CN108984478A - 一种基于大数据的城市研判方法及装置 - Google Patents

一种基于大数据的城市研判方法及装置 Download PDF

Info

Publication number
CN108984478A
CN108984478A CN201710400460.7A CN201710400460A CN108984478A CN 108984478 A CN108984478 A CN 108984478A CN 201710400460 A CN201710400460 A CN 201710400460A CN 108984478 A CN108984478 A CN 108984478A
Authority
CN
China
Prior art keywords
city
data
types
sign
studied
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710400460.7A
Other languages
English (en)
Inventor
胡德莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201710400460.7A priority Critical patent/CN108984478A/zh
Publication of CN108984478A publication Critical patent/CN108984478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明介绍了一种基于大数据的城市研判方法及装置，该方法，包括：根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据；根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子；根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。本发明能够基于不同类型、不同领域的城市体征数据进行城市研判，提高研判结果的准确性。

Description

一种基于大数据的城市研判方法及装置
技术领域
本发明涉及大数据应用技术领域，尤其涉及一种基于大数据的城市研判方法及装置。
背景技术
随着计算机和互联网的高速发展，计算机应用越来越普及，其规模、范围和深度也在不断的扩大。尤其是近几十年来随着大数据技术的不断成熟，以及大数据分析技术的发展，利用大数据技术收集和积累的数据量也在极力增加，并且该数据量每天都在以指数级增长。随着智慧城市技术的发展，与城市体征相关的数据被采集汇总，这些数据背后隐藏着很多重要信息，通过对海量的与城市体征相关的数据的分析挖掘，进行城市研判，从而得到预测未来发展的预测数据以及历史数据的合理范围。现有技术中的利用大数据技术进行城市研判具有以下缺点：采集样本数据只能是同类型的数据，且预测算法不具有通用性，只能针对某一个行业领域进行分析；此外，由于采用样本数据的局限性，会造成研判结果的误差。
发明内容
本发明的主要目的在于提出一种基于大数据的城市研判方法及装置，能够基于不同类型、不同领域的城市体征数据进行城市研判，提高研判结果的准确性。
为实现上述目的，本发明提供了一种基于大数据的城市研判方法，所述方法包括：
根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据；
根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子；
根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
可选的，在从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据之前，所述方法还包括：
根据所述城市体征，确定与所述城市体征相关联的模型样本的类型；
按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
可选的，所述根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子，包括：
利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内；
根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵；
利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
可选的，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
可选的，所述方法还包括：将城市研判结果呈现在预设界面中。
此外，为实现上述目的，本发明还提出一种基于大数据的城市研判装置，所述装置包括：
历史数据获取模块，用于根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据；
影响因子计算模块，用于根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子；
城市研判模块，用于根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
可选的，所述装置还包括：
模型样本设置模块，用于在从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据之前，根据所述城市体征，确定与所述城市体征相关联的模型样本的类型；
数据获取模块，用于按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
可选的，所述影响因子计算模块，具体用于：
利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内；根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵；利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
