CN110298550A - 基于网格单元的社区居民服务调度系统和方法 - Google Patents
基于网格单元的社区居民服务调度系统和方法 Download PDFInfo
- Publication number
- CN110298550A CN110298550A CN201910464624.1A CN201910464624A CN110298550A CN 110298550 A CN110298550 A CN 110298550A CN 201910464624 A CN201910464624 A CN 201910464624A CN 110298550 A CN110298550 A CN 110298550A
- Authority
- CN
- China
- Prior art keywords
- resident
- grid cell
- community
- service
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000010411 cooking Methods 0.000 claims abstract description 5
- 238000013468 resource allocation Methods 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 description 291
- 230000006399 behavior Effects 0.000 description 75
- 238000012549 training Methods 0.000 description 17
- 235000005911 diet Nutrition 0.000 description 10
- 230000037213 diet Effects 0.000 description 10
- 238000012216 screening Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006854 communication Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000020930 dietary requirements Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于网格单元的社区居民服务调度方法,该方法包括以下步骤:首先在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元,然后将表示多个网格单元在网格单元选择上对目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,之后基于各选择行为倾向度预测出分别对多个网格单元发生选择行为的相应居民的数量分布,最后依据数量分布生成对目标社区的服务资源调配方案。该方法能够更为科学地及更为真实准确地对空间范围内居民选择性进行仿真,并依据选择的居民数量来对社区服务资源进行调配,更好地满足了居民自身对生活服务的需求,优化了社区服务资源的利用率,最大化了资源利用效果。
Description
技术领域
本发明涉及城市资源调配技术领域,特别涉及一种基于网格单元的社区居民服务调度系统,以及一种基于网格单元的社区居民服务调度方法。
背景技术
随着互联网概念的兴起,国民逐渐接受并习惯了通过网络处理生活中的事物,但这并不意味着以实体店为代表的城市设施的没落,并且在日常生活中,很多事情依旧需要人亲自出行去办理、实现及达成,例如去银行办理个人开户业务,去大型百货商厦亲自进行试穿再决定购买衣物,为了减少塑料垃圾的排放而选择堂食,家用电器损坏后去售后网点享受保修服务,等等,因此人们对实体设施能够提供服务的需求一直处于较高的水平。
对于社区来说,为了提高民众出行办事的便捷性,提高社区群众生活质量,社区居委会或工会施行设立一些便民项目,例如在固定时间发出购物班车以接送民众到附近的大型超市购买商品,定期发车带领社区内的老干部外出到公园并组织步行健身运动等等。
由此可知,对社区的资源调配来说,人群的流量和流向都是一个很重要的影响因素,因为大部分的城市资源都是围绕着人来进行布置的,若将社区资源调配到了并不需要的地方,会造成资源的浪费和成本的增加,因此如何对人群的流量和流向进行预判成为了一个重点问题。
而对于空间范围内不同地点的人群选择性,目前主要依靠经验进行评估,缺少科学量化的分析方法,导致社区的服务资源未能得到充分的发挥和利用,使得社区居民的生活服务需求也未能得到较好的满足。另外,社区居民的选择性不是一成不变的,我国目前很多城市处于高速发展期,居民选择性随着公共交通新路径和新站点的建设、商业服务配套的完善以及产业园区和居民社区分布的调整而持续发生改变。因此,需要加强对居民选择性的预测分析,进而设计最优化的服务资源调配方案,以更好地为社区居民服务。
发明内容
基于此,为了能够更为科学地及更为真实准确地对居民的选择数量分布进行预测,更好地满足居民对生活服务的需求,优化社区服务资源的利用率,最大化资源利用效果,以及降低了社区成本本申请公开了以下技术方案。
作为本发明的第一方面,本发明公开了基于网格单元的社区居民服务调度系统,包括:
网格单元规划模块,用于在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元;
倾向度运算模块,用于将表示所述多个网格单元在网格单元选择上对所述目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,得到各居民对所述多个网格单元的选择行为倾向度;
数量分布预测模块,用于基于各所述选择行为倾向度预测出分别对所述多个网格单元发生选择行为的相应居民的数量分布;
调度方案生成模块,用于依据所述数量分布生成对所述目标社区的社区服务资源调配方案;
其中,所述各类神经网络模型分别对应个人情况不同的居民,所述社区服务资源调配方案包括交通出行、安防监控、环卫、停车调配方案中的至少一项。
在一种可能的实施方式中,所述网格单元规划模块在以所述目标社区为中心的设定空间范围内规划所述网格单元。
在一种可能的实施方式中,所述网格单元规划模块依据所述居民生活服务需求中包含的各项需求的档次等级进行所述网格单元的划分,使得同一所述网格单元内的与所述各项需求对应的城市设施之间的等级之差不超过等级阈值。
在一种可能的实施方式中,该系统还包括:网格单元筛选模块,用于从所述网格单元规划模块规划出的所述网格单元中筛选出档次等级与所述目标社区相适配的网格单元;其中,所述网格单元的档次等级通过所述网格单元内与所述各项需求对应的城市设施的等级综合计算得到,所述倾向度运算模块输入所述神经网络模型的网格特征量对应于所述网格单元筛选模块筛选出来的网格单元。
在一种可能的实施方式中,在所述网格单元规划模块规划出的多个所述网格单元中,其中一个所述网格单元与剩余至少一个所述网格单元存在有区域重叠的情况下:所述网格单元规划模块重新规划所述网格单元,使得所有所述网格单元均不存在区域重叠。
在一种可能的实施方式中,所述居民生活服务需求包括购物、饮食、金融、娱乐、健身、医疗、教育、通信、工作、水电需求中的至少一项。
在一种可能的实施方式中,该系统还包括:因素转化模块,用于将获取到的所述多个网格单元的外部网格因素进行转化,得到所述多个网格单元的所述网格特征量;其中,所述外部网格因素包括以下至少一项:商品和服务的质量等级,商品和服务的价格,商品和服务的提供者数量,商品和服务提供场所的环境档次,路程距离,交通便利程度。
在一种可能的实施方式中,所述网格特征量表示为:
其中,i=[1,k],k为所述网格单元规划模块规划出的网格单元的数量,为第i个所述网格单元对居民的路程影响因子,di表示第i个所述网格单元与所述目标社区之间的路程距离,与di呈反比,βi(pi)为第i个所述网格单元对居民的价格影响因子,pi表示第i个所述网格单元提供商品和服务价格,βi(pi)与pi呈反比,γi(qi,ei,ti)为第i个所述网格单元对居民的质量影响因子,qi表示第i个所述网格单元提供商品和服务的质量,ei表示第i个所述网格单元商品和服务提供场所的环境档次,ti表示所述目标社区去往第i个所述网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。
在一种可能的实施方式中,该系统还包括:
居民划分模块,用于按照居民的个人情况对居民的类型进行划分;
