CN110288159A - 一种智慧城市建设测度方法 - Google Patents
一种智慧城市建设测度方法 Download PDFInfo
- Publication number
- CN110288159A CN110288159A CN201910569729.3A CN201910569729A CN110288159A CN 110288159 A CN110288159 A CN 110288159A CN 201910569729 A CN201910569729 A CN 201910569729A CN 110288159 A CN110288159 A CN 110288159A
- Authority
- CN
- China
- Prior art keywords
- attribute
- smart city
- individual
- measurement method
- indicator system
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 38
- 238000000691 measurement method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000003466 anti-cipated effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000010130 dispersion processing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种智慧城市建设测度方法,获取城市运维的初始指标数据,通过粗糙集算法将初始指标数据进行离散化处理形成测度指标体系;采用遗传算法约简测度指标体系去除冗余指标;对去除冗余指标的测度指标体系进行训练样本集和测试样本集划分;将划分后的测度指标体系样本集作为输入变量确定BP神经网络的拓扑结构,对测度指标体系中的样本集数据进行学习和训练获得测度模型;根据测度模型对城市建设水平进行预测。本发明在保证信息内容全面性的基础上剔除冗余指标,减少计算复杂性,提高工作效率的同时有效避免了人为主观臆断因素,提高了预测和分类能力,使测度结果具有较高的有效性,实现定量、多维、多层的智慧城市建设水平测度。
Description
技术领域
本发明实施例涉及城市数据处理技术领域,具体涉及一种智慧城市建设测度方法。
背景技术
随着我国社会经济的快速发展,我国城市发展的同时也带来环境污染严重、交通系统拥堵、城市管理协同性较差、公共服务低效等诸多挑战。智慧城市是在全世界范围内出现的关于城市发展的新理念。智慧城市建设是一个长期而又系统的实现过程,其建设过程涉及到建设地区经济、社会、民生等各方各面,对智慧城市建设水平的测度是一项综合而系统的工作。
目前智慧城市建设测度方法主要分为两大类,分别是定性分析法、定量分析法。常用的定性分析法有德尔菲法、层次分析法、模糊综合评价法等;常用的定量分析法有主成分分析法、Logistic回归分析法、贝叶斯网络、决策树模型、粗糙集、神经网络等方法。定性分析法中人的主观因素对测度结果起到决定性影响,强调人的主观色彩,测度结果的稳定性和适用性范围较差;定量分析法避免了人的主观臆断影响,减少了人为因素带来的结果偏差,但是也在一定程度上忽略了决策者的主观意向。传统使用定性分析或定量分析对智慧城市建设水平进行测度难以获得科学、合理的结果。
发明内容
为此,本发明实施例提供一种智慧城市建设测度方法,结合智慧城市建设基本要素,构建指标体系,融合定性与定量对智慧城市建设水平进行测度分析,实现定量、多维、多层的智慧城市建设水平测度。
为了实现上述目的,本发明实施例提供如下技术方案:一种智慧城市建设测度方法,包括以下步骤:
1)获取城市运维的初始指标数据,通过粗糙集算法将所述初始指标数据进行离散化处理形成测度指标体系;
2)采用遗传算法约简所述测度指标体系去除冗余指标;
3)对去除冗余指标的所述测度指标体系进行训练样本集和测试样本集划分;
4)将划分后的所述测度指标体系样本集作为输入变量确定BP神经网络的拓扑结构,对测度指标体系中的样本集数据进行学习和训练获得测度模型;
5)根据所述测度模型对城市建设水平进行预测。
作为智慧城市建设测度方法的优选方案,所述步骤1)中,通过等距离散化将连续的所述初始指标数据进行离散化处理,其中,表述“任意”,U为研究对象集合,研究对象ui在条件属性cz的属性值为对初始指标数据进行离散化处理包括:
A1)确定条件属性cz的离散化区间长度为:
其中,为离散区间的长度,为条件属性cz中的最大属性值,为条件属性cz中的最小属性值,3为离散化区间数目;
A2)确定研究对象ui在条件属性cz的离散化值:
其中,为研究对象ui在条件属性cz下取值的离散化结果。
作为智慧城市建设测度方法的优选方案,所述步骤2)中,建立决策表信息系统,采用遗传算法约简获得条件属性集合C的一个最小子集,每个个体采用二进制符号串{0,1}来表示,长度为Z,编码染色体上每一位代表一个条件属性,当个体包含某个属性时对应位置编码为“1”,当个体未包含某个属性时对应位置编码为“0”。
作为智慧城市建设测度方法的优选方案,采用遗传算法约简的步骤包括:
B1)获取决策属性对条件属性的依赖度;
