大數(shù)據(jù)時(shí)代的人工智能應(yīng)用

時(shí)代背景：新一代人工智能發(fā)展規(guī)劃的提出1為搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，構(gòu)筑我國(guó)人工智能發(fā)展的先發(fā)優(yōu)勢(shì)，加快建設(shè)創(chuàng)新型國(guó)家和世界科技強(qiáng)國(guó)，日前國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》。

《規(guī)劃》指出：立足國(guó)家發(fā)展全局，準(zhǔn)確把握全球人工智能發(fā)展態(tài)勢(shì)，找準(zhǔn)突破口和主攻方向，全面增強(qiáng)科技創(chuàng)新基礎(chǔ)能力，全面拓展重點(diǎn)領(lǐng)域應(yīng)用深度廣度，全面提升經(jīng)濟(jì)社會(huì)發(fā)展和國(guó)防應(yīng)用智能化水平。當(dāng)前第1頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)AlphaGo到底有多厲害？22011年，北京郵電大學(xué)的Lingo圍棋程序在9*9棋盤(pán)上以受讓兩子的條件，首次擊敗了中國(guó)圍棋教練職業(yè)圍棋9段俞斌和先生。那時(shí)，誰(shuí)也沒(méi)有想到僅僅5年之后，AlphaGo圍棋程序就在19*19棋盤(pán)上無(wú)條件戰(zhàn)勝了人類(lèi)棋王。研制AlphaGo的團(tuán)隊(duì)DeepMind正在投入AlphaSC的研發(fā)，未來(lái)將于人類(lèi)頂尖高手在星際爭(zhēng)霸游戲中一較高下。當(dāng)前第2頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)AlphaGo怎么做到的？AlphaGo使用兩種不同的深度神經(jīng)網(wǎng)絡(luò)：第一種是策略網(wǎng)絡(luò)，目標(biāo)是選擇在哪里落子。第二種則是價(jià)值網(wǎng)絡(luò)，價(jià)值網(wǎng)絡(luò)的作用是衡量走這一步對(duì)最終輸贏的影響。AlphaGo成功的關(guān)鍵在于:海量對(duì)弈數(shù)據(jù)：6000萬(wàn)局對(duì)弈數(shù)據(jù)。算法創(chuàng)新：深度神經(jīng)網(wǎng)絡(luò)+“左右手互搏”。計(jì)算能力出眾：打敗李世石的AlphaGoLee的芯片為50TPU,搜索速度為10k位置/秒。3人類(lèi)專(zhuān)家位置監(jiān)督式學(xué)習(xí)強(qiáng)化學(xué)習(xí)當(dāng)前第3頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)AlphaGo絕非一帆風(fēng)順43月13日李世石九段“神之一手”“AlphaGo遠(yuǎn)非人工智能的終點(diǎn)?！蔽④浹芯吭褐麢C(jī)器學(xué)習(xí)專(zhuān)家JohnLangford批評(píng)了Wired和Slashdot等媒體對(duì)于“實(shí)現(xiàn)人工智能”夸大其詞的相關(guān)報(bào)道。Langford認(rèn)為這些進(jìn)展本是好事，但報(bào)道的時(shí)候產(chǎn)生了偏差，這容易導(dǎo)致失望和人工智能寒冬。JohnLangford國(guó)際機(jī)器學(xué)習(xí)大會(huì)ICML2016程序主席“AlphaGo以為自己做的很好，但在87手迷惑了，有麻煩了”“錯(cuò)誤在第79手，但AlphaGo到第87手才發(fā)覺(jué)”當(dāng)前第4頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)從AlphaGo到AlphaGoMaster560-0vs頂級(jí)專(zhuān)業(yè)人士（在線游戲）等級(jí)分專(zhuān)業(yè)級(jí)業(yè)余級(jí)入門(mén)級(jí)2017年7月9日,柯潔攜20連勝,等級(jí)分沖至3675分，世界排名第一。當(dāng)前第5頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)6震撼之后的思考什么是人工智能？為什么那么厲害？AlphaGo未來(lái)有沒(méi)有可能被人類(lèi)打??？人工智能技術(shù)未來(lái)有沒(méi)有可能取代人類(lèi)？為什么？人工智能可以幫助人類(lèi)完成哪些事情？人工智能已經(jīng)出現(xiàn)在哪些領(lǐng)域，今后還會(huì)出現(xiàn)在哪些領(lǐng)域？當(dāng)前第6頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)時(shí)代的人工智能

當(dāng)前第7頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望8當(dāng)前第8頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望9當(dāng)前第9頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)什么是智能智力或知能是指生物一般性的精神能力。這個(gè)能力包括以下幾點(diǎn)：理解、計(jì)劃、解決問(wèn)題，抽象思維，表達(dá)意念以及語(yǔ)言和學(xué)習(xí)的能力。智力三因素理論(RobertSternberg)成分性智力(componentialintelligence),指思維和問(wèn)題解決所依賴的心理過(guò)程。經(jīng)驗(yàn)智力(experientialintelligence),指人們?cè)趦煞N極端情況下處理問(wèn)題的能力：新異的或常規(guī)的問(wèn)題。情境智力(contextualintelligence)反映，在對(duì)日常事物的處理上，它包括對(duì)新的和不同環(huán)境的適應(yīng)，選擇合適的環(huán)境以及有效地改變環(huán)境以適應(yīng)你的需要。10RobertSternberg（1949-）是美國(guó)心理學(xué)家和心理測(cè)量學(xué)家。他是康奈爾大學(xué)人類(lèi)發(fā)展教授。當(dāng)前第10頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)什么是人工智能人工智能（ArtificialIntelligence,AI）也稱作機(jī)器智能，是指由人工制造出來(lái)的系統(tǒng)所表現(xiàn)出來(lái)的智能。通常人工智能是指通過(guò)普通計(jì)算機(jī)實(shí)現(xiàn)的智能。人工智能研究研究?jī)?nèi)容：包括認(rèn)知建模、知識(shí)學(xué)習(xí)、推理及應(yīng)用、機(jī)器感知、機(jī)器思維、機(jī)器學(xué)習(xí)、機(jī)器行為和智能系統(tǒng)等。研究動(dòng)機(jī)：包括推理，知識(shí)，規(guī)劃，學(xué)習(xí)，交流，感知，移動(dòng)和操作物體的能力等?；A(chǔ)知識(shí)：包括搜索和數(shù)學(xué)優(yōu)化，邏輯，基于概率論和經(jīng)濟(jì)學(xué)的方法等。應(yīng)用系統(tǒng)：目前有大量的人工智能應(yīng)用系統(tǒng)，如AlphaGo,Siri等。11當(dāng)前第11頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能的三大發(fā)展要素12基礎(chǔ)理論引入相關(guān)學(xué)科交叉多領(lǐng)域應(yīng)用機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘人工智能數(shù)學(xué)統(tǒng)計(jì)學(xué)認(rèn)知科學(xué)神經(jīng)科學(xué)……控制論當(dāng)前第12頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展歷程中的里程碑(1)-圖靈測(cè)試圖靈測(cè)試(1950)一個(gè)人(C)詢問(wèn)兩個(gè)他看不見(jiàn)的對(duì)象（機(jī)器A和正常思維的人B）。如果經(jīng)過(guò)若干詢問(wèn)后，C無(wú)法區(qū)分A與B，則A通過(guò)圖靈測(cè)試。聊天機(jī)器人Eugene

