解决方案NUC2022

Sensoro升哲:图分析在城市治理服务的应用与落地

本文整理自 Sensoro升哲-产品副总裁-付刘伟 在 NebulaGraph 2022 年度用户大会上的分享。 现场视频如下——

大家好,我是 Sensoro 的产品副总裁付刘伟,非常感谢 NebulaGraph 的邀请。我们在之前很多标准化产品和项目落地中有一些深入的合作,不管是云端版本还是自动化版本都在深入地去用,中间也有很多技术层面的交流,所以今天把我们在图方面应用落地的案例和想法在这里做一个分享。

升哲科技:城市级数据服务商

首先介绍一下升哲科技公司,我们的定位是一个城市级的数据服务商,我们的愿景是致力于通过前沿科技抹平这个数字的鸿沟,主要是因为从 16 年开始我们转型做政府市场之后,看到了数据服务对于政府的重要性以及数据如何产生更高价值。

所以我们面向于城市治理的话,其实会提供一整套的段到端的服务,从最底层的物联感知终端和世界终端,以及接入现有的泛网络设备,或者说 AI 类型场景的一些算力服务。在这个之上,我们会去搭建自己的城域网络,包含自研的通过自己的物联网芯片去连接现在已有的一些终端,或者是去部署一些新的终端进去。

这个之上的话我们会提供标准化的云服务,包含几个中台和相应的引擎的应用能力,这里面的话我们对于图的应用是非常重的,可以说是严重依赖于图去提供上层的关联性分析,以及联动式的这种应用化服务

最终其实面向的场景的话就会比较多,不管是社会治理也好,疫情防控也好,还是说生态保护环境治理等等,各个方面都会有相应的标准化产品的落地和应用,后面我会具体介绍。

我们对外提供的服务是从芯片到终端通信平台以及最终落地,是一套全线贯穿和全身控制的服务,保证服务的可靠性和持续性运营能力。

因此我们会依托于几块东西去解决相应的问题。

第一块是城市级的通讯网络,这是一套城市城域级的窄带通讯网络,直观理解的话,可能大家家里用的水表燃气表对吧?现在不需要营业人员上门去抄表,通过无线的方式就可以去做相应的统计。除此之外,像家庭里的用电监测装置,或者是可燃气体泄漏监测或者是火灾监测等等,这些都会与依赖一套窄带通讯网络。

在此之上,我们也会去研究自己的通信网络怎样去连接终端,那就会产生我们自己可控的窄带通讯能力的芯片,那是可以提供一个通讯的模组,放到水表或者放入到燃气表以及是各种类型的终端里面去,那就可以形成一套城运级专网,然后去建立专用的通信链路。

除此之外就是网络服务的搭建,我们会有一整套资源的终端体系,各类各类型的终端。从终端定位来说,我们面向的是服务,所以我们也是定义为服务型的硬件,没有进行对外的硬件体系的渠道销售,而是直接面向于渠道商或者是服务商,直接为他们去提供相应的硬件和软件配套的服务。

目前来说我们在 160 多个城市落地,在整个定义里面我们面向的几个城市以及城市里面的公共安全和应急安全等等。我们会去用一个非常明确的指标——每年通过提前的干预预警,或者说事中及时的预警和数据支撑能力能够去挽救多少生命?据统计 22 年的话系统发出了490万次的直接预警,直接挽救了 328 条生命。

这个是北京城的网络覆盖情况,可以看到我们就会有基站的一个部署,基站为一个城市提供相应的网络服务。

这个图上能够体现基站通讯能力的实际测试或者实际运行情况。它的通讯距离在北京达到 33 公里,单点通讯可以链接 N 多的通讯连接点,保证数据传输的可靠性和稳定性。

基于此,我们提供一整套的城市智能感知服务平台,面向各个业务端口,包含政府的委办局、城市运营中心、各个社区,以及执法执勤人员都会去通过这样的平台进行一体化的联动和调度。

这里我简单做个演示,我们对于城区做风险评估的时候,依赖于各个类型的数据,不管是在线的这些商铺和它的经营性场所数据也好,还是在这个基础上,各类的传感器和视觉终端能够感知到的人流客流以及说它本身属性能够带来的风险。除此之外也会面对所有的场景去提供一个应用市场,去面向于更灵活的一个场景服务。

