利用城市大数据发现社区结构是城市计算中重要的研究方向。有效表示面向“15分钟生活圈”社区的结构特征可以细粒度地评价生活圈社区周围的设施情况，有利于城市规划建设，创造宜居的生活环境。首先，定义了面向“15分钟生活圈”的城市社区结构，并采用表示学习方法获取生活圈社区的结构特征；然后，提出了生活圈社区结构的嵌入表示框架，框架中利用居民的出行轨迹数据确定兴趣点（POI）与居民区的关系，构建反映不同时段居民出行规律的动态活动图；最后，对构建的动态活动图采用自编码器进行表示学习得到生活圈社区潜在特征的向量表示，从而有效概括居民日常活动所形成的社区结构。针对生活圈社区便利性评价、相似性度量等应用，利用真实数据集进行了实验评估，结果表明，分POI类别的日周期的潜在表示方法优于星期周期的潜在表示方法，且前者的归一化折损累计增益（NDCG）比后者最少提升了24.28%，最多提升了60.71%，验证了所提方法的有效性。

现有睡眠监测研究主要是针对睡眠质量提出非干扰式监测方法的研究，而缺乏对睡眠质量主动调节方法的研究。基于心率变异性(HRV)分析的精神状态以及睡眠分期研究主要集中在这两种信息的获取上，而这两种信息的获取需要佩戴专业医疗设备，并且这些研究缺乏对信息的应用以及调整。音乐可以作为一种解决睡眠问题的非药物类方法，但现有音乐推荐方法并未考虑个体睡眠及精神状态的差异。针对以上问题提出了一种基于移动设备的精神压力和睡眠状态的音乐推荐系统。首先，用手表采集光体积扫描计信号来提取特征并计算心率；其次，将采集的信号通过蓝牙传递给手机，手机通过这些信号评估人的精神压力以及睡眠状态来播放调整音乐；最后，根据个体每晚的入眠时间进行音乐推荐。实验结果表明，在使用睡眠音乐推荐系统后，用户睡眠总时长相较于使用前增长11.0%。

针对目前流数据存在数量巨大、生成迅速和概念漂移的特点，提出了一种基于长短期记忆(LSTM)网络和滑动窗口的流数据异常检测方法。首先采用LSTM网络进行数据预测，之后计算预测值与实际值的差值。对于每个数据，选择合适的滑动窗口，将滑动窗口区间内的所有差值进行分布建模，再根据每个差值在当前分布的概率密度来计算数据异常可能性。LSTM网络不仅可以进行数据预测，还可以边预测边学习，实时更新调整网络，保证模型的有效性；而利用滑动窗口可以使得异常分数的分配更为合理。最后使用在真实数据基础上制造的模拟数据进行了实验。实验结果验证了所提方法在低噪声环境下比直接利用差值进行检测和异常数据分布建模法（ADM）方法的平均曲线下面积(AUC)值分别提高了0.187和0.05。