CN113191170B - 公共设施二维码损毁巡检有效性预测方法及系统 - Google Patents

公共设施二维码损毁巡检有效性预测方法及系统 Download PDF

Info

Publication number
CN113191170B
CN113191170B CN202110740142.1A CN202110740142A CN113191170B CN 113191170 B CN113191170 B CN 113191170B CN 202110740142 A CN202110740142 A CN 202110740142A CN 113191170 B CN113191170 B CN 113191170B
Authority
CN
China
Prior art keywords
dimensional code
prediction
data
inspection
voter
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.)
Active
Application number
CN202110740142.1A
Other languages
English (en)
Other versions
CN113191170A (zh
Inventor
黄晟
宫跃峰
王阳
张斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhiguanghailian Big Data Technology Co ltd
Zhiguang Hailian Tianjin Big Data Technology Co ltd
Original Assignee
Zhiguanghailian Big Data Technology Co ltd
Zhiguang Hailian Tianjin Big Data Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhiguanghailian Big Data Technology Co ltd, Zhiguang Hailian Tianjin Big Data Technology Co ltd filed Critical Zhiguanghailian Big Data Technology Co ltd
Priority to CN202110740142.1A priority Critical patent/CN113191170B/zh
Publication of CN113191170A publication Critical patent/CN113191170A/zh
Application granted granted Critical
Publication of CN113191170B publication Critical patent/CN113191170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/146—Methods for optical code recognition the method including quality enhancement steps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了公共设施二维码损毁巡检有效性预测方法，包括如下步骤：S100、获取城市公共设施二维码的所有初始数据信息，作为第一特征数据，将第一特征数据进行数值化、标准化处理、降噪处理，并添加隐性特征；S200、计算各个公共设施二维码的预测类型和预测概率，并通过抽样巡检结果修正预测结果；S300、将修正后的预测结果进行可视化处理，输出城市公共设施二维码巡检预测结果分布图。本方法综合了多种分类/回归算法进行季度性分析预测，并根据预测结果每个季度进行现场抽样巡检，现场验证数据将做为训练数据进行季度性的增量更新，再经过加权计算和抽样巡检后验修正后，提高了分析预测结果的准确性和直观性。