B2)计算属性核;
B3)随机生成初始种群;
B4)计算适应度值;
B5)选择操作,计算个体被选择的概率,以“轮盘赌”选择个体,形成新的种群;
B6)交叉操作,使用单叉点算子,以交叉概率PC在交叉点处互换两个个体的染色体,形成新的种群;
B7)变异操作,对新个体采用均匀变异算子,以变异概率Pm随机反转染色体上某个位置的二进制符号,形成新的种群;
B8)计算新种群个体的适应度,选用最优保存策略,将每代种群中适应度最大的个体保存到下一代种群;
B9)当迭代次数达到最大迭代次数或连续保持最优个体适应度值稳定的迭代次数,计算终止,输出最优个体。
作为智慧城市建设测度方法的优选方案,对测度指标体系中的样本集数据进行学习和训练的步骤包括:
C1)采用mapminmax函数对BP神经网络的输入数据进行归一化运算;
C2)创建BP神经网络,确定输入层、输出层和隐含层;
C3)初始化学习参数,设定非零随机权重,确定初始阀值,设置目标误差值、最大迭代次数和网络学习率;
C4)计算输出层神经元输出结果;
C5)将训练输出结果和预期输出比较,当存在误差时进行逆向传播,修正所述非零随机权重和初始阀值;
C6)更新权重和阀值,重新训练直至误差小于设定的允许拟合误差,结束训练或进行下一次学习循环。
作为智慧城市建设测度方法的优选方案,所述步骤C1)中,归一化运算的方式为:
式中,x是输入数据,xmax是输入数据最大值,xmin是输入数据最小值,y是归一化结果数据,(ymax,ymin)是归一化区间。
作为智慧城市建设测度方法的优选方案,所述步骤C2)中,隐含层的神经元个数M确定方式为:
其中m是输入层神经元数,n是输出层神经元数,a取[0,10]之间的常数。
作为智慧城市建设测度方法的优选方案,所述步骤C2)中,隐含层的神经元个数M确定方式为M=log2m,其中m是输入层神经元数。
作为智慧城市建设测度方法的优选方案,所述步骤C2)中,隐含层的神经元个数M确定方式为k为样本数量,M为隐含层神经元数,m为输入层神经元数,若i>M,则
作为智慧城市建设测度方法的优选方案,所述步骤C3)中,非零随机权重经验值为(-2.4/F,2.4F)或F是权重值输入端神经元个数。
本发明实施例具有如下优点:构建基于粗糙集和BP神经网络测度方法,运用遗传算法规则,通过选择、交叉、变异操作逐代产生新的最优解,对构建的指标体系进行约简,在保证信息内容全面性的基础上尽可能的剔除无关、冗余指标,从而减少计算复杂性,运用BP神经网络算法模型,输入去除冗余的数据后让模型进行无导师自学习,确定各指标权重和网络参数,用计算机智能算法代替繁琐的人工计算,提高工作效率的同时有效避免了人为主观臆断因素,提高了预测和分类能力,使测度结果具有较高的有效性,实现定量、多维、多层的智慧城市建设水平测度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例中提供的智慧城市建设测度方法流程示意图;
图2为本发明实施例中提供的采用遗传算法约简流程示意图;
图3为本发明实施例中提供的对测度指标体系中的样本集数据进行学习和训练流程示意图;
图4采用本发明的智慧城市建设测度方法预测效果与实际结果对比示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,提供一种智慧城市建设测度方法,包括以下步骤:
S1:获取城市运维的初始指标数据,通过粗糙集算法将所述初始指标数据进行离散化处理形成测度指标体系;
S2:采用遗传算法约简所述测度指标体系去除冗余指标;
S3:对去除冗余指标的所述测度指标体系进行训练样本集和测试样本集划分;
S4:将划分后的所述测度指标体系样本集作为输入变量确定BP神经网络的拓扑结构,对测度指标体系中的样本集数据进行学习和训练获得测度模型;
S5:根据所述测度模型对城市建设水平进行预测。
具体的,所述S1中,通过等距离散化将连续的所述初始指标数据进行离散化处理,研究对象ui在条件属性cz的属性值为对初始指标数据进行离散化处理包括:
A1)确定条件属性cz的离散化区间长度为:
其中,为离散区间的长度,为条件属性cz中的最大属性值,为条件属性cz中的最小属性值,3为离散化区间数目;
A2)确定研究对象ui在条件属性cz的离散化值:
其中,为研究对象ui在条件属性cz下取值的离散化结果。
具体的,所述S2中,建立决策表信息系统,设决策表信息系统S=(U,A,V,f),U={u1,u2,…,ui}表示i个智慧城市的有限集合,A=C∪D是属性集合,条件属性C={c1,c2,…,ci}表示z个评价指标集合,决策属性集D={d1,d2,…,di},f是一个指定U中每一个对象C={c1,c2,…,ci}属性集的信息函数。采用遗传算法约简获得条件属性集合C的一个最小子集,每个个体采用二进制符号串{0,1}来表示,长度为Z,编码染色体上每一位代表一个条件属性,当个体包含某个属性时对应位置编码为“1”,当个体未包含某个属性时对应位置编码为“0”。如果个体包含某个属性,则该属性对应位置编码为“1”,否则为“0”,个体的染色体编码用r表示。
具体的,参见图2,采用遗传算法约简的步骤包括:
B1)获取决策属性对条件属性的依赖度;依赖度γC(D)=length(posCD)/length(U),pos CD是决策属性对条件属性的正域,pos CD=union(R_X),条件正域是所有在等价类集合中的条件属性的等价关系的下近似集合,而等价类集合R_X是基于等价关系的各个分类组成的集合,其中等价关系通过编码转化成一个整数值,拥有相同值的编码被归为一个分类。
