CN115907407A - 智慧社区资源数据处理方法及装置 - Google Patents

Abstract

本申请公开了一种智慧社区资源数据处理方法及装置，涉及大数据智能分析技术领域，所述方法包括：获取智慧社区中首次加入的社区对应的社区数据，并将所述社区数据输入至预先建立的数据处理模型，得到所述社区对应的资源分配结果；获取所述社区反馈的实际资源分配数据，并将所述资源分配结果与所述实际资源分配数据进行比对，得到数据比对结果；根据所述数据比对结果，对所述数据处理模型进行优化。本发明通过收集智慧社区相关数据并自动迭代更新优化数据处理模型，提高社区资源分配的准确性，准确预估所需的维修资源，提高报事报修响应，对资源优化配置提供参考。

Description

智慧社区资源数据处理方法及装置

技术领域

本发明涉及大数据智能分析技术领域，尤指一种智慧社区资源数据处理方法及装置。

背景技术

随着科技与时代的进步和发展，智慧社区概念逐渐深入人心。智慧社区充分利用物联网、云计算、移动互联网等新一代信息技术的集成应用，为社区居民提供一个安全、舒适、便利的现代化、智慧化生活环境，从而形成基于信息化、智能化社会管理与服务的一种新的管理形态的社区。而智慧社区中资源的报事报修作为社区生活中最常见的场景，与居民生活息息相关，能充分利用好报修资源则可以大大提高社区居民的生活体验和效率。

现有社区资源的报事报修主要是基于社区居民提交的预约服务单进行即时派工，可能会出现准备不充分，处理不及时的情况。

发明内容

针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种智慧社区资源数据处理方法及装置，提高社区资源分配的准确性，对资源优化配置提供参考。

为了实现上述目的，本发明实施例提供一种智慧社区资源数据处理方法，方法包括：

获取智慧社区中首次加入的社区对应的社区数据，并将社区数据输入至预先建立的数据处理模型，得到社区对应的资源分配结果；

获取社区反馈的实际资源分配数据，并将资源分配结果与实际资源分配数据进行比对，得到数据比对结果；

根据数据比对结果，对数据处理模型进行优化。

可选的，在本发明一实施例中，数据处理模型是通过如下方式建立的：

获取智慧社区中非首次加入社区对应的历史社区数据；其中，历史社区数据包括历史基础信息及历史报修单信息；

对历史基础信息及历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

对历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

利用优化高斯函数及训练样本数据，对预设的初始分类预测模型进行训练，并利用测试样本数据，对训练后的初始分类预测模型进行测试更新，得到所述数据处理模型。

可选的，在本发明一实施例中，对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据包括：

对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

对标准化数据进行特征提取处理，得到历史社区特征数据；其中，历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

可选的，在本发明一实施例中，利用优化高斯函数及所述训练样本数据，对预设的初始分类预测模型进行训练包括：

利用优化高斯函数对训练样本数据进行计算，得到社区权重；

利用欧氏距离算法、分类预测算法及所述社区权重，对预设的初始分类预测模型进行训练。

本发明实施例还提供一种智慧社区资源数据处理装置，装置包括：

资源分配模块，用于获取智慧社区中首次加入的社区对应的社区数据，并将社区数据输入至预先建立的数据处理模型，得到社区对应的资源分配结果；

数据比对模块，用于获取社区反馈的实际资源分配数据，并将资源分配结果与实际资源分配数据进行比对，得到数据比对结果；

模型优化模块，用于根据数据比对结果，对数据处理模型进行优化。

可选的，在本发明一实施例中，装置还包括：

历史数据模块，用于获取智慧社区中非首次加入社区对应的历史社区数据；其中，历史社区数据包括历史基础信息及历史报修单信息；

特征提取模块，用于对历史基础信息及历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

样本数据模块，用于对历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

模型训练模块，用于利用优化高斯函数及所述训练样本数据，对预设的初始分类预测模型进行训练，并利用所述测试样本数据，对训练后的初始分类预测模型进行测试更新，得到数据处理模型。

可选的，在本发明一实施例中，特征提取模块包括：

标准化单元，用于对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

特征提取单元，用于对标准化数据进行特征提取处理，得到历史社区特征数据；其中，历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

可选的，在本发明一实施例中，模型训练模块包括：

社区权重单元，用于利用优化高斯函数对所述训练样本数据进行计算，得到社区权重；

模型训练单元，用于利用欧氏距离算法、分类预测算法及所述社区权重，对预设的初始分类预测模型进行训练。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述方法。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。