Description

公共设施二维码损毁巡检有效性预测方法及系统
技术领域
本发明涉及公共设施二维码的巡检维护技术领域，尤其涉及公共设施二维码损毁巡检有效性预测方法及系统。具体来说，属于IPC分类中的G06N7/00和G06Q10/00。
背景技术
随着城市化进程的进一步加快，市政公共服务设施建设发展迅速。市政、电力、通讯、园林等部门有大量公共服务设施需要管理，如设备箱、交通信号灯、路灯、垃圾桶等。大量的户外设施由于缺乏有效的实时监控、管理及保修手段，人为盗窃、外力撞击、自然灾害或自然老化等，致使部分市政公共服务设施缺失或破损，造成城市安全隐患或城市环境污染。
公共设施二维码管理可有效解决长期以来公共空间设施存在的底数难统计、权属难核实、问题难发现、违规难认定等问题，实现设施数量快速统计、权属快速核实、违规快速甄别、问题快速举报、案件快速处置，有效的促进设施权属单位、行业管理部门和属地责任的落实。将设施二维码拓展应用到街巷全要素精细化管理中是整合现有资源，依托设施二维码管理信息系统，充分发挥设施二维码在城市管理领域作为实体管理介质的基础性作用，帮助实现城市精细化管理。
比如，市民通过智能手机扫描公共设施上的二维码铭牌，可快速了解设施的名称、产权单位、监管部门等基本信息，并可在线反映设施存在的脏乱、破损等问题。工作人员现场对破损的公共设施进行拍照，并扫描设施上的二维码将问题上报。系统会将问题自动分配到相应的产权单位或应急处理队伍，并对故障任务分级管理、全程跟踪。
现有技术中，申请号为CN201720358114.2的专利公开了一种基于二维码的市政公共服务设施管理及报修系统，包括二维码、智能移动终端和市政公共服务设施数据中心服务器，所述智能移动终端为安装有二维码扫码软件的智能手机或者智能平板电脑，包括市民报修智能移动终端、产权责任单位智能移动终端和行政监管部门智能移动终端，该技术方案依托设施二维码管理信息系统，充分发挥了设施二维码在城市管理领域作为实体管理介质的基础性作用。
这些公共设施上的二维码，为人们了解相关部件信息和监管部门维护相关公共设施带来了便利。当二维码损坏时，需要及时的维护。但是由于二维码实体化且分散各处，在二维码的巡检上，一直存在一些问题。
现行的二维码巡检工作，基本上处于人工巡检的情况，由巡检员带着巡检设备，前往执行区域，对应点位来检查张贴二维码是否损毁，能否正常使用。
如申请号为CN201910999682.4的专利公开了电力设备二维码巡检系统，包括信息管理系统、信息数据库、二维码生成器及移动扫描设备，所述信息管理系统录入设备相关信息并同步至信息数据库，二维码生成器将记录每台设备信息的地址信息生成独立的二维码活码贴于对应设备上，所述移动扫描设备集成有信息获取系统、巡检信息录入系统及显示装置，所述信息获取系统扫描二维码通过无线网络从信息数据库中获取对应设备信息并传递给显示装置显示，所述巡检信息录入系统录入巡检信息并通过无线网络同步至信息数据库。以及申请号为CN202010522108.2公开的一种用于管道巡检维护检查的二维码巡检系统，这两个技术方案均是由巡检员带着巡检设备，前往执行区域，对应点位来检查张贴二维码是否损毁，能否正常使用，这种巡检方式耗时长，人力成本高。
全面人工巡检耗时长，人力成本高。而划片抽样巡检，随机性高，未必能获得很好的效果。
以上海嘉定为例，人工巡检在几十万的二维码数量前效率极低（随机抽样），需要接近半年时间才能巡检一遍，而这半年时间内已巡检过的二维码又有概率二次损毁。目前日常生活场景中对于贴在各种场所中二维码并没有特别多的损毁预测办法，一般来说都是基于特征值进行简单分类处理做的预测，并没有综合地理空间和时空因素进行分析，分析预测结果不直观不准确。
发明内容
本发明的目的是提供公共设施二维码损毁巡检有效性预测方法及系统，可以解决人工巡检二维码的效率低问题，节省全面巡检的工作量，降低全面巡检的人力成本，并可以提高分析预测结果的准确性和直观性。
为了实现上述目的，本发明采用了如下技术方案：
公共设施二维码损毁巡检有效性预测方法，包括如下步骤：
S100、获取城市公共设施二维码的所有初始数据信息，作为第一特征数据，将第一特征数据进行数值化处理得到第二特征数据，接着进行标准化处理和降噪处理后得到第三特征数据，再添加隐性特征后得到第四特征数据，其中，所述隐性特征为二维码存活时间；
S200、将处理后的数据输入计算模型进行损毁结果预测，计算各个公共设施二维码的预测类型和预测概率，并通过抽样巡检结果修正预测结果；
S300、将修正后的预测结果进行可视化处理，输出城市公共设施二维码巡检预测结果分布图。
步骤S100进一步包括：
S110、将第一特征数据进行数值化处理，得到第二特征数据；
S120、将第二特征数据进行数据标准化，统一第二特征数据的单位和数值长度；
S130、采用PCA方法对第二特征数据中的特征进行降维处理，过滤相关性不高的特征，得到第三特征数据，以提升计算效率和去除噪声干扰；
