人类几千年的文明催生了城市的发展，计算机与复杂科学带给我们新的资源——大数据。罗马非一日建成，人力和时间成本极大，但试想一下，如果有了大数据，罗马的建成能够缩短多少天呢？如今，城市里藏了大量数据，那么它们到底是什么？又该如何被开采与利用？大数据如何辅助商业选址？
——地理时空大数据的介绍
——基于时空大数据和人工智能技术在城市规划方面所做案例
——基于时空大数据的商业选址案例 ▍地理时空大数据
交通流量、气象信息、地理信息、手机信号均是时空数据。时空数据具有时间和空间属性，时间属性主要是指时间的变与不变；空间属性一方面是指空间的位置，另一方面是指空间的层次和距离。
现实世界中超过80%的数据都与地理位置有关，数据量非常大。时空数据来自众多数据源，且数据多样、异构。
定位数据
移动互联网时代定位是基础服务。外卖、打车、购物，甚至视频等APP都需要通过定位提供相应服务。比如说墨迹天气会根据位置显示天气；视频根据位置去推荐一些相关视频。
定位类型多样，包括卫星、基站、Wifi以及地磁等。基于卫星的定位，典型的是GPS定位，其优点是精度高，缺点是被高楼遮挡或处于室内时，定位精度较差。所以手机APP一般不直接使用GPS定位，而是使用综合的网络定位。
百度地图基于这些定位能力，开发综合的网络定位服务，通过SDK为开发者提供定位服务。定位及高精度定位技术难度大，门槛相对也较高。
主要从三个层面提供定位服务：
APP层面：通过SDK对外提供定位服务
设备层面：提供系统级别定位
芯片层面
短期的定位可以反映人流的聚集和热力。如左图是北京某个时间的热力图，可以清晰区分人流量多少的区域，右图是南京东站一天的热力变化，可以看到从0点开始有人聚集，12点人最多，下午人又变少，定位数据可以非常直观地反映人流量的变化。
出行OD
基于用户每天900亿次的定位轨迹数据，可以挖掘其出行OD，针对长距离的跨城出行，我们做了百度迁徙，对应下图左边第一个图，中间的图是郑州和周边地区的出行OD，右边图是青岛某个交通小区的出行OD。
人口常驻
基于用户的长期位置和POI（兴趣点，Point of Interest）等相关数据，挖掘全国超过13亿的常驻人口数据。
用户画像
从人的自然属性、社会属性等不同方面360度刻画产出超过万级的标签。
POI数据
POI能够反映一个区域的经济发展水平和活力等。比如，下图中左边是北京二环和五环区域内餐饮类的POI，对比发现：二环的POI明显高于五环，说明POI的分布可以反映区域的竞争业态，右边四利用POI和人的活动模式挖掘的功能区，POI很大程度上可以刻画空间承载的功能。
路况大数据
路况可以清晰地反映路网的运行状态，比如在什么时间哪里最堵。路况数据的挖掘是基于公众数据、行业数据、卡口流量视频等利用AI技术挖掘得到。路况目前已经覆盖全国400多个城市，市内和城际道路覆盖超过99%。
▍时空大数据的应用
城市地理理解
首先，基于地图时空大数据，从不同的空间粒度进行建模，产出不同空间层次上的地理特征。空间层次依次从宏观到中观再到微观。
宏观层面：基于百度迁徙和常驻人口流动数据识别城市群，评价城市重要性。
中观层面：基于定位数据，对城市副中心发展绩效进行评估，同时基于全景图对街道品质进行评价。
微观层面：基于地块粒度，进行城市功能区的发现。
功能区的挖掘动机和挑战
城市规划周期一般在5到10年左右，规划之前往往需要了解现状、规划后的效果、如何跟踪等问题，传统手段时间较长，效率不高。基于百度地图POI、人口以及人的活动数据进行城市用地功能的识别，可以在短时间内识别全国各个城市的用地功能。
地理空间中的POI可以反映一个区域承载的功能，如反映某区域承载的是科研教育功能，不同的功能区人的活动模式也有差异，比如说下图，在工作日人们一般九点离家，下午五六点回家，POI和人的活动模式存在潜在语义信息。
但在挖掘过程中也存在很大的挑战：
模型方面，整体来说样本数据少、获取困难，分类问题转化为无监督模型；