B2)计算属性核;设且a∈C,若γc-a(D)≠γC(D),则属性核Core(C)=Core(C)∪{a},形成核Core(C);若γcore(D)=γC(D,则Core(C)为相对约简属性核。
B3)随机生成初始种群;随机生成P(初始种群数)个长度为条件属性个数Z的二进制码作为初始种群,对应属性核的位置取“1”,其他位置随机选取“0”或“1”。
B4)计算适应度值;适应度函数是遗传算法中的目标函数,遗传算法要求通过适应度函数得出每个个体的适应度值,适应度函数由两部分组成,第一个目标是最大化决策属性对约简后的条件属性集合的依赖度,第二个目标是最小化编码中1的个数,即尽量约简每个个体的条件属性,约简度:R(r)=(length(r_bin)-sum(r_bin))/length(r_bin),其中,r_bin=round(r)是对个体编码的取整。
B5)选择操作,计算个体被选择的概率,以“轮盘赌”选择个体,形成新的种群;
B6)交叉操作,使用单叉点算子,以交叉概率PC在交叉点处互换两个个体的染色体,形成新的种群;
B7)变异操作,对新个体采用均匀变异算子,以变异概率Pm随机反转染色体上某个位置的二进制符号,形成新的种群;
B8)计算新种群个体的适应度,选用最优保存策略,将每代种群中适应度最大的个体保存到下一代种群;
B9)当迭代次数达到最大迭代次数或连续保持最优个体适应度值稳定的迭代次数,计算终止,输出最优个体。
具体的,参见图3,对测度指标体系中的样本集数据进行学习和训练的步骤包括:
C1)采用mapminmax函数对BP神经网络的输入数据进行归一化运算;
C2)创建BP神经网络,确定输入层、输出层和隐含层;
C3)初始化学习参数,设定非零随机权重,确定初始阀值,设置目标误差值、最大迭代次数和网络学习率;非零随机权重经验值为(-2.4/F,2.4F)或F是权重值输入端神经元个数。
C4)计算输出层神经元输出结果;在输入层,其输入等于输出(opz=xpz),opz,xpz分别表示第p个对象第z个属性的输入和输出值;
C5)将训练输出结果和预期输出比较,当存在误差时进行逆向传播,修正所述非零随机权重和初始阀值;
C6)更新权重和阀值,重新训练直至误差小于设定的允许拟合误差,结束训练或进行下一次学习循环。
具体的,所述步骤C1)中,归一化运算的方式为:
式中,x是输入数据,xmax是输入数据最大值,xmin是输入数据最小值,y是归一化结果数据,(ymax,ymin)是归一化区间。
具体的,所述步骤C2)中,隐含层的神经元个数M确定方式有三种:
第一,其中m是输入层神经元数,n是输出层神经元数,a取[0,10]之间的常数。第二,M=log2m,其中m是输入层神经元数。第三,k为样本数量,M为隐含层神经元数,m为输入层神经元数,若i>M,则
本实施例中所选的研究样本数据中,北京、天津、上海、重庆的数据来源于《2015年中国统计年鉴》和《2014全国科技经费投入统计公报》,无锡、武汉、郑州、长沙、西安、杭州、深圳、厦门的数据来源于各市2015年统计年鉴、统计公报等。各智慧城市评估值来源于《第五届(2015)中国智慧城市发展水平评估报告》,评估值区间为[0,105]。以本发明构建的智慧城市建设水平测度指标体系收集各属性值,整理得出智慧城市建设水平测度的原始数据。构建智慧城市建设水平测度决策表信息系统S=(U,A,V,f),北京、天津、上海、重庆、无锡、武汉、郑州、长沙、西安、杭州、深圳、厦门依次记为U={u1,u2,u3,u4,u5,u6,u7,u8,u9,u10,u11,u12},条件属性C={c1,c2,...,c51},决策集属性D={建设水平}记为D={d}。
具体的,使用MATLABR2015a统计软件实现利用遗传算法对条件属性进行约简。其中,种群数p=12,交叉概率PC=0.7,变异概率Pm=0.01,算法终止运行准则为当迭代次数达到Max_Gen=150或连续迭代50代适应度没有提升。使用MATLAB中的ga工具箱,默认最小化目标函数,适应度函数为TargetValue=-γC(D)-R(r)。得出种群最佳适应度和平均适应度,其中,遗传算法进化到18代达到最佳适应度,从18代开始适应度连续50代没有提升,因此,迭代至68代时终止计算,得到最优编码约简结果r=[0 1 0 1 0 0 0 0 0 0 0 1 0 0 10 0 1 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0]最终得到约简后的属性集,C={c2,c4,c12,c15,c18,c19,c20,c21,c23,c24,c36,c49,c50}。
输入层神经元个数m=约简后的条件属性个数=13,输出层节点n=1,神经网络训练的目标误差设置为0.01,最大迭代次数设置为100,网络学习率为0.01,将神经元个数选取3-12个依次学习训练,在不影响误差的前提下,选择学习结果最优,最终确定隐含层神经元个数为3,确定神经网络层次结构为13×3×1。