S140、在第三特征数据中添加隐性特征，隐形特征为通过二维码的张贴时间和巡检信息计算得出的二维码存活时间，得到第四特征数据，所述第四特征数据包括某个二维码的
Figure DEST_PATH_IMAGE001
项特征组成的单条数据
Figure 424459DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
条数据组成的数据集合S，其中，
Figure 195843DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
，
Figure 862448DEST_PATH_IMAGE006
为某个二维码的单项特征。
步骤S200进一步包括：
S210、获取已经过训练的计算模型
Figure DEST_PATH_IMAGE007
和计算模型在模型测试集上的准确率
Figure 878946DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE009
取值1-6；
S220、输入第四特征数据，通过计算模型得到预测结果
Figure 314606DEST_PATH_IMAGE010
和m条预测结果组成的预测结果集合
Figure DEST_PATH_IMAGE011
，
Figure 256892DEST_PATH_IMAGE012
，其中，预测结果
Figure 473110DEST_PATH_IMAGE010
包括预测类型
Figure DEST_PATH_IMAGE013
和类型预测概率
Figure 293298DEST_PATH_IMAGE014
，
Figure 583465DEST_PATH_IMAGE013
包括0和1两种数值，0表示预测对应二维码损毁，1表示预测对应二维码正常；
S230、生成模型投票器，获取所有计算模型对同一数据
Figure 526013DEST_PATH_IMAGE002
的预测类型
Figure 901631DEST_PATH_IMAGE013
，并进行结果判定；在6次投票器结果中，若有超过5次投票器结果一致时，判定为预测类型判断正确，并输出判定为正确的预测类型作为投票器判定类型
Figure DEST_PATH_IMAGE015
；
S240、输出投票器加权概率
Figure 322248DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
,其中，
Figure 225177DEST_PATH_IMAGE008
为计算模型在模型测试集上的准确率，
Figure 10730DEST_PATH_IMAGE018
为投票器的权值，初始值为1；接着判定初步预测结果，当
Figure DEST_PATH_IMAGE019
,且
Figure 873644DEST_PATH_IMAGE020
时，表示对应二维码已损毁；
Figure DEST_PATH_IMAGE021
时，表示对应二维码即将损毁；
Figure 35635DEST_PATH_IMAGE022
时，表示对应二维码未损毁。
进一步设置为：所述计算模型包括6种计算模型，分别为：KNN算法、RF算法、SVM算法、AdaBoost算法、gbtr算法和gbtc算法，其中，gbtr算法为梯度提升回归算法，gbtc算法为梯度提升分类算法。
进一步可对投票器加权概率进行数据修正，具体包括如下步骤：
S250、后验数据修正：根据投票器判定类型和投票器加权概率进行抽样巡检，获取实际抽样巡检数据；将实际抽样巡检结果与对应的初步预测结果进行对比，若结果相同则进行激励，
Figure DEST_PATH_IMAGE023
；若结果不同则进行惩罚，
Figure 798929DEST_PATH_IMAGE024
；其中，
Figure DEST_PATH_IMAGE025
为后验修正率，
Figure 83280DEST_PATH_IMAGE026
；
S260、基于后验修正后的投票器对S再次进行计算，并输出投票器后验加权概率
Figure DEST_PATH_IMAGE027
，
Figure 433490DEST_PATH_IMAGE028
。
步骤S300进一步包括：
S310、划定预测结果类型：根据投票器判定类型
Figure 133593DEST_PATH_IMAGE015
和投票器后验加权概率
Figure 315175DEST_PATH_IMAGE027
，划定预测结果类型；当
Figure 708111DEST_PATH_IMAGE019
,且
Figure DEST_PATH_IMAGE029
时，表示对应公共设施二维码已损毁，认定为警告状态；
Figure 44152DEST_PATH_IMAGE030
时，表示对应公共设施二维码即将损毁，认定为关注状态；
