当前位置:首页 >>水极客 >>查看详情

AI 赋能智慧城市数字化治理的关键技术与典型应用

2024-08-17 22:25:07 作者 : 围观 :151次

2023 年,中共中央、国务院印发了《数字中国建设整体布局规划》(以下简称“《规划》”), 《规划》指出,按照“2522”的整体框架进行布局,即夯实数字基础设施和数据资源体系“两大 基础”,推进数字技术与经济、政治、文化、社会、生态文明建设“五位一体”深度融合,强化 数字技术创新体系和数字安全屏障“两大能力”,优化数字化发展国内国际“两个环境”[1]。因此, “用数据说话,用数据决策,用数据管理,用数据创新”成为公共管理和国家治理的重要准则。

城市作为国家经济发展、社会治理、公共服务的单元,是推进数字中国建设的综合载体。随 着城镇化进程的推进,城市构件数量日益庞大,城市区域更加宽阔,社会要素高速流动,要素之 间的异质性增强,城市成为非常典型的复杂系统。技术变革的驱动力、治理生态的不确定性、治 理问题的复杂性以及治理需求的多样性共同驱动着城市治理的数字化转型,让经验治理转变为数 据驱动的数字化治理、技管结合的多元治理成为不可逆转的时代发展趋势。但在 AI 如何赋能、在 解决关键问题的技术路径方面,还存在进一步解读的必要。因此,本文将从 AI 赋能智慧城市数字 化治理的必要性、AI 对关键技术的提升方式等方面进行阐述,并通过案例讲述 AI 提升智慧城市精细化治理效能的具体做法。

一、AI 赋能智慧城市数字化治理的必要性

数字化治理是指利用数字技术和数据来提高治理效 率和效果的方式,包括了公共服务和公共管理等领域的 数字化转型的治理。数字化治理的目标是提高公共服务 和公共治理的质量、效率和可持续性,促进政府机构的 信息化、智能化和透明化,增强公众参与和监督的能力[2]。

智慧城市实质上是新一代信息技术发展和城市化进 程加速的产物。当前,我国虽然在城市基础设施和信息 系统建设上取得了长足的进步,但还存在以下共性需求。

(一)政策服务的智能化水平待提高

多方位、多层次的政策体系,对政策服务的时效性、 准确性、关联性有很高的要求。由于政策主题覆盖范围 广且会随时更新调整,因此要保证政务咨询的实时同步 和关联问答难度很大。相关政策服务系统在理解民众咨 询的语义含义和深层次意图、并指导相关部门职能发挥 方面还有所欠缺。

(二)综合情报汇聚研判能力待加强

情报来源的综合化、社会化程度有待提高。在汇 聚事中监管等业务信息、相关委办局信息、网络舆情等 情报,并通过对案件情报的数据分析、研判、预警来提 升治理水平等方面仍需加强。

(三)数据资源价值挖掘待深入

相当一部分智慧城市应用系统数据仅实现了核心 的统计,但普遍缺乏对数据的深度分析研判,智能化工 具辅助支撑有限,数据资源反哺业务流程的能力需进一 步提升。

(四)智能感知、人机协同的工作机制待完善

城市治理数据种类多、规模大,还包括海量的视 频数据,需要构建并不断完善智能感知、人机协同的工 作机制,实现事件自动识别、主动上报、智能派发,提 高跨部门协作效能。

上述情况集中体现了相关智慧城市应用对智能化 技术的需求,即在国家治理体系和治理能力现代化的进 程中,智慧城市建设需要实现治理转型及治理效能的提升,表现在公共服务高效化、政府决策科学化、数据资 源价值化、社会治理精准化等方面,需要运用人工智能 等新兴技术实现对智慧城市相关数据的智能处理和挖 掘,提供更为科学和精准的决策支持。人工智能技术既 是数字化治理手段不断提升的推动力,也是破解相关难 题的关键所在 [3]。

二、AI 对智慧城市数字化治理三项关键技术的提升

(一)跨域时空数据治理与价值挖掘技术

数据信息之间的融合、关联、挖掘与应用是建设 新型智慧城市的核心与基础。随着城市物联感知设备和 手持移动设备等的普遍应用,以及遥感卫星和地理信息 系统等的显著进步,智慧城市应用获取了大量的时空数 据。随着物联感知设备和智能终端的普及,数据来源更 加广泛,采集方式也更加便捷,包括卫星遥感数据和城 市感知设备采集的设备源源不断地汇入数据底座中;得 益于算力的提升和算法的日益丰富,数据分析手段也更 加多样,数据应用者可以对各类数据进行轨迹分析、全 时段分析,甚至能够对跨领域数据进行相关性分析。但 数据极大丰富的同时也带来了新问题—如何进行数据 对齐。与智慧城市相关的海量数据中,时间与位置信息 是相关应用中所有数据关联、融合的唯一指针。从这些 非线性、海量、高维和高噪声的时空数据中提取出有价 值的信息并用于商业应用的要求,使得时空数据挖掘具 有额外的特殊性和复杂性(如图 1 所示)。与时空数据 相关的智慧城市应用需要以城市多元、多时态信息的互 联互通为基础,通过空间计算能力将大规模多样化的数 据进行融合、使用和呈现。

