2020年10月31日，求是网公众号发表习近平总书记文章《国家中长期经济社会发展战略若干重大问题》，其中城市出现27次，数字出现7次，智能出现2次，数字城市和智能城市各出现1次。

数字城市和智能城市其实是提出了很长时间的宏大概念，这里不过多分析政策导向和市场格局，单纯就简单探讨一下技术的实现方案。

先从业务场景开始。

一、业务场景

数字城市概念下相关的业务场景，往大了说，有政府的决策管理，有城市大脑，有政务平台，往小了说，有各行各业的生产建设，有智慧园区、有实景导航。

 

 

数字城市的概念，缘起于20年前的二十一世纪数字城市论坛，之后见诸于各种政策文件中。

GIS，地理信息系统，不多解释。

BIM，建筑物信息模型，在1975年首次提出，北京奥运会后被建筑行业广泛应用，我们常在各种楼盘广告和沙盘中看到的视频和模型，就是BIM的应用。

VR，虚拟现实，从上世纪90年代开始，就已经形成了完善的理论基础，随着硬件和软件技术的发展，从体感游戏到VR看房，虚拟现实技术也已经有了很广泛的应用。

每个产品，不可能只涉及到一种技术，一个复杂的产品，必然是由多种技术、多个模块组合而成的。

我们看上面提到的两个例子，一个是阿里的城市大脑，一个是华为的智慧园区。

城市大脑介绍关键词：数据汇聚、数据融合、智能调配、城市事件感知与智能处理、交通拥堵与信号控制、公共出行与运营车辆调度；

智慧园区介绍关键词：态势感知、人员管控、视频周界、视频巡逻、人脸通行、车辆通行。

这两个产品都有很多功能，我们提炼出几点共有的、相关的，来分析技术实现的方案。

1.数据处理。

2.数据可视化。

3.人员设备定位。

4.人员设备的动态监控。

5.行动预测、分析决策与规划。

 

二、技术实现

仅仅上面五点就已经是很复杂的体系了，这五点还有些既涉及硬件又涉及软件，还互相关联，毕竟它们要被整合到一个大的平台中。

一个一个来。

1.数据处理

大部分工作的第一步，都是处理数据，如果是城市管理的话，我们需要有城市的地图数据和规划数据，如果是园区监控的话，还需要有园区的建筑数据，当然除此之外，还需要人口、经济、车辆、气候、温度等所有相关的数据。

不说别的，单说地图数据和建筑数据。

地图数据按照大类分，有矢量、影像、三维，这些数据有不同的表现形式。

 

 

一般说来，地图底图数据需要通过各种来源的瓦片来加载，不需要自己加工，但有时候要一些高精度或现势性较高的数据，可能就需要自己加工数据并发布瓦片。

数据采集方式可以是实地测量和无人机航拍。

数据加工可以使用arcgis、erdas、envi、qgis、cad等，其中只有qgis是开源的。

数据发布可以使用arcgis server，geoserver，其中geoserver是开源的。

三维地形数据处理可以使用arcgis和qgis，无人机拍摄出来的数据，可以使用smart3D处理。

Arcgis、erdas、qgis、cad、geoserver、smart3D都属于软件类的，怎么使用，可以参见各自的官方网站的教程。

当然，这些软件用起来，都有一定的门槛，要首先了解数据规格与技术原理，数据规格可以看ogc的规范，技术原理，可以看MOOC上地图学、地理信息系统、摄影测量等相关的内容。

OGC：https://www.ogc.org/

MOOC：https://www.icourse163.org/

Arcgis for developers：https://developers.arcgis.com/

Arcgis desktop：https://desktop.arcgis.com/zh-cn/

ERDAS IMAGINE：https://www.hexagongeospatial.com/

QGIS：https://www.qgis.org/en/site/

Geoserver：http://geoserver.org/

CAD：https://www.autodesk.com.cn/

Smart3D（ContextCapture）：https://www.bentley.com/zh/products/brands/contextcapture

