CN112651512A - 一种勤务合理度计算方法以及装置 - Google Patents
一种勤务合理度计算方法以及装置 Download PDFInfo
- Publication number
- CN112651512A CN112651512A CN202011434968.7A CN202011434968A CN112651512A CN 112651512 A CN112651512 A CN 112651512A CN 202011434968 A CN202011434968 A CN 202011434968A CN 112651512 A CN112651512 A CN 112651512A
- Authority
- CN
- China
- Prior art keywords
- service
- reasonableness
- variables
- traffic
- evaluation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement 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
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
Abstract
本申请提供一种勤务合理度计算方法以及装置,该方法包括:获取交通区域的勤务合理度计算相关的多个候选变量;基于主成分分析模型,从多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;基于熵权法或基于广义回归神经网络,根据交通区域的评价变量计算交通区域进行勤务合理度。本申请自动抽取关键显特征和隐特征,结合勤务轨迹、警情事件、事故、违法、执法、舆情等多种方式的相互关联关系,挖掘影响出行需求的直接和间接影响因子集。进而构建一套以数据为驱动的勤务变量体系,指标权重基于数据运算得出,解决了以往专家经验人工设定脱离实际数据导致的不够精准问题。
Description
技术领域
本申请涉及大数据分析/人工智能技术领域,具体涉及一种勤务合理度计算方法以及装置。
背景技术
随着城市交通拥堵和安全问题日益突显,各地交通管理部门警力资源普遍不足,警力增长远远滞后于城市道路交通发展和交通管理工作任务的需求,交通管理部门面对着巨大的压力和严峻的挑战。
经过对各地勤务管理现状调研及分析发现,如下几方面问题较为突出:
勤务排班缺乏科学手段数字化手段支持,较多为”人工经验方式勤务安排”。勤务安排主要基于交警部门对城市道路通行情况的人工判断结果,按照经验对一线警员进行岗位设置、计划制定、警力部署等勤务安排,同时一线警员的执勤工作重心也是基于自身的经验判断,整体上无法与实际交通管控需求内容进行有效结合,因此此种模式在道路通行管控的实效方面存在较大偏差。
勤务部署合理度尚未与目前已经积累的大量交通数据进行有效结合,缺乏精准客观的评价方法手段支持,较多为简单粗暴的“勤时统计”。勤时统计未与执勤时段内岗位周边的道路通行情况、执法数据等进行关联分析,因此无法对警员的具体执勤质量进行有效的、科学的、合理的判断,易出现为考核而考核的情况。
因此,交管部门急需向科技要警力,通过创新的科技手段最大化的缓解警力不足的问题。
发明内容
本申请的目的是提供一种勤务合理度计算方法以及装置。
本申请第一方面提供一种勤务合理度计算方法,包括:
获取交通区域的勤务合理度计算相关的多个候选变量;
基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;
基于熵权法或基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
在本申请的一些实施方式中,所述基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量,包括:
对所述候选变量进行标准化处理;
计算所述交通数据中各个候选变量之间的相关系数矩阵;
计算所述相关系数矩阵的特征值和特征向量;
基于所述特征值和所述特征向量,计算主成分贡献率和累计贡献率;
基于所述主成分贡献率和累计贡献率,筛选主成分累计贡献率达85%-95%的主成分;
计算各主成分的得分,并基于得分结果筛选预定数量的候选变量为计算交通区域的勤务合理度的评价变量。
在本申请的一些实施方式中,所述基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
对所述交通区域的评价变量进行标准化处理;
计算各所述评价变量的信息熵;
基于各所述评价变量的信息熵,确定各所述评价变量的权重;
基于标准化处理后的各所述评价变量以及各所述评价变量的权重,计算所述交通区域的勤务合理度。
在本申请的一些实施方式中,所述交通区域的评价变量包括n个样本,p个评价变量;所述对所述交通区域的评价变量进行标准化处理,包括:
确定所述交通区域的评价变量的矩阵表达式;
基于所述矩阵表达式,计算所述样本数据的均值、方差,得到标准化后的矩阵。
在本申请的一些实施方式中,所述基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
将所述交通区域的所述评价变量输入广义回归神经网络模型的输入层;
所述广义回归神经网络模型的模型层形成所述评价变量的神经元传递函数;