针对智慧城市这一复杂巨型系统缺乏统一数据模 型、跨系统数据融合等难题,需要构建基于“分级抽取— 关联分析—虚实映射”的数据逻辑模型和跨系统全时空 信息数字感知体系,形成集运行状态、空间信息、装备 状态、风险信息等于一身,具备多参量、多尺度、全时 空特性的数据感知方案。其中,数据关联与图挖掘算法、 规则挖掘算法、主题模型(LDA)等人工智能算法的应用是数据模型构建的关键,对于模式、规则和知识的生 成与发现具有重要作用。

图 1 智慧城市应用中的时空数据

(二)城市运行模拟仿真与风险研判技术

城市安全新兴风险、传统产业风险、区域风险等 积聚滋生、易发多发;对此,需要汇聚融合与城市安全 运行相关的各类数据,以“一张图”形式呈现城市整体 运行情况和风险态势,形成全方位、多层级、立体化的 城市风险监测预警平台以及多主体、大联动的应急管理 协同处置机制,提升城市安全综合风险管控能力。

城市运行仿真模拟与风险研判是指在城市大数据 的互联互通和数据安全的基础上,通过构建合适的空间 数学模型,开发多源数据的融合增值应用,以科学的手 段提升城市治理的精细化和决策的科学性,并利用分类、 聚类、关联、比对等大数据分析方法,基于城市运行规 律构建行业分析算法和风险研判模型,进行城市运行的 模拟仿真推演和自学习、自优化 [4],系统可根据具体 应用需求调用相关算法,并对其适用性进行评估。其中, 利用机器学习算法进行数据挖掘和趋势预测,是仿真模 拟过程中的重要组成部分。此外,基于特征工程方法, 按照舆情指标、检查指标、违法指标、失信指标、生产 经营指标等指标体系对相关数据进一步分析比对,研判 风险等级,并将风险研判结果输出给风险分类处置及跟 踪模块,是基于数据融合、分析挖掘和系统级协作的智 能决策分析、指挥调度和 AI 赋能的另一重要体现。

基于指标多维建模技术实现指标多维模型的构 建,可以对指标定义、指标描述信息、指标值、指标体 系进行统一管理,满足实际应用中指标多维度、多版本 的管理要求,并形成适用于联机分析处理的多维结构模 型,大大提高决策支持的效能,使得指标利用更加直接 有效。在系统运行过程中可根据设置的指标反映系统运行情况,并利用指标可视化图表及预警算法,实现指标 数据时空维度的下钻、聚合,最终让用户能够查看不同 层次的数据,增强指标可视化程度,提升用户实际应用 体验,同时预警城市发展问题,让有关部门能够及时制 定并持续优化应对措施(如图 2 所示)。

图 2 算法运行报告

(三)知识表示与推理模型构建技术

知识表示与推理是人工智能领域的重要分支之一, 主要研究如何将自然语言或图形等形式的知识表示为 计算机易于处理的形式,并通过推理或查询等方法, 利用这些知识来解决具体问题。在智慧城市应用中, 存在着大量将现实世界中的自然语言或图形进行结构 化、抽象化、向量化处理,并与智能算法结合,在进 行有效的推理和推断后形成智慧服务的需求,知识表 示与推理模型可以帮助机器理解和处理知识并从多源 信息中凝练和关联语义 [5-6],利用机器学习和深度学 习等人工智能技术,自动地从文本和非结构化数据中 抽取和构建知识图谱 [7]。近年来,以大模型为代表的 复杂推理、多层训练模型的快速应用,进一步扩大了 知识表示和知识服务的范围。

基于知识工程的各类智慧城市应用,如 12345 事件 转派、公众政策咨询等,都可以充分应用知识表示和推 理模型构建技术。这类应用都可以结合大模型的生成能 力与 NLP 语义分析能力,集成“主题分类标签 + 联库搜 索 + 文档问答”“提示词模板匹配”“意图识别 + 主题 关联 +Text2SQL”等功能,进行意图分类和知识关联, 提升对话意图继承能力,实现基于知识聚合的关联答案 获取,提高后续多轮问答和任务转派的准确性:如在语 义层面对待派文件和议题进行深度分析和“三定”职能 的比对、对承办单位筛选排序、对主办会办单位的确认,从而实现精准转派和跨部门联动。

