Page 214 - 新时期测绘工程测量技术研究

·新时期测绘工程测量技术研究·
/// Research on Measurement Technique in Surveying and Mapping Engineering in the New Era ////

种数据。这些数据复杂多样，有些时空标签明显，有些则需要经过分析处理才能

添加时空标签。目前多个领域的学者，包括计算机应用、测绘遥感、地理信息科
学、城市规划与管理等，都对社会感知的时空数据感兴趣，认为该数据是社会科
学与信息领域交叉的新兴学科，是建设智能城市和智慧社区的有效手段。
社会感知时空数据包含了多源、异构、海量的数据的同时包含了复杂的社会

网络关系。针对社会感知的时空数据分析方法主要包含以下方面：数据预处理、
数据清理、数据集成、数据归约、数据变换；时空分析，时间序列分析、空间自
相关分析、空间聚类分析；网络分析，网络的构建、学习与发现；时空挖掘，文

本挖掘、特征建立、学习与知识模式的提取。通过时空数据分析与挖掘来揭示人
类社会活动及行为规律。

第三节 智能测绘下数据处理面临的机遇与挑战

智能测绘是人工智能与测绘科学技术相融合的新技术，它使测量数据的类型、
规模发生了深刻变化，传统的测绘数据处理方法转向了智能数据处理方向，一些

新的数据处理方法在测绘数据处理中不断呈现，如基于深度机器学习的方法、人
工神经网络方法、智能目标识别算法等。在实际测绘工程中，位置服务和测绘技
术需要测量数据具有准确性，而这些新型的测量数据并不满足这一要求，它通常
具有混杂性、不确定性。对于小规模数据，虽然经典的数据处理理论有着丰富的

算法，但对于大数据时代的新型数据也无能为力。在智能测绘中，只能近似地描
述工程实际问题，无法建立精确的数学模型，这是因为模型参数和环境等多种因
素的影响，总会出现一些不可忽略、难以估计或预测的不确定性。虽然现有的观

测数据丰富，可很难满足独立性和平稳性等经典统计假设。如何实现某些非结构
化和半结构化测绘数据的结构化，如何从大量非规范的数据中提取符合规范的数
据，如何对位置大数据的复杂性、不确定性特征进行描述，如何降低位置大数据

的异构性并从中获取有用的信息，是测绘大数据时代面临的挑战。从数据处理研
究的角度来说，这些问题可以描述为：一是对于带有不确定性的大数据如何保证
参数估计或自适应学习算法的有效性，以及保证大数据中含有多少有效信息量；

二是如何建立自适应学习或识别算法与控制算法的理论；三是如何计算由数据驱
动的反馈控制机制应对不确定性的最大能力；四是如何调控复杂系统中具有“博

202