利用mapminmax函数对约简后指标属性原始数据进行归一化处理。利用Matlab统计软件中的newff函数建立前馈神经网络,使用双曲正切S型函数作为隐层传递函数,使用线性传递函数purelin作为输出层传递函数,使用牛顿法与梯度下降法结合函数trainlm作为神经网络的训练函数。当隐含层神经元个数为3时,神经网络最佳性能为0.005756,快速收敛使迭代次数为6,BP神经网络结束仿真学习过程。当训练迭代次数达到5时曲线收敛。此时,梯度Gradient是0.72,变量mu已经达到了最大值0.01,训练中出现的误差不能继续,即已经找到了最小误差,此时泛化能力检查达到阈值,强行结束训练。
经过BP网络训练学习,得到智慧城市建设水平测度模型,基于模型和已有数据,对选取的12个智慧城市建设水平进行预测测试,将预测值与《第五届(2015)中国智慧城市发展水平评估报告》中智慧城市评估值进行比对如图4所示。提高了预测和分类能力,使测度结果具有较高的有效性,实现定量、多维、多层的智慧城市建设水平测度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种智慧城市建设测度方法,其特征在于,包括以下步骤:
1)获取城市运维的初始指标数据,通过粗糙集算法将所述初始指标数据进行离散化处理形成测度指标体系;
2)采用遗传算法约简所述测度指标体系去除冗余指标;
3)对去除冗余指标的所述测度指标体系进行训练样本集和测试样本集划分;
4)将划分后的所述测度指标体系样本集作为输入变量确定BP神经网络的拓扑结构,对测度指标体系中的样本集数据进行学习和训练获得测度模型;
5)根据所述测度模型对城市建设水平进行预测。
2.根据权利要求1所述的一种智慧城市建设测度方法,其特征在于,所述步骤1)中,通过等距离散化将连续的所述初始指标数据进行离散化处理,其中,表述“任意”,U为研究对象集合,研究对象ui在条件属性cz的属性值为对初始指标数据进行离散化处理包括:
A1)确定条件属性cz的离散化区间长度为:
其中,为离散区间的长度,为条件属性cz中的最大属性值,为条件属性cz中的最小属性值,3为离散化区间数目;
A2)确定研究对象ui在条件属性cz的离散化值:
其中,为研究对象ui在条件属性cz下取值的离散化结果。
3.根据权利要求1所述的一种智慧城市建设测度方法,其特征在于,所述步骤2)中,建立决策表信息系统,采用遗传算法约简获得条件属性集合C的一个最小子集,每个个体采用二进制符号串{0,1}来表示,长度为Z,编码染色体上每一位代表一个条件属性,当个体包含某个属性时对应位置编码为“1”,当个体未包含某个属性时对应位置编码为“0”。
4.根据权利要求3所述的一种智慧城市建设测度方法,其特征在于,采用遗传算法约简的步骤包括:
B1)获取决策属性对条件属性的依赖度;
B2)计算属性核;
B3)随机生成初始种群;
B4)计算适应度值;
B5)选择操作,计算个体被选择的概率,以“轮盘赌”选择个体,形成新的种群;
B6)交叉操作,使用单叉点算子,以交叉概率PC在交叉点处互换两个个体的染色体,形成新的种群;
B7)变异操作,对新个体采用均匀变异算子,以变异概率Pm随机反转染色体上某个位置的二进制符号,形成新的种群;
B8)计算新种群个体的适应度,选用最优保存策略,将每代种群中适应度最大的个体保存到下一代种群;
B9)当迭代次数达到最大迭代次数或连续保持最优个体适应度值稳定的迭代次数,计算终止,输出最优个体。
5.根据权利要求1所述的一种智慧城市建设测度方法,其特征在于,对测度指标体系中的样本集数据进行学习和训练的步骤包括:
C1)采用mapminmax函数对BP神经网络的输入数据进行归一化运算;
C2)创建BP神经网络,确定输入层、输出层和隐含层;
C3)初始化学习参数,设定非零随机权重,确定初始阀值,设置目标误差值、最大迭代次数和网络学习率;
C4)计算输出层神经元输出结果;
C5)将训练输出结果和预期输出比较,当存在误差时进行逆向传播,修正所述非零随机权重和初始阀值;
C6)更新权重和阀值,重新训练直至误差小于设定的允许拟合误差,结束训练或进行下一次学习循环。
6.根据权利要求1所述的一种智慧城市建设测度方法,其特征在于,所述步骤C1)中,归一化运算的方式为:
式中,x是输入数据,xmax是输入数据最大值,xmin是输入数据最小值,y是归一化结果数据,(ymax,ymin)是归一化区间。
7.根据权利要求5所述的一种智慧城市建设测度方法,其特征在于,所述步骤C2)中,隐含层的神经元个数M确定方式为:
其中m是输入层神经元数,n是输出层神经元数,a取[0,10]之间的常数。
8.根据权利要求5所述的一种智慧城市建设测度方法,其特征在于,所述步骤C2)中,隐含层的神经元个数M确定方式为M=log2m,其中m是输入层神经元数。
9.根据权利要求5所述的一种智慧城市建设测度方法,其特征在于,所述步骤C2)中,隐含层的神经元个数M确定方式为k为样本数量,M为隐含层神经元数,m为输入层神经元数,若i>M,则
10.根据权利要求5所述的一种智慧城市建设测度方法,其特征在于,所述步骤C3)中,非零随机权重经验值为(-2.4/F,2.4F)或F是权重值输入端神经元个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569729.3A CN110288159A (zh) | 2019-06-27 | 2019-06-27 | 一种智慧城市建设测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569729.3A CN110288159A (zh) | 2019-06-27 | 2019-06-27 | 一种智慧城市建设测度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288159A true CN110288159A (zh) | 2019-09-27 |