模型建立模块,用于依据所述居民划分模块划分出的居民类型作为模型类型建立所述居民选择行为神经网络模型,以使所述各类神经网络模型能够分别对应个人情况不同的居民;
其中,所述个人情况包括以下至少一项:年龄,交通能力,收入水平,个人偏好,家庭状况,健康状况,消费水平。
在一种可能的实施方式中,该系统还包括用于训练所述神经网络模型的模型训练模块,其中,所述模型训练模块包括:
样本确定单元,用于确定出个人情况不同的若干居民作为居民样本;
数据采集单元,用于确定所述样本确定单元确定的所述居民样本实际选择的所述网格单元,并算出与所述实际选择相应的所述网格特征量;
模型训练单元,用于将所述数据采集单元算出的所述网格特征量输入所述神经网络模型,基于所述神经网络模型输出的选择行为倾向度与所述数据采集单元采集的相应所述样本居民的实际选择之间的匹配程度,调整所述神经网络模型的神经元参数,直至所述匹配程度满足要求。
在一种可能的实施方式中,所述居民选择行为神经网络模型采用BP神经网络模型。
在一种可能的实施方式中,所述调度方案生成模块算出各所述网格单元居民数量的平均值,并以所述平均值为基准对离散程度超出居民数量离散阈值的所述网格单元生成所述社区服务资源调配方案;或者,所述调度方案生成模块依据所述数量分布预测模块预测的居民数量分布得到居民数量排名,并依据所述居民数量排名生成所述社区服务资源调配方案。
在一种可能的实施方式中,该系统还包括:预测数据整合模块,用于对多个目标社区相对于所述网格单元规划模块规划出的各网格单元的居民数量分布进行整合,得到所述多个目标社区的整体居民数量分布;并且,调度方案生成模块还用于依据所述整体居民数量分布生成对所述多个目标社区的整体服务资源调配方案。
在一种可能的实施方式中,所述预测数据整合模块还用于利用所述整体居民数量分布,生成对所述网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案;其中,所述设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。
在一种可能的实施方式中,所述社区服务资源调配方案包括对以下至少一项的调配:通勤车和/或购物班车的行车路线和/或发车频次,社区各出入口的安防监控力度,社区各出入口邻接街道的环卫力度,各出入口的交通工具投放数量,新建停车场的选址及车位数量。
作为本发明的第二方面,本发明公开了基于网格单元的社区居民服务调度方法,包括:
在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元;
将表示所述多个网格单元在网格单元选择上对所述目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,得到各居民对所述多个网格单元的选择行为倾向度;
基于各所述选择行为倾向度预测出分别对所述多个网格单元发生选择行为的相应居民的数量分布;
依据所述数量分布生成对所述目标社区的社区服务资源调配方案;
其中,所述各类神经网络模型分别对应个人情况不同的居民,所述社区服务资源调配方案包括交通出行、安防监控、环卫、停车调配方案中的至少一项。
在一种可能的实施方式中,以所述目标社区为中心的设定空间范围内规划所述网格单元。
在一种可能的实施方式中,该方法还包括:依据所述居民生活服务需求中包含的各项需求的档次等级进行所述网格单元的划分,使得同一所述网格单元内的与所述各项需求对应的城市设施之间的等级之差不超过等级阈值。
在一种可能的实施方式中,该方法还包括:从所述规划出的所述网格单元中筛选出档次等级与所述目标社区相适配的网格单元;其中,所述网格单元的档次等级通过所述网格单元内与所述各项需求对应的城市设施的等级综合计算得到,输入所述神经网络模型的网格特征量对应于所述筛选出来的网格单元。
在一种可能的实施方式中,在所述规划出的多个所述网格单元中,其中一个所述网格单元与剩余至少一个所述网格单元存在有区域重叠的情况下:重新规划所述网格单元,使得所有所述网格单元均不存在区域重叠。
在一种可能的实施方式中,所述居民生活服务需求包括购物、饮食、金融、娱乐、健身、医疗、教育、通信、工作、水电需求中的至少一项。
在一种可能的实施方式中,该方法还包括:将获取到的所述多个网格单元的外部网格因素进行转化,得到所述多个网格单元的所述网格特征量;其中,所述外部网格因素包括以下至少一项:商品和服务的质量等级,商品和服务的价格,商品和服务的提供者数量,商品和服务提供场所的环境档次,路程距离,交通便利程度。
在一种可能的实施方式中,所述网格特征量表示为:
其中,i=[1,k],k为所述网格单元规划模块规划出的网格单元的数量,为第i个所述网格单元对居民的路程影响因子,di表示第i个所述网格单元与所述目标社区之间的路程距离,与di呈反比,βi(pi)为第i个所述网格单元对居民的价格影响因子,pi表示第i个所述网格单元提供商品和服务价格,βi(pi)与pi呈反比,γi(qi,ei,ti)为第i个所述网格单元对居民的质量影响因子,qi表示第i个所述网格单元提供商品和服务的质量,ei表示第i个所述网格单元商品和服务提供场所的环境档次,ti表示所述目标社区去往第i个所述网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。
在一种可能的实施方式中,该方法还包括:按照居民的个人情况对居民的类型进行划分;依据所述划分出的居民类型作为模型类型建立所述居民选择行为神经网络模型,以使所述各类神经网络模型能够分别对应个人情况不同的居民;其中,所述个人情况包括以下至少一项:年龄,交通能力,收入水平,个人偏好,家庭状况,健康状况,消费水平。
在一种可能的实施方式中,该方法还包括训练所述神经网络模型,其中,所述训练所述神经网络模型包括:确定出个人情况不同的若干居民作为居民样本;确定所述居民样本实际选择的所述网格单元,并算出与所述实际选择相应的所述网格特征量;将所述算出的与所述实际选择相应的网格特征量输入所述神经网络模型,基于所述神经网络模型输出的选择行为倾向度与所述数据采集单元采集的相应所述样本居民的实际选择之间的匹配程度,调整所述神经网络模型的神经元参数,直至所述匹配程度满足要求。
在一种可能的实施方式中,该方法还包括:算出各所述网格单元居民数量的平均值,并以所述平均值为基准对离散程度超出居民数量离散阈值的所述网格单元生成所述社区服务资源调配方案;或者,依据所述预测的居民数量分布得到居民数量排名,并依据所述居民数量排名生成所述社区服务资源调配方案。
在一种可能的实施方式中,该方法还包括:对多个目标社区相对于所述规划出的各网格单元的居民数量分布进行整合,得到所述多个目标社区的整体居民数量分布;并且,依据所述整体居民数量分布生成对所述多个目标社区的整体服务资源调配方案。
在一种可能的实施方式中,该方法还包括:利用所述整体居民数量分布,生成对所述网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案;其中,所述设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。
在一种可能的实施方式中,所述社区服务资源调配方案包括对以下至少一项的调配:通勤车和/或购物班车的行车路线和/或发车频次,社区各出入口的安防监控力度,社区各出入口邻接街道的环卫力度,各出入口的交通工具投放数量,新建停车场的选址及车位数量。
本申请公开的社区居民服务调度系统实施例及方法实施例,通过神经网络模型计算目标社区内各居民对外界以网格为单位满足居民生活需服务需求的各网格单元的选择行为倾向度,据此预测出选择各网格单元的居民数量,能够更为科学地及更为真实准确地对空间范围内居民选择性进行仿真,并依据选择的居民数量来对社区服务资源进行调配,更好地满足了居民自身对生活服务的需求,优化了社区服务资源的利用率,最大化了资源利用效果,并降低了社区成本;同时还能够使社区能够适应城市高速发展带来的城市要素高变化性,在由城市要素变化引起居民在选择满足生活服务需求的目的地上发生变化时,能够通过对社区资源的调配来更好地为社区居民的生活服务需求而服务。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本发明,而不能理解为对本发明的保护范围的限制。
图1是本申请公开的社区居民服务调度系统第一实施例的结构框图。
图2是居民选择行为神经网络模型的输入输出关系图。
图3是本申请公开的社区居民服务调度方法第一实施例的流程示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
下面参考图1-图2详细描述本发明公开的基于网格单元的社区居民服务调度系统第一实施例。