Figure DEST_PATH_IMAGE031
时，表示对应公共设施二维码未损毁，认定为普通状态；
S320、点位按预测结果类型输出：整合公共设施二维码数据，获取二维码名称、经纬度坐标，以及对应预测结果分类，使用经纬度坐标绘图，使用不同颜色区分预测结果类型；
S330、生成公共设施二维码巡检预测结果分布图。
进一步设置为：所述第一特征数据包括二维码的张贴时间、经纬度坐标、公共设施名称、属性类型等二维码信息，二维码抽样巡检破损信息以及二维码上报破损信息。
本发明还提供了公共设施二维码损毁巡检有效性预测系统，可实现上述所述的方法，包括：
数据输入处理单元，用于获取公共设施二维码的所有初始数据信息，并将所述初始数据信息进行数值化和标准化处理；
计算处理单元，计算处理单元与数据处理单元相连接，计算处理单元包括6种计算模型，用于计算各个公共设施二维码的损毁类型和相应概率，并通过抽样巡检结果修正损毁概率，得到修正后的预测结果；
可视化输出单元，可视化输出单元与计算处理单元相连接，用于可视化处理修正后的预测结果，并输出城市公共设施二维码巡检预测结果分布图。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可实现上述所述的方法。
本发明还提供了一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述所述的方法。
综上所述，本发明的有益技术效果为：
（1）相比于现有技术，本方法综合了多种分类/回归算法进行季度性分析预测，并根据预测结果每个季度进行现场抽样巡检，现场验证数据将做为训练数据进行季度性的增量更新，再经过加权计算和抽样巡检后验修正后，提高了分析预测结果的准确性。
（2）同时解决了人工巡检二维码的效率低问题，极大地节省了全面巡检的工作量，降低了全面巡检的人力成本。
（3）预测结果显示直观易懂，可以调取对应的公共设施二维码，方便工作人员进行后期跟踪、管理和维护。
（4）结合二维码的张贴时间和巡检信息，计算出二维码的存活时间，若某公共设施的二维码损毁，则存活时间截止，再次张贴此公共设施的二维码后，存活时间清零，重新计时。将存活时间作为隐形特征输入计算模型，可以避免二维码二次损毁造成的数据混乱和计算错误，使预测结果更接近二维码实际使用情况，提高了预测结果的真实性和准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明提供的公共设施二维码损毁巡检有效性预测方法实施例的流程示意图；
图2为本发明提供的公共设施二维码损毁巡检有效性预测系统实施例的结构示意图；
图3为本发明提供的电子设备实施例的结构示意图。
附图标记：401、数据输入处理单元；402、计算处理单元；403、可视化输出单元；501、处理器；502、存储器；503、通信接口。
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面首先对本申请文件涉及到的技术术语进行解释：
One-Hot编码（独热编码）:又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征，其中，k＜n。
KNN（K-NearestNeighbor,K-邻近）算法，KNN算法的核心思想是，如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。总体来说，KNN分类算法包括以下4个步骤：1）准备数据，对数据进行预处理；2）计算测试样本点（也就是待分类点）到其他每个样本点的距离；3）对每个距离进行排序，然后选择出距离最小的K个点；4）对K个点所属的类别进行比较，根据少数服从多数的原则，将测试样本点归入在K个点中占比最高的那一类。
RF（Random Forest随机森林）算法：指的是利用多棵决策树对样本进行训练并预测的一种分类器，包括4个部分：1）随机选择样本（放回抽样） ；2）随机选择特；3）构建决策树；4）随机森林投票（平均）。
SVM ( Support Vector Machines支持向量机)算法：是一种基于统计学习理论的二元分类算法。
AdaBoost算法：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。
gbtr（GradientBoostingRegressor，梯度提升回归）算法：是一种梯度提升算法，梯度提升算法的核心在于，每棵树是从先前所有树的残差中来学习；利用的是当前模型中损失函数的负梯度值作为提升树算法中的残差的近似值，进而拟合一棵回归树。
gbtc（GradientBoosting Classifier，梯度提升分类）算法：是一种梯度提升算法，梯度提升算法的核心在于，每棵树是从先前所有树的残差中来学习；利用的是当前模型中损失函数的负梯度值作为提升树算法中的残差的近似值，进而拟合一棵分类树。