Family
ID=68019908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569729.3A Pending CN110288159A (zh) | 2019-06-27 | 2019-06-27 | 一种智慧城市建设测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288159A (zh) |
Cited By (1)
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 |
-
2019
- 2019-06-27 CN CN201910569729.3A patent/CN110288159A/zh active Pending
Cited By (2)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | Towards a trust prediction framework for cloud services based on PSO-driven neural network | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN110298506A (zh) | 一种城市建设水平预测系统 | |
CN105184415B (zh) | 一种配电网络重构设计方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN109242558A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN109214546A (zh) | 一种基于改进的hs-narx神经网络的电力短期负荷预测方法 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
Król et al. | Investigation of evolutionary optimization methods of TSK fuzzy model for real estate appraisal | |
CN106408133A (zh) | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 | |
Xia et al. | Improving the performance of stock trend prediction by applying GA to feature selection | |
CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
CN110288159A (zh) | 一种智慧城市建设测度方法 | |
Sadeghi et al. | Estimation of electricity demand in residential sector using genetic algorithm approach | |
Zhu et al. | An Efficient Hybrid Feature Selection Method Using the Artificial Immune Algorithm for High‐Dimensional Data | |
Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
Antonelli et al. | A new approach to handle high dimensional and large datasets in multi-objective evolutionary fuzzy systems | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
Kumar et al. | Prediction of rice production in india using artificial neural network with genetic algorithm | |
Mao et al. | QoS trust rate prediction for Web services using PSO-based neural network | |
Furze et al. | Mathematical methods to quantify and characterise the primary elements of trophic systems |
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: 20190927 |