所述广义回归神经网络模型的求和层对所有模式层神经元的输出进行算数求和以及对所有模式出的神经元进行加权求和;
所述广义回归神经网络模型的输出层将各神经元的算数求和与加权求和相除,得到神经元的输出对应估计结果。
在本申请的一些实施方式中,所述交通区域的勤务合理度的评价对象为n个,变量数量为P,第i个变量的输入向量表示为:X(i)=(xi1,xi1,…,xi1)',模式层神经元传递函数为:
在本申请的一些实施方式中,所述广义回归神经网络模型的求和层对所有模式层神经元的输出进行算数求和的计算公式为:
所述广义回归神经网络模型的求和层对所有模式层神经元的输出进行加权求和的计算公式为:
在本申请的一些实施方式中,所述交通区域的所述评价变量包括:实时拥堵状态指标、气象影响因素指标、事故处置状态指标、违法处置状态指标、舆情处置状态指标、舆情对称性派警指标、拥堵对称性派警指标、事故对称性派警指标、事故对称性派警指标、违法对称性派警指标、出警规划合理度指标。
在本申请的一些实施方式中,所述候选变量包括:有勤务部署需求的关键道路、交叉口以及预设时间段的通勤部署关注时间周期的道路、事故、违法、拥堵、舆情、气象、勤务排班、勤务轨迹。
本申请第二方面提供一种勤务合理度计算装置,包括:
数据处理单元,用于获取交通区域的勤务合理度计算相关的多个候选变量;
主成分分析模型单元,用于基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;
第一评价单元,用于基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度;
第二评价单元,用于基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
相较于现有技术,本申请提供的一种勤务合理度计算方法以及装置,有效融合了“警情、警力、拥堵、舆情、事故、违法、气象”等交通多源大数据,变量基于数据自动提取,采用机器学习神经网络等多种算法进行训练数据,自动抽取关键显特征和隐特征,结合勤务轨迹、警情事件、事故、违法、执法、舆情等多种方式的相互关联关系,挖掘影响出行需求的直接和间接影响因子集。进而构建一套以数据为驱动的勤务变量体系,指标权重基于数据运算得出,解决了以往专家经验人工设定脱离实际数据导致的不够精准问题。同时打破传统人工经验定岗固化,全时全域扫描交通动态状态信息,早高峰、晚高峰、平峰、任意时间实时全域扫描给及时出警力部署优化建议,并能够基于神经网络进行学习训练,以适应大规模的勤务部署评价场景。开创了新一代AI勤务管理模式的创新性探索,将对大中城市缓解警力资源严重不足现状具有非常深远而长足的意义。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为一个实施例中提供的勤务合理度计算方法的实施环境图;
图2为一个实施例中服务器的内部结构框图;
图3示出了本申请的一些实施方式所提供的一种勤务合理度计算方法的一种流程图;
图4示出了本申请的一些实施方式所提供的一种勤务合理度计算装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外,术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为一个实施例中提供的勤务合理度计算方法的实施环境图,如图1所示,在该实施环境中,包括服务器110以及终端120。
服务器110为测试设备,服务器110上安装有勤务合理度计算工具。终端120上安装有需要进行勤务合理度计算对象输入的应用,当需要测试时,测试人员可以在服务器110发出勤务合理度计算请求,该勤务合理度计算请求中携带有手势标识,服务器110接收该勤务合理度计算请求,然后利用勤务合理度计算工具执行该勤务合理度计算脚本,对交通区域进行勤务合理度测试,并获取勤务合理度计算结果。
需要说明的是,终端120以及服务器110可为智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器110以及终端110可以通过蓝牙、USB(UniversalSerial Bus,通用串行总线)或者其他通讯连接方式进行连接,本发明在此不做限制。
图2为一个实施例中服务器的内部结构示意图。如图2所示,该服务器包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该服务器的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种勤务合理度计算方法。该服务器的处理器用于提供计算和控制能力,支撑整个服务器的运行。该服务器的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种勤务合理度计算方法。该服务器的网络接口用于与终端连接通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供一种勤务合理度计算方法,下面结合实施例及附图进行示例性说明。
如图3所示,本申请的一种勤务合理度计算方法,可以包括:
步骤101、获取交通区域的勤务合理度计算相关的多个候选变量。
其中,交通区域可以是有勤务部署需求的关键道路及交叉口。候选变量可以这些关键道路及交叉口日/周/月等早高峰、晚高峰、平峰、重要时间等勤务部署关注时间周期的勤务相关的道路、事故、违法、拥堵、舆情、气象、勤务排班、勤务轨迹等多源交通大数据。
