CN112101734A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112101734A CN112101734A CN202010833980.9A CN202010833980A CN112101734A CN 112101734 A CN112101734 A CN 112101734A CN 202010833980 A CN202010833980 A CN 202010833980A CN 112101734 A CN112101734 A CN 112101734A
- Authority
- CN
- China
- Prior art keywords
- city
- cities
- vitality
- sets
- urban
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000000556 factor analysis Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002085 persistent effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- G06Q10/0639—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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了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,该发明属于一种数字城市规划新技术研发范畴,方法包括:实时采集多个城市连续时刻的城内出行强度数据;基于多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标;根据多个城市之间的相似度指标对多个城市进行聚类,生成多种类型的城市集合;接收城市活力恢复模式确定指令,基于指令确定出多种类型的城市集合中各类型城市集合的城市活力恢复模式;基于预设关联关系获取各类型城市集合的城市活力恢复模式对应的多项影响因子;采用多变量回归模型分析各类型城市集合的多项影响因子对各类型城市集合的驱动机制。因此,采用本申请实施例,通过分析影响因子和影响机制来因城施策、因情施策,从而提高城市的恢复效率。
Description
技术领域
本发明属于数字城市规划新技术研发的范畴,特别涉及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。
背景技术
城市历来是人类社会财富的主要创造者、拥有者和消费者,它既是人类生存的主要场所,又是人类发展的重要基地。毋庸置疑,城市对于推动人类社会进步发挥着不可替代的作用,保持城市生态系统健康对实现人类社会可持续发展至关重要。当经历某些重大的持续性风险冲击(如新冠疫情)后,城市往往需要经历一个活力恢复的过程,在此过程中不同城市的活力恢复过程差别巨大,因此准确的评估城市的恢复状况,系统梳理影响因子和影响机制,可以加快城市的灾后恢复。
现有的技术手段多针对自然灾害为主的短期爆发性风险,此类风险具有持续时间短、瞬时破坏大的特征,灾害冲击和城市恢复这两个过程在时间上基本不重叠,因而研究往往关注灾后的恢复。反之,持续性的风险及其造成的破坏可能绵延相当长的时间,这意味着城市必将长时间的处于风险冲击和自身恢复的双重作用之下,因此,急需一种针对持续性的风险的研究方法。
发明内容
本申请实施例提供了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。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种基于城市活力恢复曲线的城市分类方法,方法包括:
实时采集多个城市连续时刻的城内出行强度数据;
基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标;
根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合。
可选的,所述基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,包括:
将所述多个城市连续时刻的城内出行强度数据进行预处理,生成预处理后的城内出行强度数据;
基于所述预处理后的城内出行强度数据构建所述多个城市的活力变化曲线;
将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标。
可选的,所述将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标,包括:
根据预设算法求解所述多个城市的活力变化曲线中任意两条活力恢复曲线上各点之间的扭曲路径;
将所述各点之间的扭曲路径求和,生成多个城市的活力变化曲线之间的累积距离;
将所述多个城市的活力变化曲线之间的累积距离确定为所述多个城市之间的相似度指标。
可选的,所述根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合,包括:
将所述多个城市之间的相似度指标确定为变量;
从所述多个城市中选择不同聚类数量的城市集合,基于所述变量以及采用预设聚类算法将所述不同聚类数量的城市集进行聚类,生成多种聚类结果;
采用预设肘部系数法获取所述多种聚类结果中差异性最小的聚类结果;其中,所述差异性最小的聚类结果中包括多种类型的城市集合。
可选的,所述方法还包括:
输出所述差异性最小的聚类结果。
第二方面,本申请实施例提供了一种基于城市活力恢复曲线的城市分类方法,方法包括:
获取多种类型的城市集合;
接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
可选的,所述预设关联关系,包括:
采集所述多种类型的城市集合中各类型城市集合对应的时空大数据;
从所述各类型城市集合对应的时空大数据中获取各类型城市集合中各城市对应的多项影响因子;
建立所述活力恢复模式与多项影响因子的关联关系;
将所述关联关系确定为预设关联关系。
可选的,所述多项影响因子至少包括区域中心性、政府管制强度、医疗服务能力、外部输入风险。
第三方面,本申请实施例提供了一种基于城市活力恢复曲线的影响因子分析装置,装置包括:
集合获取模块,用于获取多种类型的城市集合;
恢复模式确定模块,用于接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
影响因子获取模块,用于基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
分析模块,用于采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
第四方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,基于城市活力恢复曲线的影响因子分析装置首先实时采集多个城市连续时刻的城内出行强度数据,再基于多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,再根据多个城市之间的相似度指标对多个城市进行聚类,生成多种类型的城市集合,然后接收城市活力恢复模式确定指令,基于指令确定出多种类型的城市集合中各类型城市集合的城市活力恢复模式,再基于预设关联关系获取各类型城市集合的城市活力恢复模式对应的多项影响因子,最后采用多变量回归模型分析各类型城市集合的多项影响因子对各类型城市集合的驱动机制。由于本申请通过准确的评估城市的恢复状况,系统梳理影响因子和影响机制,进行因地施策、因情施策,从而提高城市的恢复效率,加强了对未来类似突发事件的防范和应对。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于城市活力恢复曲线的影响因子分析方法的流程示意图;
图2是本申请实施例提供的一种根据本发明实施例的城市活力恢复曲线相似度测量方法流程框图;
图3是本申请实施例提供的一种城市分类及其影响因子分析方法中的城市活力恢复模式聚类的流程框图;
图4是本申请实施例提供的一种城市分类及其影响因子分析方法中的影响机制分析方法的流程框图;
图5是本申请实施例提供的一种城市分类及其影响因子分析方法的详细流程图;
图6是本本申请实施例提供的另一种基于城市活力恢复曲线的影响因子分析方法的流程示意图;
图7是本申请实施例提供的一种城市分类及其影响因子分析方法示例图;
图8是本申请实施例提供的一种基于城市活力恢复曲线的影响因子分析装置的结构示意图;
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,现有的技术手段多针对自然灾害为主的短期爆发性风险,此类风险具有持续时间短、瞬时破坏大的特征,灾害冲击和城市恢复这两个过程在时间上基本不重叠,因而研究往往关注灾后的恢复。反之,持续性的风险及其造成的破坏可能绵延相当长的时间,这意味着城市必将长时间的处于风险冲击和自身恢复的双重作用之下,因此,急需一种针对持续性的风险的研究方法。为此,本申请提供了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,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请通过准确的评估城市的恢复状况,系统梳理影响因子和影响机制,进行因地施策、因情施策,从而提高城市的恢复效率,加强了对未来类似突发事件的防范和应对,下面采用示例性实施例进行详细说明。
下面将结合附图1-附图7,对本申请实施例提供的基于城市活力恢复曲线的影响因子分析方法进行详细介绍。
请参见图1,为本申请实施例提供了一种基于城市活力恢复曲线的影响因子分析方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,实时采集多个城市连续时刻的城内出行强度数据;
其中,出行强度数据为每个城市在单位时间内居民出行的数据,包括单位时间内的单程出行距离、平均出行次数以及出行率。
通常,针对多个城市连续时刻的城内出行强度数据进行数据采集时,可以从支持用户购票的软件厂商的数据库获取,也可以从火车站、机场等为用户提供出行服务的相应机关处获取,也可以通过部署在城市的摄像头采集人流数据进行计算得到城内出行强度。