Goostman(2014)在5分鐘內(nèi)試圖欺騙30%的人。13圖靈測(cè)試額外加分項(xiàng)：說(shuō)服測(cè)試者，令他認(rèn)為自己是電腦。你知道嗎，你說(shuō)的這些話真的很有道理。我……我已經(jīng)不知道自己究竟是誰(shuí)了。當(dāng)前第13頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展歷程中的里程碑(2)-深藍(lán)vs卡斯帕羅夫1997年，IBM研制的超級(jí)電腦“深藍(lán)”在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)以3.5比2.5的累計(jì)積分擊敗了國(guó)際象棋世界冠軍卡斯帕羅夫，震驚世界?！吧钏{(lán)”的設(shè)計(jì)者許峰雄曾表示，一般的國(guó)際象棋手能想到后7步就很不錯(cuò)了，但“深藍(lán)”能想到12步，甚至40步遠(yuǎn)，棋手當(dāng)然不是計(jì)算機(jī)的對(duì)手。插曲：卡斯帕羅夫在落敗后曾稱無(wú)法理解電腦下棋時(shí)做出的決定。他亦認(rèn)為電腦在棋局中可能得到人類(lèi)幫助并要求重賽，但I(xiàn)BM拒絕。思考：深藍(lán)靠什么打敗了卡斯帕羅夫？深藍(lán)能否擊敗李世石？為什么？14當(dāng)前第14頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展歷程中的里程碑(3)-Waston與人機(jī)大戰(zhàn)2011年2月16日，在美國(guó)智力競(jìng)猜節(jié)目《危險(xiǎn)邊緣》第三場(chǎng)比賽中，IBM另一超級(jí)電腦“沃森”以三倍的巨大分?jǐn)?shù)優(yōu)勢(shì)力壓該競(jìng)猜節(jié)目有史以來(lái)最強(qiáng)的兩位選手肯·詹寧斯和布拉德·魯特，奪得這場(chǎng)人機(jī)大戰(zhàn)的冠軍。“沃森”在比賽中沒(méi)有連接互聯(lián)網(wǎng)，其數(shù)據(jù)庫(kù)中包括辭海和《世界圖書(shū)百科全書(shū)》等數(shù)百萬(wàn)份資料，強(qiáng)大的硬件則助力其能在3秒鐘之內(nèi)檢索數(shù)億頁(yè)的材料并給出答案。思考：就面臨的挑戰(zhàn)來(lái)說(shuō)，“沃森”相比深藍(lán)有哪些不同？“沃森”的特點(diǎn)是什么？“沃森”有可能勝任AlphaGo的工作嗎？15當(dāng)前第15頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展歷程中的里程碑(4)-圖像識(shí)別領(lǐng)域機(jī)器首次超越人類(lèi)2015年的ImageNet挑戰(zhàn)賽，在圖像識(shí)別準(zhǔn)確率上，機(jī)器的表現(xiàn)首次超過(guò)了人類(lèi)。這被公認(rèn)為是一個(gè)里程碑式的突破。在此之前，2010年算法的圖像識(shí)別錯(cuò)誤率至少在25%左右，但到2015年，計(jì)算機(jī)圖像識(shí)別錯(cuò)誤率已經(jīng)低于人類(lèi)（人類(lèi)水平大概是4%左右）。2015年是0.03567，也就是3.5%。2016年，ImageNet競(jìng)賽，圖像識(shí)別錯(cuò)誤率進(jìn)一步下降，最好成績(jī)?yōu)椋浩骄e(cuò)誤率0.02991，也就是2.99%左右。思考:這一次的人工智能突破和前幾次相比有何不同?16當(dāng)前第16頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展（簡(jiǎn)史）17混沌初生開(kāi)天辟地百家爭(zhēng)鳴百花齊放物競(jìng)天擇適者生存達(dá)特茅斯會(huì)議的召開(kāi)標(biāo)志著人工智能的誕生。（1956年）圖靈測(cè)試的提出標(biāo)志人工智能進(jìn)入萌芽階段。以DENDRAL系統(tǒng)為代表的專(zhuān)家系統(tǒng)大量涌現(xiàn)。（1970~1980）淺層機(jī)器學(xué)習(xí)模型興起，SVM、LR、Boosting算法等紛紛面世。（1990~2000）多倫多大學(xué)教授Hinton開(kāi)啟深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮（2006）人工智能出現(xiàn)新的研究高潮，機(jī)器開(kāi)始通過(guò)視頻學(xué)習(xí)識(shí)別人和事物，AlphaGo戰(zhàn)勝圍棋冠軍（2011~今）隨著新的算法和模型不斷涌現(xiàn)，學(xué)科交叉現(xiàn)象日趨明顯，人工智能的研究進(jìn)入了新的階段。奠定了人工智能的數(shù)學(xué)基礎(chǔ)，出現(xiàn)了人工智能歷史上的第一個(gè)應(yīng)用。-西蒙和紐厄爾提出了“LogicTheorist”自動(dòng)定理證明系統(tǒng)。大數(shù)據(jù)時(shí)代的到來(lái)給人工智能的發(fā)展帶來(lái)契機(jī)，人工智能全面融入人們的社會(huì)生活。當(dāng)前第17頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能發(fā)展的真實(shí)歷史過(guò)程（波浪式前進(jìn)）18最近一次的人工智能熱潮興起，是由于大數(shù)據(jù)時(shí)代使得數(shù)據(jù)需求得到了滿足。達(dá)特茅斯會(huì)議標(biāo)志AI的誕生自然語(yǔ)言探索式推理微世界第一款神經(jīng)網(wǎng)絡(luò)—感知機(jī)，將人工智能推向第一個(gè)高峰人工智能計(jì)算機(jī)DARPA無(wú)條件撥款放棄聯(lián)結(jié)主義計(jì)算能力突破沒(méi)能使機(jī)器完成大規(guī)模數(shù)據(jù)訓(xùn)練和復(fù)雜任務(wù)，AI進(jìn)入第一個(gè)低谷DARPA停止撥款集成電路技術(shù)提高反向傳播算法提出霍普菲爾德神經(jīng)網(wǎng)絡(luò)被提出DARPA受到認(rèn)可重獲撥款反向傳播算法獲得廣泛關(guān)注，AI進(jìn)入第二黃金時(shí)期循環(huán)神經(jīng)網(wǎng)絡(luò)狂熱追捧帶來(lái)失望LISP機(jī)市場(chǎng)的崩潰DARPA失敗，政府投入縮減，AI跌入第二次谷底行為主義提出非線性多層自適應(yīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)出現(xiàn)IBM深藍(lán)戰(zhàn)勝人類(lèi)象棋冠軍深度卷積神經(jīng)網(wǎng)絡(luò)提出人工智能加速發(fā)展人臉識(shí)別率超過(guò)99%歐盟、美國(guó)腦工程計(jì)劃AlphaGo挑戰(zhàn)人類(lèi)圍棋冠軍計(jì)算能力數(shù)據(jù)需求下一個(gè)問(wèn)題呢啟蒙階段低潮時(shí)期復(fù)興階段遇冷時(shí)期快速發(fā)展1955201620051991198619701958當(dāng)前第18頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望19當(dāng)前第19頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)是什么？