本发明通过收集智慧社区相关数据并自动迭代更新优化数据处理模型，提高社区资源分配的准确性，准确预估所需的维修资源，提高报事报修响应，对资源优化配置提供参考。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例一种智慧社区资源数据处理方法的流程图；

图2为本发明实施例中建立数据处理模型的流程图；

图3为本发明实施例中得到历史社区特征数据的流程图；

图4为本发明实施例中模型训练的流程图；

图5为本发明一具体实施例中应用智慧社区资源数据处理方法的系统结构示意图；

图6为本发明实施例一种智慧社区资源数据处理装置的结构示意图；

图7为本发明另一实施例中智慧社区资源数据处理装置的结构示意图；

图8为本发明实施例中特征提取模块的结构示意图；

图9为本发明实施例中模型训练模块的结构示意图；

图10为本发明一实施例所提供的电子设备的结构示意图。

具体实施方式

本发明实施例提供一种智慧社区资源数据处理方法及装置。

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清楚、完整地描述，显然，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他实施例，都属于本发明保护的范围。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

如图1所示为本发明实施例一种智慧社区资源数据处理方法的流程图，本发明实施例提供的智慧社区资源数据处理方法的执行主体包括但不限于智慧社区的服务端计算机。本发明通过收集智慧社区相关数据并自动迭代更新优化数据处理模型，提高社区资源分配的准确性，准确预估所需的维修资源，提高报事报修响应，对资源优化配置提供参考。图中所示方法包括：

步骤S1，获取智慧社区中首次加入的社区对应的社区数据，并将社区数据输入至预先建立的数据处理模型，得到社区对应的资源分配结果。

其中，智慧社区是指通过利用各种智能技术和方式，整合社区现有的各类服务资源，为社区群众提供政务、商务、娱乐、教育、医护及生活互助等多种便捷服务的模式。智慧社区中整合了多个社区的资源数据，若某社区为第一次加入智慧社区，则该社区将其社区数据主动上传至智慧社区后台服务端。

进一步的，社区数据包括社区基础信息及报修单信息，具体的，社区基础信息包括社区使用时长、社区人数、社区人群占比及社区公共设施数量等等，报修单信息包括社区报修平均响应时长及报修种类等等。

进一步的，预先建立的数据处理模型是利用KNN分类预测算法建立的，具体的，利用优化高斯函数，对KNN模型进行训练测试确定K值并根据实际情况选择权重和距离计算，由此得到数据处理模型。其中，优化高斯函数如公式(1)所示。

其中，α为该社区作为训练样本的次数，β为该社区第一次作为样本时的权重，由此会给更相似的样本分配更大的权重，提高模型预测准确度。

进一步的，利用数据处理模型对首次加入社区的社区数据进行计算处理，得到该社区对应的资源分配结果。具体的，资源分配结果包括当前社区所需进行的资源维修情况，以报告的形式呈现，便于物业人员进行处理。例如，输出资源分配结果的报告例子如下：xxx社区为使用时长较长，规模较大，公共设施较多的老旧社区，社区中老年人数量占比较大，公共报修和业主报修数量都比较多，比例约为x；根据同类社区预测，需要准备充足的公共设备备用件和足够的维修师傅，且因为老年住户较多维修师傅需要能上门维修家电；同时，因老年人行动不方便等因素建议维修师傅能在短时间内处理以防意外发生。此外，资源分配结果中还可以包括具体资源相关数据，具体的，例如预测的报修种类、报修响应时长及各报修种类占比等等。

步骤S2，获取社区反馈的实际资源分配数据，并将资源分配结果与实际资源分配数据进行比对，得到数据比对结果。

其中，在社区根据资源分配结果进行相关处置后，可以通过人工上传的方式，对该社区实际资源报修的情况进行反馈。具体的，实际资源分配数据包括社区实际报修平均响应时长与实际报修种类。

进一步的，将将资源分配结果与实际资源分配数据进行比对，得到的数据比对结果包括数值范围偏差度，例如，报修平均响应时长、报修比例等数值的偏差度。

步骤S3，根据数据比对结果，对数据处理模型进行优化。

其中，利用预设偏差度阈值，例如，偏差度阈值为40％。将数据比对结果与预设偏差度阈值进行比较，若数据比对结果中的数值范围偏差度超过了偏差度阈值，则将该社区的社区数据作为数据处理模型的测试数据，并利用该测试数据对数据处理模型进行优化，进一步提升模型预测精确度。