三、AI 赋能智慧城市数字化治理案例

本文将以所在单位承担的相关项目为例,说明人 工智能技术是如何进一步提升数字化治理技术在空气治 理精细化管理、食品安全、城市安全及政策服务场景中 的应用程度。

(一)“抠微克”时代的空气质量精细化管理

随着大气污染防控的深入,空气质量精细化治理 要求越来越高,容易治理的都治理了,但 PM2.5 大幅 下降后,空气质量还要继续改善。空气质量精细化进 入“抠微克”时代,要求以“一微克”行动为主线, 综合运用科技 + 执法 + 管理等手段,对大气污染展开 精准治理。同时,臭氧污染问题日益突出,一次排放 前体物和臭氧、二次 PM2.5 间的复杂响应关系需要运 用更先进的工具手段;城市交通和生活源的贡献占比 增加,点散、无组织排放需要更精细的研究和管理, 而基层管理工作者夯实减排工作需要更科学实用的管 理工具手段助力。

针对基层空气质量管理“如何直观展示辖区精细 空气污染分布、传输规律和来源贡献并指导空气污染 精准防控”等问题,笔者所在单位承担国家重点研发 项目(政府间合作专项)《基于哥白尼观测的街区尺 度空气质量精细化管理工具开发和示范应用》,基于 “一张图”理念、HPC+ 云计算混合架构和大数据与 AI 算法,开发 “监测—预测—排放—溯源—减排决 策”全环节系列可视化便捷工具,提供高精度小区域 (街区、工业园区)空气质量监测地图、预测地图、 污染源分布地图、溯源地图、交互式减排效果预测地 图等 5 张图和一张污染源清单,综合数据分析、防控 督查调度信息,实现街区空气污染“现状—趋势—溯 源—措施效果”的全面动态可视化,推送“一点一 策”“一街一策”报告(如图 3 所示)。空间尺度覆 盖全国—区域—城市—街区,空间精度最细达 10 米, 时间精度为 1 小时,预报时长为未来 5 天,减排情景 效果预测时间达到分钟级。成果已在北京陶然亭街道、亚运村街道、沧州、武汉、邯郸等多地落地应用。

图 3 街区尺度空气质量精细化管理工具开发逻辑图

该项目在研发过程中大量采用了人工智能技术, 如使用计算机视觉技术进行车辆类型和数量的识别,计 算出典型路口的交通源排放量,并用 Yolov5 神经网络 提取不同种类车辆图像的特征和位置信息,实现对车辆 的分类与统计,同时,参照《道路机动车大气污染物排 放清单编制技术指南》和国家统计年鉴 [8],根据北京 的温度、湿度、车辆组成结构对 VEIN 模型中的排放因 子进行本地化调整,创建本地化排放因子数据库,对北 京市西城区的机动车排放量进行了系统性的计算,共估 算了 58 种机动车类型所排放的 133 种大气污染物,使 相关工作人员能够通过实际视频观测和 AI 识别算法有 效获取任一时间段的各类型道路上车型、车速及车流量 信息。此外,该项目还通过深度学习的代理模型有效缩 短了情景组合的模拟计算时间(少于 5 分钟),为近实 时会商与决策提供了支持。

(二)基于计算机视觉的智能快筛技术在食品安全领域的应用

通常而言,农药残留检测大都由专业人员在实验 室完成,检测结果通常需要一到两天才能出具。然而, 这种成本较高的检测方式不适合现场及流通领域快速检 测的需求。从政府部门到企业、消费者都亟待快速、准 确地检测农药残留。先通过快速筛查发现农药残留,再 送去实验室进一步地确证可以大大增加检测效率。笔者 所在单位与中国农科院合作研发了识别并校正六边形的 方法,开发了计算机视觉算法对试纸条显色情况进行识 别,最后将算法封装后通过微信小程序执行。用户使用 时可以通过下载微信小程序,对托盘上显色之后的试纸 条进行拍照,5 分钟便可同时完成多种化学农药残留的 检测,检测结果直接显示在手机上。对于消费者来说,手机上可以只显示阳性或者阴性。对于政府和企业来说, 检测时可按照残留限量要求,设置显示超标还是未超标 的检测结果。普通手机拍照后可得到吡虫啉、克百威、 戊唑醇、啶虫脒、腐霉利、毒死蜱、多菌灵等农药残留 的数值。目前市场上销售的主流品牌智能手机均可使用 这一检测方式,检测系统的准确性与专业试纸条读卡仪 基本一致,整体系统已应用于实际检测。

