每时每刻，我们的城市中都有许许多多的感应器在辛勤地运转，这些感应器记录下了城市的气温、空气质量、噪声、人流量等各个方面。由于体积庞大、价格昂贵与安装复杂的缘故，这些感应器往往被限制于城市中某些特定的位置。它们24小时监控着城市的运行，但在空间上的覆盖范围却往往有限。
近年来，随着感应技术的不断发展与硬件技术的不断提高，在保障测量准确度的同时，感应器演化得越发轻便可携，价格也逐渐友好。这使得感应设备的分布可以不再仅仅局限于城市中的固定地点，而有可能在城市中移动，将感应范围覆盖到城市的每一区域。
2019年，MIT Senseable City Lab展开了一项名为Urban Sensing的研究（到底要给多少辆出租车安装传感器才能感知整个城市）。在研究中，他们做出一个奇妙的设想：如果将感应器装载在出租车上，其感应数据是否可以对城市进行更为全面的覆盖。而通过研究发现，仅需10辆出租车就能在一天内覆盖纽约曼哈顿三分之一的街道，大约30辆出租车就能覆盖曼哈顿一半的区域。
研究者们总结道，通过在各类交通工具上安装简易、便携的感应器，我们就能在城市中形成一个移动感应网络，在这一网络中，不断移动的感应设备突破了传统感应设备的空间限制，能够进行更为广泛的数据收集。
本文将介绍的City Veins项目即是来自MIT 的Urban Sensing项目的延续（http://senseable.mit.edu/city-veins/）。意识到移动感应在城市监测中的可能之后，研究者们想到了下一个问题：如果移动感应网络得以形成，那么如何能够对这一网络进行优化，从而提高其中的数据质量？
在此之前，我们需要理解什么是移动感应网络中的数据质量。研究者们将其定义为：在一片特定区域和一段特定时间内，感应设备所捕捉到的数据点的数量。如下图所示，横轴代表时间，纵轴代表空间，绿色的方形代表我们需要测量的目标时空范围，五条黑色虚线则是网络中的五台移动感应设备，其上蓝色的点代表着感应设备在移动过程中所记录下的数据点。在这幅图中，绿色方形内部的数据点越多，就意味着目标时空范围内的数据越多，我们对目标时空范围的测量也就越准确，数据质量也就越高。
那么，对一个移动感应网络而言，如何提高其数据质量呢？让我们想象有一辆载有空气质量检测仪的汽车沿下图中的15街行驶，每隔五秒便采集一次空气数据。白色实心点代表该车辆，半透明白色范围代表该检测仪的感应范围。
现在，我们需要对蓝色地块的空气质量进行测量。由于空气质量常常随着时间的推移与位置的改变而不断变化，仅仅依靠这一台移动感应设备很难得到准确的测量结果。当然，为了能够得到更加理想的测量结果，我们可以增加这一地块周边移动感应设备的数量，让它们同时在多个位置对该地块进行测量。
另一种情况下，与这一蓝色地块相比，下图中面积更小的粉红色地块也更容易得到准确的测量结果，因为其面积较小、形状较窄，沿路行驶的感应设备就能够覆盖其更大比例的范围，在路边采集到的相关数据就越能够代表这一地块内部的真实情况。
通过考虑以上两种情况，我们不难发现，在移动感应设备的数量、移动速度、采样频率及各方面完全相同的情况下，如果感应设备的运行周期越短（即一段时间内经过某一区域的感应设备数量越多）、路网密度越高（即感应设备的感应范围对目标地块的覆盖越多），移动感应就更能得到理想的结果。
在此基础上，研究者们提出了City Veins研究项目的核心问题：城市的道路网络是否会对感应网络的数据质量产生影响？是否存在着某些道路网络能够更好地支持移动感应设备的运行，即拥有着更高的“可感应度”（sensing potential），而在某些城市中，移动感应网络则较难提供即时、准确的数据呢？
团队对这一问题展开了研究，并发布了论文《Quantifying the Spatio-Temporal Potential of Drive-by Sensing in Smart Cities》（以下简称“该论文”）（关注城市数据派微信号，回复1117 ，可获得论文下载地址），从时间（数据的时效性）与空间（数据的空间覆盖性）两个方面探索了城市道路网络对移动感应网络运行的影响。