可选的，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
可选的，所述装置还包括：
结果呈现模块，用于将城市研判结果呈现在预设界面中。
本发明提出的基于大数据的城市研判方法及装置，可以基于不同类型、不同领域的模型样本数据进行分析。能够使用通用的预测算法进行不同类型数据的预测。在本发明中，先使用归一化算法，将不同领域、不同单位、不同数量级的数据统一到一定的度量标准中，避免了数据差异带来的影响；再使用多元线性回归算法，根据归一化处理后的数据计算影响因子，从而确保计算的准确可靠。
附图说明
图1是本发明第一实施例的基于大数据的城市研判方法的流程图；
图2是本发明第二实施例的基于大数据的城市研判装置的组成结构示意图；
图3是本发明第三实施例的基于大数据的城市研判系统的组成结构示意图；
图4是本发明第三实施例中的城市研判方法的时序图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。
本发明第一实施例，一种基于大数据的城市研判方法，如图1所示，所述方法具体包括以下步骤：
步骤S101：根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据。
具体的，在步骤S101之前，所述方法还包括：
步骤A1：根据所述城市体征，确定与所述城市体征相关联的模型样本的类型。例如，若城市体征为企业废水排放量，则与企业废水排放量相关联的模型样本的类型包括：企业用电量、企业用水量、海藻处理量、空气质量以及河道胡泊水质。
步骤A2：按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
所述数据源中包括各种类型的模型样本的数据。所述数据源中的数据由相关部分提供，例如：环保局、基建部门、电力局、水利局等。
针对任一城市体征，当确定了与所述任一城市体征相关联的模型样本的类型时，为所述任一城市体征设置对应的城市数据库，并将定期从所述数据源中获取到的与所述任一城市体相关联的各种类型的模型样本的数据存储到所述城市数据库中。即为每个城市体征设置对应的城市数据库，每个城市数据库中包括一类或多类模型样本的数据。此外，在所述任一城市数据库中，各种类型的模型样本的数据都是按照时间顺序存储的。
步骤S102：根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子。
具体的，步骤S102，包括：
步骤B1：利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内。
所述归一化算法，即针对任一类型的模型样本的数据，将所述任一类型的模型样本的数据除以在所述指定时间段内各类型的模型样本的数据的总和，从而得到数值在0-1之间的小数。通过归一化算法可以保证各种类型的模型样本的数据的取值范围都在0-1之间，从而保障了不同领域、不同单位、不同数量级的模型样本的数据不会产生较大差异。
步骤B2：根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵。
步骤B3：利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
进一步的，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
更进一步的，可通过重新设置步骤S101中的所述指定时间段的时间范围，重新计算影响因子，从而调整影响因子的值。
步骤S103：根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
进一步的，所述方法还包括：
将城市研判结果呈现在预设界面中，从而向用户展示所述城市研判结果。
在本实施例中，可以根据任一城市体征的历史数据，预测所述任一城市体征在未来某一时刻的数据；还可以根据与所述任一城市体征相关联的其他数据，推测出所述任一城市体征在任一月份的数据，从而判断由相关部们提供的所述任一城市体征在所述任一月份的数据是否与推测出的数据一致。
本发明第二实施例，一种基于大数据的城市研判装置，如图2所示，所述装置具体包括以下组成部分：
1)历史数据获取模块201，用于根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据。
具体的，所述装置还包括：
模型样本设置模块，用于在从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据之前，根据所述城市体征，确定与所述城市体征相关联的模型样本的类型。例如，若城市体征为企业废水排放量，则与企业废水排放量相关联的模型样本的类型包括：企业用电量、企业用水量、海藻处理量、空气质量以及河道胡泊水质。
数据获取模块，用于按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
所述数据源中包括各种类型的模型样本的数据。所述数据源中的数据由相关部分提供，例如：环保局、基建部门、电力局、水利局等。
针对任一城市体征，当确定了与所述任一城市体征相关联的模型样本的类型时，为所述任一城市体征设置对应的城市数据库，并将定期从所述数据源中获取到的与所述任一城市体相关联的各种类型的模型样本的数据存储到所述城市数据库中。即为每个城市体征设置对应的城市数据库，每个城市数据库中包括一类或多类模型样本的数据。此外，在所述任一城市数据库中，各种类型的模型样本的数据都是按照时间顺序存储的。
2)影响因子计算模块202，用于根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子。
具体的，影响因子计算模块202，用于：
利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内；根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵；利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
进一步的，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
更进一步的，可通过重新设置历史数据获取模块201中的所述指定时间段的时间范围，重新计算影响因子，从而调整影响因子的值。