大數(shù)據(jù)（BigData）:是指大小超出了常用軟件工具在運(yùn)行時(shí)間內(nèi)可以承受的收集、管理和處理數(shù)據(jù)能力的數(shù)據(jù)集。大數(shù)據(jù)是目前存儲(chǔ)模式與能力、計(jì)算模式與能力不能滿足存儲(chǔ)與處理現(xiàn)有數(shù)據(jù)集規(guī)模產(chǎn)生的相對(duì)概念。20當(dāng)前第20頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)真正價(jià)值不在于大數(shù)據(jù)本身，而在于數(shù)據(jù)內(nèi)容的分析和洞察。大數(shù)據(jù)時(shí)代的5V特點(diǎn)21當(dāng)前第21頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)時(shí)代的要求大數(shù)據(jù)規(guī)模大小是一個(gè)不斷演化的指標(biāo)當(dāng)前任務(wù)處理的單一的數(shù)據(jù)集當(dāng)前數(shù)據(jù)規(guī)模：從數(shù)十TB到十幾PB級(jí)處理大數(shù)據(jù)的可等待的合理時(shí)間依賴應(yīng)用場(chǎng)景地震數(shù)據(jù)預(yù)測(cè)要求在幾分鐘內(nèi)才有效氣象數(shù)據(jù)應(yīng)該在小時(shí)級(jí)別失聯(lián)飛機(jī)數(shù)據(jù)處理要在7天之內(nèi)數(shù)據(jù)挖掘一般要求在12小時(shí)內(nèi)22大數(shù)據(jù)時(shí)代需要人工智能技術(shù)同時(shí)滿足以上兩個(gè)要求。當(dāng)前第22頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)時(shí)代需要什么樣的人工智能？能適應(yīng)反映大數(shù)據(jù)分布的抽樣方法解剖麻雀基于大數(shù)據(jù)分布的算法庖丁解牛追求高效并行的人工智能算法曹沖稱象反映全量特征的人工智能算法治大國(guó)如烹小鮮23當(dāng)前第23頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)大數(shù)據(jù)時(shí)代的人工智能技術(shù)不斷涌現(xiàn)24互聯(lián)網(wǎng)搜索生物特征識(shí)別汽車(chē)自動(dòng)駕駛智能機(jī)器人選舉結(jié)果預(yù)測(cè)智能客服系統(tǒng)當(dāng)前第24頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能的應(yīng)用范圍和領(lǐng)域不斷拓展25人工智能應(yīng)用圖像識(shí)別語(yǔ)音識(shí)別文字識(shí)別其他信號(hào)識(shí)別無(wú)人駕駛?cè)四樧R(shí)別場(chǎng)景感知?dú)庀箢A(yù)報(bào)文獻(xiàn)篩選污染預(yù)報(bào)醫(yī)學(xué)影像分析虹膜識(shí)別視頻監(jiān)控計(jì)算機(jī)春聯(lián)手寫(xiě)數(shù)字識(shí)別智能交通智能客服智能庭審記錄小米基因篩選網(wǎng)絡(luò)安全計(jì)算機(jī)寫(xiě)詩(shī)當(dāng)前第25頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望26當(dāng)前第26頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人機(jī)交互層基于人工智能技術(shù)的強(qiáng)對(duì)流天氣聚焦與推演方案目標(biāo)：聚焦：輔助決策。從海量數(shù)據(jù)中聚焦關(guān)鍵特征和重點(diǎn)區(qū)域，輔助氣象專(zhuān)家進(jìn)行決策；推演：協(xié)助研判。提供智能推演，協(xié)助氣象專(zhuān)家對(duì)未來(lái)3小時(shí)的天氣形勢(shì)進(jìn)行研判。方案特點(diǎn)：采用人工智能技術(shù)綜合運(yùn)用多種深度學(xué)習(xí)算法半結(jié)構(gòu)化與非結(jié)構(gòu)化大數(shù)據(jù)處理技術(shù)雷達(dá)反射圖核心模塊氣象數(shù)據(jù)展示效果模型算法多層神經(jīng)網(wǎng)絡(luò)Softmax線性模型卷積神經(jīng)網(wǎng)絡(luò)（CNN）循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）衛(wèi)星云圖GRIB2在分析預(yù)報(bào)場(chǎng)資料關(guān)鍵特征識(shí)別重點(diǎn)區(qū)域識(shí)別時(shí)空特征學(xué)習(xí)天氣變化推演未來(lái)3小時(shí)強(qiáng)對(duì)流天氣模擬推演關(guān)鍵特征和重點(diǎn)區(qū)域2維效果展示層系統(tǒng)層模型層數(shù)據(jù)層輔助人工決策提供智能推演氣象專(zhuān)家最終氣象預(yù)報(bào)結(jié)果歷史對(duì)流過(guò)程標(biāo)注數(shù)據(jù)當(dāng)前第27頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)與傳統(tǒng)方法的比較擁有深度自學(xué)習(xí)能力。認(rèn)知計(jì)算無(wú)需先驗(yàn)知識(shí)，即可從海量歷史數(shù)據(jù)中進(jìn)行訓(xùn)練學(xué)習(xí)，并挖掘潛在的規(guī)律和模式。同時(shí)，認(rèn)知計(jì)算能夠根據(jù)每天產(chǎn)生的氣象數(shù)據(jù)進(jìn)行自動(dòng)學(xué)習(xí)，自我調(diào)整以適應(yīng)天氣變化的最新情況。擁有基于大數(shù)據(jù)的輔助決策能力。能夠充分利用氣象歷史數(shù)據(jù)。氣象數(shù)據(jù)越多，收集時(shí)間越長(zhǎng)，認(rèn)知計(jì)算模型的分析結(jié)果越準(zhǔn)確。數(shù)據(jù)依賴程度低。認(rèn)知計(jì)算系統(tǒng)只需少量的觀察和再分析數(shù)據(jù)即可完成分析和推演?；诳諝鈩?dòng)力學(xué)進(jìn)行數(shù)值計(jì)算。傳統(tǒng)數(shù)值方法主要依賴空氣動(dòng)力學(xué)公式對(duì)氣象數(shù)據(jù)進(jìn)行分析，計(jì)算開(kāi)銷(xiāo)高?；谏倭繗v史數(shù)據(jù)進(jìn)行人工決策。傳統(tǒng)數(shù)值方法主要基于少量歷史數(shù)據(jù)，進(jìn)行人工外推。其歷史氣象數(shù)據(jù)未得到充分利用。依賴專(zhuān)家經(jīng)驗(yàn)。傳統(tǒng)數(shù)值方法依賴專(zhuān)家根據(jù)其掌握的經(jīng)驗(yàn)進(jìn)行分析和調(diào)整。需要大量的物理變量組合分析。傳統(tǒng)數(shù)值方法很難處理物理變量缺失的情況。