在本申请实施例中,整理各城市的城内出行强度数据,将其处理为连续的时间序列变化数据,每一天的数值大小代表其当天的活力恢复情况。
在一种可能的实现方式中,在基于城市活力恢复曲线的城市分类及其影响因子分析时,首先需要采集多个城市连续时刻的城内出行强度数据,数据的采集方式根据实际场景选取,此处不做限定。
S102,基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标;
其中,相似度指标是多个城市的活力变化曲线转化的。多个城市的活力变化曲线是由多个城市连续时刻的城内出行强度数据所生成。
在本申请实施例中,首先将多个城市连续时刻的城内出行强度数据进行预处理,生成预处理后的城内出行强度数据,然后基于所述预处理后的城内出行强度数据构建所述多个城市的活力变化曲线,最后将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标。其中,对多个城市连续时刻的城内出行强度数据进行预处理包括时间戳整理、缺失值插值等操作。
进一步地,在将多个城市的活力变化曲线转化为多个城市之间的相似度指标时,首先根据预设算法求解多个城市的活力变化曲线中任意两条活力恢复曲线上各点之间的扭曲路径,然后将各点之间的扭曲路径求和,生成多个城市的活力变化曲线之间的累积距离,最后将多个城市的活力变化曲线之间的累积距离确定为多个城市之间的相似度指标。
具体的,例如对两个城市的城内出行强度变化曲线X=(x1,…,xN)和Y=(y1,…,yN)而言,首先算法求解两条曲线之间的扭曲路径(WarpingCurve)。然后计算各曲线的累计距离(AccumulatedDistance),计算公式为:
其中,为两条曲线之间的扭曲路径,为曲线X与曲线Y之间的点对应关系,K=1为第一个时间点,其在全部T个时间点上的集合即为扭曲路径,然后将两条曲线的最优距离表达为两个城市在恢复模式上的相似性,并通过动态规划方法求解:
在一种可能的实现方式中,在采集到多个城市连续时刻的城内出行强度数据后,接受各城市随时间变化的城内出行强度作为城市活力变化曲线输入,并将曲线转化为城市之间的相似度指标。
例如图2所示,图2是本申请实施例提供的城市活力恢复曲线相似度测量方法流程框图,在流程框图中,首先构建多个城市的城内出行强度变化曲线,再求解任意两条活力恢复曲线上各点之间的扭曲路径,再计算曲线之间的累积距离,最后求解最优累计距离,从而得到城市恢复模式相似性。
S103,根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合;
在一种可能的实现方式中,对所述多个城市进行聚类,生成多种类型的城市集合时,首先将所述多个城市之间的相似度指标确定为变量,然后从所述多个城市中选择不同聚类数量的城市集合,再基于所述变量以及采用预设聚类算法将所述不同聚类数量的城市集进行聚类,生成多种聚类结果,最后采用预设肘部系数法获取所述多种聚类结果中差异性最小的聚类结果;其中,所述差异性最小的聚类结果中包括多种类型的城市集合。
例如图3所示,图3是本申请实施例提供的城市分类及其影响因子分析方法中的城市活力恢复模式聚类的流程框图,首先将各城市活力恢复曲线的相似性作为变量,从多个城市中选择某一特定的聚类数量,然后使用K-MEANS方法将选择的城市分为指定数量的类别,再选择一系列不同的聚类数量,循环执行上述操作,得到不同的聚类结果,最后采用肘部系数法,将各类别内差异性最小的聚类方案,作为最终的聚类方案,并将最终的聚类结果输出。
S104,接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
其中,所述活力恢复模式是用户根据聚类后生成的不同类型的城市,采用人机交互的方式为每一种类型的城市确定出的城市活力恢复模式。
在一种可能的实现方式中,当基于步骤S103确定出不同类型的城市聚类结果后,实时检测是否收到用户针对客户端输入的城市活力恢复模式确定指令,在检测到城市活力恢复模式确定指令后,根据指令生成其对应的活力恢复模式,并针对每一种类型的城市集合关联其对应的城市活力恢复模式。
S105,基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
其中,预设关联关系是针对每一种城市活力恢复模式和影响因子之间确定的一种关系。影响因子是现已成为国际上通用的期刊评价指标,它不仅是一种测度期刊有用性和显示度的指标,而且也是测度期刊的学术水平,乃至论文质量的重要指标。在本申请中指城市活力恢复的指标。
具体的,在预设关联关系时,首先采集所述多种类型的城市集合中各类型城市集合对应的多源时空大数据,然后从所述各类型城市集合对应的时空大数据中获取各类型城市集合中各城市对应的多项影响因子,再建立所述活力恢复模式与多项影响因子的关联关系,最后将所述关联关系确定为预设关联关系。
在一种可能的实现方式中,当基于步骤S104确定出每一种类型城市集合对应的城市恢复模式之后,通过预先设置的关联关系获取每一种类型城市集合对应的城市恢复模式对应的多项影响因子,最后采用多变量回归模型分析各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