建筑数据可以分为二维的和三维的，二维的就是cad的建筑图纸，三维的就是BIM模型，但很少有建筑有BIM，最多就有cad图纸，需要根据cad图纸和量测得到的各种参数，制作出建筑物的BIM模型。

常用的制作BIM模型的软件是Revit和3d max，这两个都是autodesk公司的产品。

建筑物模型有两种，一种是只能看到外表的，另一种是能看到内部结构的。

下面这种，就只能看到建筑物的外立面，BIM的衍生概念CIM（城市信息模型），用的都是这种模型。

 

下面这种是可以看到内部构造的，园区、建筑物监控、城市管网监测，用的都是这样的模型。

 

既，城市规划级别的，建筑物模型可以看不到内部，园区、建筑物、管线设施监控类型的，则需要有建筑物的内部结构。

Revit和3d max有很多网上培训，但可以先看下autodesk的官网：https://www.autodesk.com.cn/

OGC关于BIM的定义和标准：https://www.ogc.org/node/683

OGC关于3D tiles的定义和标准：https://www.ogc.org/standards/3DTiles

OGC关于室内空间信息的定义和标准：https://www.ogc.org/standards/indoorgml

地图数据和BIM数据都获取之后，还有事情要做，因为这些数据都要展示在同一场景下，所以还要将坐标系进行统一，通常，都是将BIM统一到地图的坐标系下。

各种坐标系的介绍和参数参见：http://epsg.io/

 

2.数据可视化

数据可视化，分二维和三维。

二维可视化，开源的技术栈是后端geoserver发布底图，或者直接用geotool构建瓦片服务，前端使用openlayer或leaflet。当然如果后端不用JAVA，用Python，可以使用django和GDAL，c语言的话，OpenGL和Qt都行，OpenGL和Qt也用于三维。

Geotool：https://www.geotools.org/

Geotool关于数据渲染的专题：http://docs.geotools.org/latest/userguide/tutorial/raster/image.html和http://docs.geotools.org/latest/userguide/tutorial/map/style.html

 

GDAL：https://gdal.org/，GDAL最早是用c语言构建的，目前也支持Python。

OpenGL：https://www.opengl.org/

Qt：https://www.qt.io/

Openlayer：https://openlayers.org/，openlayer也支持以下三维渲染。

 

Leaflet：https://leafletjs.com/

 

三维可视化，可以使用cesium，前端用cesium.js开发，数据融合使用cesiumlab。

 

Cesium：https://www.cesium.com/

Cesiumlab：http://www.cesiumlab.com/

当然如果不使用开源的，arcgis和supermap也提供完整的解决方案。

ArcGIS三维资源收集帖：http://zhihu.geoscene.cn/article/3915

SuperMap 三维产品资料一览表：https://blog.****.net/supermapsupport/article/details/68924713

 

三维地图可视化，业内巨擘仍然是Google earth，Google earth是桌面端软件，支持Engine开发：https://www.google.cn/intl/zh-CN/earth/

 

不过三维数据很大，所以在加载的时候，会有很明显的卡顿和渲染延迟。

于是就有了一个LOD技术，LOD既是Level Of Details，分层次展示细节，原理跟金字塔原理、瓦片服务很像，近大远小，只有观察越近的时候，才越展示细节。

但即使有LOD技术，三维渲染还是挺卡顿的，尤其是在数据要通过web传输的时候。

如果对比使用过，能明显感觉到桌面端的Google earth，对数据的渲染效果和速度要优于web端的cesium，BIM模型可以转换成kml或kmz格式，加载在Google earth中。

 

3.人员设备定位

定位，按照场景可分为室外定位和室内定位；

按照过程可分为，信号获取和算法解算。

定位技术有：GNSS、RTK、IMU、蜂窝、SLAM、雷达、WIFI、蓝牙、地磁、视觉、UWB、LED、RFID、Zigbee、激光、红外、超声波等。

看上去百家争鸣、百花齐放。受到北斗、5G、新基建等政策导向性因素的影响，定位技术的确是有一点点小热，但大部分企业、高校，提供、研究的都是打包硬件+解决方案模式，毕竟卫星和芯片，不是谁都能制造的，核心的技术和设备，仍然掌握在几个巨头手中。