(三)基于城市安全大数据的多尺度区域综合风险评估

党的十八大以来,党中央将风险管理工作摆在更 加突出的位置。为此,需健全公共安全综合风险管理体 系,强化多灾并发和灾害链式反应风险分析,不断完善 城市风险地图 [9-10];全面梳理各种风险源、风险点、危 险源、事故隐患,建立排查、登记数据库和信息系统。

基于城市安全大数据的多尺度区域综合风险评估 是指综合运用新一代信息技术,进行安全风险大数据的 采集、清洗、整合、分析等,在全面收集企业上报数据、 事故数据、执法业务数据、网络舆情数据等多源异构数 据的基础上,全面辨识反映企业安全生产状态的指标和 模型,对影响企业安全生产的因素进行切实有效的分析 和处理。应用数据智能提取技术,利用海量安全生产数 据进行研判、清洗、挖掘,构建递阶层次的安全生产风 险评估综合指标体系 [11],有效进行安全生产形势分析 与趋势预测预警,可以提前发现、分析和判断影响安全 生产状态的信息,量化表示企业、行业、区域生产安全 状态。笔者所在单位构建多种基于数据要素的云服务, 涵盖安全生产大数据分析、政府监管安全风险预防控制 一张图等,实现了基于企业、行业、区域的智慧城市风 险防范一张图。笔者所在单位研发了“点线—整体—区 域”风险评估技术体系,从点源线源、单位整体、区域 三层次明确监管的重点区域、行业、场所,为政府安全 监管部门实行分级分类监管提供参考。这一风险评估技 术体系基于风险精准感知、区域经济、事故、应急能力、 监管能力、发展潜力等数据,通过安全生产画像、态势 分析等技术实现了数据融合和分析。

该系统服务于北京市应急局的北京市城市安全风险云服务,引入 16 个一级行业领域共计 91 个行业领域 标准,全面支撑了北京 16 区以及经济技术开发区的城 市风险评估工作。目前已有 19 万余家企业通过本系统 采集了近 60 万条风险源,100 多万条来自各方面应急 资源。同时该系统在全国范围内首次发布了“企业风险 隐患二维码”,利用移动端 APP 首次实现了对小微企业 风险辨识评估管控工作。

该系统服务于成都市应急局的成都市城市安全风 险系统,共采集了 2 万余家单位的 36 万条风险源,16 万余条各方面应急资源;共支持 22 个区,300 余个乡 镇街道进行了区域风险评估,支撑了全市的风险评估重 点工作。该系统还配合完成和成都市水务局、成都市理 政中心、成都市应急局大数据平台的对接,有力支撑了 成都市安全风险评估工作。

(四)北科政务服务大语言模型应用

北科政务服务大语言模型是充分利用大模型人工 智能处理自然语言的能力,基于大语言模型和政务知识 库构建的多项政务智能服务的集合,具有自动问答、政 策解读、知识查询、报告编写、内控管理、员工培训等 功能,可应用于移动端、一体机、网页端、大屏端,为 社会公众、工作人员提供精准服务和主动服务的模型。 其中,增强搜索(Retri-Augmented Generation, RAG)是提升模型对专业知识的理解和生成能力的重要 技术 [12-13]。相关工作涉及专业文本数据集的建设、文 本向量化技术、本地知识库的构建方法,以及智能问答 中的应用等技术。文本向量化是实现语义检索的关键步 骤和文本相似性的基础,在其基础上,可将句子映射到 n 维密集向量空间,用于句子嵌入、文本匹配或语义搜 索等目的 [14]。

北科政务服务大语言模型利用增强搜索RAG技术, 对向量化的用户问题与知识库中的向量进行对比和搜 索,以找到与问题最相似的 topK 个(即排序前 K 个) 向量,从而提供相关的知识信息。通过先检索相关知识, 再基于这些信息生成回答,从而提高了回答的准确性 和相关性。通过设置“阈值”参数,可以设置用户问 题与知识库中数据向量比对相似性的基准,而通过设置“获取结果数量”这一参数,可决定当知识库中数 据与用户问题多条向量都大于阈值时,获取的相似性 最高的数据条数。