该论文表示，不同类型的感应数据对时效性有着不同的要求，例如气温在一天中往往变化较大，早晨收集的数据无法确切反映其正午的情况，而气压相比之下就比较稳定。在数据的时效性方面，不同于在同一位置进行24小时监测的传统感应设备，移动感应无法对某一固定地点进行全时间测量，而是依据其移动路径，存在着一定的测量间隔。因此，为了优化采集数据的时效性，就需让这一时间间隔尽可能地缩短，即是让搭载有感应设备的车辆在最短时间内完成对城市道路的全覆盖，从而尽快开始新一轮的测量。
因此，街道网络对数据时效性的影响可以转换为另一个问题：在街道总长度相同的情况下，怎样的街道网络结构能够让车辆在最短时间内完成对城市街道的全覆盖？
基于图论（graph theory），街道网络可以被视为一个由点（node）与边（edge）构成的图形，问题则在于需要找出一条能够覆盖图形所有边的最短路径。而在一条理想的最短路径中，图形的所有边都恰好被经过一次。在现实中，这意味着车辆无需重复经过任何一个路段，就可访问全部路段并进行测量。这一理想路径则是图论中经典的“Eulerian cycle ”，也是我们熟悉的“一笔画”问题：如果将街道网络看作一个图形，那些能够实现一笔连成的街道网络中，车辆完成街道全覆盖的时间最短，街道在移动感应的时效性上也就最为理想。
诚然，理想的“ Eulerian cycle ”并不存在于所有结构中。城市路网结构复杂，往往不可能一笔连成，但仍然可以为移动感应设备找出覆盖全部道路的最优路径。在文章中，研究者们采用了最优路径长度与路网长度的比值，作为城市的“时间可感应指数”，反映城市街道网络在数据时效性方面的效率。在理想情况中，该比值为1，即无需任何重复就可以完成全覆盖。而在最糟的情况中，该比值为2，车辆需要将每个路段经过两次。
研究者们将这一方法应用到了数个城市（区）中，包括纽约曼哈顿、旧金山、剑桥、莫尔登、维也纳、帕尔马等地。在每一个地区中，研究者将整个路网分割成数十个部分，在每一部分中计算其最优路径长度，以各部分长度的总和作为该地区实现路网全覆盖所需的路径长度。研究者们分别计算了不同城市最优路径与城市路网长度的比值，结果如下所示。
各城市（地区）的街道网络结构、道路总长度、道路覆盖的最优路径、以及最优路径长度与道路长度的比值
各城市（地区）道路网络分为多个部分后，最优路径与道路长度比值的分布
通过对比，研究者们发现城市街道网络的特征对该比值有着很大的影响。总体而言，那些道路网络较为规整的城市（如旧金山），这一比值就较小，意味着车辆能够在更短的时间内覆盖整个路网。而那些道路网络较为不规则的城市（如帕尔马），这一比值更高，相比之下其移动感应的时间效率就会更低。另一方面，研究者们也发现，当道路网络中节点数量更多，路网更加密集时，这一比值也会相应降低（下图）。
在数据的时效性之外，数据的另一关键特征是它的空间覆盖能力。在进行移动感应时，感应器被搭载于车辆中，因此数据采集仅能发生在街道之中，我们需要将街道中的数据拓展到相邻地块，从而实现对城市范围的全覆盖。
通常，研究者们会使用空间插值法（spatial interpolation），将离散的测量数据投射到一块区域内。对这一转换过程而言，街道网络的某些特征可能也会对其造成影响。下图中有两个面积相同但形状相异的地块，感应器在与它们相邻的街道内收集数据。由于左上地块的中心区域距街道较远，感应器在街道中所收集到的数据可能就无法反映出地块中心的真实情况，反之右下地块的形状更为狭长，中心区域距街道较近，数据的转换效果则更优异。
两个面积相同但形状相异的地块拥有不同的空间可感应度
因此，研究者们认为，在空间维度上，街道网络的布局会对数据的空间有效性造成影响。那么，应当如何对此进行测量和评价呢？首先，不同感应设备由于数据类型、设备质量的缘故，都存在着一个有效的感应范围。例如气压这一数值在一片区域内通常比较一致，感应器在某一点所收集到的数据就可以有效反映出一片区域内的整体情况，而诸如空气质量、污染物等数据则更加多变，某地点采集到的数据的有效范围比较有限。因此，感应设备的感应范围决定着感应数值在空间上的转换能力。
如果我们将城市的道路网络想象成一个平面（忽略桥梁、隧道等设施），其中无数道路交叉，将城市分割成了许多更小的地块。对于其中一个地块而言，如果需要对其的某项数据进行精准的测量，那么就需要在它有效的感应范围内进行数据的采集。