特征方面，存在差异。对于POI类别不均衡的问题，比如餐饮类POI较多，而景区内POI较少；同类POI重要性不同，比如上图中黄焖鸡和全聚德属于同一区域，但是其重要性有很大不同。
在特征设计上，首先，利用路网数据将城市切分成一个个地块，然后以地块为单位进行特征提取，利用tf-idf计算不同类POI重要性，如可以降低餐饮类POI的重要性，然后提升景区类POI的重要性。 对于同类POI重要性不一致的问题，可以利用POI在地图上搜索热度解决。这样每个区域就对应一个各类POI重要性的向量。
其次，活动模式特征设计，将人的一次出行定义为出发目的地以及出发到达时间，区域间的联系及时间就构成文档中的单词。
在模型设计上，第一，问题转化。
将区域类比成文档，区域承载的功能就类比成了文档的主题，活动模式就类比成了单词，然后区域POI重要性转化为文档元信息。
第二，主题发现，地块语义标注。
基于地块的Poi vector和活动模式，利用改进的LDA算法进行区域功能发现，然后进行主题聚类，基于地块各类POI重要性排行进行语义标注，最后得到最终挖掘结果图。
通过评估应用发现，第一，实际调研，其准确率为87%。
第二，专家知识。对宁波市进行功能区发现，并与宁波规划院一些专家确认其准确率较高，结果超过85%。
第三，规划现状。对比规划现状，发现符合预期。
下图右上角统计了每种类型的功能区各类POI的占比，发现居住、商业、商务用地对应的POI类别前三名一致:均为公司、住宅和商业。说明居住、商业以及商务这三类POI相关性较强，土地混合利用的情况较为突出。
在评价土地混合度上，可以使用信息熵度量用地混合度。上图左下角是地块信息熵的分布，从图上可以看出，北京市中心城区的用地混合度成偏态分布。
由此说明，土地利用混合度有规律可循，进而可以对土地利用混合度进行建模。
在用地混合度空间分布上表现为：
用地混合度向外逐渐呈衰减趋势，大致呈同心圈层形态
用地混合度的空间分布呈现单中心结构
距离城市中心越远，用地混合度越低
在用地混合度建模上表现为：
发现用地混合度和距离的关系，符合幂指数衰减模型
对幂指数两边取对数，得到线性回归模型
对地块的混合度和地块离中心距离进行线性回归分析，发现城郊用地混合度波动较大，这是由于城郊存在副中心城市和卫星城镇，整体上呈组团式布局，使用地混合度的空间布局不均匀导致
如下图所示，通过segnet/unet全卷积神经网络，将图片分割成路面、天空、树木、建筑等十余个类别，再通过地理模型和机器学习算法挖掘街景的特征及其空间分布规律。
首先使用算法对全景图进行语义分割，上图是语义分割的结果，显示出每类要素的占比，然后利用热点识别算法进行整体的意向提取，利用非监督的聚类算法对街道特征分析。结果分析如下：
通过聚类分析根据每条道路上各类景观要素的占比进行聚类，将道路分为：
交通主导型
建筑密集型
景观空旷型
要素均衡型
绿化优良型
绿树成荫型
城市群的发现首先需要对人口迁徙数据进行分析，发现人口迁徙呈现不均衡现象，且胡焕庸线以西的人口迁徙规模和密度明显低于以东地区。
其中通过对各省份的迁徙数据分析发现，各省份的人口吞吐量极不均衡；既有广东、江苏、河北等人口流动大省，也有福建、甘肃、宁夏等迁徙规模较小的省份；空间上邻近的省份，短期人口的流动强度相对比较大；迁徙规模的大小既与该省份的人口基数相关，与该省份的空间区位、经济建设水平、区域发展态势等均有关联。
另外，关于城市群划定原则有以下几点：
城市间的联系强度足够大
城市群内各城市须在空间上邻近
城市群内各城市不一定在空间上直接接壤
在进行城市群挖掘时，能够基于人口迁徙数据，利用k壳分解算法进行挖掘。
基于人口迁徙和常驻人口流动数据，利用PageRank算法挖掘。结果显示：北京、上海、广州、深圳和成都是短期人口流动中的关键节点；东部沿海地区上短期人口流动呈现“带状均衡”模式；中西部地区的短期人口流动呈现“节点带动”模式。
城市人口理解