3)城市研判模块203，用于根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
进一步的，所述装置还包括：
结果呈现模块，用于将城市研判结果呈现在预设界面中。
本发明第三实施例，一种基于大数据的城市研判系统，如图3所示，所述系统具体包括以下组成部分：
1)数据源库301，包括与各种城市体征相关的各种类型的模型样本数据。
例如，空气质量数据源、水质数据源、用水量数据源、用电量数据源、河流蓝藻处理量数据源。数据源库301中的各种类型的模型样本数据由相关的部门提供，例如：环保局、基建部门、电力局和水利局。
2)数据采集装置302，用于从数据源库301中采集模型样本数据。
具体的，数据采集装置302通过网络传输层从数据源库301中获取模型样本数据。
进一步的，数据采集装置302，具体包括：模型样本设置模块和数据获取模块。
所述模型样本设置模块，用于根据任一城市体征，确定与所述任一城市体征相关联的模型样本的类型，即根据所需要进行研判的城市体征，设定与所述城市体征相关的模型样本数据的采集范围。
例如，如果需要进行研判的城市体征为企业废水排放量，那么需要采集的模型样本数据的范围可以设置为企业用电量数据、企业用水量数据、蓝藻处理量数据、空气质量数据和河道湖泊水质数据。其中的企业用电量数据、企业用水量数据和蓝藻处理量数据为企业或者检测站点上报的数据；空气质量数据和河道湖泊水质数据是通过对其他的上报基础数据进行分析计算后得出的。
所述数据获取模块，用于按照设定时间间隔定期从数据源库301中获取确定的各类型的模型样本数据，并将获取到的各类型的模型样本数据存储到与所述城市体征相对应的城市主题库中。
所述数据获取模块对获取到的模型样本数据进行清洗、转换和入库操作，从而将获取到的模型样本数据存储到数据存储装置303中。
3)数据存储装置303，用于存储从数据源库301中采集到的模型样本数据。
具体的，根据不同的城市体征，在数据存储装置303中建立不同的城市主题库，并根据不同的城市体征对模型样本数据的需求，将从数据源库301中采集到的不同类型的模型样本数据存储到对应的城市主题库中。
4)城市研判装置304，用于根据存储在数据存储装置303中任一城市主题库中的不同类型的模型样本数据，计算用于城市研判的不同纬度的影响因子；并根据所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
具体的，通过在所述任一城市主题库中选取不同时间段的模型样本数据，以及重新计算影响因子，从而调整影响因子的值。
进一步的，城市研判装置304，具体包括：历史数据设置模块，影响因子计算模块，影响因子存储模块和城市研判模块。
所述历史数据设置模块，用于设置用于计算影响因子的历史数据时间范围。通过调整时间范围，获取不同时间范围内的模型样本数据，并根据不同时间范围内的模型样本数据重新计算调整影响因子。
所述影响因子计算模块，用于根据设置的时间范围，选定模型样本数据，通过归一化算法，将所有的模型样本数据限定到同一区间中，然后使用多元线性回归算法计算不同模型样本的影响因子。
所述归一化算法，即针对任一类型的模型样本数据，将所述任一类型的模型样本数据除以在所述指定时间段内各类型的模型样本数据的总和，从而得到数值在0-1之间的小数。通过归一化算法可以保证各种类型的模型样本的数据的取值范围都在0-1之间，从而保障了不同领域、不同单位、不同数量级的模型样本的数据不会产生较大差异。
所述的多元线性回归算法，使用经过归一化算法之后的时间范围内的数据作为样本训练数据，建立多元线性回归模型，分析需要预测的数据和模型数据之间的关系，代入要预测的月份的政府统计数据，得出需要预测数据的预测值。
如表1所示，为获取到的N个月的不同类型的模型样本数据：
表1
将表1中的数据带入如下公式中：
Yi＝β0+β1X1j+β2X2j+β3X3j+β4X4j+β5X5j+Uj；
从而得到多元线性回归矩阵：
Y＝βX+U；
其中，β为权重系数；
U为扰动因子。
针对上述多元线性回归矩阵，再利用最小二乘法求解所述多元线性回归矩阵，得到影响因子；所述影响因子包括权重系数β以及扰动因子U。
所述影响因子存储模块，用于存储所述影响因子计算模块计算得到的影响因子，并记录计算影响因子所使用的时间范围。
所述城市研判模块，用于根据影响因子，利用预设的城市研判算法，计算得到预测值。
具体的，利用计算得到的重系数β以及扰动因子U，将需要预测的某一时间段的各种类型的模型样本数据带入以下公式，得到预测值：
Yi′＝Xiβ+U；
其中，Xi为所述某一时间段的各种类型的模型样本数据；
Yi′为预测值。
5)用户业务装置305，用于将城市研判结果呈现在预设界面中，从而向用户展示。
用户业务装置305还用于将城市研判结果作为基础数据提供给其他系统以进行进一步的分析。
更进一步的，如图4所示，为基于上述介绍的基于大数据的城市研判系统的城市研判方法的时序图，包括：
步骤S401：模型样本设置模块根据不同的城市体征确定不同的模型样本范围；
步骤S402：模型样本设置模块将需要采集的模型样本范围同步到数据获取模块中；
步骤S403：数据获取模块创建城市主题库；
步骤S404：数据获取模块从数据源库中获取模型样本数据；
步骤S405：模型样本对模型样本数据是进行清洗、转换、入库；
步骤S406：历史数据设置模块设置用于计算影响因子的历史数据时间范围；
步骤S407：影响因子计算模块根据设置的时间范围从城市数据库中获取模型样本数据；
步骤S408：影响因子计算模块根据获取到的模型样本数据计算不同模型样本的影响因子；
步骤S409：影响因子存储模块用于存储影响因子；
步骤S410：城市研判模块根据影响因子计算城市体征预测值；
步骤S411：用户业务装置查询城市研判结果；
步骤S412：用户业务装置展示所述城市研判结果；
步骤S413：：用户业务装置将城市研判结果提供给其他系统进行进一步的分析。
本发明实施例中介绍的基于大数据的城市研判方法及装置，可以基于不同类型、不同领域的模型样本数据进行分析。能够使用通用的预测算法进行不同类型数据的预测。在本发明中，先使用归一化算法，将不同领域、不同单位、不同数量级的数据统一到一定的度量标准中，避免了数据差异带来的影响；再使用多元线性回归算法，根据归一化处理后的数据计算影响因子，从而确保计算的准确可靠。
通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (10)