室外定位技术的发展，近几十年来，没有什么质的飞越，但有很大量变，国家政府的基站、科技巨头的低轨小卫星，都在增加定位服务的覆盖度。

最近几年，室内定位，在科研领域是较为热门的方向，很多高校都有研究传感器和视觉定位的课题。

室外定位没有什么太多花样，室内定位，知乎上有一个帖子，室内定位技术的发展，讨论还是比较全面的：https://www.zhihu.com/question/35644548

关于人员设备的定位，很多相关厂商提供从硬件定制到软件部署的一套实施方案，用户拿着厂商提供的硬件，从厂商数据中心获取数据，使用对方提供的APP看数据，这是常规流程，既所谓一站式解决方案。

从信号获取到算法解算，定位，尤其是室外定位，有很强的行业壁垒（这也是室内定位研究更热的原因），很多数据源是获取不到的，所以想要进行人员设备定位，找一个好的一站式解决方案提供商，是良解。

哪个是好的，就要通过对比测试分析了，看结果。

 

4.人员设备的动态监控

有场景数据，有位置信息，就可以进行动态监控了，监控，主要体现在实时性和可追溯，实时数据即时看，历史数据可回溯，往大了说，就是IOT平台，再往上点，就是云服务，虽然扯得有点远，但技术就是这一套。再收回一下，回到BIM、GIS、VR来。

完成场景渲染和设备部署后，实时数据会有两种，一个是轨迹，一个是视频，轨迹来源于定位设备，视频来源于监控像头，当然如果业务场景复杂，还会有更多数据，温控数据、湿度数据等等。

很多监控大屏会使用echarts接入实时视频数据。

Echarts：https://echarts.apache.org/zh/index.html

 

Cesium也能接入视频数据：

Cesium video：https://sandcastle.cesium.com/?src=Video.html

当然，RTMP、RTSP之类的实时流数据的接收和转换，也需要后台处理，这需要一些视频处理的技术方案和经验。

视频处理，我的确不懂，回到轨迹上，轨迹要存储、后端计算、前端展示。

Geomesa提供过一个大规模存储、索引、查询、转换的解决方案：https://www.geomesa.org/

轨迹监控需要一些空间计算辅助判断，工程上的空间计算可以使用Rtree、JTS、geotool等。

Rtree原理：https://blog.****.net/sinat_41310868/article/details/106629680

Jts介绍：https://blog.****.net/sinat_41310868/article/details/106699511

轨迹计算结果和渲染结果的前端展示，openlayer、leaflet、cesium都可以支持，但当轨迹数据量大的时候，就需要后端对输出结果进行瓦片渲染了。

 

5.行动预测、分析决策与规划

有场景、有设备、有行动、有数据之后，就要有更深层次的应用，模式挖掘、预测分析、指挥决策等。

这些研究有很多探索和实验，但大规模落地都还没有，可能也因为没有很多明确的应用场景。

科技日新月异，但世界和历史的本质不变。哲学上提出过三论的概念，既控制论、信息论、系统论来阐述，不变中有万变，万变中有不变的议题。

扯哲学有些太远了，但这人类永恒的议题，可以解释我们眼前的问题，挖掘出的模式，分析出的结论，预判出的规划，都是可能不准的。

任何预测都可能是不准的，唯一可能准确的预测是预先设计。就像谷歌之前的自动驾驶，靠随机应变，谁也猜不出这些机器最终会走到哪里，谷歌之后的自动驾驶，靠大数据场景，预先规划，除了一条路，也无他路可走，所以必然到达设定的终点。