优选的,在获取到数据后,对数据质量评估和预处理,确保数据完整性、准确性、有效性。
步骤102、基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量。
其中,主成分分析(PCA)也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标(即主成分),其中每个主成分都能够反映原始变量的大部分信息,且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分,使问题简单化,同时得到的结果更加科学有效的数据信息。在实际问题研究中,为了全面、系统地分析问题,必须考虑众多影响因素。这些涉及的因素一般称为指标,在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。
在本实施例中,主成分分析模型将变量(候选变量)x1到xn,映射为主成分PC1,PC2,…,PCm。应用于将大量的事故、违法、拥堵、舆情、气象等原始相关变量转化为一组很少的不相关变量。
该步骤120、基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量,可以包括:
步骤1021、对所述候选变量进行标准化处理;
该步骤中,首先,有n个样本,p个候选变量,得到原始矩阵为:
其次,计算样本数据的均值、方差:
步骤1022、计算交通数据中各个候选变量之间的相关系数矩阵。
该步骤中,对于每个样本,计算样本间的相关系数,相关系数矩阵中的每个元素由相应的相关系数表示:
式中,rij(i,j=1,2,…,p)为原理xi与xj的相关系数,计算公式为:
步骤1023、计算相关系数矩阵的特征值和特征向量。
该步骤中,首先,解特征方程|λI-R|=0,得到λi(i=1,2,…,p),再按降序排序分别得到特征值的特征向量ei(i=1,2,…,p)ei(i=1,2,…,p),eij表示向量ei的第j个分量。
步骤1024、基于特征值和特征向量,计算主成分贡献率和累计贡献率。
步骤1025、基于主成分贡献率和累计贡献率,筛选主成分累计贡献率达85%-95%的主成分。
该步骤中,计算主成分得分矩阵:
新变量指标计算公式:
式中:z1,z2,…,zm分别为原变量指标x1,x2,…,xp的第一,第二,…,第m主成分,lij分别为x1,x2,…,xp的相关矩阵的m个较大特征值所对应的特征向量,即各主成分的载荷,计算得到各主成分得分:zj=lj1x1+lj2x2+…+ljpxp。
步骤1026、计算各主成分的得分,并基于得分结果筛选预定数量的候选变量为交通区域的勤务合理度的变量。
该步骤中,经过基PCA主成分分析模型提取勤务合理度关键变量并辅以业务专家参与,“多源大数据实时交通影响因素”和“勤务安排合理性时效性评价”两大方面10类指标项,其中“多源大数据实时交通影响因素”代表交通需求侧,“勤务安排合理性时效性评价”代表交通勤务部署响应供给测。其中,交通区域的勤务合理度的评价变量包括:实时拥堵状态、气象影响因素、事故处置状态、违法处置状态、舆情处置状态、舆情对称性派警、拥堵对称性派警、事故对称性派警、事故对称性派警、违法对称性派警、出警规划合理度。
步骤103、基于熵权法或基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
其中,采用熵权法进行指标权重的计算,熵权法适用于小规模运算场景,进行勤务合理度计算。计算结果可以有效的提供给GRNN作为大规模神经网络学习训练的样本集。选取GRNN进行规模场景的运算,运用广义回归神经网络算法是径向基神经网络的一种改进方法,通过创建及仿真测试对评价模型进行训练和学习,该方法在逼近能力和学习速度上更优,在数据样本较少时效果也较好。适用于适用于大规模场景的勤务合理度计算应用,选取GRNN进行规模场景的运算,运用广义回归神经网络算法是径向基神经网络的一种改进方法,通过创建及仿真测试对评价模型进行训练和学习,该方法在逼近能力和学习速度上更优,在数据样本较少时效果也较好,通过神经网络进行学习训练,结合多源交通大数据及勤务合理度变量的有效融合,创新性解决早高峰、晚高峰、平峰、任意时间实时全域扫描及时出勤务合理度计算。
在一种实施例中,基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
步骤10311、交通区域的评价变量的对应数据进行标准化处理。
该步骤中,上述方法得到新评价变量指标Zij,计算各指标数据标准化后的值Yij:
其中,i取1,2,…,n,j取1,2,…,m。
步骤10312、计算各交通区域的勤务合理度的评价变量的信息熵。
步骤10313、基于各评价变量的信息熵,确定各评价变量的权重。
其中,j=1,2,…,m。
步骤10314、基于标准化处理后的各评价变量的对应数据以及各评价变量的权重,计算交通区域的勤务合理度。
在一种实施例中,基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
步骤10321、将交通区域的勤务合理度的评价变量的对应数据输入广义回归神经网络模型的输入层。
其中,选用各勤务岗位及各勤务岗位安排合理性指标。勤务岗位及各勤务岗位安排合理性指标数据,用p表示指标数量,n表示勤务岗位数。
步骤10322、广义回归神经网络模型的模型层形成勤务合理度的评价变量的神经元传递函数。