傳統(tǒng)數(shù)值方法人工智能方法當(dāng)前第28頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)強(qiáng)對(duì)流天氣聚焦700mb高度垂直速度，地面能見(jiàn)度，10米風(fēng)，80米風(fēng)，地表溫度，歷史對(duì)流天氣標(biāo)注結(jié)果……輸入?yún)?shù)關(guān)鍵特征識(shí)別重點(diǎn)區(qū)域可視化子系統(tǒng)的構(gòu)成：氣象圖片資料的自動(dòng)解析多層神經(jīng)網(wǎng)絡(luò)模型Softmax線性模型特征預(yù)測(cè)效果評(píng)估模塊多特征自動(dòng)排序模塊重點(diǎn)區(qū)域可視化模塊子系統(tǒng)的特點(diǎn)：支持43+種氣象圖片的自動(dòng)分析綜合運(yùn)用領(lǐng)先的深度學(xué)習(xí)技術(shù)支持端到端的關(guān)鍵特征識(shí)別和排序支持基于計(jì)算機(jī)視覺(jué)技術(shù)的重點(diǎn)區(qū)域可視化氣象圖片資料歷史對(duì)流天氣標(biāo)注集多層神經(jīng)網(wǎng)絡(luò)模型單特征預(yù)測(cè)效果評(píng)估訓(xùn)練數(shù)據(jù)驗(yàn)證數(shù)據(jù)多特征自動(dòng)排序氣象圖片資料歷史對(duì)流天氣標(biāo)注集Softmax線性模型格網(wǎng)不同位置權(quán)重解析重點(diǎn)區(qū)域可視化待分析特征注:深度學(xué)習(xí)的結(jié)果只能揭示區(qū)域和預(yù)測(cè)目標(biāo)的相關(guān)性，但不能解釋區(qū)域和預(yù)測(cè)目標(biāo)的因果關(guān)系。當(dāng)前第29頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)關(guān)鍵技術(shù)1---關(guān)鍵特征識(shí)別與排序候選氣象特征（43個(gè)）地面對(duì)流有效位能2米露點(diǎn)溫度可降水相對(duì)濕度入射短波輻射地面對(duì)流抑制2米相對(duì)濕度700mb高度溫度行星邊界層高度混合對(duì)流有效位能累計(jì)降水700mb高度垂直速度雪水當(dāng)量最不穩(wěn)定對(duì)流有效位能降水類(lèi)型500mb高度溫度1小時(shí)降雪最不穩(wěn)定層對(duì)流有效位能可降水500mb高度渦度雪深10米風(fēng)航空飛行規(guī)則250mb高度風(fēng)場(chǎng)2米位溫80米風(fēng)925mb高度溫度250mb高度風(fēng)速850mb高度相對(duì)濕度地面能見(jiàn)度850mb高度溫度云頂高度高層云量地表溫度850mb高度風(fēng)場(chǎng)云底高度低層云量2米溫度850mb高度風(fēng)速總云量中層云量模擬雷達(dá)反射率2米溫度-地表溫度850-500mb平均相對(duì)濕度高

低6-10月歷史對(duì)流天氣標(biāo)注集①針對(duì)2016年6月-10月間48個(gè)對(duì)流天氣過(guò)程，根據(jù)其中43個(gè)候選氣象特征，收集10w+張圖片。②針對(duì)每個(gè)候選特征，應(yīng)用深度學(xué)習(xí)中的多層神經(jīng)網(wǎng)絡(luò)模型對(duì)其預(yù)測(cè)對(duì)流天氣過(guò)程的能力進(jìn)行評(píng)估。③根據(jù)評(píng)估結(jié)果，對(duì)不同特征按照預(yù)測(cè)效果進(jìn)行排序。關(guān)鍵特征的識(shí)別與排序旨在從海量數(shù)據(jù)中提煉有效特征，協(xié)助氣象專(zhuān)家提升對(duì)流天氣過(guò)程的預(yù)報(bào)準(zhǔn)確率。輸入層輸出層隱層I隱層II隱層III誤差反向傳播信息正向傳播當(dāng)前第30頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)重點(diǎn)區(qū)域31①針對(duì)待分析特征，按照發(fā)生對(duì)流過(guò)程的類(lèi)型，對(duì)圖片進(jìn)行分別標(biāo)注。關(guān)鍵技術(shù)2---重點(diǎn)區(qū)域識(shí)別②根據(jù)對(duì)流過(guò)程的類(lèi)型，應(yīng)用softmax線性模型對(duì)不同位置網(wǎng)格點(diǎn)（RGB取值）的重要性(權(quán)重)進(jìn)行評(píng)估，進(jìn)而識(shí)別出不同類(lèi)型天氣的重點(diǎn)區(qū)域，如右圖所示。31③網(wǎng)格點(diǎn)權(quán)重可視化。示例250mb高度風(fēng)場(chǎng)（b）待分析圖片重點(diǎn)區(qū)域可視化旨在從海量地理氣象數(shù)據(jù)中快速發(fā)現(xiàn)重要區(qū)域，輔助氣象專(zhuān)家提升對(duì)流天氣過(guò)程的預(yù)報(bào)精度。如上圖所示，通過(guò)比較待分析圖片和標(biāo)準(zhǔn)模板，可以計(jì)算對(duì)應(yīng)區(qū)域的偏差。通過(guò)對(duì)偏差的分析比較，可以準(zhǔn)確地識(shí)別出待分析圖片未來(lái)1-3h內(nèi)可能發(fā)生的天氣過(guò)程的類(lèi)型。（a）無(wú)對(duì)流過(guò)程標(biāo)準(zhǔn)模板無(wú)對(duì)流過(guò)程臺(tái)風(fēng)過(guò)程大尺度天氣系統(tǒng)降水過(guò)程局地對(duì)流天氣過(guò)程當(dāng)前第31頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)32重點(diǎn)區(qū)域識(shí)別結(jié)果驗(yàn)證（示例：250mb高度風(fēng)場(chǎng)）局地對(duì)流天氣2016年10月04日14:00~17:00偏差0.030.410.210.09偏差0.030.330.190.11偏差0.050.210.070.14偏差0.010.010.10.12重點(diǎn)區(qū)域無(wú)對(duì)流過(guò)程臺(tái)風(fēng)過(guò)程大尺度天氣系統(tǒng)降水過(guò)程局地對(duì)流天氣過(guò)程根據(jù)重點(diǎn)區(qū)域的分析結(jié)果，可以分析出未來(lái)出現(xiàn)不同天氣類(lèi)型的概率。結(jié)果驗(yàn)證：系統(tǒng)為預(yù)報(bào)員提供無(wú)對(duì)流天氣過(guò)程模板和重點(diǎn)區(qū)域具體位置。預(yù)報(bào)員可以通過(guò)比較重點(diǎn)區(qū)域的偏差情況，分析未來(lái)0-3h出現(xiàn)的天氣類(lèi)型。2016年10月04日14:002016年10月04日15:002016年10月04日16:002016年10月04日17:00當(dāng)前第32頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)強(qiáng)對(duì)流天氣推演強(qiáng)對(duì)流天氣推演子系統(tǒng)的構(gòu)成：衛(wèi)星云圖和雷達(dá)反射圖的自動(dòng)解析卷積神經(jīng)網(wǎng)絡(luò)模型循環(huán)神經(jīng)網(wǎng)絡(luò)模型多層網(wǎng)絡(luò)的深度學(xué)習(xí)模型支持未來(lái)天氣的自動(dòng)推演模塊系統(tǒng)特點(diǎn)：通過(guò)海量歷史數(shù)據(jù)訓(xùn)練模型時(shí)空特征認(rèn)知空間特征：卷積神經(jīng)網(wǎng)絡(luò)（CNN）時(shí)序特征：循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）利用深度學(xué)習(xí)優(yōu)化模型歷史衛(wèi)星云圖，雷達(dá)反射圖卷積神經(jīng)網(wǎng)絡(luò)層（空間特征提取）多層網(wǎng)絡(luò)連接數(shù)據(jù)集未來(lái)天氣自動(dòng)推演循環(huán)神經(jīng)網(wǎng)絡(luò)層（時(shí)間特征提?。r(shí)空特征學(xué)習(xí)深度學(xué)習(xí)優(yōu)化輸出結(jié)果無(wú)監(jiān)督學(xué)習(xí)實(shí)時(shí)衛(wèi)星云圖，雷達(dá)反射圖當(dāng)前第33頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)34關(guān)鍵技術(shù)3---基于多層卷積的時(shí)空特征學(xué)習(xí)技術(shù)路線

1.