例如图4所示,图4是基于城市活力恢复曲线的城市分类及其影响因子分析方法流程图,首先获取包括各城市受灾人数、应急服务设施数量、城际人口流动数据等在内的时空大数据,提取得到各城市的风险冲击水平、应急服务水平、政府管制能力、外源输入风险等多项影响因子。最后将多种类型城市集合对应的城市活力恢复模式以及各城市的多项影响因子输入多变量Logistic模型(mlogit模型)探索各因子对城市恢复模式的内在影响(即各因子的影响机制分析)。
需要说明的是,多项影响因子至少包括区域中心性、政府管制强度、医疗服务能力、外部输入风险。
S106,采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
例如图5所示,图5是实施例的基于多源时空大数据的城市功能性收缩识别和评估方法的详细流程图,首先采集多个城市的出行强度数据,再多出行强度数据进行预处理,再根据预处理的数据求解各活力回复曲线之间的扭曲路径并计算累计距离,然后求解各活力恢复曲线相似度,再将各活力恢复曲线相似度作为变量并选择多个城市聚类样本进行聚类,以及采用肘部系数法确定最终的聚类结果,在得到最终的聚类结果后,确定每一种类型的城市集合对应的活力恢复模式以及通过关联关系确定多项影响因子(域中心性、政府管制强度、医疗服务能力、风险冲击),最后将多种类型城市集合对应的城市活力恢复模式以及各城市的多项影响因子输入多变量Logistic模型(mlogit模型)探索各因子对城市恢复模式的内在影响(即各因子的影响机制分析)。
在本申请实施例中,基于城市活力恢复曲线的影响因子分析装置首先实时采集多个城市连续时刻的城内出行强度数据,再基于多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,再根据多个城市之间的相似度指标对多个城市进行聚类,生成多种类型的城市集合,然后接收城市活力恢复模式确定指令,基于指令确定出多种类型的城市集合中各类型城市集合的城市活力恢复模式,再基于预设关联关系获取各类型城市集合的城市活力恢复模式对应的多项影响因子,最后采用多变量回归模型分析各类型城市集合的多项影响因子对各类型城市集合的驱动机制。由于本申请通过准确的评估城市的恢复状况,系统梳理影响因子和影响机制,进行因地施策、因情施策,从而提高城市的恢复效率,加强了对未来类似突发事件的防范和应对。
请参见图6,为本申请实施例提供的一种基于城市活力恢复曲线的影响因子分析方法的流程示意图。该基于城市活力恢复曲线的影响因子分析方法可以包括以下步骤:
S201,实时采集多个城市连续时刻的城内出行强度数据;
S202,将所述多个城市连续时刻的城内出行强度数据进行预处理,生成预处理后的城内出行强度数据;
S203,基于所述预处理后的城内出行强度数据构建所述多个城市的活力变化曲线;
S204,根据预设算法求解所述多个城市的活力变化曲线中任意两条活力恢复曲线上各点之间的扭曲路径;
S205,将所述各点之间的扭曲路径求和,生成多个城市的活力变化曲线之间的累积距离;
S206,将所述多个城市的活力变化曲线之间的累积距离确定为所述多个城市之间的相似度指标;
S207,将所述多个城市之间的相似度指标确定为变量;
S208,从所述多个城市中选择不同聚类数量的城市集合,基于所述变量以及采用预设聚类算法将所述不同聚类数量的城市集进行聚类,生成多种聚类结果;
S209,采用预设肘部系数法获取所述多种聚类结果中差异性最小的聚类结果;其中,所述差异性最小的聚类结果中包括多种类型的城市集合;
S210,接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
S211,基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
S212,采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
通过申请实施例的方法,得到一种将城市活力恢复曲线准确表达为可比较数值的方法,通过计算各城市在恢复曲线上的相似度,实现对城市恢复模式的分类,并探讨造成不同恢复模式的背后驱动机制。这种方法实现了持续风险冲击下城市恢复的有效度量,对于制定应急政策、提高城市的风险抵御能力等,均具有重要的作用。
为了便于理解本申请实施例提供的基于城市活力恢复曲线的影响因子分析方法,下面结合附图7进行说明。如图7所示,一种基于城市活力恢复曲线的影响因子分析方法,采用分层建模的方式,包括:
测量层为恢复模式相似度测量模块:该模块接受各城市随时间变化的城内出行强度作为城市活力变化曲线输入,并将曲线转化为城市之间的相似度指标。
聚类层为恢复模式聚类模块:采用机器学习方法,根据相似度指标对城市进行聚类,每一分类反映了其特有的城市活力恢复模式。
聚类评价层为影响机制分析模块:融合多项时空大数据,构建城市活力恢复模式的影响因子,并量化分析各因子的实际影响度,分析作用机制。
通过申请实施例的方法,得到一种将城市活力恢复曲线准确表达为可比较数值的方法,通过计算各城市在恢复曲线上的相似度,实现对城市恢复模式的分类,并探讨造成不同恢复模式的背后驱动机制。这种方法实现了持续风险冲击下城市恢复的有效度量,对于制定应急政策、提高城市的风险抵御能力等,均具有重要的作用。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图8,其示出了本发明一个示例性实施例提供的基于城市活力恢复曲线的影响因子分析装置的结构示意图。该基于城市活力恢复曲线的影响因子分析装置可以通过软件、硬件或者两者的结合实现成为设备的全部或一部分。该装置1包括集合获取模块10、恢复模式确定模块20、影响因子获取模块30、分析模块40。