1.一种基于大数据的城市研判方法，其特征在于，所述方法包括：
根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据；
根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子；
根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
2.根据权利要求1所述的基于大数据的城市研判方法，其特征在于，在从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据之前，所述方法还包括：
根据所述城市体征，确定与所述城市体征相关联的模型样本的类型；
按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
3.根据权利要求1所述的基于大数据的城市研判方法，其特征在于，所述根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子，包括：
利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内；
根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵；
利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
4.根据权利要求3所述的基于大数据的城市研判方法，其特征在于，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
5.根据权利要求1所述的基于大数据的城市研判方法，其特征在于，所述方法还包括：将城市研判结果呈现在预设界面中。
6.一种基于大数据的城市研判装置，其特征在于，所述装置包括：
历史数据获取模块，用于根据需要研判的城市体征，从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据；
影响因子计算模块，用于根据获取到的所述各类型的模型样本的数据，计算与所述城市体征相对应的影响因子；
城市研判模块，用于根据计算得到的所述影响因子，按照预设的城市研判算法，计算得到预测值，并根据所述预测值对所述城市体征进行城市研判。
7.根据权利要求6所述的基于大数据的城市研判装置，其特征在于，所述装置还包括：
模型样本设置模块，用于在从与所述城市体征相对应的城市数据库中获取指定时间段内各类型的模型样本的数据之前，根据所述城市体征，确定与所述城市体征相关联的模型样本的类型；
数据获取模块，用于按照设定时间间隔定期从数据源中获取确定的各类型的模型样本的数据，并将获取到的各类型的模型样本的数据存储到与所述城市体征相对应的城市数据库中。
8.根据权利要求6所述的基于大数据的城市研判装置，其特征在于，所述影响因子计算模块，具体用于：
利用归一化算法，将所述各类型的模型样本的数据归一化到设定的数值范围内；根据归一化后的各类型的模型样本的数据，利用多元线性回归算法，得到多元线性回归矩阵；利用最小二乘法求解所述多元线性回归矩阵，得到影响因子。
9.根据权利要求8所述的基于大数据的城市研判装置，其特征在于，所述影响因子包括：各类型的模型样本的权重系数，以及所述指定的时间段内各个单位时间的扰动因子。
10.根据权利要求6所述的基于大数据的城市研判装置，其特征在于，所述装置还包括：
结果呈现模块，用于将城市研判结果呈现在预设界面中。
CN201710400460.7A 2017-05-31 2017-05-31 一种基于大数据的城市研判方法及装置 Pending CN108984478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710400460.7A CN108984478A (zh) 2017-05-31 2017-05-31 一种基于大数据的城市研判方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710400460.7A CN108984478A (zh) 2017-05-31 2017-05-31 一种基于大数据的城市研判方法及装置