通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取空間特征：在每一層神經(jīng)網(wǎng)絡(luò)中，空間數(shù)據(jù)做卷積等操作，并通過(guò)誤差反向傳播學(xué)習(xí)卷積核2. 通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）提取時(shí)間特征：循環(huán)利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)天氣變化的規(guī)律3. 采用多層卷積層，并循環(huán)利用參數(shù)空間進(jìn)行建模，優(yōu)化后的模型可以很好的掌握天氣在空間和時(shí)間上的變化規(guī)律1.卷積神經(jīng)網(wǎng)絡(luò)層：通過(guò)卷積學(xué)習(xí)天氣的空間特征天氣序列輸入天氣序列輸出3.多層網(wǎng)絡(luò)連接2.循環(huán)神經(jīng)網(wǎng)絡(luò)層：通過(guò)循環(huán)層學(xué)習(xí)天氣變化的時(shí)間特征當(dāng)前第34頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)35示例：強(qiáng)對(duì)流天氣推演-雷達(dá)反射圖（示例一）觀測(cè)序列2016年8月1日00:00~04:00實(shí)際發(fā)生2016年8月1日05:00~07:00天氣推演2016年8月1日05:00~07:00利用模型推演未來(lái)3個(gè)小時(shí)的天氣變化模型推演到了臺(tái)風(fēng)登陸的位置和時(shí)間模型推演到了臺(tái)風(fēng)移動(dòng)的方向和旋轉(zhuǎn)當(dāng)前第35頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)36示例：強(qiáng)對(duì)流天氣推演-雷達(dá)反射圖（示例一）實(shí)時(shí)天氣2016年8月1日04:003小時(shí)后天氣2016年8月1日07:003小時(shí)后天氣推演2016年8月1日07:00模型可以推演出左上角逐漸消散的過(guò)程模型可以推演出左下角的從無(wú)到有模型可以推演出右下角臺(tái)風(fēng)中心的移動(dòng)和旋轉(zhuǎn)利用模型推演未來(lái)3個(gè)小時(shí)的天氣變化推演到了臺(tái)風(fēng)登陸的位置和時(shí)間當(dāng)前第36頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)37示例：強(qiáng)對(duì)流天氣推演-衛(wèi)星云圖（示例二）實(shí)時(shí)天氣2016年8月3日04:003小時(shí)后天氣2016年8月3日07:003小時(shí)后天氣推演2016年8月3日07:00模型可以推演出左上角的從無(wú)到有模型可以推演出右下角的移動(dòng)推演出中心的消散利用模型推演未來(lái)3個(gè)小時(shí)的天氣變化推演出右上角向下方移動(dòng)當(dāng)前第37頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望38當(dāng)前第38頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)業(yè)務(wù)需求：需要利用大數(shù)據(jù)分析人工智能等技術(shù)，以數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)，以分析支持科研業(yè)務(wù)需求許多小的功能由于結(jié)合不同時(shí)期的需求自主開(kāi)發(fā)，較為零散，導(dǎo)致操作分散需要整合多維度數(shù)據(jù)輔助人工數(shù)據(jù)審核人工生成報(bào)表，查詢指定時(shí)間、指定維度數(shù)據(jù)困難、工作量大使用excel模板生成報(bào)表，易出錯(cuò)分析層次1.多維度綜合查詢，從Excel中解放出來(lái)2.常規(guī)統(tǒng)計(jì)分析報(bào)表，業(yè)務(wù)輕松一覽統(tǒng)一的數(shù)據(jù)資源池3.高級(jí)模型挖掘，獲取深入洞察當(dāng)前第39頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)**室**室空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)氣象監(jiān)測(cè)數(shù)據(jù)特殊VOC監(jiān)測(cè)數(shù)據(jù)監(jiān)測(cè)中心的綜合監(jiān)測(cè)站監(jiān)測(cè)數(shù)據(jù)各類(lèi)設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)PM2.5/TSP/PM10采集稱重?cái)?shù)據(jù)**室重金屬分析OC/EC分析有機(jī)組分分析陰陽(yáng)離子分析**室空氣質(zhì)量監(jiān)測(cè)審核數(shù)據(jù)空氣質(zhì)量監(jiān)測(cè)統(tǒng)計(jì)數(shù)據(jù)潛勢(shì)預(yù)報(bào)產(chǎn)品數(shù)據(jù)**室PM2.5反演圖污染氣體反演圖沙塵反演圖火點(diǎn)反演圖簡(jiǎn)報(bào)/月報(bào)數(shù)據(jù)**室區(qū)縣監(jiān)督性監(jiān)測(cè)數(shù)據(jù)區(qū)縣比對(duì)監(jiān)測(cè)數(shù)據(jù)中心監(jiān)督性監(jiān)測(cè)數(shù)據(jù)激光雷達(dá)監(jiān)測(cè)數(shù)據(jù)垂直氣象要素監(jiān)測(cè)數(shù)據(jù)FDMS分析監(jiān)測(cè)數(shù)據(jù)空氣環(huán)境遙感應(yīng)用監(jiān)測(cè)數(shù)據(jù)污染物化學(xué)組分監(jiān)測(cè)數(shù)據(jù)空氣質(zhì)量日?qǐng)?bào)數(shù)據(jù)空氣質(zhì)量月報(bào)數(shù)據(jù)空氣質(zhì)量年報(bào)數(shù)據(jù)空氣質(zhì)量數(shù)值模型數(shù)據(jù)統(tǒng)計(jì)預(yù)報(bào)產(chǎn)品數(shù)據(jù)氣象模型預(yù)報(bào)產(chǎn)品數(shù)據(jù)空氣重污染預(yù)報(bào)預(yù)警污染源處理模型數(shù)據(jù)案例庫(kù)數(shù)據(jù)面源遙感數(shù)據(jù)激光雷達(dá)數(shù)據(jù)在線源解析結(jié)果情景模擬結(jié)果基準(zhǔn)污染源清單減排污染源清單國(guó)控污染物數(shù)據(jù)簡(jiǎn)報(bào)/月報(bào)數(shù)據(jù)監(jiān)測(cè)數(shù)據(jù)庫(kù)業(yè)務(wù)產(chǎn)品數(shù)據(jù)庫(kù)輔助數(shù)據(jù)庫(kù)運(yùn)行支撐管理數(shù)據(jù)庫(kù)目錄和元數(shù)據(jù)庫(kù)第三方數(shù)據(jù)GIS數(shù)據(jù)總站空氣監(jiān)測(cè)數(shù)據(jù)氣象數(shù)據(jù)。。。