目前,北科政务服务大语言模型实现了全国产化 运行环境适配改造,使得大模型生成式 AI 的能力能够 应用于安全、私密的垂直应用环境。具体来说,北科政 务服务大语言模型可运行于全国产软硬件环境中,操作 系统、处理器、高性能计算加速卡、服务器等均可采用 国产品牌,解决了“卡脖子”问题;可在离线内网环境 构建可更新、可维护的专业领域智能应用,确保政务服 务的安全性和可控性;可实现基于法律法规、相关制度、 会议纪要等文本数据的多轮问答,实现数据溯源,确保 政务应用的准确性与严肃性;其具有的强大数据整合和 分析能力,可以帮助公众更好地理解政策,通过多轮对 话分析和引导,提高服务质量和响应效率,实现了中文 自然语言到 SQL 查询语句的合成,让用户在政策服务场 景中能够通过自然语言对数据库进行检索,提高了咨询 服务的实时性。大模型不但可以分析问题中所含的具体要素,还能对这些具体要素进行对比分析。

四、总结和展望

新型智慧城市作为落实数字中国战略的重要载体, 是推动城市数字化转型的重要路径,也是促进新型城 镇化、发展数字经济和推进高质量发展的关键抓手。 当前,我国新型智慧城市正从“大数据”为代表的“数 据智能”向“大模型”为代表的“知识智能”转型。 人工智能的蓬勃发展在机器视觉、自然语言处理、机 器学习等领域提供了很多可供选择的算法、模型及与 各种应用场景相结合的宝贵经验。尤其是 AI 大模型的 崛起,已经在基于自然语言处理,以及跨模态应用的 领域中发挥了重要作用。本文总结和展示了人工智能 技术在智慧城市相关领域的应用,重点阐述了人工智 能技术是如何进一步提升智能分析、视觉识别、智能 监管、辅助决策的效能,表明人工智能技术与数字化 治理技术的结合,能够为智慧城市应用提供更高效、 更精准的工具及方法 [15-16]。

参考文献:

[1] 中共中央 国务院印发《数字中国建设整体布局规划》[EB/OL].(2023-02-27)[2024-01-11].https://www.gov.cn/zhengce/2023-02/27/content_5743484.htm.

[2] 杨凤华,李彦皓.政府数字化治理水平测度及提升对策研究:以南通市为例[J].生产力研究,2024(3):87-92.

[3] 张夏恒.类ChatGPT人工智能技术嵌入数字政府治理:价值、风险及其防控[J].电子政务,2023(4):45-56.

[4] 高艳丽,陈才,张育雄.数字孪生城市的智能中枢[J].中国建设信息化,2019(21):13-17.

[5] 张新长,华淑贞,齐霁,等.新型智慧城市建设与展望:基于AI的大数据、大模型与大算力[J].地球信息科学学报,2024,26(4):779-789.

[6] 唐斯斯,张延强,单志广,等.我国新型智慧城市发展现状、形势与政策建议[J].电子政务,2020(4):70-80.

[7] 杨易,庄越挺,潘云鹤.大数据人工智能下的多重知识表达:框架、应用及案例研究[J].Frontiers of information technology electronic engineering,2021,22(12):1551-1559.

[8] 鲍静,范梓腾,贾开.数字政府治理形态研究:概念辨析与层次框架[J].电子政务,2020(11):2-13.

[9] 林文棋,蔡玉蘅,李栋,等.从城市体检到动态监测:以上海城市体征监测为例[J].上海城市规划,2019(3):23-29.

[10] 温宗勇.北京“城市体检”的实践与探索[J].北京规划建设,2016(2):70-73.

[11] 康俊芳.空间视域下的城市智慧治理研究[D].徐州:中国矿业大学,2022.

[12] 彭海艳.人工智能背景下政府数据治理体系研究[D].湘潭:湘潭大学,2022.

[13] 陈名杨,张文,陈湘楠,等.群体知识图谱:分布式知识迁移与联邦式图谱推理[J].智能科学与技术学报,2022,4(1):55-64.

[14] 王萌,王昊奋,李博涵,等.新一代知识图谱关键技术综述[J].计算机研究与发展,2022,59(9):1947-1965.

[15] 刘涛,范毓婷.人工智能时代智慧城市与城市大脑建设的挑战与局限性[J].信息通信技术与政策,2021,47(5):22-25.

[16] 周新民,胡宜桂,刘文洁,等.基于多模态多层级数据融合方法的城市功能识别研究[J].计算机科学,2021,48(9):50-58.

作者简介:刘彤,女,1975 年生,博士, 北京市计算中心有限公司,研究员,研究方向为大数据智能。左琦,女,1983 年生,硕士, 云计算关键技术与应用北京市重点实验室,高级工程师,研究方向为大数据智能。


来源:《科技智囊》2024年5期
责任编辑:胡文汇 高方
本文为强国号发布的内容。
阅读
492
点赞
82
标签: