CN110222134A - 基于标签化的城市管理方法、设备及计算机可读存储介质 - Google Patents

基于标签化的城市管理方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110222134A
CN110222134A CN201910465663.3A CN201910465663A CN110222134A CN 110222134 A CN110222134 A CN 110222134A CN 201910465663 A CN201910465663 A CN 201910465663A CN 110222134 A CN110222134 A CN 110222134A
Authority
CN
China
Prior art keywords
circle
model
labeling
circle prediction
prediction result
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
CN201910465663.3A
Other languages
English (en)
Inventor
万碧涛
李丹
赵培
花智伟
李宁
高春超
吴博
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.)
Wuhan Zhiyun Jisi Technology Co Ltd
Original Assignee
Wuhan Zhiyun Jisi Technology Co Ltd
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 Wuhan Zhiyun Jisi Technology Co Ltd filed Critical Wuhan Zhiyun Jisi Technology Co Ltd
Priority to CN201910465663.3A priority Critical patent/CN110222134A/zh
Publication of CN110222134A publication Critical patent/CN110222134A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于标签化的城市管理方法、设备及计算机可读存储介质，方法包括：基于预置经纬度间隔，将城市区域划分为m个子区域；获取每个子区域的区域图像，将区域图像分别输入各个预测模型得到多个预测结果；选取多个预测结果中的最大预测结果；以最大预测结果对应的标签对所述区域图像对应的子区域进行标注。通过本发明，将城市区域划分为若干区域，然后基于每个区域的区域图像对应的标签对每个区域进行标注，满足了精细化管理的需求。

Description

基于标签化的城市管理方法、设备及计算机可读存储介质
技术领域
本发明涉及城市管理技术领域，尤其涉及基于标签化的城市管理方法、设备及计算机可读存储介质。
背景技术
目前的城市管理工作，由于对城市各个区域功能标注不明确，导致不能实现精细化管理要求。若要对城市各个区域的功能进行标注，需要大量人力进行数据采集、标注等工作，周期长且效率低。
发明内容
本发明的主要目的在于提供一种基于标签化的城市管理方法、设备及计算机可读存储介质，旨在解决现有技术中存在的上述技术问题。
为实现上述目的，本发明提供一种基于标签化的城市管理方法，所述基于标签化的城市管理方法包括以下步骤：
基于预置纬度间隔，将城市区域划分为n个区域；
基于预置经度间隔，将所述n个区域划分为m个子区域；
获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；
选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；
以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。
可选的，在所述基于预置纬度间隔，将城市区域划分为n个区域的步骤之前，还包括：
基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型；
基于校圈环境图像对预置逻辑回归LR模型进行训练，得到校圈预测模型；
基于医圈环境图像对预置逻辑回归LR模型进行训练，得到医圈预测模型；
基于社区圈环境图像对预置逻辑回归LR模型进行训练，得到社区圈预测模型；
基于农村圈环境图像对预置逻辑回归LR模型进行训练，得到农村圈预测模型；
基于产业园圈环境图像对预置逻辑回归LR模型进行训练，得到产业园圈预测模型；
基于公共单位圈环境图像对预置逻辑回归LR模型进行训练，得到公共单位圈预测模型。
可选的，在所述基于预置纬度间隔，将城市区域划分为n个区域的步骤之前，还包括：
将各个标签与其对应的管理规范文件关联存储。
可选的，在所述以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注的步骤之后，还包括：
当接收到客户端发送的管理协助请求时，进行身份认证；
若身份认证通过，则确定所述管理协助请求对应的目标子区域；
基于所述目标子区域对应的标签，确定目标管理规范文件，并将所述目标管理规范文件下发至所述客户端。
可选的，所述当接收到客户端发送的管理协助请求时，进行身份认证的步骤包括：
当接收到客户端发送的管理协助请求时，通过第一私钥对预置信息进行加密得到加密信息，并将所述加密信息下发至所述客户端；
接收客户端基于所述加密信息反馈的解密信息，比对所述解密信息与所述预置信息是否一致；
若所述解密信息与所述预置信息一致，则身份认证通过。
此外，为实现上述目的，本发明还提供一种基于标签化的城市管理设备，所述基于标签化的城市管理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于标签化的城市管理程序，所述基于标签化的城市管理程序被处理器执行时实现如上所述的基于标签化的城市管理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于标签化的城市管理程序，所述基于标签化的城市管理程序被处理器执行时实现如上所述的基于标签化的城市管理方法的步骤。
本发明中，基于预置纬度间隔，将城市区域划分为n个区域；基于预置经度间隔，将所述n个区域划分为m个子区域；获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。通过本发明，将城市区域划分为若干区域，然后基于每个区域的区域图像对应的标签对每个区域进行标注，满足了精细化管理的需求。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的基于标签化的城市管理设备结构示意图；
图2为本发明基于标签化的城市管理方法第一实施例的流程示意图；
图3为基于预置经纬度间隔进行城市区域划分的场景示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的基于标签化的城市管理设备结构示意图。
如图1所示，该基于标签化的城市管理设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的基于标签化的城市管理设备结构并不构成对基于标签化的城市管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于标签化的城市管理程序。
在图1所示的基于标签化的城市管理设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于标签化的城市管理程序，并执行以下操作：
基于预置纬度间隔，将城市区域划分为n个区域；
基于预置经度间隔，将所述n个区域划分为m个子区域；
获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；
选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；
以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。
进一步地，处理器1001可以调用存储器1005中存储的基于标签化的城市管理程序，还执行以下操作：
基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型；
基于校圈环境图像对预置逻辑回归LR模型进行训练，得到校圈预测模型；
基于医圈环境图像对预置逻辑回归LR模型进行训练，得到医圈预测模型；
基于社区圈环境图像对预置逻辑回归LR模型进行训练，得到社区圈预测模型；
基于农村圈环境图像对预置逻辑回归LR模型进行训练，得到农村圈预测模型；
基于产业园圈环境图像对预置逻辑回归LR模型进行训练，得到产业园圈预测模型；
基于公共单位圈环境图像对预置逻辑回归LR模型进行训练，得到公共单位圈预测模型。
进一步地，处理器1001可以调用存储器1005中存储的基于标签化的城市管理程序，还执行以下操作：
将各个标签与其对应的管理规范文件关联存储。
进一步地，处理器1001可以调用存储器1005中存储的基于标签化的城市管理程序，还执行以下操作：
当接收到客户端发送的管理协助请求时，进行身份认证；
若身份认证通过，则确定所述管理协助请求对应的目标子区域；
基于所述目标子区域对应的标签，确定目标管理规范文件，并将所述目标管理规范文件下发至所述客户端。
进一步地，处理器1001可以调用存储器1005中存储的基于标签化的城市管理程序，还执行以下操作：
当接收到客户端发送的管理协助请求时，通过第一私钥对预置信息进行加密得到加密信息，并将所述加密信息下发至所述客户端；
接收客户端基于所述加密信息反馈的解密信息，比对所述解密信息与所述预置信息是否一致；
若所述解密信息与所述预置信息一致，则身份认证通过。
参照图2，图2为本发明基于标签化的城市管理方法第一实施例的流程示意图。
在一实施例中，基于标签化的城市管理方法包括：
步骤S10，基于预置纬度间隔，将城市区域划分为n个区域；
步骤S20，基于预置经度间隔，将所述n个区域划分为m个子区域；
本实施例中，为了实现精细化管理要求，预置纬度间隔以及经度间隔应该设置的稍微小一点，但也不宜过小，具体根据实际情况进行设置。可选的，将预置纬度间隔以及预置经度间隔均设置为30秒(经纬度单位为度分秒)，如图3所示，图3为基于预置经纬度间隔进行城市区域划分的场景示意图。如图3所示，以30秒的纬度间隔(W1至W7为纬线，且两相邻纬线之间的间隔为30秒)，将城市区域划分成了n个区域，然后进一步以30秒的经度间隔(J1至J9为经线，且两相邻经线之间的间隔为30秒)，将n个区域划分成了m个子区域。
步骤S30，获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；
本实施例中，获取每个子区域的区域图像的方式有多种，例如通过每个子区域内设置的摄像头获取，或是通过控制无人机前往各个子区域进行拍摄的方式获取，获取每个子区域的区域图像的方式根据实际情况灵活选择。
本实施例中，将一子区域的区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果P1、校圈预测结果P2、医圈预测结果P3、社区圈预测结果P4、农村圈预测结果P5、产业园圈预测结果P6以及公共单位圈预测结果P7。同理，对其他子区域的区域图像进行上述操作，得到其他子区域的区域图像的各个模型预测结果。其中，该概率值的取值范围为0～1，概率值越大，说明该区域图像与对应的预测模型越匹配。
步骤S40，选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；
本实施例中，若商圈预测结果P1、校圈预测结果P2、医圈预测结果P3、社区圈预测结果P4、农村圈预测结果P5、产业园圈预测结果P6以及公共单位圈预测结果P7中，最大预测结果为P7，则说明该区域图像为公共单元圈内环境图像的概率最大。
步骤S50，以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。
本实施例中，最大预测结果对应的标签，即最大预测结果对应的预测模型对应的标签。若最大预测结果为P7，则以公共单位圈预测模型对应的标签：公共单元圈，对区域图像对应的子区域进行标注。即若将一子区域的区域图像输入各个预测模型后，若得到的预测结果中，公共单位圈预测结果为最大预测结果，则说明该区域图像为公共单元圈内环境图像的概率最大，从而说明该子区域为公共单元圈的概率最大，因此，以公共单位圈预测模型对应的标签：公共单元圈，对该子区域进行标注。
本实施例中，基于预置纬度间隔，将城市区域划分为n个区域；基于预置经度间隔，将所述n个区域划分为m个子区域；获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。通过本实施例，将城市区域划分为若干区域，然后基于每个区域的区域图像对应的标签对每个区域进行标注，满足了精细化管理的需求。
进一步地，本发明基于标签化的城市管理方法一实施例中，在步骤S10之前，还包括：
基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型；基于校圈环境图像对预置逻辑回归LR模型进行训练，得到校圈预测模型；基于医圈环境图像对预置逻辑回归LR模型进行训练，得到医圈预测模型；基于社区圈环境图像对预置逻辑回归LR模型进行训练，得到社区圈预测模型；基于农村圈环境图像对预置逻辑回归LR模型进行训练，得到农村圈预测模型；基于产业园圈环境图像对预置逻辑回归LR模型进行训练，得到产业园圈预测模型；基于公共单位圈环境图像对预置逻辑回归LR模型进行训练，得到公共单位圈预测模型。
本实施例中，以基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型为例进行详细说明。首先获取若干商圈环境图像(即在商圈内部或外部拍摄的图像)，然后提取图像信息，并进一步将图像信息转换为特征值，然后将提取得到的特征值代入公式：
其中θi为图像信息i的权重值，xi为图像信息i对应的特征值，θT＝[θ1,θ2,...,θn]，x＝[x1,x2,...,xn]，得到多个函数，对所述多个函数进行迭代求解，从而得到商圈预测模型。
按照上述方式，即可分别得到校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型。
进一步地，本发明基于标签化的城市管理方法一实施例中，在步骤S10之前，还包括：
将各个标签与其对应的管理规范文件关联存储。
本实施例中，标签包括商圈、校圈、医圈、社区圈、农村圈、产业园圈以及公共单位圈。每个标签对应的管理规范文件由管理人员制定，并录入基于标签化的城市管理设备中，以供基于标签化的城市管理设备将各个标签与其对应的管理规范文件关联存储。
进一步地，本发明基于标签化的城市管理方法一实施例中，在步骤S50之后，还包括：
当接收到客户端发送的管理协助请求时，进行身份认证；
本实施例中，当接收到客户端发送的管理协助请求时，为了保证数据安全，需进行身份认证。身份认证的方式包括但不限于：密码认证、指纹认证、人脸识别认证等。
一可选实施例中，所述当接收到客户端发送的管理协助请求时，进行身份认证的步骤包括：
当接收到客户端发送的管理协助请求时，通过第一私钥对预置信息进行加密得到加密信息，并将所述加密信息下发至所述客户端；
接收客户端基于所述加密信息反馈的解密信息，比对所述解密信息与所述预置信息是否一致；
若所述解密信息与所述预置信息一致，则身份认证通过。
本实施例中，基于标签化的城市管理设备预先生成一对公私钥，其中私钥保存在本端，公钥给到被授权用户。当接收到客户端发送的管理协助请求时，通过第一私钥对预置信息进行加密得到加密信息，并将加密信息下发至所述客户端；接收客户端基于所述加密信息反馈的解密信息，比对所述解密信息与所述预置信息是否一致；若所述解密信息与所述预置信息一致，则说明该客户端知晓公钥，因此，该客户端为被授权用户的客户端，则身份认证通过。
若身份认证通过，则确定所述管理协助请求对应的目标子区域；
基于所述目标子区域对应的标签，确定目标管理规范文件，并将所述目标管理规范文件下发至所述客户端。
本实施例中，确定管理协助请求对应的目标子区域后，进一步获取该目标子区域标签对应的目标管理规范文件，然后将目标管理规范文件下发至所述客户端，以供客户端处的被授权用户基于目标管理规范文件进行区域管理工作。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于标签化的城市管理程序，所述基于标签化的城市管理程序被处理器执行时实现如上基于标签化的城市管理方法各个实施例的步骤。
本发明计算机可读存储介质的具体实施例与上述基于标签化的城市管理方法的各个实施例相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于标签化的城市管理方法，其特征在于，所述基于标签化的城市管理方法包括以下步骤：
基于预置纬度间隔，将城市区域划分为n个区域；
基于预置经度间隔，将所述n个区域划分为m个子区域；
获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；
选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；
以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。
2.如权利要求1所述的基于标签化的城市管理方法，其特征在于，在所述基于预置纬度间隔，将城市区域划分为n个区域的步骤之前，还包括：
基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型；
基于校圈环境图像对预置逻辑回归LR模型进行训练，得到校圈预测模型；
基于医圈环境图像对预置逻辑回归LR模型进行训练，得到医圈预测模型；
基于社区圈环境图像对预置逻辑回归LR模型进行训练，得到社区圈预测模型；
基于农村圈环境图像对预置逻辑回归LR模型进行训练，得到农村圈预测模型；
基于产业园圈环境图像对预置逻辑回归LR模型进行训练，得到产业园圈预测模型；
基于公共单位圈环境图像对预置逻辑回归LR模型进行训练，得到公共单位圈预测模型。
3.如权利要求1所述的基于标签化的城市管理方法，其特征在于，在所述基于预置纬度间隔，将城市区域划分为n个区域的步骤之前，还包括：
将各个标签与其对应的管理规范文件关联存储。
4.如权利要求3所述的基于标签化的城市管理方法，其特征在于，在所述以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注的步骤之后，还包括：
当接收到客户端发送的管理协助请求时，进行身份认证；
若身份认证通过，则确定所述管理协助请求对应的目标子区域；
基于所述目标子区域对应的标签，确定目标管理规范文件，并将所述目标管理规范文件下发至所述客户端。
5.如权利要求4所述的基于标签化的城市管理方法，其特征在于，所述当接收到客户端发送的管理协助请求时，进行身份认证的步骤包括：
当接收到客户端发送的管理协助请求时，通过第一私钥对预置信息进行加密得到加密信息，并将所述加密信息下发至所述客户端；
接收客户端基于所述加密信息反馈的解密信息，比对所述解密信息与所述预置信息是否一致；
若所述解密信息与所述预置信息一致，则身份认证通过。
6.一种基于标签化的城市管理设备，其特征在于，所述基于标签化的城市管理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于标签化的城市管理程序，所述基于标签化的城市管理程序被所述处理器执行时实现如下步骤：
基于预置纬度间隔，将城市区域划分为n个区域；
基于预置经度间隔，将所述n个区域划分为m个子区域；
获取每个子区域的区域图像，将所述区域图像分别输入商圈预测模型、校圈预测模型、医圈预测模型、社区圈预测模型、农村圈预测模型、产业园圈预测模型以及公共单位圈预测模型，得到商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果；
选取所述商圈预测结果、校圈预测结果、医圈预测结果、社区圈预测结果、农村圈预测结果、产业园圈预测结果以及公共单位圈预测结果中的最大预测结果；
以所述最大预测结果对应的标签对所述区域图像对应的子区域进行标注。
7.如权利要求6所述的基于标签化的城市管理设备，其特征在于，所述基于标签化的城市管理程序被所述处理器执行时还实现如下步骤：
基于商圈环境图像对预置逻辑回归LR模型进行训练，得到商圈预测模型；
基于校圈环境图像对预置逻辑回归LR模型进行训练，得到校圈预测模型；
基于医圈环境图像对预置逻辑回归LR模型进行训练，得到医圈预测模型；
基于社区圈环境图像对预置逻辑回归LR模型进行训练，得到社区圈预测模型；
基于农村圈环境图像对预置逻辑回归LR模型进行训练，得到农村圈预测模型；
基于产业园圈环境图像对预置逻辑回归LR模型进行训练，得到产业园圈预测模型；
基于公共单位圈环境图像对预置逻辑回归LR模型进行训练，得到公共单位圈预测模型。
8.如权利要求6所述的基于标签化的城市管理设备，其特征在于，所述基于标签化的城市管理程序被所述处理器执行时还实现如下步骤：
将各个标签与其对应的管理规范文件关联存储。
9.如权利要求6所述的基于标签化的城市管理设备，其特征在于，所述基于标签化的城市管理程序被所述处理器执行时还实现如权利要求4或5所述的基于标签化的城市管理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于标签化的城市管理程序，所述基于标签化的城市管理程序被处理器执行时实现如权利要求1至5中任一项所述的基于标签化的城市管理方法的步骤。
CN201910465663.3A 2019-05-30 2019-05-30 基于标签化的城市管理方法、设备及计算机可读存储介质 Pending CN110222134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465663.3A CN110222134A (zh) 2019-05-30 2019-05-30 基于标签化的城市管理方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465663.3A CN110222134A (zh) 2019-05-30 2019-05-30 基于标签化的城市管理方法、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110222134A true CN110222134A (zh) 2019-09-10

Family

ID=67818707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465663.3A Pending CN110222134A (zh) 2019-05-30 2019-05-30 基于标签化的城市管理方法、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110222134A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200223A (zh) * 2014-08-29 2014-12-10 中国科学院城市环境研究所 一种基于高分辨率遥感影像的城市功能区识别方法
CN105825178A (zh) * 2016-03-14 2016-08-03 民政部国家减灾中心 基于遥感图像的功能区划分方法以及设备
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