而在我们刚才看到的风险分析界面里面,其实大家能够去想象到的,因为里面所能支撑的数据源和数据类型会非常多,以及说会有非常综合性的一些模型评判,要去看它的风险因子和多维的风险雷达,所以我们就会基于图在里面去把各业务的数据关系去做整体的一个管理。

对,这个是我们刚刚看到的应用市场,其实是一个开放式的服务市场,

以及说24小时一个服务,其实它面向的是我们怎么样能够把这种服务的稳定性和可靠性,以及说在现场的保安或者现场的人员没有及时保证到位,或者有疏忽的时候,我们怎么能够联动多方去解决,保证现场的问题能够及时发现,或者说在解决问题的过程中能够进行更快的响应,所以就会有相应的服务运营体系。

城市治理中是怎么用图的

对前面的话其实是我们对于简单做了一下公司的介绍和公司的业务的一个开展情况的一个介绍,也便于大家去理解我们在做一个什么事情。

接下来的话可能会是跟今天的主题会直接相关的,这个图我们是怎么去理解图的,和我们是怎么去应用图,也就是说跟 NebulaGraph 这边是怎么去结合的。

因为我们面对的是一个实实在在的城市,一个真实的物理世界,而图是物理世界到数字世界最直接的一个映射,因为大家现在也在讲各种类型的数字孪生也好,还是元宇宙也好,我们去想想一个城市里面,它每天都会发生着形形色色的变化和面对的各个类型未知的风险,对吧?比如说我们去看通过物联网去监测,每一个家里他所面临的后厨里面的燃气,它有储藏性燃气和管道式燃气等等不同的类型的燃气,它其实是一个极大的风险因子。

我们怎么能够去判断燃气泄漏情况和燃气管道的压力情况,或者说燃气周边会不会产生次生灾害,包含这个会有相应的储藏室或者是连排的燃气的泄漏之后会引起多大的一个反应,所以在这里面的话会有非常多的基础数据的一个摸底和基础数据的接入工作,比如说街道,它的经营性场所有多少,拥有独立燃气的有多少,每天的人流量会有多少。经营场所的后面,他面对的小区或者他的房屋属性结构是怎么样的,这些都会影响一旦有发生异常情况的时候,如何去响应,如何去解决。

包括说我们看到了现在有很多高层在家里进行电动车充电,对吧?(如果)引起高层的火灾,那怎么去救援?怎么样去提前干预?

我们之前也看到整个城市的内涝和防汛这个问题,那么怎么样能够去前期做到内涝点的一个预测,或者它在一定的降雨强降雨的时候,它的内涝风险等级的升高,以及说在哪些低洼地点是用怎样的方式去处理,要去做相应的角色都需要相应的数据支撑。

我们想象去做一个孪生化的数字城市,或者是元宇宙的数字城市的时候,这些基础数据到底怎么能够支撑城市的孪生化或者城市的数字化的运行,以及说在一个城运中心里面,通过所有的数字化的数据采集过来之后,依赖于屏上的数据,能够去做决策和指挥,这些实际上是一个超复杂或者说超过我们简单的一个个单维数据能够去解决的问题,因为它就是一个很复杂的多维的因素。多维因素随着时间和环境的变化,必然会引起相应的决策的方向和决策的方式的一个变化。

所以我们去看到整个城的数字,我这边简单列了几个。我们实时看到它最基础的物理微信影像和空间规划,以及说我在线的这种可以在线感知的,以及说它不可直接感知的,它本身是作为一个资产。或者作为一个基础设施建设在那边,但是它拥有相应的属性和相应的数据能够去支撑去后续线的服务,在所有的基础之上的话产生各个类型的业务。

所以我们理解现在所要面对的数据和所要面对的城市的时候,其实它的数据维度是非常复杂的。我们最原始的数据就是我们看到的数据点,或者我们定义为元数据,不管是烟气水电的也好,视频画面的也好,走在路上的信号灯也好,还是说降雨时的雨量风向,台风的等级等等,每一个救援物资点还有相应的救援力量,它的位置也好,这些东西都是我们在实实在在的城里面在运行或者在观察的时候能够看到的一个个数据点。

这些数据点,因为业务管理方或业务职责方的不同,或者说本身的属性的不同会分成不同类型的条的数据,这些数据进入到数据池或单位主体的时候,下一步就要进行数据的使用。相应的各个类型的数据研判和分析,能够产生一个城市它的运行情况,那就会有相应的联动数据块出来,能够去解决相应的一个单条或者单业务线的问题。但是这个时候有一个非常大的问题,我们的数据如何去联动对吧?数据之间的血缘关系如何去产生,在需要它进行实时决策的时候,怎么样能够产生价值?

