City Pulse

CityPulse：移动网络助力智慧城市

随着城市化的脚步在世界范围内逐步加快，许多城市正面临着因城市规模不断扩大和人口增加带来的巨大压力。各种能耗、污染、环境和交通等关系到人类生存的问题已逐步显露。如何妥善解决诸多问题并为人类提供更好的城市生活已经变得迫在眉睫。另一方面，随着3G/4G/5G网络的普及和发展，移动互联网已经深入人们的日常生活中。利用移动互联网中的海量数据，我们可以在城市规模中细粒度的分析用户的行为及其与城市环境的互动，从而为众多的城市问题提供解决方案。目前项目已有的工作包括：

人流预测

根据历史数据，借助深度学习对城市各区域未来一段时间内的人流量进行预测。精准的人流预测对城市规划，交通管理和城市安全等具有重要作用。

打车需求预测

预测城市各个区域打车的需求量，帮助网约车、出租车公司更好地进行司机调度，提高收益、提升顾客体验。

流量预测

利用神经网络精准预测各个基站在未来一段时间内的流量使用情况，为运营商合理分配资源，提升用户体验提供依据。同时，也可以为城市中的特殊事件检测提供参考。

人群移动规律

研究不同的采样率下人群移动的不同特征，其他许多领域的研究都需要基于对人群移动特性的理解，例如经济学、人口学、蜂窝网络的研究等。

轨迹降噪

移动网络数据中用户的位置信息噪声较大，“用户轨迹降噪”模块通过速度、角度、基站切换等指标对用户轨迹进行过滤，为后续分析提供高质量、低冗余的位置信息。

可视化分析

可视化不同层次的分析结果（轨迹、人口分布、流量等），辅助开发者设计数据的处理方法；可视化各个应用实例的最终结果。

时空分析

基于图卷积神经网络（GCNN）的时空数据深度学习模型。能有效预测人流、数据流量、打车需求等时空数据的变化趋势。

商圈分析

商业区商圈指到访顾客的居住范围。通过对电信大数据的处理（停留点分析、用户住址分析等），取代传统的问卷调查方法，进行城市规模的商圈分析。

论文发表

会议

X. Wang, Z. Zhou, Z. Yang, Y. Liu, and C. Peng, “Spatio-Temporal Analysis and Prediction of Cellular Traffic in Metropolis” in 2017 IEEE 25th International Conference on Network Protocols (ICNP), 2017, pp. 1–10.
J. Chu, K. Qian, X. Wang, L. Yao, F. Xiao, J. Li, X. Miao, Z. Yang, “Passenger Demand Prediction with Cellular Footprints” in 2018 15th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON), 2018.