CN109657602A (zh) * 2018-12-17 2019-04-19 中国地质大学（武汉） 基于街景数据和迁移学习的自动城市功能分区方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200223A (zh) * 2014-08-29 2014-12-10 中国科学院城市环境研究所 一种基于高分辨率遥感影像的城市功能区识别方法
CN105825178A (zh) * 2016-03-14 2016-08-03 民政部国家减灾中心 基于遥感图像的功能区划分方法以及设备
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
CN109657602A (zh) * 2018-12-17 2019-04-19 中国地质大学（武汉） 基于街景数据和迁移学习的自动城市功能分区方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李二珠: "遥感图像场景深度学习与应用研究", 《中国博士学位论文全文数据库信息科技辑》 *

Similar Documents

Publication Publication Date Title
Liu et al. Decentralized federated learning: Balancing communication and computing costs
Zhou et al. Blockchain and computational intelligence inspired incentive-compatible demand response in internet of electric vehicles
WO2021179720A1 (zh) 基于联邦学习的用户数据分类方法、装置、设备及介质
Liu et al. Efficient task assignment in spatial crowdsourcing with worker and task privacy protection
CN110782042B (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
Aïvodji et al. Meeting points in ridesharing: A privacy-preserving approach
CN110362357A (zh) 一种应用程序的配置文件管理方法及装置
Xu et al. Trust-based privacy-preserving photo sharing in online social networks
CN110134930A (zh) 电子合同管理方法、装置、计算机设备和存储介质
Basin et al. A complete characterization of secure human-server communication
Guo et al. LightFed: An efficient and secure federated edge learning system on model splitting
CN105515776A (zh) 给设备提供安全性的方法和装置
Zhang et al. Achieving privacy-preserving multitask allocation for mobile crowdsensing
Jameel et al. Optimizing blockchain networks with artificial intelligence: Towards efficient and reliable IoT applications
Zhang et al. Accelerating privacy-preserving momentum federated learning for industrial cyber-physical systems
Bao et al. Ant colony optimization with shortest distance biased dispatch for visiting constrained multiple traveling salesmen problem
Kormpakis et al. An advanced visualisation engine with role-based access control for building energy visual analytics
Zhong et al. Semi-HFL: semi-supervised federated learning for heterogeneous devices
CN110222134A (zh) 基于标签化的城市管理方法、设备及计算机可读存储介质
Niemelä et al. LAOps: Learning analytics with privacy-aware MLOps
Zhou et al. EPNS: Efficient privacy-preserving intelligent traffic navigation from multiparty delegated computation in cloud-assisted VANETs
CN115983275A (zh) 一种命名实体识别方法、系统及电子设备
Nishida et al. Efficient secure neural network prediction protocol reducing accuracy degradation
CN110334815A (zh) 基于交叉验证的标签补全方法、终端、装置及存储介质
Mishra et al. Development of quantum-enhanced authenticated key agreement protocol for autonomous vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190910