未来都市 - 智慧城市与基于深度学习的 机器视觉 演讲者／陈宇恒 概要 • 我们是谁 • 智慧城市中机器视觉应用 • 我们是如何构建城市级AI+智慧城市系统 • 大规模深度学习实战系统的几点经验 l商汤科技联合创始人，架构师 lC++/Go/Rust/Ruby开发者 l多个开源项目贡献者 lNIPS国际会议论文作者 @chyh1990 2017.6 2016.3 2015 累计融资 全球最大 核心技术 全球领先 商业营收 市占率 行业第一 400余家 大型客户伙伴 共同发展 AI+金融 AI+智慧城市 AI+芯片 AI+无人驾驶 AI+智能手机 AI+医疗图像 AI+智慧城市：以智能安防场景为例 特征向量 AI+智慧城市 2015-2017 l单机、简易分布式人脸检测、跟踪、比对平台 l处理数十路到数百路监控摄像头数据 l千万级别深度学习特征检索 l行业试水 l云原生Cloud-Native超大规模视图存储、处理、检 索 l处理数万到数十万路，城市范围级别监控、门禁摄 像头数据 l10-100 Billion级别深度学习特征检索 - PB以上级别数据库存储 - 100PB级别抓拍图片存储 - 每秒万次并发检索请求 l大规模推广应用 l某种程度上说，城市内所有市民都是系统的用户 深度学习算法发展为平台系统赋能 首次超过人眼 2014 2015

超过30%订单来自异地请求 常驻城市!=浏览城市 推荐形式多样 景点下有大量相似门票,不适合 按Deal样式展现 跟团游、景酒套餐关联多个景点 ，不适合按POI样式展现 季节性明显 冬季温泉订单占比超过20%, 而夏季不到7% 需求个性化 用户人群 时间地域场景 内容形态 基于用户画像的召回策略演进 热销策略 基于Deal所在城市统计分城市热销 分类 场景 召回策略 本地需求 常驻城市=浏览城市 (北京人浏览北京) 当地用户购买的热销POI 异地需求 常驻城市!=浏览城市 (重庆人浏览北京) 异地用户购买的热销POI (所有非北京人购买的热 销POI) 销量按时间衰减 热销策略 •精确统计POI销量 •Deal -> POI •POI售卖数据不准 •客户端埋点 POI详情页 F_poiid DEAL详情页 F_poiid 下单页 F_poiid F_poiid 用户画像 常驻 •模型 •LR：预测常驻城市与某维度城市相等的概率 •样本 •调查问卷 •特征 •注册城市 •注册手机号 •手机定位城市 •浏览城市 •消费城市：团购、电影、外卖 •接受短信手机号 用户历史行为强相关策略 •热销策略能区分本异地用户差异 •不能对具体用户个性化推荐 •用户一个月内浏览、收藏的 POI/Deal •越实时权重越高 POI/Deal

APPKIT打造稳定、灵活、高效的运营配置平台 APPKIT打造稳定、灵活、高效的运营配置平台 作者: 国宝 小龙 一、背景 一、背景 美团App、大众点评App都是重运营的应用。对于App里运营资源、基础配置，需要根据城市、版本、平 台、渠道等不同的维度进行运营管理。如何在版本快速迭代过程中，保持运营资源能够被高效、稳定和灵 活地配置，是我们团队面临的重大考验。在这种背景下，大众点评移动开发组必须要打造一个稳定、灵 们有如下明显特征： 1. 时效性，只在一定时间范围内显示在C端固定位置。 2. 城市强相关，这类运营资源往往是基于LBS类服务，每个活动、广告都只会出现在固定的某些城市（或区域）。 基础配置 基础配置 基础配置，常见的有入口资源的配置、网络的配置等。相对运营资源来说，其变更的频繁度相对较低，与 时间、城市的关系也没那么强。譬如下面大众点评App-我的页面里的入口。这类配置有如下几个特征： 发，少则需要1到2天的开发工时，研发成本高。问题总结如下： 1. 研发成本高，每个需求要开发新的配置管理页面。 2. 研发周期长，运营效率低，从需求的提出到运营上线周期长。 3. 灵活性差，对不同的运营维度（城市、版本、时间等）都需要事先确定好，无法动态调整。 上线流程“粗糙” 上线流程“粗糙” 在早期，运营配置上线流程需要研发同学参与。产品提出运营配置需求，研发同学通过修改代码对配置进 行变更，然后通过代码上线进行发布。整体流程如下：

年150亿部接入设备 大数据时代的数据 2011年每天处理的数据超 过： 24 PB 2011年6月乊前， Facebook平台每天分享资 料： 40亿 智慧城市数据 中国某一线城市: 200PB/季度 中国一线城市健康档案数 据： 5.5 million 传统的数据处理技术 大数据时代的数据 速度 数据量 多样化 传统数据 大数据 GB -> TB 240V DC 直流 • 况源采用况冶水系统，末端采用行间 送风 • 封闭热走廊 Intel Hadoop研发团队 推劢产业应用 交通指挥的挑战 ——典型中国二线城市 • 机劢车的迅速增加 • 复杂数据分析 • 数据挖掘不预测 • 突发事件应对 • 公众服务 • 公众访问高幵发 • 其他系统亏连 000 1,000,000 1,500,000 2,000,000 2,500,000 2005 2006 2007 2008 2009 2010 2011 2012 成都汽车保有量 城市交通指挥管理示意 卡口前端 数据中心 交通挃挥 WAN 12000个卡口，每年采集超过1000亿条过车的图片和数据信息 基于Hadoop的新型数据中心方案 数据库成本：1PB>