这个时候我们理解所有的数据它其实是一张网,因为可能前面已经有了相应的线条,这个线条和线条,面和面之间要建立相应的连接,形成一个数据网,这个网之上就需要图数据库去建立联动。

不管是我空间信息的联动,空间信息位置的联动也好,还是实时数据的联动,各个类型的风险评估的综合性的展示也好等等,包括这些数据怎么样能够调动,那就是看这个数据之间的连接是用怎样去做的,看这个血缘怎么样去建立才比较有价值——这个是我们看到的现在在数据应用层面会面临的最大的问题。

所以在这个层面的话,我们也认为图数据服务在后续关于城市治理方面有会更大更好发挥的一个空间。

其实我们所面临的一个城市的数据,无外乎就那么这么几块对吧?人的数据、物的数据。城市部件也好,感知监测终端也好,都是我们的一个资源点。物件的数据,地理位置的数据,不管是我们已经形成了标准化的地理信息的规范也好,还是说他自己会有一个实时的定位点也好,这就是一个位置。

另外就是说基于这些产生的事件,那会有形形色色的事件,设备类的事件也好,还是说人员信息上报的事件也好,还是说交通的事件也好,还是通过视觉感知到能够识别到这些事件也好等等这些事件,所有的这些人地事物都会围绕着一个东西在变,那就是围绕着它的时间在发生的变化,那可能是一个时间点,也可能一个时间片段。

也可能是一个连锁的时间周期性的发生了这样的变化,这些所有的数据都需要有找到相应的组织,然后通过一个组织业务关系,把它所有数据组织起来,然后产生相应的数据联动,进而进行相应的应用。

所以我们去看的话,图数据在这里面其实就是建立了这么一个基础的结构,就像我们搭积木一样,有这么个乐高的基础底板。在这个之上各个类型的数据有各个类型的数据的规则规范,但是这些数据都可以通过这样一个标准化的底板建立不同类型,创立出不同类型的场景,所以一个城市面对所有的老百姓和所有的这些人民群众的时候,一方面他要去治理怎么样让城市运行的更美好,让老百姓生活得更舒服,对吧?

在这个层面上它其实面向了提供的是一个服务。这个服务过程中的话,所有的东西人、地、事、物等等这些类型的不同维度的角度的场所,它都会发生相应的一个事件,怎么样把事情处理好,把老百姓的事情办好,作为政府服务的体系,这是一个非常重要的事情。所以就说在这里面这些事情怎么样能够及时有效地用最短的方式最高的效率去解决,或者说用最快的的时间发现这些事件,以及最快的时间去响应处理好这些事件,其实就是体现了整个服务效率的一个问题。

所以在这里面的话,我们就需要去建立数据和数据之间的一个联动,从而产生不一样的服务效能的变化。

通过我们自己去建立的连接和数据的一个服务来说,我们会提供两个层面,第一方面的话,所谓通过一张网形成硬连接或者硬网络,就是所谓的万物互联或者说所有的这些感知终端连接。

不一样的一个点在于,我们的基站和我们所有的感知终端,它都会有一套我们自己的芯片,也就是说它自己的传输协议,所以在这些终端之间都会相应产生相应的互联互动。

任何一个烟感发生异常事件之后,作为公寓里面的楼梯通道,他就会收到警示。这个灯它就会收到相应的信号,这个信号就会自然而然去做相应的声光报警,以及说在邻居的房屋,他也会收到相应的提醒,怎么样让你能够有相应的时间去做相应的反应。