本实施例利用大数据和人工智能技术,实现面向智慧城市的网格化规划,特别是面向大型居民社区,在以社区为中心的一定空间范围内,主要面向该社区居民,规划能够为其提供综合服务的网格单元,并且面向网格单元进行服务资源的分配和调度。
如图1-图2所示,本实施例公开的社区居民服务调度系统主要包括:网格单元规划模块、倾向度运算模块、数量分布预测模块和调度方案生成模块。
网格单元规划模块用于在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元。
在选定出一个需要进行社区资源调度的目标社区后,通过网格单元规划模块预先划定一个设定空间范围S作为网格单元的划分范围,网格单元在该设定空间范围内进行划分。
目标社区通常位于该设定空间范围内,网格单元规划模块可以在以目标社区为中心的设定空间范围内规划网格单元,例如以目标社区C1为中心的半径10公里以内的圆形区域为设定空间范围,并在该范围内规划网格单元。
网格单元G是针对目标社区C1划分的,并作为社区内居民为了满足自身的生活服务需求而可能选择的候选区域,每个网格单元为若干个在空间位置上相邻的商业和服务设施组成的一个集合体,例如商业中心、综合市场、一条街等,并且每个网格单元均能独自满足目标社区内居民的生活服务需求。
居民生活服务需求包括购物、饮食、金融、娱乐、健身、医疗、教育、通信、水电需求中的一项或多项。每个网格单元内均包括有能够满足居民生活服务需求项的对应建筑设施,以下称为生活服务设施。例如居民生活服务需求包含购物、饮食、娱乐、医疗四项,则每个网格单元内均开有对应购物的小卖铺、超市或购物中心,以及对应饮食的小餐馆、中等餐厅或豪华饭店,以及对应娱乐的小型游戏厅、电影院或豪华度假村,以及对应医疗的小型诊所、社区医院或三甲医院,每项均按照档次等级从低档到高档列出。
倾向度运算模块用于将网格特征量输入各类居民选择行为神经网络模型,得到各居民对多个网格单元的选择行为倾向度。
居民的选择行为是由于自身内因为了适应网格单元的不同而产生的在一定城市空间范围内选择的行为,这其中,内因决定了人员居民对网格单元刺激的响应。而具有不同内因的居民受同一网格单元内生活服务设施的影响很可能是不同的,当某个社区的地理位置、所在城市的产业结构、社区档次及周边商业环境不同时,该社区居民对于网格单元的选择行为也会有相应的不同。
例如,设定空间范围S内目前开设有廉价超市和购物中心,并开设有低端餐馆一条街和豪华饭店,位于设定空间范围S内的上述社区C1内的居民会根据自身需要而选择对应档次的生活服务设施进行消费以满足生活服务需求,例如去廉价超市满足购物需求,以及去豪华饭店满足饮食需求。
社区C1中,某一类居民选择去廉价超市和低端餐馆等低消费场所满足购物和饮食需求,购物中心和豪华饭店的存在对该类居民的选择没有显著影响,相反的,另一类居民则更愿意去购物中心和豪华饭店等高消费场所满足购物和饮食需求,廉价超市和低端餐馆的存在对该另一类居民的选择没有显著影响,因此面对廉价超市和低端餐馆时,前一类居民(通常是资产较少的居民)的选择更可能是倾向的,因为廉价超市和低端餐馆更能满足前一类居民对生活服务的高性价比的需求,而后一类居民(通常是资产富裕的居民)的选择更可能是不倾向的,因为廉价超市和低端餐馆很难满足后一类居民对生活服务的高品质的需求。上述对生活服务的不同需求就是居民内因在影响居民选择行为上的一种反映。
由上可知,不同居民在面对同样的网格单元时所选择的选择行为是不同,其原因就是因为各居民的内因不同。因此,在利用该系统进行居民选择分布预测时,需要考虑多种不同类型的居民,以在预测居民的选择行为时能够将更多类型的居民纳入样本范围,最终增加选择分布预测结果的准确性。
相应的,由于不同居民的内因的差异,所产生的选择行为变化也是多样的,难以用一个单一的居民选择行为模型来表示,因此本系统预先建立有多种类型的居民选择行为神经网络模型(以下也称为神经网络模型),各类神经网络模型分别对应个人情况不同的居民,每类神经网络模型对应某种特定类型的居民,并反映出该特定类型居民的内因,例如反映出收入水平等。
网格特征量表示多个网格单元在网格单元选择上对目标社区居民的影响程度,通常通过各网格单元中的对应于居民生活服务需求的各生活服务设施的档次得到。
同一类居民对于该两个网格单元的选择行为也可能是不同的,因此除了内因会对居民选择行为倾向度有一定影响以外,能够影响居民选择网格单元的网格特征量同样也对居民选择行为倾向度有一定影响。由上述社区C1的举例中可知,一个具有上述廉价超市和低端餐馆的网格单元G1,和一个具有上述购物中心和豪华饭店的网格单元G2,该两个不同的网格单元对于同一类居民来说,其影响程度也是不同的,上述前一类居民更倾向于选择网格单元G1作为满足日常生活服务需求的网格单元,而上述后一类居民则更倾向于选择网格单元G2作为满足日常生活服务需求的网格单元。因此,网格单元G1和G2各自包含的生活服务设施的档次不同,这能够在网格特征量中有所体现,并且,网格特征量为多维度向量,维度的数量和网格单元的数量相关,各维度的量值和对应网格单元所包含的生活服务设施相关。
在具备了能够对多种不同类型的居民进行选择行为预测的各类居民选择行为神经网络模型,以及预先算出的设定空间范围S内各网格单元的网格特征量之后,将上述特征量输入到各类神经网络模型中,并得到各类神经网络模型的输出,也就是得到不同居民对于各网格单元的选择行为倾向度。选择行为倾向度代表了居民对于网格单元的选择态度,倾向度越高,表明该选择居民对该网格单元的选择态度越积极,也就是说在选择的时候,该网格单元的优先级越高,该选择居民选择去往该网格单元满足生活服务需求的几率越高。
由此可知,居民选择行为神经网络模型是一个多输入多输出的模型,神经网络模型的输入是多维度向量“网格特征量”,神经网络模型的输出是居民对第1至第m个网格单元的选择行为倾向度组成的一个m维向量。
具体的,假设当前需要对目标社区C1进行社区服务资源调度优化时,网格单元规划模块先将以目标社区C1为圆心的半径10公里以内的区域划分为设定空间范围S。如图2所示,假设网格单元规划模块在空间范围S内规划出m=5个能够满足居民生活服务需求的网格单元G1-G5,然后放入一定数量和类型的所述“居民选择行为神经网络模型”,其中放入居民的类型和数量以及放入位置可以基于抽样调查的结果实现,以尽量使选取的居民具有一定代表性,能够与上述设定空间范围的真实情况相匹配。
例如根据对该目标社区C1的居民进行抽样调查,根据调查结果将居民分为n=12种不同类型,并通过抽样方式从d1行政区内选取共计1000名居民作为数据样本,其中有100名属于第1类居民,有60名属于第2类居民……,有30名属于第12类居民,然后倾向度运算模块将相应的1000个神经网络模型放入空间范围S,并输入网格特征量进行运算。
运算完成后得到选择行为倾向度,例如第1类神经网络模型对第1类网格单元的选择行为倾向度是60,第1类神经网络模型对第2类网格单元的选择行为倾向度是50,第2类神经网络模型对第1类社区的选择行为倾向度是70等等,后续依此类推,得到5×12种类型的选择行为倾向度,最终经过统计共得到5×1000个选择行为倾向度。
数量分布预测模块用于基于倾向度运算模块得到的各选择行为倾向度,预测出分别对多个网格单元发生选择行为的相应居民的数量分布。
得到选择行为倾向度后,对每个选择行为倾向度的大小是否满足相应的选择行为阈值进行判断。当第i类神经网络模型(i=[1,12])对第j个网格单元(j=[1,5])的选择行为倾向度满足倾向度阈值时,则表明第i类神经网络模型对应类型的居民会被预测为发生选择第j个网格单元的行为,而在选择行为倾向度不满足倾向度阈值时则表明不会实际产生相应的选择行为。例如第1类神经网络模型对应的是月收入过万的青年居民,共计100名,第4个网格单元设有中档餐厅和中型规模的购物中心,第1类居民对第9个网格单元的选择行为倾向度为85,大于倾向度阈值的70,则该100名居民会被预测为选择去第4个网格单元进行购物和餐饮。
若第i类居民对多个网格单元的选择行为倾向度均满足倾向度阈值时,则第i类居民可能选择任一个网格单元来满足生活服务需求,因此在统计各网格单元对应的居民数量分布时,该多个倾向度均满足阈值的网格单元均累计有该第i类居民的居民数量,也就是说,最终得到的各网格单元的居民数量之和可能会超出1000名的样本居民数量。
若第i类居民对任一网格单元的选择行为倾向度均未能满足倾向度阈值时,则将选择倾向度最高的网格单元作为该类居民选择的网格单元。
对于不同的网格单元,倾向度阈值可以设置为各不相同。例如,对于所包含的生活服务设施之间档次均相同的网格单元来说,其倾向度阈值可以适当调高一点,对于所包含的生活服务设施之间档次差距较大的网格单元来说,其倾向度阈值可以适当调低一点。
