JD iCity tritt erfolgreich auf AAAI 2019 in Erscheinung

PEKING, 4. Februar 2019 /PRNewswire/ -- JD iCity hat auf der AAAI 2019 Konferenz in Hawaii für Aufmerksamkeit gesorgt. Das Unternehmen zeigte auf, wie man fortschrittliche Techniken zur Fusion von Daten aus mehreren Quellen mit räumlich-zeitlich datengesteuerten Modellen zur Lösung städtischer Probleme in den Bereichen Verkehr, Umweltschutz, Energieverbrauch und weiteren Feldern mit über Data-Mining gewonnenen Erkenntnissen kombiniert.

Die AAAI ist die führende Konferenz im Bereich künstliche Intelligenz. Dr. Yu Zheng, Vice President von JD.COM und Chief Data Scientist von JD Digits, der auch Geschäftsführer von JD Intelligent City Research ist, hielt die ‚Urban Computing: Building Intelligent Cities Using Big Data and AI‛ betitelte Keynote-Speech. Dr. Zheng, ein Verfechter des Urban Computing-Konzepts, ist Autor des kürzlich von MIT Press veröffentlichten ‚Urban Computing‛, das weltweit erste maßgebliche Werk im Feld Urban Computing.

In seinem Eröffnungsvortrag erläuterte Zheng, das Konzept Urban Computing umfasse urbane Perzeption & Datenerfassung, Big Data Management, datengetriebene Analyse und Dienstleistungen.

Spezifisch räumlich-zeitliche Big Data brauchen ‚spezialisierte KI-Algorithmen‛

Zheng führte aus, dass der Prozess von urbaner Perzeption & Datenerfassung mit vielen Herausforderungen einhergehe, zu denen die Beschaffung von mehr Daten mit begrenzten Ressourcen zählen, unzureichende Daten, was auf den extremen Mangel an Sensoren in den Städten zurückzuführen ist, sowie gravierende Datenverluste aufgrund von fehlerhaften Sensoren oder anderen Faktoren.

Um diesen Herausforderungen zu begegnen, schlug Zheng vor, verschiedene Arten von Daten im städtischen Umfeld, wie die Strömungsbewegungen von Menschenmassen, Verkehrsfluss, Luftqualität, Wetterdaten und Social Media Daten, als einheitliche räumlich-zeitliche Datentypen zu vereinen, und dann diese Daten unter Verwendung mehrerer speziell entwickelter räumlich-zeitlicher Indizes zu verwalten. Zheng zeigte als Beispiel auf, wie diese Techniken zur Erkennung von Falschparkern durch Mining der in großer Menge vorliegenden Trajektionsdaten von gemeinsam genutzten Fahrrädern beitragen können.