CN116128378A - 一种城市体检评估方法、系统、存储介质及电子设备 - Google Patents
一种城市体检评估方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116128378A CN116128378A CN202310348595.9A CN202310348595A CN116128378A CN 116128378 A CN116128378 A CN 116128378A CN 202310348595 A CN202310348595 A CN 202310348595A CN 116128378 A CN116128378 A CN 116128378A
- Authority
- CN
- China
- Prior art keywords
- index
- physical examination
- city
- data
- standard
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 90
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 239000013604 expression vector Substances 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013215 result calculation Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001502 supplementing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种城市体检评估方法、系统、存储介质及电子设备，涉及城市体检技术领域。其中方法包括：基于目标城市的城市类别，从标准指标集合中确定参考指标；基于所述标准指标集合对应的指标知识图谱聚类结果，确定所述参考指标的第一神经网络模型；基于所述城市类别下其它城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型；通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果。能够确定更契合城市类别的参考指标，并根据同类别的其它城市的数据对神经网络模型进行更新，从而提高目标城市的体检评估结果的准确性。
Description
技术领域
本申请涉及城市体检技术领域，具体涉及一种城市体检评估方法、系统、存储介质及电子设备。
背景技术
国土空间规划城市体检评估（City Examination&Evaluation in TerritorialSpatial Planning）指依据国土空间规划，按照“一年一体检、五年一评估”的方式，对城市发展体征及规划实施效果定期进行的分析和评价，是促进城市高质量发展、保障国土空间规划得到有效实施的重要工具（以下简称“体检评估”）。
由于城市体检评估的数据特殊性与复杂性，目前我国的城市体检评估制度建设主要由住房与城乡建设部和自然资源部两部委分别主持建设，各城市根据《国土空间规划城市体检评估规程》负责具体实施，例如2021年设立的安全、创新、协调、绿色、开放、共享六个一级评价维度，六个评价维度分别由具体确定的指标构成，各城市通过统一的指标来对六个维度进行评价。
但不同城市之间的地方特色与地域性资源差别较大，导致在进行城市体检评估时，指标使用与针对指标的数据分析难以准确契合城市特点，使得城市的体检评估结果不够准确。
发明内容
本申请提供了一种城市体检评估方法、系统、存储介质及电子设备，能够根据城市类别从标准指标集合中，确定更契合城市类别特点的参考指标，并根据同类别的其它城市的历史参考数据对神经网络模型进行更新，能够更加准确地对体检数据进行处理，从而提高目标城市的体检评估结果的准确性。
第一方面，本申请提供了一种城市体检评估方法，所述方法包括：
基于目标城市的城市类别，从标准指标集合中确定参考指标；
基于所述标准指标集合对应的指标知识图谱聚类结果，确定所述参考指标的第一神经网络模型；
基于所述城市类别下其它城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型；
通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果。
通过采用上述技术方案，使用相同城市类别的参考指标相关的历史参考数据，将第一神经网络模型更新为第二神经网络模型，参考指标为标准指标集合中根据城市类别的相应特点确定的指标，能够通过更契合于目标城市的参考指标以及第二神经网络模型对体检数据进行处理，得到更加准确的目标城市的体检评估结果。
可选的，所述基于目标城市的城市类别，从标准指标集合中确定参考指标之前，包括：
根据标准指标集合构建指标知识图谱，所述标准指标集合包括多个标准指标及各标准指标的描述信息；
使用BERT预训练模型对所述指标知识图谱中各标准指标的描述信息进行向量化处理，得到若干个指标表示向量；
分别计算各指标表示向量之间的余弦相似度值，将所述余弦相似度值大于所设阈值的指标表示向量对应的标准指标进行聚类，得到所述标准指标集合对应的指标知识图谱聚类结果。
通过采用上述技术方案，通过对标准指标的描述信息进行向量化处理，比对各指标表示向量之间的余弦相似度值对标准指标进行聚类，从而能够将具有关联关系的标准指标进行聚类，便于后续第一神经网络模型的确定。
可选的，所述城市类别包括资源型城市、工业型城市、旅游型城市、枢纽型城市、创新型城市以及金融型城市中的一种，所述基于目标城市的城市类别，从标准指标集合中确定参考指标，包括：
判断所述目标城市的城市类别，确定所述城市类别对应的城市功能分类结果；
基于所述城市功能分类结果从标准指标集合中确定参考指标。
通过采用上述技术方案，从城市体检评估指标体系中确定城市类别相对应的参考指标，通过城市类别的划分能够快速确定参考指标。
可选的，所述基于所述城市类别下其他城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型，包括：