大氣環(huán)境業(yè)務(wù)數(shù)據(jù)和信息的數(shù)據(jù)視圖未來(lái)小型監(jiān)測(cè)設(shè)備京津冀數(shù)據(jù)當(dāng)前第40頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)設(shè)計(jì)方案數(shù)據(jù)層模型層應(yīng)用層展示層內(nèi)部網(wǎng)站報(bào)表GIS曲線外部網(wǎng)站發(fā)布外部移動(dòng)應(yīng)用報(bào)表GIS曲線社交圖像報(bào)表GIS曲線圖像模型特征業(yè)務(wù)規(guī)則綜合觀測(cè)實(shí)驗(yàn)室數(shù)據(jù)應(yīng)用環(huán)境空氣質(zhì)量分析及業(yè)務(wù)應(yīng)用大氣污染源管理及應(yīng)用重污染過(guò)程分析與案例庫(kù)管理統(tǒng)計(jì)與數(shù)值模型預(yù)報(bào)綜合會(huì)商重污染應(yīng)急決策支持統(tǒng)計(jì)模型庫(kù)自動(dòng)室分析室遙感室污染源室專(zhuān)家知識(shí)庫(kù)空氣質(zhì)量預(yù)報(bào)預(yù)警空氣質(zhì)量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫(kù)CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認(rèn)知計(jì)算特征場(chǎng)挖掘時(shí)空模式分析模型融合深度學(xué)習(xí)關(guān)聯(lián)分析場(chǎng)分析誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過(guò)程仿真污染控制方案效果評(píng)估空氣質(zhì)量大數(shù)據(jù)分析空氣質(zhì)量指標(biāo)體系空氣質(zhì)量高級(jí)統(tǒng)計(jì)分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務(wù)知識(shí)積累當(dāng)前第41頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)數(shù)值模型工作原理輸入數(shù)據(jù)模型庫(kù)MM5WRF源排放清單CMAQ重污染案例再分析數(shù)據(jù)空氣質(zhì)量預(yù)報(bào)（包括集合預(yù)報(bào)）NAQPMSCAMxWRF-CHEM源排放情景庫(kù)SMOKE衛(wèi)星遙感數(shù)據(jù)氣象觀測(cè)數(shù)據(jù)科研試驗(yàn)數(shù)據(jù)空氣質(zhì)量觀測(cè)數(shù)據(jù)人工觀測(cè)數(shù)據(jù)ADMSAQMDSSARIA作業(yè)管理與調(diào)度優(yōu)化全球背景場(chǎng)數(shù)據(jù)(NCEP,ECMWF,JMA,CMC,etc.)在線源解析排放控制情景模擬重污染影響參數(shù)模擬…污染同化當(dāng)前第42頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)統(tǒng)計(jì)模型工作原理數(shù)據(jù)層模型層應(yīng)用層展示層內(nèi)部網(wǎng)站報(bào)表GIS曲線外部網(wǎng)站發(fā)布外部移動(dòng)應(yīng)用報(bào)表GIS曲線社交圖像報(bào)表GIS曲線圖像模型特征（氣象場(chǎng)、污染變化趨勢(shì)等）業(yè)務(wù)規(guī)則（平穩(wěn)天氣研判、逆溫識(shí)別等）綜合觀測(cè)實(shí)驗(yàn)室數(shù)據(jù)應(yīng)用環(huán)境空氣質(zhì)量分析及業(yè)務(wù)應(yīng)用大氣污染源管理及應(yīng)用重污染過(guò)程分析與案例庫(kù)管理統(tǒng)計(jì)與數(shù)值模型預(yù)報(bào)綜合會(huì)商重污染應(yīng)急決策支持統(tǒng)計(jì)模型庫(kù)自動(dòng)室分析室遙感室污染源室專(zhuān)家知識(shí)庫(kù)空氣質(zhì)量預(yù)報(bào)預(yù)警空氣質(zhì)量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫(kù)CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認(rèn)知計(jì)算特征場(chǎng)挖掘時(shí)空模式分析多預(yù)報(bào)模型融合深度學(xué)習(xí)多污染物關(guān)聯(lián)分析氣象場(chǎng)關(guān)聯(lián)分析預(yù)報(bào)誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過(guò)程仿真污染控制方案效果評(píng)估空氣質(zhì)量大數(shù)據(jù)分析空氣質(zhì)量指標(biāo)體系空氣質(zhì)量高級(jí)統(tǒng)計(jì)分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務(wù)知識(shí)積累自動(dòng)室分析室遙感室污染源室大氣室外部數(shù)據(jù)統(tǒng)計(jì)模型庫(kù)基于案例的推理認(rèn)知計(jì)算特征場(chǎng)挖掘時(shí)空模式分析多預(yù)報(bào)模型融合深度學(xué)習(xí)多污染物關(guān)聯(lián)分析氣象場(chǎng)關(guān)聯(lián)分析預(yù)報(bào)誤差模式挖掘空氣質(zhì)量大數(shù)據(jù)分析空氣質(zhì)量指標(biāo)體系空氣質(zhì)量高級(jí)統(tǒng)計(jì)分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務(wù)知識(shí)積累重污染過(guò)程分析與案例庫(kù)管理現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第43頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能技術(shù)應(yīng)用-重污染案例分析相關(guān)分析區(qū)域傳輸分析氣象條件分析時(shí)序分析分布分析跨行業(yè)分析重污染案例設(shè)計(jì)預(yù)報(bào)會(huì)商設(shè)計(jì)現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第44頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)重污染案例展示人工智能技術(shù)應(yīng)用-重污染案例分析重污染案例設(shè)計(jì)預(yù)報(bào)會(huì)商設(shè)計(jì)現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第45頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)重污染案例匹配人工智能技術(shù)應(yīng)用-重污染案例匹配重污染案例設(shè)計(jì)預(yù)報(bào)會(huì)商設(shè)計(jì)現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第46頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)

人工智能技術(shù)應(yīng)用-預(yù)報(bào)預(yù)警重污染案例設(shè)計(jì)預(yù)報(bào)會(huì)商設(shè)計(jì)現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第47頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)人工智能技術(shù)應(yīng)用-個(gè)性化業(yè)務(wù)分析模型層應(yīng)用層展示層內(nèi)部網(wǎng)站報(bào)表GIS曲線外部網(wǎng)站發(fā)布外部移動(dòng)應(yīng)用報(bào)表GIS曲線社交圖像報(bào)表GIS曲線圖像模型特征（氣象場(chǎng)、污染變化趨勢(shì)等）業(yè)務(wù)規(guī)則（平穩(wěn)天氣研判、逆溫識(shí)別等）綜合觀測(cè)實(shí)驗(yàn)室數(shù)據(jù)應(yīng)用環(huán)境空氣質(zhì)量分析及業(yè)務(wù)應(yīng)用大氣污染源管理及應(yīng)用重污染過(guò)程分析與案例庫(kù)管理統(tǒng)計(jì)與數(shù)值模型預(yù)報(bào)