实施例1
参照图1，为本发明公开的公共设施二维码损毁巡检有效性预测方法，包括如下步骤：
S100、获取城市公共设施二维码的所有初始数据，作为第一特征数据，将第一特征数据进行数值化和标准化处理，其中，第一特征数据包括二维码的张贴时间、经纬度坐标、公共设施名称、属性类型等二维码信息，二维码抽样巡检破损信息以及二维码上报破损信息。
其中，步骤S100进一步包括：
S110、将第一特征数据进行数值化处理，得到第二特征数据，例如，将属性类型进行one-hot编码（独热编码），二分类特征进行0-1编码，在一定程度上起到了扩充特征的作用。
S120、将第二特征数据进行数据标准化，统一第二特征数据的单位和数值长度，例如，将经纬度坐标的小数点位数进行统一，以便后续预测结果的可视化输出；
S130、采用PCA方法对第二特征数据中的特征进行降维处理，过滤相关性不高的特征，得到第三特征数据，以提升计算效率和去除噪声干扰；
S140、在第三特征数据中添加隐性特征，隐形特征为通过二维码的张贴时间和巡检信息计算得出的二维码存活时间，得到第四特征数据。二维码的存活时间越长，自然损坏的可能性越高。在二维码的实际使用过程中，张贴二维码后会存在一定时间段，人为损坏二维码与时间呈相关性，此阶段为过渡期。结合二维码的二维码的张贴时间和巡检信息，计算出二维码的存活时间（按小时计），若某公共设施的二维码损毁，则存活时间截止，再次张贴此公共设施的二维码后，存活时间清零，重新计时。第四特征数据包括某个二维码的
Figure 610262DEST_PATH_IMAGE001
项特征组成的单条数据
Figure 584035DEST_PATH_IMAGE002
和
Figure 210188DEST_PATH_IMAGE003
条数据组成的数据集合S，其中，
Figure 534990DEST_PATH_IMAGE004
，
Figure 639212DEST_PATH_IMAGE005
，
Figure 733070DEST_PATH_IMAGE006
为某个二维码的单项特征，即
Figure 530125DEST_PATH_IMAGE006
可以是二维码的张贴时间、经纬度坐标、公共设施名称、属性类型、二维码存活时间中的某一项特征。
S200、将处理后的数据输入计算模型进行损毁结果预测，计算各个公共设施二维码的预测类型和预测概率，并通过抽样巡检结果修正预测结果。
其中，步骤S200进一步包括：
S210、获取已经过训练的计算模型
Figure 575179DEST_PATH_IMAGE007
和计算模型在模型测试集上的准确率
Figure 748672DEST_PATH_IMAGE008
,
Figure 759353DEST_PATH_IMAGE009
取值1-6。模型测试集即二维码抽样巡检破损信息以及二维码上报破损信息的数据集合，用于训练计算模型
Figure 664992DEST_PATH_IMAGE007
。计算模型包括6种计算模型，分别为：KNN算法、RF算法、SVM算法、AdaBoost算法、gbtr算法和gbtc算法，其中，gbtr算法为梯度提升回归算法，gbtc算法为梯度提升分类算法。
S220、输入第四特征数据，通过计算模型得到预测结果
Figure 698807DEST_PATH_IMAGE010
和m条预测结果组成的预测结果集合
Figure 144832DEST_PATH_IMAGE011
，
Figure 213282DEST_PATH_IMAGE012
，其中，预测结果
Figure 352139DEST_PATH_IMAGE010
包括预测类型
Figure 377645DEST_PATH_IMAGE013
和类型预测概率
Figure 627361DEST_PATH_IMAGE014
，
Figure 550317DEST_PATH_IMAGE013
包括0和1两种数值，0表示预测对应二维码损毁，1表示预测对应二维码正常；
S230、生成模型投票器，获取所有计算模型对同一数据
Figure 860076DEST_PATH_IMAGE002
的预测类型
Figure 868483DEST_PATH_IMAGE013
，并进行结果判定；在6次投票器结果中，若有超过5次投票器结果一致时，判定为预测类型判断正确，并输出判定为正确的预测类型作为投票器判定类型
Figure 921890DEST_PATH_IMAGE015
，即：
Figure 699353DEST_PATH_IMAGE019
，则表示判定对应二维码损毁；
Figure 180013DEST_PATH_IMAGE032
，则表示判定对应二维码正常。
S240、输出投票器加权概率
Figure 472454DEST_PATH_IMAGE016
，
Figure 765770DEST_PATH_IMAGE017
