随着物联网、人工智能、云计算和大数据技术的发展,城市服务的智能化趋势显得尤为突出,其相关应用也逐渐形成“物联”、“数联”、“智联”三位一体的体系结构。智慧城市中环境感知信息的来源,以及为用户提供的潜在环境感知服务主要由物联网感知设备从城市环境中感知、提取、生成。这些环境感知信息几乎时时刻刻发生着变化,如某条道路当前拥堵程度、公共场所的空位资源、办公室的占用情况等。针对这些时刻动态变化的感知数据,如果采用传统的针对静态或伪静态预存式结构查询,用户获得的信息将是过期的、失效的信息。城市用户对环境感知信息的强实时性需求和环境感知数据高时空动态性形成了城市环境精准感知领域的矛盾对立面。在城市中任何可以被用户需求且可以调度分配的物理实体资源都被称为城市公共资源,如停车场、电动汽车的充电桩、共享单车、出租车、智能垃圾桶和地铁资源等。同时城市公共资源具有状态属性,其在特定的时空限制下具有一定的排它性,即当某个公共资源实体在使用中不能被另一个用户同时使用。由于城市中用户的动态流动模式和用户对公共资源的自由使用行为,使得他们对公共资源需求和公共资源在城市中的分布在空间和时间上变的极不均匀,从而造成公共资源利用率极低。如何针对城市中实际的资源分布情况和用户需求分布情况,设计出最佳的资源分配策略成为城市公共资源优化调度领域中的关键研究点。因此,研究面向智慧城市的多维感知数据预测与公共资源调度技术具有重要意义。本文分别开展了“基于多感知节点的多维感知数据预测方法”、“调度能力受限场景下的城市公共资源调度方法”和“基于双层决策控制的城市公共资源调度优化方法”三个方面的研究。针对城市环境感知数据实时获取问题,提出了一种基于多感知节点的多维感知数据预测模型,利用多元感知数据之间的混合信息增益来判别多维感知数据之间的关联关系。扩展了多维感知数据之间的关联性,为高效利用多维感知数据对环境信息准确预测提供新的分析方法。基于本成果提出的方法和模型,构建了动态多维感知数据的实时分析体系,有效提升动态多维感知数据预测的准确率。所提出的多维感知数据预测模型在两个真实环境感知数据集中进行了广泛的有效性测试。针对调度能力受限场景下的城市公共资源调度问题,根据不同约束条件下城市公共资源的状态和数据特征,设计了一种基于强化学习理论和注意力机制的面向调度能力受限场景下的城市公共资源调度策略生成模型,以处理公共资源动态分配策略问题。针对实际的资源调度约束条件,设计资源调度的策略评估网络和策略选择网络,同时采用强化学习方法和梯度优化方法对资源调度策略的深度网络模型参数进行优化,以此生成不同资源状态约束条件下的资源动态分配调度策略,从而实现在调度能力受限场景下城市公共资源的高效调度。所提出的面向调度能力受限场景下城市公共资源调度策略生成模型在实际共享单车系统的单车资源调度问题中进行了广泛的有效性测试。针对城市中用户资源需求在空间和时间上分布严重不均匀性和部署大量冗余资源的高成本、低资源利用率问题,提出了一种基于深度强化学习的双层协同资源调度方法,以此来解决城市公共资源双层协同决策问题,即首先决策公共资源在城市中配置的地理位置区域,然后根据选择的地理区域对其资源配置量进行决策,以此来提升用户资源需求的满意程度。所提出的基于深度强化学习的双层协同决策调度模型在实际有桩共享单车和无桩共享单车系统的单车调度问题中上进行了广泛的有效性测试。