通过遍历12类神经网络模型对5个网格单元的选择行为倾向度,可以预测出各类居民中的各居民对各网格单元的选择行为对应关系,也就是预测出12类神经网络模型对应的居民中,哪些居民会被预测为选择哪个网格单元来满足生活服务需求,以得到对网格单元G1-G5的居民选择性分布的预测数据。
例如上述1000名居民中,其中第1类居民(共计100名)被预测为选择第1和第2个网格单元,第2类居民(共计60名)被预测为选择第5个网格单元,等等,最终统计得出,目标社区C1的1000名居民中,分别对网格单元G1-G5发生选择行为的相应居民的数量依次为:430、190、200、660、60。
调度方案生成模块用于依据数量分布预测模块预测出的各网格单元对应居民数量,生成对目标社区的社区服务资源调配方案。其中,社区服务资源调配方案包括对目标社区的交通出行、出入安防监控、周边环卫、社区停车调配方案中的至少一项。
假设目标社区C1的居民生活服务需求包括工作,并且所有居民类型均为青年上班族。在未进行资源调配之前,社区组织每天早晨和晚上的上下班时间同时发出多辆通勤车并依次通过网格单元G1-G5,以接送上班地点在网格单元G1-G5的居民上下班。而在得到数量分布预测模块预测出的网格单元G1-G5的上述相应居民数量之后,则可以根据预测数据生成调整通勤车的行车路线的调配方案,按照选择居民数量的从大到小作为经停网格单元的排序依据,将行车路线改为G4-G1-G3-G2-G5,以先将更多的居民送达上班地点。
可以理解的是,由于选择G2和G3的居民数量差距很小,因此可以依据G1分别与G2和G3之间的距离远近来决定是先去G2还是先去G3,并优先去距离G1近的网格单元。
假设目标社区C1的居民生活服务需求包括购物,并且所有居民类型均为离退休老年人。在未进行资源调配之前,社区组织每天发出购物班车载着社区内老年人分别去往网格单元G1-G5内的超市,老年人可根据自己的选择搭乘去往心仪超市的购物班车进行购物,并且去往五个超市的购物班车的发车频次均为一天两次往返。而在得到数量分布预测模块预测出的网格单元G1-G5的上述相应居民数量之后,则可以根据预测数据生成调整购物班车的发车次数的调配方案,按照选择居民数量的从大到小作为发车频次的依据,将网格单元G4的发车频次改为一天三次并将网格单元G5的发车频次改为一天一次,或者取消发往网格单元G5的购物班车并将网格单元G1和G4的发车频次均改为一天三次,以满足更多老人的采购需求。
另外,除了对上述社区的公车资源进行调配,还可以生成社区安防监控的调配方案,以对社区安防监控进行调配。例如,社区在东南西北四个方向上均具有出入口,在未进行资源调配之前,每个出入口配备的安防监控摄像头以及门卫人数是相同的。而在得到数量分布预测模块预测出的网格单元G1-G5的上述相应居民数量之后,由于预先得知去往网格单元G1-G3通常会选择出入口E1或E2,去往网格单元G4通常会选择出入口E2或E3,去往网格单元G5通常会选择出入口E4,则由于选择网格单元G5的人数预测为最少,因此可以将出入口E4的部分安防资源(摄像头和警力)调配到E2处。
并且,在对社区外的邻接街道上安排环卫人员时,或者在社区各出入口外侧投放共享单车时,或者在社区内的临近出入口处建设社区公共停车场以缓解社区内停车难问题时,均可以参考上述预测数据生成相应调配方案,以进行相应的服务资源调配,在与人流量较大的E1-E3出入口邻接的街道上相对多安排环卫人员,多投放共享单车和共享汽车,并建设公共停车场及绿化带。若多个出入口处均建设公共停车场,则在整体用地紧张的情况下为E1-E3出入口处建设的停车场配有更多的停车位。
同时,若由于城市发展的原因,空间范围S内新建了配套商业服务设施,或者新开发了一个居民社区,则新建的商业服务设施对于空间范围S内的原有社区来说,又多了一种满足生活服务需求的选择,可以通过实施本实施例的系统来预测加入新配套商业服务设施之后的居民选择数量,而也可以通过实施本实施例的系统来预测新开发的居民社区内的居民对于当前各网格单元的选择情况。
本实施例通过神经网络模型计算目标社区内各居民对外界以网格为单位满足居民生活需服务需求的各网格单元的选择行为倾向度,据此预测出选择各网格单元的居民数量,能够更为科学地及更为真实准确地对空间范围内居民选择性进行仿真,并依据选择的居民数量来对社区服务资源进行调配,更好地满足了居民自身对生活服务的需求,优化了社区服务资源的利用率,最大化了资源利用效果,并降低了社区成本;同时还能够使社区能够适应城市高速发展带来的城市要素高变化性,在由城市要素变化引起居民在选择满足生活服务需求的目的地上发生变化时,能够通过对社区资源的调配来更好地为社区居民的生活服务需求而服务。
为了使网格单元的内的各生活服务设施档次较为统一,进而使得各类型居民对各网格单元的选择更为一致,在一种实施方式中,网格单元规划模块依据居民生活服务需求中包含的各项需求的档次等级进行网格单元的划分,使得同一网格单元内的与各项需求对应的城市设施之间的等级之差不超过等级阈值。
以居民生活服务需求包含购物项和饮食项为例,购物的商店和饮食的餐馆均可被分为高、中、低三个档次等级,假设设定空间范围S内同时有廉价超市、低端餐馆、购物中心和豪华饭店时,则网格单元规划模块在规划网格单元时,会把同属于低档次的廉价超市和低端餐馆规划到同一网格单元,并将同属于高档次的购物中心和豪华饭店规划到另一网格单元。
在包含有收入水平的神经网络模型中,月收入过五万的居民对购物中心以及豪华饭店的倾向度均较高,月收入不过万的居民对廉价超市以及低端餐馆的倾向度也均较高,使得居民对两个网格单元的倾向较为一致,提高了居民选择的准确性以及和选择的网格之间的契合度。若将廉价超市和豪华饭店规划到同一网格,并将购物中心和低端餐馆规划到另一网格,则该两类居民最这两个网格的整体倾向度都会有所降低。
等级阈值的作用是将同一网格单元内的各生活服务设施之间的档次差距限制在一个可以接受的范围内,以避免互相不适配的设施出现在同一网格单元内,影响到居民的选择。例如在将设施分为上述三个档次等级时,可以将等级阈值设为一档,即高档设施可以和中档设施搭配,但不能和低档设施搭配。
由于目标社区中各居民类型是可以通过调查得知的,因此在目标社区内的居民在个人情况上较为相似的情况下,可以据此先对网格单元进行筛选,以在社区资源较为紧张时,优选供应绝大部分人享受社区资源。因此在一种实施方式中,该系统还包括网格单元筛选模块。网格单元筛选模块用于从网格单元规划模块规划出的网格单元中筛选出档次等级与目标社区相适配的网格单元。
假设目标社区C2为低档社区,则其居民通常均为收入水平较低的类型,此时由于社区公共资源较为紧张,例如通勤车和购物班车的数量较少,则可以在网格单元规划模块规划出网格单元后,利用网格单元筛选模块先对这些网格进行筛选,把其中集中了大部分居民不会选择的高档设施的网格单元排除,并把剩余的集中了大部分居民会选择的低档设施的网格单元保留,并如图1中虚线所示,倾向度运算模块输入神经网络模型的网格特征量对应于网格单元筛选模块筛选出来的这些保留的网格单元,而不输入被筛除的网格单元的网格特征量,并且放入的神经网络模型也大都是对应于收入水平较低等类型的模型。通过预先筛除掉被选择性较差的网格,使得调度方案生成模块生成的方案只针对保留下来的选择性较好的网格,符合社区内大部分居民的利益。
其中,网格单元的档次等级通过网格单元内与各项需求对应的城市设施的等级综合计算得到,例如将网格单元内的各生活设施的档次求平均,得到的档次等级即为该网格单元的等级。
在一种实施方式中,在网格单元规划模块规划出的多个网格单元中,其中一个网格单元与剩余至少一个网格单元存在有区域重叠的情况下,网格单元规划模块重新规划网格单元,使得所有网格单元均不存在区域重叠。
由于前文所述中网格单元规划模块可能会将档次相近和相同的生活服务设施划分为一个网格单元,而由此可能会引发两个网格单元之间出现区域重叠的现象,此时若重叠区域面积相对于这两个网格单元中的任一个的占比过大时,则重新规划网格单元,优先保证网格单元之间无重叠或仅有较小的区域重叠,并在网格单元无重叠或仅有较小的区域重叠的情况下,再寻求能够将档次相近或相同的生活服务设施划分到同一网格单元内。
在一种实施方式中,该系统还包括因素转化模块。因素转化模块用于将获取到的多个网格单元的外部网格因素进行转化,得到多个网格单元的网格特征量。如图1中虚线所示,若要得到网格单元的网格特征量,可以先获取网格单元的外部网格因素,然后再将其转化为网格特征量,并作为倾向度运算模块输入神经网络模型的输入量。