集合获取模块10,用于获取多种类型的城市集合;
恢复模式确定模块20,用于接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
影响因子获取模块30,用于基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
分析模块40,用于采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
需要说明的是,上述实施例提供的基于城市活力恢复曲线的影响因子分析装置在基于城市活力恢复曲线的影响因子分析方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于城市活力恢复曲线的影响因子分析装置与基于城市活力恢复曲线的影响因子分析方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,基于城市活力恢复曲线的影响因子分析装置首先实时采集多个城市连续时刻的城内出行强度数据,再基于多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,再根据多个城市之间的相似度指标对多个城市进行聚类,生成多种类型的城市集合,然后接收城市活力恢复模式确定指令,基于指令确定出多种类型的城市集合中各类型城市集合的城市活力恢复模式,再基于预设关联关系获取各类型城市集合的城市活力恢复模式对应的多项影响因子,最后采用多变量回归模型分析各类型城市集合的多项影响因子对各类型城市集合的驱动机制。由于本申请通过准确的评估城市的恢复状况,系统梳理影响因子和影响机制,进行因地施策、因情施策,从而提高城市的恢复效率,加强了对未来类似突发事件的防范和应对。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的基于城市活力恢复曲线的影响因子分析方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的基于城市活力恢复曲线的影响因子分析方法。
请参见图9,为本申请实施例提供了一种电子设备的结构示意图。如图9所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,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)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9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城市活力恢复曲线的影响因子分析应用程序。
在图9所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的基于城市活力恢复曲线的影响因子分析应用程序,并具体执行以下操作:
实时采集多个城市连续时刻的城内出行强度数据;
基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标;
根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合;
接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
在一个实施例中,处理器1001在执行基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标时,具体执行以下操作:
将所述多个城市连续时刻的城内出行强度数据进行预处理,生成预处理后的城内出行强度数据;
基于所述预处理后的城内出行强度数据构建所述多个城市的活力变化曲线;
将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标。
在一个实施例中,处理器1001在执行所述将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标时,具体执行以下操作:
根据预设算法求解所述多个城市的活力变化曲线中任意两条活力恢复曲线上各点之间的扭曲路径;
将所述各点之间的扭曲路径求和,生成多个城市的活力变化曲线之间的累积距离;
将所述多个城市的活力变化曲线之间的累积距离确定为所述多个城市之间的相似度指标。
在一个实施例中,处理器1001在执行根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合时,具体执行以下操作:
将所述多个城市之间的相似度指标确定为变量;
从所述多个城市中选择不同聚类数量的城市集合,基于所述变量以及采用预设聚类算法将所述不同聚类数量的城市集进行聚类,生成多种聚类结果;
采用预设肘部系数法获取所述多种聚类结果中差异性最小的聚类结果;其中,所述差异性最小的聚类结果中包括多种类型的城市集合。