所以在这一套连接里面,我们希望去通过这样的一个信号的传递,以及我们内部的传染模型能够去影响实现实空间更实时更有效的一个连接。

第二块就是我们依托于图数据库而形成的软连接,这里面不管人地事物的,以各个类型为角度的核心去发现人和人的关系和或者说去发现舆情的传播关系也好,还是说去发现一些现在在舆情之下去进行密接和次密接的分析的时候,能够更快的去做相应的支撑。

比如说这是一个街道,这上面就会有相应的经营性场所。经营性场所周边其实会部署各类型的监测终端,消防的也好,视频的也好,其他的也好,当它发生了一个事件之后,周边的消防站他怎么去解决?这些都需要在第一时间能够联动起来。

比如说相应的物资怎么去派送,这些都是可以在刚才讲的这些软连接硬连接基础之上,如果做好的话,我们就可以继续实践这样一套实时互动的一个调派或实施指挥的一套体系去运行起来。

应用案例

对,所以前面讲了一些比较比较整体的一些东西,我们再去通过一些案例可以去扩展一下我们现在在所面临的或者大家可能更容易理解的一些场景。

比如说我们看到电瓶车进楼,电瓶车的话其实也是国家住建和应急这边也发过相应的政策性文章,去阻止电瓶车上楼对吧? 因为引起的火灾事件非常之多,所以我们怎么样能够去实现或者怎么能够更有效地去把这个事情能够解决掉,其实它会依赖于很多各方面的因素。

首先我电瓶车进楼的时候,现在大家也能看到在电梯里面或者是在楼梯间去加装各种类型的监测装置,去控制电瓶车进到电梯的时候,这个电梯是没有办法关的,从而强行去阻止你的电瓶车上楼。

另外一个层面的话,这其实会有也引起了非常多的一些反应和在落地的过程中引起了非常多的难以推行的情况,就是因为它所面临的环境复杂的,我电瓶车的形态和通过视觉去识别这些一定会存在准确度的问题,我可能会去推一个比较粗壮的山地车,或者是一个儿童的三轮车进去,它有可能会被识别成一个电瓶车,对吧?这个时候如果说你阻拦住电梯的关门和运行,势必引起老百姓的一些反应。

所以在这个层面的话,我们要去通过更多维度的方式去解决,比如说楼下的充电棚的一个保障,对吧?充电棚的安全以及整个充电方便度便捷度,以及说我们做的相应的充电数量装的数量的一个帮助,这些都会作为作为这个阻止他去上楼的一个方面。

另外一方面在电梯这边的话,当你进到电梯的时候,它必然会引起刚才讲的一些异常,对吧?这异常出现的时候是不是能够保安人员也好,还是说他的物业也好能够及时去响应,及时去做相应的处理,那就会减轻老百姓的反应。如果说还有一些万一他真的进到了楼上之后,必然会有一次二次这样的一个事情重复性的一个发生。

这些发生的时候是不是能通过你的一套运营体系来去给用户一些更为舒服的一个方式,能够让他去做相应的一个处理,这些其实都是各个维度要去看,各维度的数据都要去统计,都要去收集完之后,才能保证这一套体系运行起来是没有问题的。所以在这个方面的话,我们需要看到的一个事情是各个环节都需要相应的数据支撑以及数据支撑之后,有能够通过数据洞察出来相应的一个结果。

第二个事情,可能也是说我们大家比较常见的一个消防通道占用的问题。我们现在能看到的很常态的问题是很多消防通道都装了一些消防通道占用的一些视频终端设备去监控,消防通道占用了,要去做相应的提醒。

但是当你发出提醒的时候,有可能司机业主他已经走了,你也找不到他了,他的车上也没有电话号码,对吧?等等这一系列问题都会摆在一线的保安和物业面前,看起来面上好像我有一个消防通道提醒或占用的一个东西,但是它并没有解决问题。

所以在这个层面的话,我们要去看到的说你的车辆的登记的数据也好,还是比如说举个例子,你是小区里面的车辆对吧?你的车辆登记就应该把车牌号和业主以及他居住哪个楼,他的联系方式是什么?都需要相应的关联。