业在采用和使用开源软件（OSS）方面所需的 支持。 Decidim是致力于参与式民主的开源平台，正 在被越来越多的国家使用。 2020年，它被日本Code for Japan组织引入。首 先应用在日本加古川市，现已在其他几个城市得 到应用。Decidim平台的首个日本版本主要由日 本东京大学先端科学技术研究中心的Yoshimura 教授和Code for Japan组织的代理主任Hal Seki负 责。现已将源代码上传至其创建的GitHub公开存 得解决方案能够在全国范围内轻松地被广泛复用。 自2020年10月，日本兵库县加古川市政府采用 Decidim以来，该平台已在以下项目中被广泛 使用： • 横滨市参与倡议平台 • 内阁办公室（日本国家政府）智慧城市指南小 组（Smart City Guidebook Subcommittee） • Decidim在兵库县的应用（Decidim applica- tion in Hyogo Prefecture） 直到2023年，捷克的内政部是负责发展和监督捷克开源软件的中央机构，同时，是其通过电子政务 举措实现地区办事处和市政当局数字化工作的一部分，内政部希望以此来提高捷克公共管理绩效。自 2021年以来，捷克内政部与非政府组织开放城市（Otevrena Mesta）之间开展了重要合作。双方合 作的主要领域是code.gov.cz资源库1，该资源库使捷克共和国的公共部门之间能够共享开源项目。在 未来，该资源库还应成为公共部门内推动

扩展组件 消息队列MQ 证书管理 测试框架 治理层 权限体系 治理模型 区块链审计 BaaS运维治理 应⽤层 司法存证 供应链⾦融 智慧政务 物联⽹ 能源电⼒ 跨境贸易 ⼯业物联⽹ 智慧城市 ... 不同于完全开放、任何⼈可以加⼊退出的⾮许可链，许可链架构与其差异性在于节点和⽤户在区块链⽹络中的准 ⼊要求。且⾮许可链⽹络节点⼤都由业务相关的机构组成，造成架构上共识、合约、安全、权限等⽅⾯的不同 扩展组件 消息队列MQ 证书管理 测试框架 治理层 权限体系 治理模型 区块链审计 BaaS运维治理 应⽤层 司法存证 供应链⾦融 智慧政务 物联⽹ 能源电⼒ 跨境贸易 ⼯业物联⽹ 智慧城市 ... 不同于完全开放、任何⼈可以加⼊退出的⾮许可链，许可链架构与其差异性在于节点和⽤户在区块链⽹络中的准 ⼊要求。且⾮许可链⽹络节点⼤都由业务相关的机构组成，造成架构上共识、合约、安全、权限等⽅⾯的不同 版权所有 ©2016-2021 36 趣链科技 版权所有 ©2016-2021 36 混合云 物理机 密码机密码卡 IoT终端 基础设施层 应用生态层 经济金融 民生服务 智慧政务 社会治理 智慧城市 ··· 能源电力 飞洛 BaaS 密钥管理 业务数据可视化 智能合约研发 联盟组织管理 节点管理 合约安全审计 日志分析与告警 统一身份认证 专有联盟链 监控运维 应用研发

队和美团地图团队进行合作。先利用路网信息，把城市切成若干互不重叠的 多边形，然后根据计算几何，将一批商家对应的多边形拼成完整的区域边界。 3. 最后，用美团自主研发的配送仿真系统，评测这样的区域规划对应的单均行 驶距离和体验指标是否符合预期。因为一线直接变动的成本非常高，仿真系 统就起到了非常好的作用。 下面是一个实际案例，我们用算法把一个城市做了重新的区域规划。当然，这里必须 要强调 要强调的是，在这个过程中，人工介入还是非常必要的。对于一些算法很难处理好的 边角场景，需要人工进行微调，使整个规划方案更加合理。中间的图是算法规划的 结果。经过试点后，测试城市整体的单均行驶距离下降了 5%，平均每一单骑手的行 驶距离节省超过 100 米。可以想象一下，在这么庞大的单量规模下，每单平均减少 100 米，总节省的路程、节省的电瓶车电量，都是一个非常可观的数字。更重要的 是，可以让 的调度粒度，一个商圈一分钟峰值 100 多单，匹配几百个骑手，但是这种乘积关系对应的数据已经非常大了。现在，由于美 团有更多业务场景，比如跑腿和全城送，是会跨非常多的商圈，甚至跨越半个城市， 所以只能做城市级的全局优化匹配。目前，调度系统处理的问题的峰值规模，是 1 万 多单和几万名骑手的匹配。而算法允许的运行时间只有几秒钟，同时对内存的消耗也 非常大。 另外，配送和网约车派单场景不太

Python 技术 但是，，， 丝毫不影响活动的组织筹备 PyCon China 2019 各城市现场回顾 【上海站】 【北京站】 【杭州站】 【深圳站】 【成都站】 如何加入 PyCon China 组委会团队 1、加入 PyCon China 组委会 2、加入 PyCon China 2020 城市筹备人 3、加入日常志愿者团队 致谢 向伟大的 Pythonista 们致敬！ PyCon

⼲⼴广泛     
17 所在城市： 18 北京 19 ⼲⼴广泛     
所在城市： 北京

0 码力 | 12 页 | 1.12 MB | 1 年前

3

曼哈顿距离(Manhattan distance) ?(?, ?) = ෍ ? | ?? − ??| 想象你在城市道路里，要从一个十字路口开车 到另外一个十字路口，驾驶距离是两点间的直 线距离吗？显然不是，除非你能穿越大楼。实 际驾驶距离就是这个“曼哈顿距离”。而这也 是曼哈顿距离名称的来源， 曼哈顿距离也称 为城市街区距离(City Block distance)。 6 距离度量 切比雪夫距离(Chebyshev