,其中，
Figure 460056DEST_PATH_IMAGE008
为计算模型在模型测试集上的准确率，
Figure 49301DEST_PATH_IMAGE018
为投票器的权值，初始值为1；
通过投票器判定类型和投票器加权概率，可判定初步预测结果，当
Figure 94617DEST_PATH_IMAGE019
,且
Figure 427510DEST_PATH_IMAGE020
时，表示对应二维码已损毁；
Figure DEST_PATH_IMAGE033
时，表示对应二维码即将损毁；
Figure 913986DEST_PATH_IMAGE031
时，表示对应二维码未损毁。
进一步地，可对投票器加权概率进行数据修正，具体包括以下步骤：
S250、后验数据修正：根据投票器判定类型和投票器加权概率进行季度性抽样巡检，获取实际抽样巡检数据；将实际抽样巡检结果与对应的初步预测结果进行对比，若结果相同则进行激励，
Figure 2027DEST_PATH_IMAGE023
；若结果不同则进行惩罚，
Figure 705279DEST_PATH_IMAGE024
；其中，
Figure 638600DEST_PATH_IMAGE025
为后验修正率，
Figure 307479DEST_PATH_IMAGE026
；
S260、基于后验修正后的投票器对S再次进行计算，并输出投票器后验加权概率
Figure 504105DEST_PATH_IMAGE027
，
Figure 992855DEST_PATH_IMAGE028
。
S300、将修正后的预测结果进行可视化处理，输出城市公共设施二维码巡检预测结果分布图。
其中，步骤S300进一步包括：
S310、划定预测结果类型：根据投票器判定类型
Figure 933129DEST_PATH_IMAGE015
和投票器后验加权概率
Figure 456514DEST_PATH_IMAGE027
，划定预测结果类型；当
Figure 558463DEST_PATH_IMAGE019
,且
Figure 800088DEST_PATH_IMAGE029
时，表示对应公共设施二维码已损毁，认定为警告状态；
Figure 777009DEST_PATH_IMAGE030
时，表示对应公共设施二维码即将损毁，认定为关注状态；
Figure 154901DEST_PATH_IMAGE031
时，表示对应公共设施二维码未损毁，认定为普通状态。
S320、点位按预测结果类型输出：整合公共设施二维码数据，获取二维码名称、经纬度坐标，以及对应预测结果分类，使用经纬度坐标绘图，使用不同颜色区分预测结果类型。例如：警告状态表述为红色，关注状态表述为蓝色，普通状态表述为黄色。
S330、生成公共设施二维码巡检预测结果分布图。
本实施例综合了多种分类/回归算法进行季度性分析预测，并根据预测结果每个季度进行现场抽样巡检，现场验证数据将做为训练数据进行季度性的增量更新，再经过加权计算和抽样巡检后验修正后，提高了分析预测结果的准确性。同时解决了人工巡检二维码的效率低问题，极大地节省了全面巡检的工作量，降低了全面巡检的人力成本。预测结果显示直观易懂，可以调取对应的公共设施二维码，方便工作人员进行后期跟踪、管理和维护。
实施例2
参照图2，为本发明提供的公共设施二维码损毁巡检有效性预测系统，包括：
数据输入处理单元401，用于获取公共设施二维码的所有初始数据信息，并将所述初始数据信息进行数值化和标准化处理。
计算处理单元402，计算处理单元402与数据处理单元401相连接，计算处理单元包括6种计算模型，用于计算各个公共设施二维码的损毁类型和相应概率，并通过抽样巡检结果修正损毁概率，得到修正后的预测结果。
可视化输出单元403，可视化输出单元403与计算处理单元402相连接，用于可视化处理修正后的预测结果，并输出城市公共设施二维码巡检预测结果分布图。
该系统可实现前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，此处不再赘述。
实施例3
参照图3，为本发明提供的电子设备实施例，该电子设备包括：处理器501，以及，用于存储处理器的可执行指令的存储器502。可选的，还可以包括：通信接口503，用于与其他设备进行通信。
其中，处理器配置为经由执行所述可执行指令来执行前述方法实施例对应的方法，其具体实施过程可以参见前述方法实施例，此处不再赘述。
实施例4
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可实现前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，此处不再赘述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。