綜合會(huì)商重污染應(yīng)急決策支持統(tǒng)計(jì)模型庫(kù)自動(dòng)室分析室遙感室污染源室專(zhuān)家知識(shí)庫(kù)空氣質(zhì)量預(yù)報(bào)預(yù)警空氣質(zhì)量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫(kù)CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認(rèn)知計(jì)算特征場(chǎng)挖掘時(shí)空模式分析多預(yù)報(bào)模型融合深度學(xué)習(xí)多污染物關(guān)聯(lián)分析氣象場(chǎng)關(guān)聯(lián)分析預(yù)報(bào)誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過(guò)程仿真污染控制方案效果評(píng)估空氣質(zhì)量大數(shù)據(jù)分析空氣質(zhì)量指標(biāo)體系空氣質(zhì)量高級(jí)統(tǒng)計(jì)分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務(wù)知識(shí)積累自動(dòng)室分析室遙感室污染源室大氣室外部數(shù)據(jù)空氣質(zhì)量大數(shù)據(jù)分析空氣質(zhì)量指標(biāo)體系空氣質(zhì)量高級(jí)統(tǒng)計(jì)分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務(wù)知識(shí)積累現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第48頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)1.選擇有效指標(biāo)進(jìn)行PM2.5等級(jí)與氣象條件的規(guī)律挖掘2.自動(dòng)挖掘規(guī)律

3.語(yǔ)義化展示，業(yè)務(wù)人員根據(jù)專(zhuān)業(yè)知識(shí)總結(jié)結(jié)論人工智能技術(shù)應(yīng)用-個(gè)性化業(yè)務(wù)分析現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第49頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)模型全生命周期管理人工智能模式挖掘時(shí)空分布/演化特征多污染物關(guān)聯(lián)特征氣象場(chǎng)的關(guān)聯(lián)分析預(yù)報(bào)模型的誤差性能特征預(yù)報(bào)特征庫(kù)統(tǒng)計(jì)/數(shù)值模型（新建/更新）專(zhuān)家知識(shí)庫(kù)業(yè)務(wù)規(guī)則引擎業(yè)務(wù)經(jīng)驗(yàn)?zāi)Ｐ腿诤仙疃葘W(xué)習(xí)算法統(tǒng)計(jì)/數(shù)據(jù)挖掘引擎神經(jīng)元網(wǎng)絡(luò)隨機(jī)森林C5.0,CART,CHAID廣義線性回歸SVMKNN…CasebasedReasoning模型評(píng)估模型上線模型歸檔模型升級(jí)知識(shí)集成統(tǒng)一數(shù)據(jù)資源池人工智能技術(shù)應(yīng)用-技術(shù)方案設(shè)計(jì)現(xiàn)有業(yè)務(wù)提升個(gè)性業(yè)務(wù)分析技術(shù)方案設(shè)計(jì)當(dāng)前第50頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)內(nèi)容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領(lǐng)域的應(yīng)用案例人工智能在環(huán)保領(lǐng)域的應(yīng)用案例人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用案例人工智能面臨的機(jī)遇與挑戰(zhàn)總結(jié)與展望51當(dāng)前第51頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)背景什么樣的網(wǎng)頁(yè)會(huì)被稱為惡意網(wǎng)頁(yè)？便利的網(wǎng)絡(luò)服務(wù)吸引了網(wǎng)絡(luò)攻擊者們通過(guò)釣魚(yú)網(wǎng)站[1-1]，垃圾廣告[1-2]和惡意軟件[1-3]推廣等方式進(jìn)行非法牟利。盡管這些不法活動(dòng)的目的和手段各不相同，但他們都需要不知情的用戶訪問(wèn)攻擊者提供的網(wǎng)頁(yè)地址以達(dá)到攻擊目的。這些網(wǎng)頁(yè)因此被稱為惡意網(wǎng)頁(yè)。52當(dāng)前第52頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)背景惡意網(wǎng)頁(yè)的威脅有多大？國(guó)際反釣魚(yú)組織APWG的數(shù)據(jù)顯示，2012下半年間，使用惡意網(wǎng)頁(yè)進(jìn)行網(wǎng)絡(luò)釣魚(yú)從93,462起攀升到123,486起?？ò退够鶊?bào)告[1-4]顯示，惡意網(wǎng)頁(yè)在87.36%的網(wǎng)絡(luò)攻擊中出現(xiàn)，并已成為黑客謀求經(jīng)濟(jì)利益的重要工具。Google的研究指出，其搜索結(jié)果中1.3%的頁(yè)面為被掛馬網(wǎng)頁(yè)[1-4.1]。53因此，如何有效地識(shí)別惡意網(wǎng)頁(yè)已經(jīng)成為亟待解決的網(wǎng)絡(luò)安全問(wèn)題之一。當(dāng)前第53頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)背景惡意網(wǎng)頁(yè)識(shí)別的一些研究進(jìn)展觀點(diǎn)：惡意網(wǎng)頁(yè)的識(shí)別與檢測(cè)是一個(gè)攻防博弈問(wèn)題。攻擊者視角：自動(dòng)生成域名技術(shù)、隱匿技術(shù)。。。防御者視角：學(xué)術(shù)界：URL語(yǔ)法特征，DNS特征，網(wǎng)頁(yè)內(nèi)容特征等。工業(yè)界：SmartScreen篩選器和Safebrowsing采用的內(nèi)置黑白名單方法等。54下面分別從惡意網(wǎng)頁(yè)識(shí)別問(wèn)題的基本概念，識(shí)別技術(shù)和面臨挑戰(zhàn)三個(gè)方面介紹。當(dāng)前第54頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)目前，惡意網(wǎng)頁(yè)尚無(wú)一個(gè)明確的、統(tǒng)一的定義。Google[2-1]將惡意網(wǎng)頁(yè)限定為一種不安全的網(wǎng)站，發(fā)生的場(chǎng)景可以是惡意軟件自動(dòng)下載[2-2]，網(wǎng)頁(yè)彈窗[2-3]誘騙用戶輸入自己的用戶名和密碼等。BirhanuE.等人[2-3.1]將惡意網(wǎng)頁(yè)定義為一類(lèi)通過(guò)利用漏洞對(duì)一次性的訪問(wèn)行為發(fā)起攻擊的網(wǎng)頁(yè)。百度百科上[2-4]對(duì)惡意網(wǎng)站定義為故意在計(jì)算機(jī)系統(tǒng)上執(zhí)行惡意任務(wù)的病毒、蠕蟲(chóng)和特洛伊木馬的非法網(wǎng)站，并指出他們的共同特征是采用網(wǎng)頁(yè)形式讓人們正常瀏覽頁(yè)面內(nèi)容，同時(shí)非法獲取電腦里的各種數(shù)據(jù)。一般來(lái)說(shuō)，惡意網(wǎng)頁(yè)是以網(wǎng)頁(yè)木馬，釣魚(yú)網(wǎng)站為代表的一類(lèi)網(wǎng)頁(yè)。不同于正常網(wǎng)頁(yè)，惡意網(wǎng)頁(yè)往往通過(guò)偽裝成合法網(wǎng)站或在網(wǎng)頁(yè)中嵌入惡意腳本，從而在用戶訪問(wèn)時(shí)對(duì)其網(wǎng)絡(luò)安全構(gòu)成威脅。