房天下产业网讯：2017年12月20日，中指研究院在北京金隅喜来登酒店举办“2017第十四届中国数字地产节”。大会基于大数据视角，全面总结了2017年中国房地产市场形势，预判2018年走势，阐释并探讨了大数据为房地产行业带来的创新驱动与巨大价值。会上莫天全、黄瑜、郑宇等多位嘉宾发表主题演讲，多家房企代表及媒体精英参会。

精彩推荐

2017第十四届中国数字地产节

2017-2018中国百城建筑新地标研究报告

2017年中国物业服务价格指数研究报告

【微直播】【媒体宣传】【历届回顾】

微软亚洲研究院主管研究员 郑宇

郑宇：非常感谢大会邀请，其实去年我也来过，我想报告是人工智能大数据在城市的场景里面怎么样改变我们的方方面面，大家在以前听过的报告不太一样，以前报告都是在视觉、文本上做分析，但是今天的场景里面可能并不直接把这些应用在房地产，但是很多技术可以用在房地产企业里面，提高我们的智能。

我们知道城市越来越现代化，问题越来越多，交通的拥堵、环境的恶化，现在我们有了大规模智能技术，有了云计算平台和CPU计算单元，有了深度机器学习的算法和人工智能的成熟，这三位一体使得我们能够用大数据和人工智能加上计算平台来解决我们在城市里面面临的挑战。我们在2018年提出来城市计算的愿景，包括以下四个层面，从城市数据的感知、城市数据的管理、分析和挖掘到自助的服务和提供，四个层面形成一个环路，在不干扰人生活的环境下，用大数据的人工智能解决城市中的各种问题。

下面先看一系列的案例，给大家介绍一下这些案例落地，我们需要真正的城市大数据平台。

个案例，一个关于救护车站、急救中心派遣救护车的案例。我们知道有需求的时候会打120，120中心会派一辆救护车来运病人，送到医院以后，这个救护车再返回来，以前救护车站的选址是靠拍脑袋的，天津市救护车站的布局图，每一个三角形就是一个救护车站，以前我们没有办法只能靠拍脑袋，现在我们有真实的120的数据，我们根据这些的数据可以重新对站点的位置进行选址，在不增加任何投入的情况下，只是挪一挪站点的位置，可以使平均的抢救时间缩短30%，以前救一个人需要花100个，现在只用70个，这30个可以用在手术台上救护病人。

那么，救护站选取以后，应该放多少救护车呢？有的地方早上需求量很大，晚上需求量很小，这个救护车做完以后应该回到哪个站点，使得运力能够进一步优化呢？我们通过深入的分析和算法优化，能够提升30%的运力，不增加一辆救护车的前提下，运力再提高30%。所以，我们通过优化站点的布局可以更快地救援。通过调度算法可以救更多的人。这个方法在其他的行业里面，凡是以时间成本为优化的选址都可以用这个来做，比如这是一个救火站或者派出所，如何选择派出所的位置，使得他从派出所出发满足大家请求的时间最短，都可以用这个方法来做。所以地产行业里面以时间紧要性为选址优先条件的，都可以用这个算法来做。

第二充电桩选址的例子，现在我们开电动车，要普及电动车，但是电动车的问题就是充电的问题，大家担心没有地方充电，因此国家要布更多的充电桩，但是国家的钱也是有限的，比如贵阳市政府给定的区域有五个充电桩，你放在什么位置，使它覆盖的车辆化，我们现在通过分布式计算环境加上人工智能，除了解决刚才说的覆盖车流量化的问题，还考虑很多行业的标准，这个地方是不是有空地，周边有没有商场？充电的2、3个我们去哪里，你不能蹲在马路边，如果这里不成熟，我们可以删掉，去筛选其他的结果。很多的数据是我们不知道的，而行业专家知道，但是行业专家不懂人工智能、大数据，这两波人怎么交流呢？就是通过这样一套算法系统，先考虑一些基本的标准，产生初步的结果，再把初步的结果给行业专家来看，行业专家判断你这个地方是不是合适，保留合适的，去掉不合适的，通过这样的迭代，把人的智能和机器智能进行叠加，通过这种分析方法，促进这种交互。

如果人给机器一个反馈，机器说要等两天看结果，你交互以后这一个月都过去了，你都忘记了一个月以前给机器什么样的指示，而这样的算法在我们机器上3秒钟就可以给出结果。凡是覆盖范围化为目标的选址模型都可以用这个人工智能算法，比如我们要在杭州布广告牌，我们只有钱投五个广告牌，应该放在城市里面的哪五个位置使得广告效益化，通过人的轨迹先选五个地方覆盖人群化，看每个人经过这里的速度，以及他是否有时间看广告以及其他的因素促进人和机器的交互迭代，确定选址。还有包括我们要布自己的实体店，布在什么地方，都是这个模型，这是人工智能模型可以做的事情。

这是的一个共享单车的例子，大家知道我们中国曾经是自行车背上的王国，结婚的彩礼都少不了自行车，但是2000年以后已经很少看到自行车了，直到最近一两年，共享单车的出现，自行车又回来了，但是问题在哪里？自行车道的规划跟不上时代的需求，这个还停留在十年前、二十年前，当有自行车的时候，我们可以很好地去骑行，但是如果没有自行车道规划的时候，我们不得不汽到马路中间，我们现在在上海徐汇区基于智能大数据的规划，你只要告诉我政府投入多少钱、公里数，以及想覆盖 多少区域，我们就可以算出来，这不是人算出来的，这是机器智能算出来的，真正能够骑行的摩拜数据，能够支持的人，并且服务得，这是实实在在的人工智能落地的基础，用摩拜的数据，来做的自行车道规划。