设定两点，收集所有可预先采集的数据，将偶发因素降到最低，路程中，只要有偶发因素产生导致偏航，就要尽快将车辆纠正回预设线路上。

没有猜测，预判我的预设，那可能就是最准的。

话题扯回来，看看时空数据的挖掘分析有没有什么技术方案。

如果用软件的话，Arcgis是支持空间分析的，开源软件geoda也支持时空分析和数据统计。

Geoda：http://geodacenter.github.io/

做大数据分析，用Python语言更合适一些，Python的地理空间数据分析工具有Geopandas、PySAL、earthpy、geopyspark等。

Geopandas：https://geopandas.org/

PySAL：http://pysal.org/

earthpy：http://earthpy.org/

geopyspark：https://geopyspark.readthedocs.io/en/latest/，geopyspark是一个栅格数据支持工具，java版是geotrellis：https://geotrellis.io/

还有一个crunchydata：https://www.crunchydata.com/，它可以部署postgresql，在地图上观察postgis的函数结果。

分析结果最终也要呈现出来，可能还需要一些图表工具，例如Power BI和Tableau。

Power BI：https://powerbi.microsoft.com/zh-cn/

Tableau：https://www.tableau.com/zh-cn/products/trial

可能这些结论和图表，需要以web前端的方式展示，那就可以回到echarts了。

 

三、理论基础

说到理论基础，那就逃不开各种纸质书籍和各种标准规范、各种教育课程了。

举几个例子。

《GNSS高精定位原理》

《地理信息系统导论》

《OGC Standards》

《空间信息工程技术》

四、技术难点

技术难点在技术实现中也表达过一些。

硬件设备上看，定位的精度和密度，信号稳定不稳定，坐标准不准，数据会不会丢失，数据丢失后，有没有补偿，数据传输有没有时延，成本和效果的取舍，多种设备的布设和融合，解决方案的合理性和全面性，客观情况要较实验室条件复杂很多等等。

工程上看，数据流的消费和渲染的效率，成千上万个终端设备的数据要接收、要处理、要计算、要反馈、要呈现，大规模的底图数据和建筑模型要加载、要渲染、要有动态效果，硬件和软件性能却都是有瓶颈的。

数据算法与挖掘上看，结果的有效性，金融上有灰犀牛和黑天鹅的说法，数据挖掘也会有这些问题，某一个不稳定的、或偶发的、或被忽略的因子，对结论造成影响。但更常见的是，我已经有结论，数据结果是根据结论得出的，分析的过程仅仅是为了验证预判。

除此之外，海量数据的存储不是什么太大的问题，有难度的是，数据量一大，查询效率会降低。

浅层的技术难点是这些，高层的话，那就要看产业发展和科技革命了。

 

五、行业发展

目前看，甚至长期看，这个行业都应该是以ToG和ToB为主。

ToG，要看国家导向，只要政府支持，就前景可瞻，数字、科技、创新，是这么些年来，词频很高的词汇，政策导向可见一斑。

ToB，企业追求精细化管理，大规模制造业和交通物流行业，都有分布很多、成规模的工业厂区和仓储货运中心，市场空间是可观的。

市场虽然是蓝海，但竞争也很激烈。早几年，这个行业里面都是专业强相关的中小企业，接政府和国企的项目维系。

但现在，巨头们纷纷跨界抢饭，BAT三家都在做智慧城市和IOT平台服务，还有华为、京东也早已入局，不大的产业，硝烟弥漫。

大公司开始抢市场，小公司的日子就会更加艰难。

好的一点是，产业会发展，市场会成熟，需求会被刺激，不好的一点是，有人得意，就会有人失意，有人入局，就会有人出局。

当行业的行政壁垒，越来越脆弱的时候，市场经济的大浪滔天，终将倾覆一些人过去寄以为生的巢穴。

萧瑟秋风今又是，换了人间。

六、总结

这篇文章，信息量很大，但其实仍然不很详尽，还是遗漏了很多。

纸上得来终觉浅，绝知此事要躬行，还得实践。

Just do it！