Publications (1)

Publication Number Publication Date
CN108984478A true CN108984478A (zh) 2018-12-11

Family

ID=64500885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710400460.7A Pending CN108984478A (zh) 2017-05-31 2017-05-31 一种基于大数据的城市研判方法及装置

Country Status (1)

Country Link
CN (1) CN108984478A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027202A (zh) * 2019-12-04 2020-04-17 北京软通智城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN112101734A (zh) * 2020-08-18 2020-12-18 清华大学 一种基于城市活力恢复曲线的影响因子分析方法、装置及存储介质
CN116805175A (zh) * 2023-06-02 2023-09-26 中哲国际工程设计有限公司 基于cim技术的医疗养老建筑运维管理系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027202A (zh) * 2019-12-04 2020-04-17 北京软通智城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN111027202B (zh) * 2019-12-04 2023-12-15 北京软通绿城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN112101734A (zh) * 2020-08-18 2020-12-18 清华大学 一种基于城市活力恢复曲线的影响因子分析方法、装置及存储介质
CN116805175A (zh) * 2023-06-02 2023-09-26 中哲国际工程设计有限公司 基于cim技术的医疗养老建筑运维管理系统
CN116805175B (zh) * 2023-06-02 2023-12-26 中哲国际工程设计有限公司 基于cim技术的医疗养老建筑运维管理系统

Similar Documents

Publication Publication Date Title
Desislavov et al. Trends in AI inference energy consumption: Beyond the performance-vs-parameter laws of deep learning
Chorin et al. Discrete approach to stochastic parametrization and dimension reduction in nonlinear dynamics
Zhang et al. Evaluating the reliability of stormwater treatment systems under various future climate conditions
Fan et al. Development of a copula‐based particle filter (C op PF) approach for hydrologic data assimilation under consideration of parameter interdependence
CN108984478A (zh) 一种基于大数据的城市研判方法及装置
CN109492709A (zh) 基于混合模型的数据预测方法及装置
CN111415027A (zh) 构建件量预测模型的方法和装置
CN106452934B (zh) 一种网络性能指标变化趋势的分析方法和装置
Bastola et al. Sensitivity of the performance of a conceptual rainfall–runoff model to the temporal sampling of calibration data
CN109041218B (zh) 一种预测用户位置的方法和智能硬件
CN109446696A (zh) 基于cmaq模型的快速大气环境容量测算方法、存储介质和终端
Ghimire et al. Applicability of lumped hydrological models in a data-constrained river basin of Asia
CN112612822A (zh) 一种北斗坐标时间序列的预测方法、装置、设备和存储介质
Rigopoulos et al. On the accuracy of N-body simulations at very large scales
CN110009161A (zh) 供水预测方法及装置
CN116628442B (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法
CN116757265A (zh) 神经网络的全局剪枝方法及其装置、电子设备及存储介质
CN106230659A (zh) 一种数据展示方法、系统及服务器
Pittore Focus maps: a means of prioritizing data collection for efficient geo-risk assessment
CN108243037B (zh) 网站流量异常确定方法及装置
CN106980675B (zh) 一种高效的桥梁结构健康预警系统
Liu et al. A stream network model for integrated watershed modeling
Zhao et al. Research on Data Analysis Method Based on Multiple Linear Regression Model and Grey Model
Håkanson Propagation and analysis of uncertainty in ecosystem models
Khare et al. A methodology for fixed observational network design: theory and application to a simulated global prediction system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181211