这个可以推广到其他的行业，凡是有限空间资源配置，我们需要以图为模型的拓展方式，都可以用这个人工智能模型。

再看下面一个工作，我们在国家的支付网格里面经常会发生什么情况？包括人流的变化、房价的涨幅、各种需求的变化，我们还记得2015年1月1号上海市的踩踏事件吗？很多人去外滩看灯光秀，但是那里根本装不下那么多人，由于安保措施不利，使得很多人失去了生命。其实完全可以用人工智能和大数据结合，预判出这个人流量。但是50万人很多、100万人很多，同样是100万人来，这100万人是分成5均匀到达，还是1、2个集中到达。我们能够预测在整个城市里面一公里的范围内有多少人可以进入，我不是说数字可以代表人流，我只是用数据证明模型的有效性，未来会有多少车进以及多少车出，如果你能给我这个数据，我就可以预测多少人进、多少人出，你给我摩拜的数据，我就可以告诉你多少自行车进、多少自行车出，所以它对智能物流调动都有帮助，但是进一步我们知道整个城市里面任意点之间未来会有多少人出行，以及出行模式是什么样的。比如未来两个有多少人从清华到北大，有多少人从清华到东城，都可以用我们的算法实时地算出来，这是现实已经落地的系统。从这里可以看出来，其实很多的场景跟人的出行以及房地产都是相关的。

再来看空气质量，在座的人都要呼吸，但是这也是政府头疼的问题，怎么治理雾霾，怎么呼吸上新鲜空气，政府建立了很多的监测站点，但是非常不够，城市里面的空气非常不均匀，受很多复杂环境的影响，比如周边是否有厂房，扩散是否受影响，所以是高度不均匀的。我们不能通过一个简单的差值根据一个已有站点的数据计算这个地方的空气质量。我们现在大数据、人工智能结合厂矿分布、车的移动等各种数据，跟这个地方对应的空气质量的关系，这是比较高级的人工智能的算法，我们现在可以对京津冀、长三角、珠三角进行分析，我们可以用更少的站点监测大区域的数据，我们还知道在变化的过程中，知道污染物传播的路径，这是步搞定现状，第二步要知道未来怎么样，就是预测空气质量。现在300多个城市的空气质量预测都是我们做的，我们想知道每个地方未来6个、8个怎么样、未来24个怎么样，我们想知道天安门未来8个怎么样，因为整个城市的空气不一样，所以，你说北京明天空气好和坏没有意义。还有，空气质量有一些拐点，这种拐点预测会给国家决策带来重大的帮助。比如明天有拐点出现会变好，我们不用去启动雾霾预警，会给国家避免不必要的损失，这个拐点比方式拐点更加有价值、有意义。

现在我们可以覆盖300多个城市，只要人活动多的地方，我们基本都覆盖了。这都是实实在在的环保用的技术，我讲的既有国际的热门，也有实际的案例，在实际中分分秒秒的运行。

我们可以知道每条道路上过去10车的速度、流量、尾气排放，包括二氧化碳、二氧化硫等等，我们用的是一部分车的数据，加上气象气息、路网信息的融合，来做到人工智能驱动的计算，这不是监测到的，因为很多道路上没有传感器，不确定加不确定推出了确定的结果，我们现在算的是交通流量，是中国一个，北京、上海都没有。

交通流量是在单位时间里经过的数量，交通流量大的时候速度是快还是慢，想法肯定是慢，因为在广播里说交通流量大拥堵建议绕行，这是一个误区，所谓交通流量大是车的速度快，密度大，如果路堵死了，车过不去交通流量就是零。世界上没有交通流量图，一个在贵州有一个交通流量图落地了。

我们要知道未来有多少车经过这个区域才能决定修多少车位，知道有多少车经过才知道道路要修多宽。我们对算为期排放也很重要，在空气质量站点中读数一结合就知道尾气排放在空中中的占比是多少，可以帮助政府决策。有了这样的结果就可以决定是通过限流还是管控交通来帮助我们蓝天的到来。

以前有很多云平台，但是云平台变成云盘，数据能放进去，但是用不起来，为什么？有几个原因。真正要做好城市大数据需要四个方面的支持，AI的支持、大数据的支持、云计算、行业知识。这个平台是基于云平台上面加了很多新东西，包括对时空数据的管理、分析、挖掘，对时空数据特有的人算法、数学算法、强化学习算法，不是传统的算法，而是针对时空数据专门设立的，我们的房地产数据也是时空大数据，我们拿以前为视频数据设计的模型，为文本数据设计的模型都不好用，如果用了一定不会达到的效果，因为时空数据的特性有空间距离、空间的尺度、层次化、时间的周期性、趋势性，这些模型做不了。这个模型里面是新增加进去准备为使用大数据设计的，这样才能支持实时的数据分析挖掘，形成闭环支持城市大数据，支持AI在城市领域的落地。

我的报道到此结束。谢谢大家。