如果说是一个外来的车辆的话,当这个事件当告警产生的时候,你的物业的连锁反应是不是实时的,是不是有效的保安是不是能够第一时间通过相应的方式能够找到这个人,快速去劝离他,当他还没有离开车辆或者说特别距离特别远的时候,我们就能够发现现在问题在第一时间把它解决掉,而不会引起后面的一系列的更为艰难的一些操作。

那除此之外的话,我们可能在在电影里面也好,或者说在实际的一个情况也好,都会看到一个非常实实在在的一些案例,比如说公安这边到底或者片警这边到底怎么去处理一个案件的,对吧?我们也可能在电影里面都会看到这样的一个背景的图片,这样一个线索墙或者推理墙,它通过这样的一个这个方式去做相应的推理分析不同的人的背景,它的交易也好,它的通讯通话也好,还有它的新闻也好等等各个方面各个维度的数据都会形成我对于这个人的理解,对于案情的一个推演。

比如说我们去看这么一个我截取的影视的片段,我们都会看到这样的一个白板是最为标志性的白板作为一个案情研判分析的一个平台,对吧?在这里面我们要关心的有他这个人物关系,有他的时间的一个变化等等这些,其实回到现实中,大家在这个白板上去画,那回到系统上,一个系统到底能提供怎样的一个能力能够去支撑相应的人员能够做出相应的事情?

首先是我们看到的第一个事情是你的数据是不是有足够的维度和足够丰富的数据源支撑你去做这样事情。第二个层面的话,有了数据之后,你的人物关系的一个定义是什么,图里面的实体的定义,它的属性定义,它的这样各个维度的定义,以及说我有了这些所有的建立起来之后,我用线什么样的模型去分析他到底是一个亲属的关系,同事的关系,还是朋友的关系,还是说是其他一些特殊的关系。

随着这些关系的定义的话,我们需要一个时间的维度去推演说在什么时间什么地点,时空的维度去分析它是怎样的一个变化,一旦有时空的变化之后,你会非常容易或者是非常直观的去发现它和它存在极大的一些可能性和极大的嫌疑。

这个层面我们就可以围绕这个方向去不断的去找相应的佐证,接入到相应的分析,画板里面去做现在的事情,所以的话在我们去看的话,作为一个案情分析或者政府的公安体系里面,他去做这些这个事情的话,也就说我们在现在运行执行的一个情况来说,其实是是非常依托于图的能力和图算法能力,以及说怎么样能够上层的一些交互和上层的一个设计的效果,能够让它更快的去做相应的案情的推演。

也就是说推演之后,他继续做相应的有的一个结论,既然能够探索式的得出第二个结论,得出第三个结论,得出第四个结论,一步一步的去发现我这个案情到底是怎么发生,这个人物关系到底是什么样的关系,对吧?我们自然而然依赖于各个人员他们专业的这种分析能力,它完全能够去更快的去解决,有一个相应的结论。

与 NebulaGraph 的合作

不管是面向于公共的服务的城管也好,还是应急也好,还是疫情防控等等各个方面的问题,或者是面对公安去提供相应的一个能力的话,在我们的角度来说,我们是需要通过相应的技术和需要去通过结合市面上已经有的像 NebulaGraph 这么好的一个图的技术,然后结合我们的数据形成这么一套系统去给他们去提供相应的服务,进而去解决他们的一个治理效率和治理效能的问题

所以我们自己的一个认为是,未来的数字世界去映射到未来物理世界,映射到这个数字世界的时候,其实图是最关键或者是最为核心的一套数据服务支撑能力和平台。

这是我们的 Slogan:我们认为有一天所有人、所有物、所有事都会发出一个信号,所有的信号去孪生去连接变成实实在在的数字世界,那就是我们所能看到的未来的元宇宙需要的数字神经网络基础和数字脉络体系。

好,我的分享就到这儿,谢谢大家。

NUC 2022 往期精彩内容回顾:


交流图数据库技术?加入 Nebula 交流群请先填写下你的 Nebula 名片,Nebula 小助手会拉你进群~~

关注公众号


Tag
Recommended for you
green iguana

技术分享

使用 nebula-spark-connector 3.6 版本搭建备集群实践
green iguana

技术分享

来自开发者的认可,NebulaGraph Star 突破 10,000 大关
green iguana

技术分享

多年 NLP 从业者对 LLM 和知识图谱的一些看法