(tǒng)就荒廢了，還是希望能夠和二期三期銜接起來。

5. 注重安全性

政府一般有內(nèi)網(wǎng)和外網(wǎng)之分，項目注重安全性，需要本地化部署或者專有云部署。

四、智慧城市產(chǎn)業(yè)圖譜及項目架構(gòu)設(shè)計

1. 智慧城市產(chǎn)業(yè)圖譜

圖片來源：《中國信通院2020智慧城市產(chǎn)業(yè)圖譜研究報告》

2. 智慧城市項目的架構(gòu)設(shè)計

• 感知層：底層是外部數(shù)據(jù)的收集，“模態(tài)”是生物憑借感知器官（視覺、聽覺、觸覺、味覺、嗅覺）與經(jīng)驗來接收信息的通道，多模態(tài)感知指的是通過傳感器、探頭等硬件設(shè)備采集外部數(shù)據(jù)，將獲取的信息包括文字、圖片、音頻、視頻等進行融合。
• 平臺層：數(shù)據(jù)資源中心，包含數(shù)據(jù)管理和運營、數(shù)據(jù)儲存和計算、數(shù)據(jù)治理工具等模塊，對從感知層采集到的數(shù)據(jù)進行加工，為模型所用。模型處理中心，包括深度分析、智能預(yù)測、視覺計算等模型。
• 應(yīng)用層：即應(yīng)用場景，對平臺層處理過的數(shù)據(jù)和模型結(jié)果進行應(yīng)用。包括優(yōu)政-政府治理（TO G）、惠民-城市服務(wù)（TO C）、興業(yè)-城市產(chǎn)業(yè)（TO B)。

五、智慧城市的常見問題

甲子光年曾做過兩篇關(guān)于智慧城市的報道《7年了，為什么智慧城市還不智慧？》和《三問智慧城市：建設(shè)8年為何還處在初級階段？》提到數(shù)據(jù)孤島、數(shù)據(jù)共享難的問題?；久總€項目都會遇到這個問題，政務(wù)服務(wù)數(shù)據(jù)管理局、大數(shù)據(jù)管理局的成立，政府數(shù)據(jù)統(tǒng)一開放平臺的建設(shè)，都是為了打破煙囪林立，數(shù)據(jù)孤島的局面，但目前效果沒有預(yù)期的好。登錄一些地方的政府數(shù)據(jù)統(tǒng)一開放平臺，很多數(shù)據(jù)目錄中包含的數(shù)據(jù)字段很少，且口徑較粗，都是表面數(shù)據(jù)，沒有細顆粒度數(shù)據(jù)，難以展開分析和下一步工作。

六、從PM視角看智慧城市機器學習項目的落地

有天在商場看到廁所外面有一個智能屏幕，上面顯示蹲位剩余情況比如“5/14”或者“空”。

我們找了一個兒童廁所試驗了一下，進去關(guān)上門后從原本的0/3變成了1/3。思考下這個場景背后的需求和實現(xiàn)。在旅游景區(qū)、機場、火車站、商超等人流量密集的大型公共場所，上廁所經(jīng)常是一個痛點，找?guī)M勁、廁所排隊時間長、衛(wèi)生清潔狀況差等。

作為管理人員，傳統(tǒng)的解決方案是更加清晰顯眼的指引路牌、合理規(guī)劃蹲位、加大清潔人員值班的密度等。是否可以借助人工智能使公廁更加智慧化和便民化？

比如通過傳感器、物聯(lián)網(wǎng)技術(shù)提醒紙巾、洗手液等物資供應(yīng)補給；通過人流量和物資消耗數(shù)據(jù)建模計算調(diào)整清潔頻次；根據(jù)廁所人流量和距離推薦最優(yōu)選擇，提醒游客旅客前往人流量小的廁所等等。

這里想從PM視角將看機器學習項目落地的全過程：

1. 需求定義

在和客戶溝通交流的過程中，分析客戶的需求，傳統(tǒng)方式是什么，是否需要AI加持，通過AI加持可以達到什么效果。在需求定義過程中產(chǎn)品需要做的事情：

1. 與客戶加強溝通，了解客戶的需求，客戶對模型能力的預(yù)期。如推薦的實時性、預(yù)測的精度、使用模型后用戶滿意度能提升多少等等，最好是有一個定量的目標，便于研發(fā)同學進行評估。
2. 將抽象的業(yè)務(wù)問題轉(zhuǎn)化為數(shù)學問題或者技術(shù)問題并傳達給研發(fā)同學進行技術(shù)預(yù)研。如根據(jù)廁所人流量和距離推薦最優(yōu)選擇，轉(zhuǎn)化為通過傳感器收集到廁所人流量信息、通過LBS收集到用戶和廁所的距離信息進行建模。
3. 向研發(fā)介紹需求背景、業(yè)務(wù)目標、數(shù)據(jù)大致情況，由研發(fā)評估技術(shù)可行性和投產(chǎn)。

2. 數(shù)據(jù)采集

機器學習建模需要用到大量數(shù)據(jù)，在數(shù)據(jù)采集過程中，需要解決模型需要哪些數(shù)據(jù)輸入、數(shù)據(jù)從哪里來、是否需要標注等問題。

在數(shù)據(jù)準備過程中產(chǎn)品需要介紹數(shù)據(jù)流轉(zhuǎn)和采集方案，與研發(fā)同學共同確定所需字段和表結(jié)構(gòu)。