其中,外部网格因素包括以下至少一项:商品和服务的质量等级,商品和服务的价格,商品和服务的提供者数量,商品和服务提供场所的环境档次,路程距离,交通便利程度。质量等级代表着商品和服务的品质高低,购物中心的商品品质通常高于小型超市的商品品质。提供者数量代表着设施规模的大小,购物中心的员工数量通常多于小型超市的员工数量。环境档次代表着设施的所属圈子的高低,购物中心通常位于豪华商业街或四周围绕有地标建筑,小型超市则通常紧邻于其他同规模的底商。路程距离是指从目标社区去往目的地的实际出行距离,交通便利程度是达成该路程距离的方便程度,例如社区附近是否有地铁以及社区附近公交站的数量。
在一种实施方式中,网格特征量表示为:
其中,i=[1,k],k为网格单元规划模块规划出的网格单元的数量。
为第i个网格单元对居民的路程影响因子,di表示第i个网格单元与目标社区之间的路程距离,与di呈反比。网格单元距离目标社区C1越远,该网格单元对其的影响越小,此种设置可以理解为:人们通常更乐意去距离较近的购物中心而不去同等档次但位置较远的购物中心。
βi(pi)为第i个网格单元对居民的价格影响因子,pi表示第i个网格单元提供商品和服务价格,βi(pi)与pi呈反比。此种设置可以理解为:对于同样的商品和服务,人们更乐意花费更少的费用去得到。
γi(qi,ei,ti)为第i个网格单元对居民的质量影响因子,qi表示第i个网格单元提供商品和服务的质量,ei表示第i个网格单元商品和服务提供场所的环境档次,ti表示目标社区去往第i个网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。商品和服务的质量越高,商品和服务的提供场所(或者说网格单元)的环境档次越高,去往该提供商品和服务的场所的方便程度越高,网格单元代表的质量就越高。
通过将路程距离、价格、质量、环境和交通等因素加入到网格特征量中,使得网格特征量能够更加真实地反映出网格单元内各生活服务设施对目标社区居民的影响,以及网格单元内各生活服务设施提供商品和服务的能力,使得最终的预测结果更加准确并贴近真实。
在一种实施方式中,本系统还包括居民划分模块和模型建立模块。居民划分模块用于按照居民的个人情况对居民的类型进行划分。
在倾向度运算模块将网格特征量输入各类居民选择行为神经网络模型之前,需要预先建立能够分别对应多种个人情况不同的居民的神经网络模型。因此通过居民划分模块对目标社区C1的居民类型进行划分,也就是利用内因的不同进行居民类型的区分。
划分的依据为居民的个人情况,具体的划分项包括以下至少一项:年龄,交通能力,收入水平,个人偏好,家庭状况,健康状况,消费水平。最终得到多种贴近于现实人群类型的居民。其中,年龄可能对居民生活服务需求中的饮食、娱乐、健身、医疗、工作的选择有一定影响;交通能力也就是出行方式,代表居民出行的最常用方式;收入水平和消费水平对几乎所有生活服务需求的选择都有影响;个人偏好可以是健身、攀岩、收藏等;家庭状况可能对医疗、教育的选择有一定影响;健康状况可能对医疗有一定影响。
得到的居民类型的数量为采用的划分项中每一项的划分档数量之积,例如年龄从12岁到50岁分为4档,收入水平按平均月收入分为3档,消费水平按平均月消费额分为3档,共计n=24种不同类型的居民。
神经网络模型的类型通常会较多,而对于设定空间范围S的范围来说,通常只会用到部分类型的神经网络模型,例如目标社区C1位于一线城市的热点区域,并且附近有一些新兴科技产业园区,则社区居民的年龄通常较年轻,收入水平和消费水平通常较高,因此高龄类和低收入低消费类类型的神经网络模型被放入该设定空间范围的数量会很少,甚至不放入,以贴近于真实情况。
模型建立模块用于依据居民划分模块划分出的居民类型作为模型类型建立居民选择行为神经网络模型,以使各类神经网络模型能够分别对应个人情况不同的居民。通过按照居民的真实生活情况对居民进行类型划分,使得神经网络模型更加真实,也使得预测的选择结果更贴近于真实情况。
在模型建立模块建立了多种类型的居民选择行为神经网络模型之后,还需要采集真实人员居民选择行为的真实样本,以样本训练该模型,使得该模型所产生的选择行为倾向度的输出与真实选择人口居民的真实行为最大化匹配,因此在一种实施方式中,该系统还包括用于训练神经网络模型的模型训练模块。模型训练模块包括样本确定单元、数据采集单元和模型训练单元。
样本确定单元用于确定出若干种个人情况不完全相同的若干居民作为居民样本。具体来说,可以收集例如10000个人员作为样本,这些样本覆盖不同的个人情况,例如覆盖不同的年龄,交通能力,收入水平,个人偏好,家庭状况,健康状况,消费水平,这些个人情况的要素分别对应于若干类别的神经网络模型。
数据采集单元用于采集样本确定单元确定的居民样本的实际选择行为,例如对若干居民的选择进行追踪,并算出与实际选择行为相应的网格特征量,例如统计居民选择哪些生活服务设施,进而确定出居民选择的哪个或哪些网格单元,并通过因素转化模块计算这些网格单元对应的特征量。
模型训练单元用于将数据采集单元算出的网格特征量输入神经网络模型,基于神经网络模型输出的选择行为倾向度与数据采集单元采集的相应样本居民的实际选择行为之间的匹配程度,调整神经网络模型的神经元参数,直至匹配程度满足要求。
居民选择行为神经网络模型可以采用多层神经网络模型,例如BP神经网络模型。BP神经网络模型的核心是BP算法,BP算法计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。
在模型建立模块建立神经网络模型时,以及在模型训练模块训练神经网络模型时,都是不涉及具体城市空间的场景的,而只是建立和训练一个通用模型,例如单独对于某个模型来说,其对包含有廉价超市和低端餐馆的网格单元的倾向度是80,此时并不考虑社区的所在位置,也不考虑该网格单元的具体所在位置。只有将神经网络模型投入到实际的目标社区中并通过该系统进行居民选择数量分布预测时,才会反映出设定区域范围内各网格单元刺激该神经网络模型带来的影响,进而根据该影响实现预测。
根据前文可知,通过网格单元筛选模块能够预先筛除与目标社区档次不匹配的网格单元,最终使得调度方案生成模块只对经筛除后保留下来的与目标社区档次适配的网格单元进行社区资源调配。而在一种实施方式中,调度方案生成模块算出各网格单元居民数量的平均值,并以平均值为基准对离散程度超出居民数量离散阈值的网格单元生成社区服务资源调配方案,其所起到的效果和网格单元筛选模块大致相同。
具体的,在网格单元规划模块规划出网格单元G1-G5之后,可以不通过网格单元筛选模块进行筛选,并直接通过倾向度运算模块进行倾向度运算,然后经数量分布预测模块进行居民数量分布预测,得到对网格单元G1-G5发生选择行为的相应居民的数量N1-N5依次为:430、190、200、660、60,求得五个网格单元的居民选择数量平均值Avg为(N1+N2+N3+N4+N5)/5=308。
然后计算居民数量N1-N5相对于平均值的离散程度,例如可以通过标准差来计算N1-N5的离散程度,并以算出的标准差SD为离散阈值,对居民选择数量不在Avg±SD范围之内的网格单元进行资源调配,其中,对居民选择数量超出Avg+SD的网格单元增加资源布控,而对居民选择数量低于Avg-SD的网格单元减少资源布控。或者通过居民数量N1-N5与平均值Avg之差的绝对值作为评价离散程度的量值,并单独设置一个离散阈值,例如以Avg/5作为离散阈值。后续资源调配方式同上。此种方式为资源相对调配的方式,也就是将居民选择数量较少的一方所占的资源挪出一部分供居民选择数量较多的一方使用,为实施资源调度提供了一种新的方式,能够适用于社区资源较为有限时的资源调配。
可以理解的是,也可以在使用网格单元筛选模块的同时实施上述离散阈值筛选,在社区资源有限的情况下,进一步使得资源能够物尽其用地为更多数人服务。
另外,调度方案生成模块还可以依据数量分布预测模块预测的居民数量分布得到居民数量排名,并依据居民数量排名生成社区服务资源调配方案。以上述N1-N5为例,居民选择数量从多到少依次为:N4-N1-N3-N2-N5,则可以依据该数量排名将资源按照从多到少的量进行调配,此时选择每个网格单元的居民均能享受到资源,此种情况更多地适用于社区资源充裕的情况。或者设置排名阈值,只对选择排名前60%的网格单元G4、G1和G3的居民安排资源,而将排名后40%的网格单元G2和G5的居民享受的资源挪用给选择排名前60%的的网格单元的居民,此种情况更多地适用于社区资源有限的情况。
通过提供上述多种方式,使得资源调配的方式多样化,满足各种不同的社区情景。