作为本发明的一个实施例，如图2所示，数据处理模型是通过如下方式建立的：

步骤S21，获取智慧社区中非首次加入社区对应的历史社区数据；其中，历史社区数据包括历史基础信息及历史报修单信息；

步骤S22，对历史基础信息及历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

步骤S23，对历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

步骤S24，利用优化高斯函数及训练样本数据，对预设的初始分类预测模型进行训练，并利用测试样本数据，对训练后的初始分类预测模型进行测试更新，得到数据处理模型。

其中，对于非首次加入智慧社区的其他社区，获取其相关历史社区数据。具体的，历史社区数据包括历史基础信息及历史报修单信息。

进一步的，对历史基础信息及历史报修单信息进行预处理，包括数据清洗，去除脏数据。数据清洗处理后，对历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据。

在本实施例中，如图3所示，对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据包括：

步骤S31，对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

步骤S32，对标准化数据进行特征提取处理，得到历史社区特征数据；其中，历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

其中，在数据清洗处理后，对历史基础信息及历史报修单信息进行数据标准化处理，由此得到数据格式等保持一致的标准化数据。具体的，数据标准化处理采用常规方式，在此不再赘述。

进一步的，对标准化数据进行特征提取处理，具体的，提取得到社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类等历史社区特征数据。此外，数据特征提取过程采用常规方式，在此不再赘述。

在本实施例中，按照预设比例，对历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据。具体的，预设比例可以为7:3，由此将历史社区特征数据划分为训练样本数据及测试样本数据。

在本实施例中，如图4所示，利用优化高斯函数及训练样本数据，对预设的初始分类预测模型进行训练包括：

步骤S41，利用优化高斯函数对训练样本数据进行计算，得到社区权重；

步骤S42，利用欧氏距离算法、分类预测算法及所述社区权重，对预设的初始分类预测模型进行训练。

其中，利用如公式(1)所示的优化高斯函数设置社区权重，给更相似的样本分配更大的权重，避免普通KNN算法中给所有的近邻样本分配相等的权重的问题。

进一步，采用欧氏距离算法、分类预测算法及社区权重，并使用交叉验证方法取最优k值，得出误差最小的时候的k值，由此完成对预设的初始分类预测模型的训练。而后，利用测试样本数据，对训练后的初始分类预测模型进行测试更新，得到数据处理模型。此外，普通的KNN分类预测算法与模型训练过程采用常规方式，在此不再赘述。

具体的，KNN分类预测算法是K最邻近(KNN，K-NearestNeighbor)分类算法是数据挖掘分类技术中最常用的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。

本发明通过收集智慧社区相关数据并自动迭代更新优化数据处理模型，提高社区资源分配的准确性，准确预估所需的维修资源，提高报事报修响应，对资源优化配置提供参考。

在本发明一具体实施例中，如图5所示为本发明一具体实施例中应用智慧社区资源数据处理方法的系统结构示意图，即智慧社区云计算平台。本发明基于大数据分析，对不同的社区，进行差异化维修资源管理，找到相关影响因素如维修人员数量，维修人员技能情况，社区公共设施情况，社区成立时间等，建立KNN监督学习分类模型，对日后新加入的智慧社区进行预分类，为新建社区或新入驻社区提供维修资源配置咨询服务，预先配置好相应的维修资源，提高物业服务质量，报事报修效率和居民的生活质量，同时实现资源优化配置。

其中，智慧社区中的智慧维修是指基于社区公共设施数量，使用情况，社区人数等多因素由物业差异化配置报修资源，提高维修效率，降低维修成本。

在本实施例中，本发明中智慧社区云计算平台收集并整理各社区历史的报事报修单，对平台上现有小区建立概况清单并附上标签，标签用以区分不同小区；选取社区特征值，如成立时间，社区人数，公共设施情况等。存量数据整理成训练集，验证集，对KNN模型进行训练测试确定K值并根据实际情况选择权重和距离计算方法。对新加入的小区进行分类并根据预测结果差异化配置维修资源。收集新加入小区的实际维修情况，比较分析预测中的结论。若准确率大于60％则模型不需要调参，若准确率小于60％，则重复上述步骤，对模型K值等参数进行调整。对于偏离度较大的社区则会记录其异常值及产生的原因，建立新标签并为模型增加新的识别特征。

其中，本发明采用优化高斯函数设置样本之间权重，给更相似的样本分配更大的权重，使用交叉验证方法取最优k值然后通过KNN分类算法预测新加入社区分类的方法，并输出对应的分析报告指导社区管理者。最后收集社区使用后的反馈对模型进行迭代优化。