因此，我们以该地块的中心为圆心，以该感应设备的有效感应范围为半径，可以形成一个圆形的有效感应区域。基于有效感应范围的长度不同，有效感应区域的面积也会不同。如图中所示，C1所对应的有效感应范围较小，意味着其数值类似空气中的污染物，容易随着位置的变化而产生变化，C2的有效感应范围更大，数值在空间中更为稳定。
在划定了某个地块的有效感应范围之后，下一步需要找出在这一范围内的所有路段，即这一地块的有效感应路段，意味着在这些路段上所进行的测量能够较好地反映出这一地块的数值水平。而有效感应路段的长度总和，就是这一地块在空间上的可感应度。
为了在地块之间进行比较，研究者们对每一地块的有效感应路段长度之和进行了标准化处理：对每一地块，研究者们设定了一个与其面积相等的圆形，并以此圆形的周长作为分母，计算了有效感应路段长度与该圆形周长的比值，以这一比值作为该地块的“空间可感应指数”。
研究者们以Melrose为例，计算了每一地块的空间可感应度，结果如下图所示。研究者们发现，路网越密集、地块面积越小，其空间上的可感应度就越高。另一方面，研究者们也发现，在整个感应网络中，某些路段作为多个地块的有效感应路段，在空间上显示了特别的重要意义，这或许会对感应设备的布置产生积极引导，以提高移动感应的整体效率。
Melrose各个地块的空间可感应度（颜色越深，可感应度越高）
Melrose各条街道在移动感应中的重要程度（颜色越深，重要程度越高）
基于以上论述，假设我们有一台移动感应设备，在城市里进行随机的移动。当它行驶至某一路段时，该路段有效感应范围内的地块就会被“激活”，其“可感应度”就会增加。接着，该地块的可感应度会受到两个因素的影响：一是当感应设备移动至该地块的另一有效感应路段时，其“可感应度”会进一步提高；二是随着时间的流逝，之前的感应数据的有效性会逐渐减弱，地块的可感应度又会逐渐减少。因此，当移动感应设备在城市路网中按照固定路线不断移动时，其邻近地块的可感应度总在不断变化。
在City Veins的项目官网上，研究团队对各个地块可感应度随时间的变化进行了可视化。在这一界面中，用户可以在左上角选择阿姆斯特丹、纽约、波士顿等城市，查看随着感应时间的变化，城市各个地块的可感应度的变化趋势，建筑高度越高、颜色越深就代表其可感应度越高，反之亦然。左下角的折线图则代表着城市中所有地块的可感应度之和。
http://senseable.mit.edu/city-veins/
此外，研究者将一条路线所有邻近地块的可感应度之和作为这一路线的总体感应能力。团队在Melrose中选择了一条长度为3km的路线，并计算了随着路线中移动感应设备的增加，其整体感应能力的变化，绘制出了该感应方案的“感应图谱”（sensogram）。
在这一图谱中，首先可以观察到的是在设备数量较少时，由于受到数据时效性不断减弱的影响，其总体感应能力呈现周期性变化。而当设备数量增加至一定水平时，在前一数据失效之前，就有新的感应设备对其进行了再次测量，这时这一移动感应路线的总体感应能力就达到并稳定在了最高水平。因此，每一地块的每一有效感应路段都有着有效的测量数据。在应用中，使用者可以根据研究所需要的感应数据质量，依据图谱，决定移动感应设备的数量与密度，从而形成最优的测量方案。
在Urban Sensing项目中，来自MIT的研究者们已经发现，移动感应可以以更小的代价，完成对城市大面积区域的覆盖。而这一研究则是对移动感应的一次更加深入的理论探索，它从时间与空间两方面，揭示了移动感应的运行规律，研究了城市街道网络对移动感应的影响。诚然，这一研究只是为移动感应建构了一个初始的、理论的模型。在实际应用中，研究者们仍然需要根据所测量的目标现象、对数据质量的要求以及感应设备的运作情况，对具体的实施与部署做出相应的调整。我们期待在未来，移动感应网络可以被付诸实践，成为城市数据采集的更优方法。
最近有朋友问我们：为什么没有及时看到推文？因为微信改了推送规则，没有点“赞”或“在看”，没有把我们“星标”，都有可能出现这种状况。
加“星标”，不迷路！看完文章顺手点点“赞”或“在看”，就可以准时与我们见面了~
原文始发于微信公众号（城市数据派）：如何突破传统限制，打造城市的移动感应网络广泛收集数据？丨城市数据派
规划问道