惡意網(wǎng)頁(yè)基本概念與評(píng)價(jià)指標(biāo)55因此，將惡意網(wǎng)頁(yè)定義為以網(wǎng)頁(yè)形式出現(xiàn)，以訪問(wèn)時(shí)竊取用戶隱私，安裝惡意程序或運(yùn)行惡意代碼等惡意行為為目的的網(wǎng)頁(yè)集合。當(dāng)前第55頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別概述56惡意網(wǎng)頁(yè)識(shí)別概述惡意網(wǎng)頁(yè)識(shí)別系統(tǒng)基本框架包括網(wǎng)頁(yè)采集，特征抽取，網(wǎng)頁(yè)判別三個(gè)步驟。惡意網(wǎng)頁(yè)識(shí)別的應(yīng)用場(chǎng)景攻擊場(chǎng)景檢測(cè)位置主要識(shí)別特征當(dāng)前第56頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別框架57惡意網(wǎng)頁(yè)識(shí)別系統(tǒng)基本框架圖1.惡意網(wǎng)頁(yè)識(shí)別的基本框架(1)網(wǎng)頁(yè)采集。負(fù)責(zé)對(duì)互聯(lián)網(wǎng)上的網(wǎng)頁(yè)進(jìn)行收集、去重和過(guò)濾。其中，按照網(wǎng)頁(yè)收集方式，一般可分為主動(dòng)和被動(dòng)兩種。(2)特征抽取。依據(jù)網(wǎng)頁(yè)自身特點(diǎn)和識(shí)別方法的不同，對(duì)網(wǎng)頁(yè)信息的特征進(jìn)行抽取，作為識(shí)別惡意網(wǎng)頁(yè)的依據(jù)。這些特征包括但不限于URL詞匯特征，主機(jī)信息特征，網(wǎng)頁(yè)內(nèi)容特征，URL（DNS）黑名單，鏈接關(guān)系以及跳轉(zhuǎn)關(guān)系等。

(3)網(wǎng)頁(yè)判別。主要判別方法包括：黑名單過(guò)濾法，規(guī)則匹配法，機(jī)器學(xué)習(xí)方法以及基于交互式主機(jī)行為的識(shí)別方法。當(dāng)前第57頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別概述58惡意網(wǎng)頁(yè)識(shí)別概述惡意網(wǎng)頁(yè)識(shí)別的應(yīng)用場(chǎng)景攻擊場(chǎng)景：釣魚(yú)網(wǎng)頁(yè)，惡意軟件下載，跨站腳本執(zhí)行（XSS），SQL注入，網(wǎng)頁(yè)木馬檢測(cè)位置服務(wù)器端,客戶端，網(wǎng)關(guān)端主要識(shí)別特征此外，一些研究從HTTP會(huì)話[3-23],搜索引擎提供的相似網(wǎng)頁(yè)[3-24]出發(fā)，對(duì)惡意網(wǎng)頁(yè)的識(shí)別提供了新的思路。圖2.識(shí)別惡意網(wǎng)頁(yè)的特征分類(lèi)當(dāng)前第58頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展59惡意網(wǎng)頁(yè)識(shí)別的方法基于黑名單技術(shù)的識(shí)別方法基于啟發(fā)式規(guī)則的識(shí)別方法基于機(jī)器學(xué)習(xí)的識(shí)別方法基于交互式主機(jī)行為的識(shí)別方法。當(dāng)前第59頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展60惡意網(wǎng)頁(yè)識(shí)別的方法基于黑名單技術(shù)的識(shí)別方法典型應(yīng)用：GoogleSafebrowsing,DNSBL,PhishTank等。存在問(wèn)題：不能及時(shí)更新，容易漏判基于啟發(fā)式規(guī)則的識(shí)別方法基于機(jī)器學(xué)習(xí)的識(shí)別方法基于交互式主機(jī)行為的識(shí)別方法圖1 黑名單示例…當(dāng)前第60頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展61惡意網(wǎng)頁(yè)識(shí)別的方法基于黑名單技術(shù)的識(shí)別方法基于啟發(fā)式規(guī)則的識(shí)別方法典型應(yīng)用：火狐Firefox,IE存在問(wèn)題：誤報(bào)率高，規(guī)則更新難?；跈C(jī)器學(xué)習(xí)的識(shí)別方法基于交互式主機(jī)行為的識(shí)別方法圖2 啟發(fā)式規(guī)則示例/[a-z]*[.]phish[.][a-z]*//[a-z]*[.]malicious[.][a-z]*//[a-z]*[.]y0utube[.][a-z]*/…圖1 黑名單示例…當(dāng)前第61頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展62惡意網(wǎng)頁(yè)識(shí)別的方法基于黑名單技術(shù)的識(shí)別方法基于啟發(fā)式規(guī)則的識(shí)別方法基于機(jī)器學(xué)習(xí)的識(shí)別方法常用分類(lèi)算法：PA，CW，SVM存在問(wèn)題：標(biāo)注數(shù)據(jù)集較少，過(guò)擬合?；诮换ナ街鳈C(jī)行為的識(shí)別方法圖3.分類(lèi)算法的工作過(guò)程圖2 啟發(fā)式規(guī)則示例/[a-z]*[.]phish[.][a-z]*//[a-z]*[.]malicious[.][a-z]*//[a-z]*[.]y0utube[.][a-z]*/…圖3 特征示例Label Features0 1000101 0100101 011001當(dāng)前第62頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展63惡意網(wǎng)頁(yè)識(shí)別的方法基于黑名單技術(shù)的識(shí)別方法基于啟發(fā)式規(guī)則的識(shí)別方法基于機(jī)器學(xué)習(xí)的識(shí)別方法基于交互式主機(jī)行為的識(shí)別方法一般與蜜灌技術(shù)，虛擬化技術(shù)相結(jié)合使用。按照檢測(cè)行為的不同，蜜罐技術(shù)可以細(xì)分為基于模擬的低交互式蜜罐和基于真實(shí)系統(tǒng)的高交互式蜜罐。當(dāng)前第63頁(yè)\共有75頁(yè)\編于星期四\22點(diǎn)惡意網(wǎng)頁(yè)識(shí)別研究進(jìn)展64不同類(lèi)別惡意網(wǎng)頁(yè)識(shí)別方法的比較識(shí)別方法基于黑名單技術(shù)基于啟發(fā)式規(guī)則基于機(jī)器學(xué)習(xí)基于主機(jī)行為誤判率低高低低漏判率高低低低分類(lèi)速度快一般一般慢優(yōu)點(diǎn)技術(shù)簡(jiǎn)單，易操作，計(jì)算開(kāi)銷(xiāo)小，分類(lèi)速度快，可實(shí)時(shí)響應(yīng)。識(shí)別漏判率低，可以識(shí)別一些尚未收錄的惡意網(wǎng)頁(yè)準(zhǔn)確率較高，可擴(kuò)展性強(qiáng)，能夠?qū)ι形词珍浀膼阂饩W(wǎng)頁(yè)進(jìn)行識(shí)別識(shí)別準(zhǔn)確率很高，可以對(duì)特定類(lèi)別的惡意網(wǎng)頁(yè)（主要是網(wǎng)頁(yè)木馬等）進(jìn)行準(zhǔn)確分析缺點(diǎn)不能識(shí)別未收錄黑名單的惡意網(wǎng)頁(yè)，黑名單更新周期長(zhǎng)規(guī)則生成和更新難，依賴于領(lǐng)域知識(shí)，且容易誤判需要事先了解網(wǎng)頁(yè)樣本集，容易出現(xiàn)“過(guò)擬合”現(xiàn)象。無(wú)法識(shí)別其他類(lèi)別的惡意網(wǎng)頁(yè)。分類(lèi)速度慢。適用場(chǎng)景實(shí)時(shí)在線環(huán)境實(shí)時(shí)在線環(huán)境實(shí)時(shí)在線環(huán)境離線環(huán)境表2.