具体的，社区基础信息相关参数设置如表1所示。

表1

进一步的，报修单信息相关参数设置如表2所示。

表2

在本实施例中，上述社区数据由前端信息录入，并存储于平台中的HBASE数据仓库中，智慧社区资源数据处理的具体过程如下：

1.脏数据处理，剔除已停用社区和已终止维修单。

2.数据预处理，整理提取特征值：社区使用时长，社区人数，社区重点人群(老年人，未成年人)占比，社区公共设施数量，社区报修平均响应时长(维修完成时间-提交时间)，报修种类。

3.数据标准化处理。

4.将数据进行分类，比例为训练集：测试集＝7：3。

5.采用优化的gaussian函数设置社区权重，给更相似的样本分配更大的权重，避免普通KNN算法中给所有的近邻样本分配相等的权重的问题。

常规的高斯算法如下：

改进后的优化高斯公式为：

其中，α为该社区作为训练样本的次数，β为该社区第一次作为样本时的权重，这样会给更相似的样本分配更大的权重

6.使用欧氏距离计算方法，具体公式如下：

在Sklearn中使用交叉验证方法取最优k值，得出误差最小的时候的k值，并利用程序代码的方式进行KNN分类预测和可视化展示。

7.对新加入的社区进行分类并根据结果输出报告，方便物业公司对维修资源做差异化准备。输出报告例子如下：xxx社区为使用时长较长，规模较大，公共设施较多的老旧社区，社区中老年人数量占比较大，公共报修和业主报修数量都比较多，比例约为1:1。根据同类社区预测，需要准备充足的公共设备备用件和足够的维修师傅，且因为老年住户较多维修师傅需要能上门维修家电。同时因老年人行动不方便等因素建议维修师傅能在短时间内处理以防意外发生。

8.一段时间后，收集社区实际使用的反馈，重点关注社区公共设施数量，社区报修平均响应时长、报修种类和预测报告中的数值范围偏差度，当偏差大于40％时，则系统自动把当前社区的数据作为测试集，继续调整模型k值。倘若偏差过大(准确率<20％)则会把该小区列入重点异常社区分析，实地调查后选取它与同类的其他社区区别最大的特征作为新的标签保存并录入系统。

其中，如果存量数据较小或异常值较多，对新加入的社区则不需要重复模型训练，直接进行步骤8的分类预测即可。

本发明完成了准确选取影响社区报修服务质量的影响因素作为特征值，且标准化处理后不会出现较多异常值，给更相似的社区之间配置更高的权重，使得分类更准确，、收集反馈数据，自动对模型进行迭代优化，

本发明通过科学配置样本之间的权重，避免普通KNN算法中给所有的近邻样本分配相等的权重的问题，使用交叉验证方法取最优应率，降低报事报修成本k值使分类更准确，输出报告使现有的物业公司能准确预估所需的维修资源，提高报事报修响，或为新建/新入驻社区提供维修资源配置咨询服务，对实现资源优化配置提供参考作用，并通过智慧社区平台收集数据并自动迭代更新优化模型。降低社区内公共设施储备的成本，提高社区报事报修的服务效率，提高居民生活的便捷性，舒适度。

如图6所示为本发明实施例一种智慧社区资源数据处理装置的结构示意图，图中所示装置包括：

资源分配模块10，用于获取智慧社区中首次加入的社区对应的社区数据，并将社区数据输入至预先建立的数据处理模型，得到社区对应的资源分配结果；

数据比对模块20，用于获取社区反馈的实际资源分配数据，并将资源分配结果与实际资源分配数据进行比对，得到数据比对结果；

模型优化模块30，用于根据数据比对结果，对数据处理模型进行优化。

作为本发明的一个实施例，如图7所示，装置还包括：

历史数据模块40，用于获取智慧社区中非首次加入社区对应的历史社区数据；其中，历史社区数据包括历史基础信息及历史报修单信息；

特征提取模块50，用于对历史基础信息及历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

样本数据模块60，用于对历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

模型训练模块70，用于利用优化高斯函数及训练样本数据，对预设的初始分类预测模型进行训练，并利用测试样本数据，对训练后的初始分类预测模型进行测试更新，得到所述数据处理模型。

在本实施例中，如图8所示，特征提取模块50包括：

标准化单元51，用于对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

特征提取单元52，用于对标准化数据进行特征提取处理，得到历史社区特征数据；其中，历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