城市人口理解，基于地图出行百度地图二次开发位置大数据，挖掘人口在不同时间跨度下的个体和群体特征。针对人口瞬时流动我们做了人流量预测，针对人们的短期出行我们做了通勤和市内OD挖掘、跨城迁徙挖掘，基于人的长期位置信息我们做了常驻人口挖掘。
在人流量预测上，我们知道每隔几年都会发生一些踩踏事故，如果能提前知道热门区域的人流量，就可以避免踩踏等类似事情的发生，同时人流量预测在公共安全和交通管理领域都是非常重要的。但是预测人流量也存在着问题和挑战：特征表达方面，时间和空间特性、异常因素方面挑战，比如天气、节假日等原因；模型方面，传统时序模型很难对时空特性和异常建模。
在模型设计上，对于人流量的预测可以将其转化为图像领域的问题来解决。
在解决时间特性、异常因素上时，基于2017年定位轨迹、地理属性和异常因素特征进行建模，将城市划分成网格，将定位数据投影到网格，计算每个网格的流入和流出人数，同时考虑POI热度，也就是将城市就转化成了一张图。网格就相当于图片中的像素，网格的流入和流出就相当于图片中的通道。人流量空间的相关性就相当于图片中像素之间的关系，多个时刻的数据对应多张图。如下图所示：
在将最近几张图的数据，放在上图中残差网络模型中，模拟时间的临近性，同时将对应时间的人流量置于中间的网络模型中模拟时间的周期性，最后进行网络融合，再和外部因素进行融合，就得到了整个网络架构。
另外，在解决空间相关性时，使用CNN卷积操作，可以捕捉空间不同距离的相关性。通过多层卷积捕捉较远区域的相关性问题，并引入深度残差网络，解决网络较深训练困难的问题。
如下图所示，在损失分布上，损失在15%以内的网格超过了85%；在预测效果评估上，通过对规律性区域如回龙观地铁站人流量的进行预测，同时对突发场景如今年林俊杰演唱会人流量预测，发现模型的预测精度极高。
关于常驻人口，传统的全国人口普查，成本大，更新周期长；基于基站定位数据计算，仅依赖时间属性，数据存在badcase，比如互联网公司存在加班和三班制人员倒班现象；居住区也会有退休人员等。
下面是常驻点挖掘流程：
首先，地图标注用户六个月的定位数据；
其次，基于定位数据识别停留点，去掉路上其他地方噪点。
第三，利用DBSCAN空间聚类算法得到簇；
第四，对簇进行特征提取，利用机器学习分类的算法挖掘，得到用户居住地、工作地以及常去地等信息。
结果显示，其分类算法的准确和召回均约为90%。
以下图为例，青岛人口数据校核结果显示其人口误差率小于5%，天津人口数据校核显示，其相关系数约为0.85，通勤距离相差4%。
有了人口以及人的家和公司数据，再结合用户画像数据，我们就可以评估学校、医院等公共设施的配置，公园绿地的使用效率，任意区域的职住平衡和出行通勤等。
通勤是交通规划里的非常重要内容，通勤OD和方式和早晚高峰的拥堵是息息相关的。下面是通勤挖掘的流程：
上图左下角图显示，骑行和步行主要偏短距离的出行，公交和地铁主要偏中长距离的出行，说明通勤距离对用户通勤方式的选择非常重要。
最后，通过不同的算法，从整体准确召回率和各通勤方式精确召回率两个方面评估，发现精确率均在85%左右。
下面看一下各种通勤方式和土地混合度、地铁站点分布、路网密度之间的关系。
用地混合度的空间分布情况，颜色越红表示用地混合度越高；右图是机动车通勤空间分布，越红代表该空间中人采用机动车通勤比例越高。从图中可以看出，北京中心城区土地混合度高的地方机动车出行就低，用地混合度较低地区机动车出行率较高。
基于全网用户家和公司坐标以及通勤方式数据，可挖掘每个用户的通勤距离和时间。
通勤时间，平均意义上，城市居民通勤时间人群占比分布呈现长尾型，即随着通勤时间的增加，对应的人群占比相应减小；接近80%的城市居民的平均单程通勤时间都在50min以内。
▍商业选址案例
商业选址流程
首先，宏观区位选址，包括商圈和聚客点的确定，可使用人口分布、交通动线以及居民的成分、品质、分布等数据进行选址。
其次，微观区位选址，主要指店铺具体落位，可通过楼层品牌组合以及店铺客流动线进行选址。
第三，对等店选择，主要使用相似性来选择对等店。
销售评估
根据对等店的到访频次和捕获率进行销售额预估。