Claims (9)

1.公共设施二维码损毁巡检有效性预测方法，其特征在于，包括如下步骤：
S100、获取城市公共设施二维码的所有初始数据信息，作为第一特征数据，将第一特征数据进行数值化处理得到第二特征数据，接着进行标准化处理和降噪处理后得到第三特征数据，再添加隐性特征后得到第四特征数据，其中，所述隐性特征为二维码存活时间；
S200、将所述第四特征数据输入计算模型进行损毁结果预测，计算各个公共设施二维码的预测类型和预测概率，并通过抽样巡检结果修正预测结果；
步骤S200进一步包括：
S210、获取已经过训练的计算模型
Figure DEST_PATH_IMAGE002
和计算模型在模型测试集上的准确率
Figure DEST_PATH_IMAGE004
,
Figure DEST_PATH_IMAGE006
取值1-6；
S220、输入第四特征数据，通过计算模型得到预测结果
Figure DEST_PATH_IMAGE008
和m条预测结果组成的预测结果集合
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
，其中，预测结果
Figure 820660DEST_PATH_IMAGE008
包括预测类型
Figure DEST_PATH_IMAGE014
和类型预测概率
Figure DEST_PATH_IMAGE016
，
Figure 941063DEST_PATH_IMAGE014
包括0和1两种数值，0表示预测对应二维码损毁，1表示预测对应二维码正常；
S230、生成模型投票器，获取所有计算模型对同一数据
Figure DEST_PATH_IMAGE018
的预测类型
Figure 392904DEST_PATH_IMAGE014
，并进行结果判定；在6次投票器结果中，若有超过5次投票器结果一致时，判定为预测类型判断正确，并输出判定为正确的预测类型作为投票器判定类型
Figure DEST_PATH_IMAGE020
；
S240、输出投票器加权概率
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE024
,其中，
Figure 961682DEST_PATH_IMAGE004
为计算模型在模型测试集上的准确率，
Figure DEST_PATH_IMAGE026
为投票器的权值，初始值为1；接着判定初步预测结果，当
Figure DEST_PATH_IMAGE028
,且
Figure DEST_PATH_IMAGE030
时，表示对应二维码已损毁；
Figure DEST_PATH_IMAGE032
时，表示对应二维码即将损毁；
Figure DEST_PATH_IMAGE034
时，表示对应二维码未损毁；
S300、将修正后的预测结果进行可视化处理，输出城市公共设施二维码巡检预测结果分布图。
2.根据权利要求1所述的公共设施二维码损毁巡检有效性预测方法，其特征在于，步骤S100进一步包括：
S110、将第一特征数据进行数值化处理，得到第二特征数据；
S120、将第二特征数据进行数据标准化，统一第二特征数据的单位和数值长度；
S130、采用PCA方法对第二特征数据中的特征进行降维处理，过滤相关性不高的特征，得到第三特征数据，以提升计算效率和去除噪声干扰；
S140、在第三特征数据中添加隐性特征，隐形特征为通过二维码的张贴时间和巡检信息计算得出的二维码存活时间，得到第四特征数据，所述第四特征数据包括某个二维码的
Figure DEST_PATH_IMAGE036
项特征组成的单条数据
Figure 87638DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE038
条数据组成的数据集合S，其中，
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
为某个二维码的单项特征。
3.根据权利要求1所述的公共设施二维码损毁巡检有效性预测方法，其特征在于，所述计算模型包括6种计算模型，分别为：KNN算法、RF算法、SVM算法、AdaBoost算法、gbtr算法和gbtc算法，其中，gbtr算法为梯度提升回归算法，gbtc算法为梯度提升分类算法。
4.根据权利要求1所述的公共设施二维码损毁巡检有效性预测方法，其特征在于，进一步可对投票器加权概率进行数据修正，具体包括如下步骤：
S250、后验数据修正：根据投票器判定类型和投票器加权概率进行抽样巡检，获取实际抽样巡检数据；将实际抽样巡检结果与对应的初步预测结果进行对比，若结果相同则进行激励，
Figure DEST_PATH_IMAGE046
；若结果不同则进行惩罚，
Figure DEST_PATH_IMAGE048
；其中，
Figure DEST_PATH_IMAGE050
为后验修正率，
Figure DEST_PATH_IMAGE052
；
S260、基于后验修正后的投票器对S再次进行计算，并输出投票器后验加权概率
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
。
5.根据权利要求4所述的公共设施二维码损毁巡检有效性预测方法，其特征在于，步骤S300进一步包括：
S310、划定预测结果类型：根据投票器判定类型
Figure 99981DEST_PATH_IMAGE020
和投票器后验加权概率
Figure 835856DEST_PATH_IMAGE054
，划定预测结果类型；当
Figure 238019DEST_PATH_IMAGE028
,且
Figure DEST_PATH_IMAGE058
时，表示对应公共设施二维码已损毁，认定为警告状态；
Figure DEST_PATH_IMAGE060
时，表示对应公共设施二维码即将损毁，认定为关注状态；
Figure DEST_PATH_IMAGE062
时，表示对应公共设施二维码未损毁，认定为普通状态；
S320、点位按预测结果类型输出：整合公共设施二维码数据，获取二维码名称、经纬度坐标，以及对应预测结果分类，使用经纬度坐标绘图，使用不同颜色区分预测结果类型；
S330、生成公共设施二维码巡检预测结果分布图。
6.根据权利要求1所述的公共设施二维码损毁巡检有效性预测方法，其特征在于，所述第一特征数据包括二维码的张贴时间、经纬度坐标、公共设施名称、属性类型等二维码信息，二维码抽样巡检破损信息以及二维码上报破损信息。
7.公共设施二维码损毁巡检有效性预测系统，可实现上述权利要求 1~6任一项所述的方法，其特征在于，包括：
数据输入处理单元（401），用于获取公共设施二维码的所有初始数据信息，并将所述初始数据信息进行数值化和标准化处理；
计算处理单元（402），所述计算处理单元（402）与数据输入处理单元（401）通信连接，所述计算处理单元（402）包括6种计算模型，用于计算各个公共设施二维码的损毁类型和相应概率，并通过抽样巡检结果修正损毁概率，得到修正后的预测结果；
可视化输出单元（403），所述可视化输出单元（403）与计算处理单元（402）通信连接，用于可视化处理修正后的预测结果，并输出城市公共设施二维码巡检预测结果分布图。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序运行时可实现权利要求1~6任一项所述的方法。
9.一种电子设备，其特征在于，包括：
处理器（501）；以及
存储器（502），用于存储所述处理器（501）的可执行指令；
其中，所述处理器（501）配置为经由执行所述可执行指令来执行权利要求1~6任一项所述的方法。
CN202110740142.1A 2021-07-01 2021-07-01 公共设施二维码损毁巡检有效性预测方法及系统 Active CN113191170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740142.1A CN113191170B (zh) 2021-07-01 2021-07-01 公共设施二维码损毁巡检有效性预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740142.1A CN113191170B (zh) 2021-07-01 2021-07-01 公共设施二维码损毁巡检有效性预测方法及系统