其中,各勤务岗位及各勤务岗位安排合理性指标数据,可用矩阵X表示,网络的评价对象为n个,评价变量数量为p,其第i个神经元(即勤务岗位)的输入向量可表示为:
X(i)=(xi1,xi1,…,xi1)'
模式层神经元传递函数为:
步骤10323、广义回归神经网络模型的求和层对所有模式层神经元的输出进行算数求和以及对所有模式出的神经元进行加权求和。
其中,求和层使用两种类型神经元进行求和一类的计算公式为:
另一类的计算公式:
步骤10324、广义回归神经网络模型的输出层将各神经元的算数求和与加权求和相除,得到神经元的输出对应估计结果。
其中,输出层中的神经元数目等于学习样本中输出向量的维数k,各神经元将求和层的输出相除,神经元j的输出对应估计结果为:
与现有技术相比,本申请:有效融合了“警情、警力、拥堵、舆情、事故、违法、气象”等交通多源大数据,变量基于数据自动提取,采用机器学习神经网络等多种算法进行训练数据,自动抽取关键显特征和隐特征,结合勤务轨迹、警情事件、事故、违法、执法、舆情等多种方式的相互关联关系,挖掘影响出行需求的直接和间接影响因子集。进而构建一套以数据为驱动的勤务变量体系,指标权重基于数据运算得出,解决了以往专家经验人工设定脱离实际数据导致的不够精准问题。同时打破传统人工经验定岗固化,全时全域扫描交通动态状态信息,早高峰、晚高峰、平峰、任意时间实时全域扫描给及时出警力部署优化建议,并能够基于神经网络进行学习训练,以适应大规模的勤务部署评价场景。开创了新一代AI勤务管理模式的创新性探索,将对大中城市缓解警力资源严重不足现状具有非常深远而长足的意义。
应用模型组和模型对照组(专家评估法结果)进行模型评价效果比对,得到应用基于熵权法的GRNN综合评价方法评估的结果与专家预期结果的接近度达86.7%。
1)模型组
将基于熵权法的GRNN综合评价结果中各勤务部署规划合理度评估值降序排序,筛选排名前30个道路。
(2)模型对照组
为了模拟对有一定历史数据的评估结果的拟合效果,通过创建模型对照组,即基于专家评估的方法指标权值,试验中采用人工确定指标权值,所有指标权值取1。
(3)评估结果排序对比
将模型组与人工确定权值的专家评估法的模型对照组排序结果进行对比,具体结果如下所示:
上述表中前30个重点关注警力投入重点道路,两种评估方法都包含的有26个,相同道路占道路总数的86.7%。结果说明如果应用基于熵权法的GRNN综合评价方法评估的结果与预期结果的接近度达86.7%。
如图4所示,作为对上述各图所示方法的实现,本申请提供了一种勤务合理度计算装置的一个实施例,该装置实施例与图4所示的方法实施例相对应。
数据处理单元411,用于获取交通区域的勤务合理度计算相关的多个候选变量;
主成分分析模型单元412,用于基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;
第一评价单元413,用于基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度;
第二评价单元414,用于基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台服务器(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (10)
1.一种勤务合理度计算方法,其特征在于,包括:
获取交通区域的勤务合理度计算相关的多个候选变量;
基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;
基于熵权法或基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
2.根据权利要求1所述的勤务合理度计算方法,其特征在于,所述基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量,包括:
对所述候选变量进行标准化处理;
计算所述交通数据中各个候选变量之间的相关系数矩阵;
计算所述相关系数矩阵的特征值和特征向量;
基于所述特征值和所述特征向量,计算主成分贡献率和累计贡献率;
基于所述主成分贡献率和累计贡献率,筛选主成分累计贡献率达85%-95%的主成分;
计算各主成分的得分,并基于得分结果筛选预定数量的候选变量为计算交通区域的勤务合理度的评价变量。
3.根据权利要求1所述的勤务合理度计算方法,其特征在于,所述基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
对所述交通区域的评价变量进行标准化处理;
计算各所述评价变量的信息熵;
基于各所述评价变量的信息熵,确定各所述评价变量的权重;
基于标准化处理后的各所述评价变量以及各所述评价变量的权重,计算所述交通区域的勤务合理度。
4.根据权利要求3所述的勤务合理度计算方法,其特征在于,所述交通区域的评价变量包括n个样本,p个评价变量;所述对所述交通区域的评价变量进行标准化处理,包括:
确定所述交通区域的评价变量的矩阵表达式;
基于所述矩阵表达式,计算所述样本数据的均值、方差,得到标准化后的矩阵。
5.根据权利要求1所述的勤务合理度计算方法,其特征在于,所述基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度,包括:
将所述交通区域的所述评价变量输入广义回归神经网络模型的输入层;