为了能够在设定空间范围内进行更复杂更详细的居民选择性预测,在一种实施方式中,该系统还包括预测数据整合模块。预测数据整合模块用于对多个目标社区相对于网格单元规划模块规划出的各网格单元的居民数量分布进行整合,得到多个目标社区的整体居民数量分布。也就是说,在通过数量分布预测模块得到了目标社区C1的居民数量分布之后,继续从设定区域范围S内选择另一个目标社区C2并实施该系统,进而得到目标社区C2的居民数量分布。假设共得到了三个目标社区的居民数量分布,则可以将三个目标社区的居民数量按照所选择的网格单元进行整合,将选择同一网格单元的不同目标社区的居民数量进行比较,得到三个目标社区的选择各网格单元的居民数量之比。
并且,调度方案生成模块还用于依据整体居民数量分布生成对多个目标社区的整体服务资源调配方案。例如目标社区C1-C3中选择网格单元G1的数量之比为43:27:135,选择网格单元G2的数量之比为19:63:214,则可以根据各目标社区对网格单元的居民数量之比,对各目标社区的资源进行整体规划调配,例如社区C3选择网格G1和G2的居民人数明显多于社区C1和C2,则可以在社区C1和C2的通勤车较为富裕但社区C3的通勤车较为不足时,更改社区C1和C2的通勤路线,先经过社区C3并搭载一部分社区C3的居民,然后再向各网格单元行驶。或者,在社区C3的通勤车较为富裕但社区C1和C2为配置通勤车时,可以更改社区C3的通勤路线,先经过社区C1和C2并搭载一部分社区C1和C2的居民,然后再向各网格单元行驶。
对于购物班车的发车频次、社区安防监控的位置、安排环卫人员的数量等均可参照通勤车的调配模式进行调配,其中心思想就是以多个目标社区为一个整体,统筹规划社区服务资源,避免发生社区之间的资源不均导致的资源浪费,最大程度地使社区资源实现物尽其用、物得其所的效果。
对于社区周边的其他设施单位,也就是设定区域范围S内的各生活服务设施来说,也存在更好地为各社区内的群众服务的需求。政府单位会对需要履行的职能职责进行合理安排和优化,例如银行需要开设足够数量的窗口来满足人们的业务需求,公安局需要安排合理数量的巡逻和警卫人员到临时大型活动举办现场附近进行安保巡逻,而为了与各社区的群众建立更紧密的商业联系,更好地满足消费者的消费需求,商业服务单位会调整自身的营业方式,例如大型百货商厦会招商满足特定条件的店铺以面向更多符合产品定位的顾客,超市会引进满足特定条件的商品以更好的满足消费者需求。为了满足周边设施单位更好地为各社区内的群众服务的需求,在一种实施方式中,预测数据整合模块还用于利用整体居民数量分布,生成对网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案。
得到整体居民数量分布后,相当于得知了设定区域范围S内的三个社区中,共计有多少人选择网格单元G1寻求服务,以及剩余各网格单元的选择居民总人数。通过对总人数的数量进行比较,可以得知网格单元吸引居民的总人数的从多到少的排序。
设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。例如,位于设定目标范围S内的多个银行可以据此来安排各银行受理窗口开设的数量,被较多居民需求服务的网格单元中的银行所开设的受理窗口被设置为多于被较少居民需求服务的网格单元中的银行所开设的受理窗口,以在满足居民储蓄等业务需求的同时节约人力成本。负责管辖设定目标范围S的公安局可以据此安排巡逻人力,对于吸引较多居民的网格单元,需要多安排一些巡逻警力以及安保人员。吸引较多居民的网格单元内的购物中心也可以根据所吸引居民的类型,引进符合其购物需求的商品,并根据吸引居民的数量来决定商品的进货量及进货周期。
下面参考图3详细描述本发明公开的基于网格单元的社区居民服务调度方法第一实施例,本实施例是实施前述社区居民服务调度系统第一实施例的方法。
如图3所示,本实施例公开的社区居民服务调度方法主要包括以下步骤:
步骤100,在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元。
步骤200,将表示多个网格单元在网格单元选择上对目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,得到各居民对多个网格单元的选择行为倾向度。其中,各类神经网络模型分别对应个人情况不同的居民,
步骤300,基于各选择行为倾向度预测出分别对多个网格单元发生选择行为的相应居民的数量分布。
步骤400,依据数量分布生成对目标社区的社区服务资源调配方案。其中,社区服务资源调配方案包括交通出行、安防监控、环卫、停车调配方案中的至少一项。
在一种实施方式中,在步骤100中,以目标社区为中心的设定空间范围内规划网格单元。
在一种实施方式中,该方法还包括:步骤110,依据居民生活服务需求中包含的各项需求的档次等级进行网格单元的划分,使得同一网格单元内的与各项需求对应的城市设施之间的等级之差不超过等级阈值。
在一种实施方式中,该方法还包括:步骤120,从规划出的网格单元中筛选出档次等级与目标社区相适配的网格单元。其中,网格单元的档次等级通过网格单元内与各项需求对应的城市设施的等级综合计算得到,输入神经网络模型的网格特征量对应于筛选出来的网格单元。
在一种实施方式中,在步骤100中,在规划出的多个网格单元中,其中一个网格单元与剩余至少一个网格单元存在有区域重叠的情况下,该方法还包括:步骤130,重新规划网格单元,使得所有网格单元均不存在区域重叠。
在一种实施方式中,居民生活服务需求包括购物、饮食、金融、娱乐、健身、医疗、教育、通信、工作、水电需求中的至少一项。
在一种实施方式中,在步骤200之前,该方法还包括:步骤A,将获取到的多个网格单元的外部网格因素进行转化,得到多个网格单元的网格特征量。其中,外部网格因素包括以下至少一项:商品和服务的质量等级,商品和服务的价格,商品和服务的提供者数量,商品和服务提供场所的环境档次,路程距离,交通便利程度。
在一种实施方式中,网格特征量表示为:
其中,i=[1,k],k为网格单元规划模块规划出的网格单元的数量,为第i个网格单元对居民的路程影响因子,di表示第i个网格单元与目标社区之间的路程距离,与di呈反比,βi(pi)为第i个网格单元对居民的价格影响因子,pi表示第i个网格单元提供商品和服务价格,βi(pi)与pi呈反比,γi(qi,ei,ti)为第i个网格单元对居民的质量影响因子,qi表示第i个网格单元提供商品和服务的质量,ei表示第i个网格单元商品和服务提供场所的环境档次,ti表示目标社区去往第i个网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。
在一种实施方式中,在步骤200之前,该方法还包括:步骤B,按照居民的个人情况对居民的类型进行划分。依据划分出的居民类型作为模型类型建立居民选择行为神经网络模型,以使各类神经网络模型能够分别对应个人情况不同的居民。其中,个人情况包括以下至少一项:年龄,交通能力,收入水平,个人偏好,家庭状况,健康状况,消费水平。
在一种实施方式中,在步骤200之前,该方法还包括:步骤C,训练神经网络模型,其中,训练神经网络模型包括:确定出个人情况不同的若干居民作为居民样本。确定居民样本实际选择的网格单元,并算出与实际选择相应的网格特征量。将算出的与实际选择相应的网格特征量输入神经网络模型,基于神经网络模型输出的选择行为倾向度与数据采集单元采集的相应样本居民的实际选择之间的匹配程度,调整神经网络模型的神经元参数,直至匹配程度满足要求。
在一种实施方式中,居民选择行为神经网络模型采用BP神经网络模型。
在一种实施方式中,在步骤400中,该方法还包括:步骤D1,算出各网格单元居民数量的平均值,并以平均值为基准对离散程度超出居民数量离散阈值的网格单元生成社区服务资源调配方案。或者,步骤D2,依据预测的居民数量分布得到居民数量排名,并依据居民数量排名生成服务资源调配方案。
在一种实施方式中,该方法还包括:步骤500,对多个目标社区相对于规划出的各网格单元的居民数量分布进行整合,得到多个目标社区的整体居民数量分布。并且,依据整体居民数量分布生成对多个目标社区的整体服务资源调配方案。
在一种实施方式中,该方法还包括:步骤510,利用整体居民数量分布,生成对网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案。其中,设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。
在一种实施方式中,社区服务资源调配方案包括对以下至少一项的调配:通勤车和/或购物班车的行车路线和/或发车频次,社区各出入口的安防监控力度,社区各出入口邻接街道的环卫力度,各出入口的交通工具投放数量,新建停车场的选址及车位数量。
需要说明的是: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,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作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。