Publications (2)

Publication Number Publication Date
CN113191170A CN113191170A (zh) 2021-07-30
CN113191170B true CN113191170B (zh) 2021-09-24

Family

ID=76976867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740142.1A Active CN113191170B (zh) 2021-07-01 2021-07-01 公共设施二维码损毁巡检有效性预测方法及系统

Country Status (1)

Country Link
CN (1) CN113191170B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416457B (zh) * 2022-03-30 2022-07-12 百信信息技术有限公司 计算机老化集中检测管理方法、装置、电子设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6565003B1 (en) * 1998-12-16 2003-05-20 Matsushita Electric Industrial Co., Ltd. Method for locating and reading a two-dimensional barcode
US20080195577A1 (en) * 2007-02-09 2008-08-14 Wei Fan Automatically and adaptively determining execution plans for queries with parameter markers
CN104680346A (zh) * 2015-01-21 2015-06-03 中包精力托盘共用系统有限公司 基于rfid电子标签的循环物流包装运营管理方法
CN107748546B (zh) * 2017-10-10 2020-04-24 中通服咨询设计研究院有限公司 一种基于LoRa技术的工厂智能巡检系统
CN111783494B (zh) * 2020-06-24 2022-11-04 成都理工大学 结合二值分割的卷积自编码器的受损二维码恢复方法

Also Published As

Publication number Publication date
CN113191170A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
WO2021184630A1 (zh) 基于知识图谱定位排污对象的方法及相关设备
CN108470022B (zh) 一种基于运维管理的智能工单质检方法
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN112785458A (zh) 一种桥梁健康大数据智能管养系统
CN115545450B (zh) 一种基于数字孪生的碳排放协同预测方法
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
US20240142063A1 (en) Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof
CN113298422A (zh) 一种基于用电数据的污染源企业违规生产监控方法
CN110727717A (zh) 网格化大气污染强度的监控方法、装置、设备和存储介质
CN113849542A (zh) 基于人工智能的区域温室气体排放清单核算系统与方法
CN114519524A (zh) 基于知识图谱的企业风险预警方法、装置及存储介质
CN115730749B (zh) 基于融合电力数据的电力调度风险预警方法及装置
CN115660262B (zh) 一种基于数据库应用的工程智慧质检方法、系统及介质
CN111506635A (zh) 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN113191170B (zh) 公共设施二维码损毁巡检有效性预测方法及系统
CN115905959A (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
CN114139626A (zh) 一种电力通信故障分析方法、装置、终端设备及介质
CN116975785B (zh) 一种基于cim模型的多源异构数据融合分析方法及系统
CN116384844B (zh) 基于地理信息云平台的决策方法及装置
CN116664095A (zh) 一种基于深度学习的安保巡检预测方法
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及系统
Chung et al. Information extraction methodology by web scraping for smart cities
CN112712002B (zh) 基于cgan的环境监控方法、装置、系统及存储介质
CN112256735B (zh) 一种用电监测方法、装置、计算机设备和存储介质
CN114862053A (zh) 一种材料供应商推送方法、系统及设备

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
GR01 Patent grant
GR01 Patent grant