在本申请实施例中,基于城市活力恢复曲线的影响因子分析装置首先实时采集多个城市连续时刻的城内出行强度数据,再基于多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,再根据多个城市之间的相似度指标对多个城市进行聚类,生成多种类型的城市集合,然后接收城市活力恢复模式确定指令,基于指令确定出多种类型的城市集合中各类型城市集合的城市活力恢复模式,再基于预设关联关系获取各类型城市集合的城市活力恢复模式对应的多项影响因子,最后采用多变量回归模型分析各类型城市集合的多项影响因子对各类型城市集合的驱动机制。由于本申请通过准确的评估城市的恢复状况,系统梳理影响因子和影响机制,进行因地施策、因情施策,从而提高城市的恢复效率,加强了对未来类似突发事件的防范和应对。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种基于城市活力恢复曲线的城市分类方法,其特征在于,所述方法包括:
实时采集多个城市连续时刻的城内出行强度数据;
基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标;
根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个城市连续时刻的城内出行强度数据生成多个城市之间的相似度指标,包括:
将所述多个城市连续时刻的城内出行强度数据进行预处理,生成预处理后的城内出行强度数据;
基于所述预处理后的城内出行强度数据构建所述多个城市的活力变化曲线;
将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标。
3.根据权利要求2所述的方法,其特征在于,所述将所述多个城市的活力变化曲线转化为所述多个城市之间的相似度指标,包括:
根据预设算法求解所述多个城市的活力变化曲线中任意两条活力恢复曲线上各点之间的扭曲路径;
将所述各点之间的扭曲路径求和,生成多个城市的活力变化曲线之间的累积距离;
将所述多个城市的活力变化曲线之间的累积距离确定为所述多个城市之间的相似度指标。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个城市之间的相似度指标对所述多个城市进行聚类,生成多种类型的城市集合,包括:
将所述多个城市之间的相似度指标确定为变量;
从所述多个城市中选择不同聚类数量的城市集合,基于所述变量以及采用预设聚类算法将所述不同聚类数量的城市集进行聚类,生成多种聚类结果;
采用预设肘部系数法获取所述多种聚类结果中差异性最小的聚类结果;其中,所述差异性最小的聚类结果中包括多种类型的城市集合。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
输出所述差异性最小的聚类结果。
6.一种基于城市活力恢复曲线的影响因子分析方法,其特征在于,所述方法包括:
获取根据权利要求1的方法生成的多种类型的城市集合;
接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
7.根据权利要求6所述的方法,其特征在于,所述预设关联关系,包括:
采集所述多种类型的城市集合中各类型城市集合对应的时空大数据;
从所述各类型城市集合对应的时空大数据中获取各类型城市集合中各城市对应的多项影响因子;
建立所述活力恢复模式与多项影响因子的关联关系;
将所述关联关系确定为预设关联关系。
8.根据权利要求6所述的方法,其特征在于,所述多项影响因子至少包括区域中心性、政府管制强度、医疗服务能力、外部输入风险。
9.一种基于城市活力恢复曲线的影响因子分析装置,其特征在于,所述装置包括:
集合获取模块,用于获取多种类型的城市集合;
恢复模式确定模块,用于接收城市活力恢复模式确定指令,基于所述指令确定出所述多种类型的城市集合中各类型城市集合的城市活力恢复模式;
影响因子获取模块,用于基于预设关联关系获取所述各类型城市集合的城市活力恢复模式对应的多项影响因子;
分析模块,用于采用多变量回归模型分析所述各类型城市集合的多项影响因子对所述各类型城市集合的驱动机制。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~8任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833980.9A CN112101734A (zh) | 2020-08-18 | 2020-08-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833980.9A CN112101734A (zh) | 2020-08-18 | 2020-08-18 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101734A true CN112101734A (zh) | 2020-12-18 |
Family