本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分,在实际实现时可以有其他的划分方式,例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的,也可以是不分开的。作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个具体地方,也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于网格单元的社区居民服务调度系统,其特征在于,包括:
网格单元规划模块,用于在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元;
倾向度运算模块,用于将表示所述多个网格单元在网格单元选择上对所述目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,得到各居民对所述多个网格单元的选择行为倾向度;
数量分布预测模块,用于基于各所述选择行为倾向度预测出分别对所述多个网格单元发生选择行为的相应居民的数量分布;
调度方案生成模块,用于依据所述数量分布生成对所述目标社区的社区服务资源调配方案;
其中,所述各类神经网络模型分别对应个人情况不同的居民,所述社区服务资源调配方案包括交通出行、安防监控、环卫、停车调配方案中的至少一项。
2.如权利要求1所述的系统,其特征在于,所述网格特征量表示为:
其中,i=[1,k],k为所述网格单元规划模块规划出的网格单元的数量,
为第i个所述网格单元对居民的路程影响因子,di表示第i个所述网格单元与所述目标社区之间的路程距离,与di呈反比,
βi(pi)为第i个所述网格单元对居民的价格影响因子,pi表示第i个所述网格单元提供商品和服务价格,βi(pi)与pi呈反比,
γi(qi,ei,ti)为第i个所述网格单元对居民的质量影响因子,qi表示第i个所述网格单元提供商品和服务的质量,ei表示第i个所述网格单元商品和服务提供场所的环境档次,ti表示所述目标社区去往第i个所述网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。
3.如权利要求1所述的系统,其特征在于,所述调度方案生成模块算出各所述网格单元居民数量的平均值,并以所述平均值为基准对离散程度超出居民数量离散阈值的所述网格单元生成所述社区服务资源调配方案;或者,
所述调度方案生成模块依据所述数量分布预测模块预测的居民数量分布得到居民数量排名,并依据所述居民数量排名生成所述社区服务资源调配方案。
4.如权利要求1或3所述的系统,其特征在于,该系统还包括:
预测数据整合模块,用于对多个目标社区相对于所述网格单元规划模块规划出的各网格单元的居民数量分布进行整合,得到所述多个目标社区的整体居民数量分布;
并且,调度方案生成模块还用于依据所述整体居民数量分布生成对所述多个目标社区的整体服务资源调配方案。
5.如权利要求4所述的系统,其特征在于,所述预测数据整合模块还用于利用所述整体居民数量分布,生成对所述网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案;
其中,所述设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。
6.一种基于网格单元的社区居民服务调度方法,其特征在于,包括:
在设定空间范围内针对目标社区规划出多个能够满足居民生活服务需求的网格单元;
将表示所述多个网格单元在网格单元选择上对所述目标社区居民影响程度的网格特征量输入各类居民选择行为神经网络模型,得到各居民对所述多个网格单元的选择行为倾向度;
基于各所述选择行为倾向度预测出分别对所述多个网格单元发生选择行为的相应居民的数量分布;
依据所述数量分布生成对所述目标社区的社区服务资源调配方案;
其中,所述各类神经网络模型分别对应个人情况不同的居民,所述社区服务资源调配方案包括交通出行、安防监控、环卫、停车调配方案中的至少一项。
7.如权利要求6所述的方法,其特征在于,所述网格特征量表示为:
其中,i=[1,k],k为所述网格单元规划模块规划出的网格单元的数量,
为第i个所述网格单元对居民的路程影响因子,di表示第i个所述网格单元与所述目标社区之间的路程距离,与di呈反比,
βi(pi)为第i个所述网格单元对居民的价格影响因子,pi表示第i个所述网格单元提供商品和服务价格,βi(pi)与pi呈反比,
γi(qi,ei,ti)为第i个所述网格单元对居民的质量影响因子,qi表示第i个所述网格单元提供商品和服务的质量,ei表示第i个所述网格单元商品和服务提供场所的环境档次,ti表示所述目标社区去往第i个所述网格单元的交通便利程度,qi、ei和ti均与γi(qi,ei,ti)呈正比。
8.如权利要求6所述的方法,其特征在于,该方法还包括:
算出各所述网格单元居民数量的平均值,并以所述平均值为基准对离散程度超出居民数量离散阈值的所述网格单元生成所述社区服务资源调配方案;或者,
依据所述预测的居民数量分布得到居民数量排名,并依据所述居民数量排名生成所述社区服务资源调配方案。
9.如权利要求6或8所述的方法,其特征在于,该方法还包括:
对多个目标社区相对于所述规划出的各网格单元的居民数量分布进行整合,得到所述多个目标社区的整体居民数量分布;
并且,依据所述整体居民数量分布生成对所述多个目标社区的整体服务资源调配方案。
10.如权利要求9所述的方法,其特征在于,该方法还包括:
利用所述整体居民数量分布,生成对所述网格单元内满足居民生活服务需求的生活服务设施的设施服务资源调配方案;
其中,所述设施服务资源调配方案包括商品和服务引进、安防巡逻、人力资源调配方案中的至少一项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464624.1A CN110298550A (zh) | 2019-05-30 | 2019-05-30 | 基于网格单元的社区居民服务调度系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464624.1A CN110298550A (zh) | 2019-05-30 | 2019-05-30 | 基于网格单元的社区居民服务调度系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298550A true CN110298550A (zh) | 2019-10-01 |
Family
ID=68027360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464624.1A Pending CN110298550A (zh) | 2019-05-30 | 2019-05-30 | 基于网格单元的社区居民服务调度系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298550A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798098A (zh) * | 2020-06-08 | 2020-10-20 | 北京城市象限科技有限公司 | 基础设施资源的调配方法、装置、电子设备及存储介质 |
CN111985892A (zh) * | 2020-08-07 | 2020-11-24 | 甘肃安康通养老服务有限责任公司 | 一种可持续的互联网养老生态圈服务平台系统 |
CN113052393A (zh) * | 2021-04-09 | 2021-06-29 | 新奥数能科技有限公司 | 一种企业选址方法及装置 |
CN114613187A (zh) * | 2022-05-13 | 2022-06-10 | 佛山市城市规划设计研究院 | 一种公交线路设置方法、装置、电子设备及存储介质 |
CN116011798A (zh) * | 2023-03-29 | 2023-04-25 | 南京宏景安网络科技有限公司 | 一种用于智慧城市的居民网格化管理调配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750411A (zh) * | 2012-06-19 | 2012-10-24 | 中国地质大学(武汉) | 基于多智能体离散选择模型城市动态微观仿真方法 |