3. 數(shù)據(jù)預(yù)處理

采集完數(shù)據(jù)后，并不能馬上開始建模工作。在一個數(shù)據(jù)分析建模的項目中，數(shù)據(jù)清洗工作量可能高達80%。數(shù)據(jù)質(zhì)量的好壞直接影響了建模效果，所以在數(shù)據(jù)采集完后，需要對數(shù)據(jù)進行清洗加工，確保入模數(shù)據(jù)的質(zhì)量。常見的數(shù)據(jù)問題有數(shù)據(jù)缺失、日期格式不統(tǒng)一、重復(fù)、口徑不統(tǒng)一、頻率不統(tǒng)一、臟數(shù)據(jù)等，這里總結(jié)了一些數(shù)據(jù)處理的方法。

• 數(shù)據(jù)缺失處理：設(shè)定缺失閾值，如果缺失情況超出了既定閾值，就剔除相應(yīng)指標，如果沒有超出則保留并補全缺失值。補全方法有以某個設(shè)定的常數(shù)替換缺失值；以均值、中位數(shù)或眾數(shù)替換缺失值；以隨機生成的值替換缺失值。
• 去除異常值：避免極大極小值（outliner）對模型的影響，比如K-means算法對異常值非常敏感。
• 口徑不一致需進行統(tǒng)一：有些指標是絕對值，有些指標是當期同比，有些指標是累計同比，需要進行統(tǒng)一。指數(shù)或已經(jīng)帶百分比率的指標一般不需要計算同比。
• 頻率不一致需進行變頻：有些是高頻如日、周的指標，有些是低頻如月、季的指標，需對指標進行變頻處理，注意只能是高頻變低頻，變頻也有多種計算方式，如合計值、平均值、是否限于當年等，需根據(jù)業(yè)務(wù)情況進行評估和選擇。
• 進行平穩(wěn)性檢驗：不符合平穩(wěn)性檢驗的要進行差分處理。

在數(shù)據(jù)預(yù)處理完后，切分數(shù)據(jù)集，一般分為訓練集、測試集和驗證集。如果只有訓練集和測試集，一般按照70/30劃分，如果加上驗證集，則按60/20/20劃分。

在數(shù)據(jù)預(yù)處理過程中產(chǎn)品需要與算法共同確認數(shù)據(jù)清洗規(guī)則。

4. 模型構(gòu)建

在數(shù)據(jù)清洗完后終于來到了建模這一步。此處引用劉海豐老師的定義：

建模的過程是從樣本數(shù)據(jù)中提取可以很好描述數(shù)據(jù)的特征，再利用特征建立出對未知數(shù)據(jù)有優(yōu)秀預(yù)測能力的模型。
機器學習三大場景為分類、回歸、聚類，具體應(yīng)該用哪一種模型，需要根據(jù)目標變量進行定義。如果預(yù)測結(jié)果是兩個離散的值，適用分類模型。如果預(yù)測結(jié)果是連續(xù)的值，適用回歸模型。常見的分類算法有LR,NB,SVM,DT,RF,KNN等，常見的回歸算法有l(wèi)asso,ridge,gbrt,xgboost, garch常見的聚類算法有K-means, dbscan等。研發(fā)同學會根據(jù)目標變量、數(shù)據(jù)情況，結(jié)合算法優(yōu)劣點，選擇合適的模型。

5. 特征選擇

前文提到運用機器學習模型，輸入大量指標，輸出目標變量的預(yù)測值。

并不是所有我們能獲取的數(shù)據(jù)指標都會用在模型預(yù)測上，我們要找到優(yōu)質(zhì)的因子/特征，簡單來說就是找到那些對目標變量Y預(yù)測效果好的解釋變量X。

篩選方法有很多種，比如常見的斯皮爾曼相關(guān)系數(shù)、皮爾遜相關(guān)系數(shù)等，或者一些自研方法。在經(jīng)過數(shù)理檢驗篩選出一批優(yōu)質(zhì)特征后，我們還可以從業(yè)務(wù)意義進行進一步篩選。

6. 模型訓練與評估

通過不斷地訓練模型、驗證模型和調(diào)優(yōu)，達到最優(yōu)的預(yù)測效果。對模型效果進行評估。回歸模型常用的評價指標有MAE平均絕對誤差、MSE均方誤差、RMSE均方根誤差，誤差數(shù)值越小越好。

分類模型常用的評價指標是基于混淆矩陣的accuracy,precision,recall,F1-score等?；煜仃嚕?/p>

• True Positive（真正，TP）：將正類預(yù)測為正類數(shù)；
• True Negative（真負，TN）：將負類預(yù)測為負類數(shù)；
• False Positive（假正，F(xiàn)P）：將負類預(yù)測為正類數(shù)；
• False Negative（假負，F(xiàn)N）：將正類預(yù)測為負類數(shù)。

7. 模型融合

機器學習同時訓練多個分類和回歸模型，再通過集成的方式進行模型融合，提升模型預(yù)測的準確率。回歸模型的融合是通過算法平均或加權(quán)平均，常見的融合方法有bagging, boosting和stacking，分類模型的融合是通過投票融合方法，票數(shù)最多的預(yù)測結(jié)果為最終結(jié)果。

參考材料：

• 阿里城市大腦解決方案；
• 華為AI賦能智慧城市白皮書；
• 華潤智慧城市建設(shè)數(shù)字化轉(zhuǎn)型白皮書；
• 百度智慧城市白皮書；
• 麥肯錫智慧城市：數(shù)字技術(shù)打造宜居家園；
• 中國信通院2020智慧城市產(chǎn)業(yè)圖譜研究報告；
• 7年了，為什么智慧城市還不智慧？| 甲子光年；
• 三問智慧城市：建設(shè)8年為何還在初級階段？| 甲子引力。

 

本文由 @RfSr 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。