ID=73752723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833980.9A Pending CN112101734A (zh) | 2020-08-18 | 2020-08-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101734A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506030A (zh) * | 2021-07-27 | 2021-10-15 | 东莞理工学院 | 一种城市生态系统瓶颈因子辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984478A (zh) * | 2017-05-31 | 2018-12-11 | 中兴通讯股份有限公司 | 一种基于大数据的城市研判方法及装置 |
-
2020
- 2020-08-18 CN CN202010833980.9A patent/CN112101734A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984478A (zh) * | 2017-05-31 | 2018-12-11 | 中兴通讯股份有限公司 | 一种基于大数据的城市研判方法及装置 |
Non-Patent Citations (4)
Title |
---|
钟少颖等: "基于公交刷卡数据和兴趣点数据的城市街区功能类型识别研究――以北京市朝阳区为例", 《城市与环境研究》 * |
阚长城 等: "基于时空大数据的北京城市功能混合评估方法及规划策略", 《科技导报》 * |
阚长城 等: "疫情下公共交通系统通勤客流测算及优化建议——以北京市为例", 《城市交通》 * |
龙瀛 等: "Beijing Urban Development Model: Urban Growth Analysis and Simulation", 《TSINGHUA SCIENCE AND TECHNOLOGY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506030A (zh) * | 2021-07-27 | 2021-10-15 | 东莞理工学院 | 一种城市生态系统瓶颈因子辨识方法 |
CN113506030B (zh) * | 2021-07-27 | 2023-08-18 | 东莞理工学院 | 一种城市生态系统瓶颈因子辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614690B (zh) | 一种异常行为检测方法及装置 | |
CN108875932A (zh) | 图像识别方法、装置和系统及存储介质 | |
CN110765268B (zh) | 一种基于客户诉求的配网精准投资策略方法 | |
CN113780902B (zh) | 一种基于云计算的灾害风险预警管理系统 | |
CN111950622B (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
CN109978619B (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
CN112529327A (zh) | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN109472075A (zh) | 一种基站性能分析方法及系统 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN111523570A (zh) | 一种基于社区驿站的智慧城市系统及其控制方法 | |
CN114565057B (zh) | 一种基于机器学习的均压场识别方法、装置、存储介质及终端 | |
CN114238033B (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
CN112101734A (zh) | 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 | |
CN111028062A (zh) | 一种潜力商品挖掘方法、装置及计算机可读存储介质 | |
CN113723860B (zh) | 一种土地资源资产离任审计评价方法、装置及存储介质 | |
CN112085636B (zh) | 一种城市功能性收缩分析方法、装置及存储介质 | |
CN112100165B (zh) | 基于质量评估的交通数据处理方法、系统、设备和介质 | |
CN115115244A (zh) | 矿业项目投资环境的评价方法、装置及计算机设备 | |
CN115293275A (zh) | 数据识别方法、装置、电子设备和存储介质 | |
CN110619564A (zh) | 一种反欺诈特征生成方法和装置 | |
CN113033314A (zh) | 一种旅游高峰部署的移动式景区智能服务系统及服务方法 | |
CN104317859B (zh) | Led显示屏智能分类系统及方法 |
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: 20201218 |