CN102968672A (zh) * | 2012-11-27 | 2013-03-13 | 中国地质大学(武汉) | 基于住房选择的智能城市规划模型动态微观仿真方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
-
2019
- 2019-05-30 CN CN201910464624.1A patent/CN110298550A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750411A (zh) * | 2012-06-19 | 2012-10-24 | 中国地质大学(武汉) | 基于多智能体离散选择模型城市动态微观仿真方法 |
CN102968672A (zh) * | 2012-11-27 | 2013-03-13 | 中国地质大学(武汉) | 基于住房选择的智能城市规划模型动态微观仿真方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
张建友: "基于营销网格的汽车营销资源优化配置研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798098A (zh) * | 2020-06-08 | 2020-10-20 | 北京城市象限科技有限公司 | 基础设施资源的调配方法、装置、电子设备及存储介质 |
CN111985892A (zh) * | 2020-08-07 | 2020-11-24 | 甘肃安康通养老服务有限责任公司 | 一种可持续的互联网养老生态圈服务平台系统 |
CN113052393A (zh) * | 2021-04-09 | 2021-06-29 | 新奥数能科技有限公司 | 一种企业选址方法及装置 |
CN113052393B (zh) * | 2021-04-09 | 2024-03-08 | 新奥数能科技有限公司 | 一种企业选址方法及装置 |
CN114613187A (zh) * | 2022-05-13 | 2022-06-10 | 佛山市城市规划设计研究院 | 一种公交线路设置方法、装置、电子设备及存储介质 |
CN114613187B (zh) * | 2022-05-13 | 2022-07-12 | 佛山市城市规划设计研究院 | 一种公交线路设置方法、装置、电子设备及存储介质 |
CN116011798A (zh) * | 2023-03-29 | 2023-04-25 | 南京宏景安网络科技有限公司 | 一种用于智慧城市的居民网格化管理调配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298550A (zh) | 基于网格单元的社区居民服务调度系统和方法 | |
Shavarani et al. | A congested capacitated multi-level fuzzy facility location problem: An efficient drone delivery system | |
Adiyia et al. | Analysing governance in tourism value chains to reshape the tourist bubble in developing countries: The case of cultural tourism in Uganda | |
Damayanti et al. | Coopetitive behaviours in an informal tourism economy | |
Haque et al. | Optimizing urban land use allocation for planners and real estate developers | |
Pourahmad et al. | Combination of fuzzy-AHP and DEMATEL-ANP with GIS in a new hybrid MCDM model used for the selection of the best space for leisure in a blighted urban site | |
Chalfin | Border zone trade and the economic boundaries of the state in north-east Ghana | |
CN109074622A (zh) | 确定运输服务路线的系统及方法 | |
CN109636679A (zh) | 一种基于人工智能的交互式旅游行程规划方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN109214952A (zh) | 一种旅游者决策模型构建方法 | |
Ding et al. | Determinants of tourism attractiveness for Taiwan’s offshore islands | |
Webster et al. | An international study on land‐use and transport interaction | |
Shpak et al. | Strategic planning of the recreational and tourism industry development: the Ukrainian evidence | |
CN110334835A (zh) | 基于个体行为建模的流动人口智能预测管理方法及系统 | |
Zhang et al. | Spatial location-allocation modeling of bike sharing systems: a literature search | |
Lähteenoja et al. | The ecological rucksack of households: huge differences, huge potential for reduction | |
Maat | Built environment and car travel: Analyses of interdependencies | |
Casado-Vara et al. | GarbMAS: simulation of the application of gamification techniques to increase the amount of recycled waste through a multi-agent system | |
Rahmani et al. | Identifying and Prioritizing Innovative Opportunities for Tourism Investment in Mashhad City | |
Daisy | Microsimulation of activity participation, tour complexity, and mode choice within an activity-based travel demand model system | |
Windarti | Evaluation of the Impacts of Urban Tourism: The Case of Bandung City, Indonesia | |
Limonta et al. | Supporting retail planning with territorial models: Approaches, innovations, and opportunities | |
Mohamed et al. | Assessing The Non-Aviation Services for Optimizing the Dwell Time Spent by Air Passengers | |
Cantuarias-Villessuzanne et al. | Clustering of European Smart Cities to Understand the Cities’ Sustainability Strategies. Sustainability 2021, 13, 513 |
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: 20191001 |