在本实施例中，如图9所示，模型训练模块70包括：

社区权重单元71，用于利用优化高斯函数对所述训练样本数据进行计算，得到社区权重；

模型训练单元72，用于利用欧氏距离算法、分类预测算法及社区权重，对预设的初始分类预测模型进行训练。

基于与上述一种智慧社区资源数据处理方法相同的申请构思，本发明还提供了上述一种智慧社区资源数据处理装置。由于该一种智慧社区资源数据处理装置解决问题的原理与一种智慧社区资源数据处理方法相似，因此该一种智慧社区资源数据处理装置的实施可以参见一种智慧社区资源数据处理方法的实施，重复之处不再赘述。

本发明通过收集智慧社区相关数据并自动迭代更新优化数据处理模型，提高社区资源分配的准确性，准确预估所需的维修资源，提高报事报修响应，对资源优化配置提供参考。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述方法。

本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。

如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种智慧社区资源数据处理方法，其特征在于，所述方法包括：

获取智慧社区中首次加入的社区对应的社区数据，并将所述社区数据输入至预先建立的数据处理模型，得到所述社区对应的资源分配结果；

获取所述社区反馈的实际资源分配数据，并将所述资源分配结果与所述实际资源分配数据进行比对，得到数据比对结果；

根据所述数据比对结果，对所述数据处理模型进行优化。

2.根据权利要求1所述的方法，其特征在于，所述数据处理模型是通过如下方式建立的：

获取所述智慧社区中非首次加入社区对应的历史社区数据；其中，所述历史社区数据包括历史基础信息及历史报修单信息；

对所述历史基础信息及所述历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

对所述历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

利用优化高斯函数及所述训练样本数据，对预设的初始分类预测模型进行训练，并利用所述测试样本数据，对训练后的初始分类预测模型进行测试更新，得到所述数据处理模型。

3.根据权利要求2所述的方法，其特征在于，所述对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据包括：

对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

对所述标准化数据进行特征提取处理，得到所述历史社区特征数据；其中，所述历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

4.根据权利要求2所述的方法，其特征在于，所述利用优化高斯函数及所述训练样本数据，对预设的初始分类预测模型进行训练包括：

利用优化高斯函数对所述训练样本数据进行计算，得到社区权重；

利用欧氏距离算法、分类预测算法及所述社区权重，对预设的初始分类预测模型进行训练。

5.一种智慧社区资源数据处理装置，其特征在于，所述装置包括：

资源分配模块，用于获取智慧社区中首次加入的社区对应的社区数据，并将所述社区数据输入至预先建立的数据处理模型，得到所述社区对应的资源分配结果；

数据比对模块，用于获取所述社区反馈的实际资源分配数据，并将所述资源分配结果与所述实际资源分配数据进行比对，得到数据比对结果；

模型优化模块，用于根据所述数据比对结果，对所述数据处理模型进行优化。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

历史数据模块，用于获取所述智慧社区中非首次加入社区对应的历史社区数据；其中，所述历史社区数据包括历史基础信息及历史报修单信息；

特征提取模块，用于对所述历史基础信息及所述历史报修单信息进行数据清洗处理，并对数据清洗处理后的历史基础信息及历史报修单信息进行特征提取处理，得到历史社区特征数据；

样本数据模块，用于对所述历史社区特征数据进行数据分类处理，得到训练样本数据及测试样本数据；

模型训练模块，用于利用优化高斯函数及所述训练样本数据，对预设的初始分类预测模型进行训练，并利用所述测试样本数据，对训练后的初始分类预测模型进行测试更新，得到所述数据处理模型。

7.根据权利要求6所述的装置，其特征在于，所述特征提取模块包括：

标准化单元，用于对数据清洗处理后的历史基础信息及历史报修单信息进行数据标准化处理，得到标准化数据；

特征提取单元，用于对所述标准化数据进行特征提取处理，得到所述历史社区特征数据；其中，所述历史社区特征数据包括社区使用时长、社区人数、社区人群占比、社区公共设施数量、社区报修平均响应时长及报修种类。

8.根据权利要求6所述的装置，其特征在于，所述模型训练模块包括：

社区权重单元，用于利用优化高斯函数对所述训练样本数据进行计算，得到社区权重；

模型训练单元，用于利用欧氏距离算法、分类预测算法及所述社区权重，对预设的初始分类预测模型进行训练。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一项所述方法的计算机程序。

11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至4任一项所述方法的步骤。

Images