所述广义回归神经网络模型的模型层形成所述评价变量的神经元传递函数;
所述广义回归神经网络模型的求和层对所有模式层神经元的输出进行算数求和以及对所有模式出的神经元进行加权求和;
所述广义回归神经网络模型的输出层将各神经元的算数求和与加权求和相除,得到神经元的输出对应估计结果。
8.根据权利要求1所述的勤务合理度计算方法,其特征在于,所述交通区域的所述评价变量包括:实时拥堵状态指标、气象影响因素指标、事故处置状态指标、违法处置状态指标、舆情处置状态指标、舆情对称性派警指标、拥堵对称性派警指标、事故对称性派警指标、事故对称性派警指标、违法对称性派警指标、出警规划合理度指标。
9.根据权利要求1所述的勤务合理度计算方法,其特征在于,所述候选变量包括:有勤务部署需求的关键道路、交叉口以及预设时间段的通勤部署关注时间周期的道路、事故、违法、拥堵、舆情、气象、勤务排班、勤务轨迹。
10.一种勤务合理度计算装置,其特征在于,包括:
数据处理单元,用于获取交通区域的勤务合理度计算相关的多个候选变量;
主成分分析模型单元,用于基于主成分分析模型,从所述多个候选变量中筛选出计算交通区域的勤务合理度的评价变量;
第一评价单元,用于基于熵权法,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度;
第二评价单元,用于基于广义回归神经网络,根据所述交通区域的所述评价变量计算所述交通区域进行勤务合理度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434968.7A CN112651512A (zh) | 2020-12-10 | 2020-12-10 | 一种勤务合理度计算方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434968.7A CN112651512A (zh) | 2020-12-10 | 2020-12-10 | 一种勤务合理度计算方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651512A true CN112651512A (zh) | 2021-04-13 |
Family
ID=75350643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434968.7A Pending CN112651512A (zh) | 2020-12-10 | 2020-12-10 | 一种勤务合理度计算方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651512A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150044A1 (en) * | 2001-02-28 | 2002-10-17 | Min Wu | Dynamic network resource allocation using multimedia content features and traffic features |
CN104008164A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 基于广义回归神经网络的短期腹泻病多步预测方法 |
CN104951893A (zh) * | 2015-06-24 | 2015-09-30 | 银江股份有限公司 | 一种面向城市交通的交警路面警情处置效率评估方法 |
CN104965974A (zh) * | 2015-06-08 | 2015-10-07 | 浙江银江研究院有限公司 | 一种基于覆盖度评估及优化警力资源部署的方法 |
CN105719048A (zh) * | 2016-01-05 | 2016-06-29 | 国网上海市电力公司 | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
CN108108859A (zh) * | 2018-01-29 | 2018-06-01 | 北京易华录信息技术股份有限公司 | 一种基于大数据分析的交通管理勤务优化方法 |
CN109584565A (zh) * | 2018-12-25 | 2019-04-05 | 天津易华录信息技术有限公司 | 一种交通安全评价系统及其评价指数计算方法 |
WO2020083402A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
-
2020
- 2020-12-10 CN CN202011434968.7A patent/CN112651512A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150044A1 (en) * | 2001-02-28 | 2002-10-17 | Min Wu | Dynamic network resource allocation using multimedia content features and traffic features |
CN104008164A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 基于广义回归神经网络的短期腹泻病多步预测方法 |
CN104965974A (zh) * | 2015-06-08 | 2015-10-07 | 浙江银江研究院有限公司 | 一种基于覆盖度评估及优化警力资源部署的方法 |
CN104951893A (zh) * | 2015-06-24 | 2015-09-30 | 银江股份有限公司 | 一种面向城市交通的交警路面警情处置效率评估方法 |
CN105719048A (zh) * | 2016-01-05 | 2016-06-29 | 国网上海市电力公司 | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
CN108108859A (zh) * | 2018-01-29 | 2018-06-01 | 北京易华录信息技术股份有限公司 | 一种基于大数据分析的交通管理勤务优化方法 |
WO2020083402A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN109584565A (zh) * | 2018-12-25 | 2019-04-05 | 天津易华录信息技术有限公司 | 一种交通安全评价系统及其评价指数计算方法 |
Non-Patent Citations (2)
Title |
---|
刘金广;戴帅;褚昭明;: "基于公安交通管理警情的勤务需求研究", 汽车与安全, no. 06, pages 214 - 215 * |
王若珺: "涉警舆情研究概论", 31 January 2015, 天津社会科学院出版社, pages: 194 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
CN113379227A (zh) | 产业园区数据处理方法、装置、计算机设备及存储介质 | |
CN110942171A (zh) | 一种基于机器学习的企业劳资纠纷风险预测方法 | |
CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
CN115359659B (zh) | 一种车道开闭配置方法和系统 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN107798615A (zh) | 保单续期收费难度预测方法和装置 | |
Long Cheu et al. | Mobile sensor and sample-based algorithm for freeway incident detection | |
Chen et al. | Exploration and mining evaluation system and price prediction of uranium resources | |
CN115577152A (zh) | 基于数据分析的在线图书借阅管理系统 | |
Zhu et al. | Spatio-temporal point processes with attention for traffic congestion event modeling | |
Lee et al. | An empirical experiment on deep learning models for predicting traffic data | |
Frazier et al. | Spatial econometric models for panel data: incorporating spatial and temporal data | |
CN111915076A (zh) | 一种利用人工智能神经网络实现景区观景人员预测的方法 | |
Tsai et al. | Framework and strategy for implementing an information technology-based pavement management system | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
Anagnostopoulos et al. | Predicting roundabout lane capacity using artificial neural networks | |
CN115907719A (zh) | 充电站分级运维管理方法及装置 | |
CN112651512A (zh) | 一种勤务合理度计算方法以及装置 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Lin et al. | Analysis and Prediction of Overloaded Extra‐Heavy Vehicles for Highway Safety Using Machine Learning | |
Jena et al. | Assessment of service quality at unsignalized intersections using traffic simulation and computational intelligence |
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 |