获取所述城市类别下其他城市与所述参考指标相关的历史体检数据、历史指标评价标准以及历史评估结果；
基于所述历史体检数据、所述历史指标评价标准以及所述历史评估结果，得到所述参考指标的训练样本；
基于所述参考指标的训练样本更新所述第一神经网络模型，得到第二神经网络模型。
通过采用上述技术方案，将同类型城市的历史参考数据作为训练样本，对第一神经网络模型进行更新，能够针对不同城市类别的特点将第一神经网络模型更新为更契合城市的第二神经网络模型，使得体检评估结果更加准确。
可选的，所述处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据之前，还包括：
分别获取第三方专业研究机构的统计数据、政府部门的公开数据、第三方机构的实地调查数据以及地方辖区的上报数据；
对同一标准指标分别对应的所述统计数据、所述公开数据、所述实地调查数据以及所述上报数据进行加权计算，得到所述目标城市与所述标准指标集合中参考指标相关的体检数据，进行加权计算的数据权重由四类数据的均方根与所述四类数据的差值确定，所述四类数据包括所述统计数据、所述公开数据、所述实地调查数据以及所述上报数据。
通过采用上述技术方案，能够对多个渠道获取到的数据进行处理，使得最后输入模型进行计算的体检数据更加准确，使得体检评估结果更加可靠。
可选的，所述通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果，包括：
获取所述标准指标的往年体检数据；
对所述标准指标的往年体检数据以及所述体检数据进行归一化处理，得到归一化数值；
分别计算各个归一化数值的正理想解与负理想解，并计算所述往年体检数据与所述正理想解的距离以及所述往年体检数据与所述负理想解的距离，基于所述往年体检数据与所述正理想解的距离以及所述往年体检数据与所述负理想解的距离，得到所述往年体检数据与所述正理想解的第一接近程度；
分别计算所述体检数据与所述正理想解的距离以及所述体检数据与所述负理想解的距离，基于所述体检数据与所述正理想解的距离以及所述体检数据与所述负理想解的距离，得到所述体检数据与所述正理想解的第二接近程度；
比对所述第一接近程度与所述第二接近程度的大小关系，得到各所述标准指标的指标评价；
通过所述第二神经网络模型，处理所述指标知识图谱聚类结果中的各标准指标对应的评价结果，得到所述目标城市的体检评估结果。
通过采用上述技术方案，以往年体检数据作为参考，计算体检数据与最理想解的接近程度，通过比对得到当前的体检数据与往年体检数据的大小关系，得到体检评估结果，能够根据往年体检数据得到标准指标的评估参考量，无需另外核算每个参考指标的评估参考量。
可选的，所述分别计算各个归一化数值的正理想解与负理想解，包括：
获取所述标准指标对应的期望标准，所述期望标准的取值为：
；
其中为所述期望标准，为所述归一化数值，M为所述归一化数值的最大取值，m为所述归一化数值的最小取值；
根据所述标准指标对应的期望标准的类型，分别计算各个归一化数值对应的正理想解与负理想解。
通过采用上述技术方案，不同标准指标的期望标准不同，有的期望标准为越大越好，有的期望标准是需要控制在某一范围，因此需要根据期望标准确定准确的正理想解与负理想解。
第二方面，本申请提供了一种城市体检评估系统，所述系统包括：
参考指标确定模块，用于基于目标城市的城市类别，从标准指标集合中确定参考指标；
模型确定模块，用于基于所述标准指标集合对应的指标知识图谱聚类结果，确定所述参考指标的第一神经网络模型；
模型更新模块，用于基于所述城市类别下其它城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型；
体检评估结果计算模块，用于通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果。
第三方面，本申请提供了一种计算机可读存储介质，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上述任意一项方法。
第四方面，本申请提供了一种电子设备，包括处理器、存储器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项方法。
综上所述，本申请实施例中提供的一个或多个技术方案，具有如下技术效果或优点：
通过采用上述技术方案，使用相同城市类别的参考指标相关的历史参考数据，将第一神经网络模型更新为第二神经网络模型，参考指标为标准指标集合中根据城市类别的相应特点确定的指标，能够通过更契合于目标城市的参考指标以及第二神经网络模型对体检数据进行处理，得到更加准确的目标城市的体检评估结果。
附图说明
图1是本申请实施例提供的一种城市体检评估方法的流程示意图；
图2是本申请实施例提供的一种城市体检评估的结构示意图；
图3是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明：1、参考指标确定模块；2、模型确定模块；3、模型更新模块；4、体检评估结果计算模块；300、电子设备；301、处理器；302、通信总线；303、用户接口；304、网络接口；305、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请提供的计算方案可以应用于城市体检的场景中，城市体检是通过综合评价城市发展建设状况、有针对性制定对策措施，优化城市发展目标、补齐城市建设短板、解决“城市病”问题的一项基础性工作，是实施城市更新行动、统筹城市规划建设管理、推动城市人居环境高质量发展的重要抓手，也是解决城市发展中人口、资源、生态、交通、住房、安全等多方面城市规划问题的重要方法，但城市体检中由于涉及的评估数目众多、涉及面广和数据量大的难点，仍需要不断地探索和技术创新。
针对上述难点，自然资源部国土空间规划局根据行业标准中的体检评估指标体系，针对安全、创新、协调、绿色、开发以及共享六个一级大类，细化出68个可供参考的标准指标，举例来说，绿色一级大类下，其中一个标准指标为绿色交通出行比例。但我国地域面积广，截至2021年末共有地级以上城市297个，县级市394个，不同城市之间的地方特色与地域性资源差别较大，使用一套体检评估指标体系，如何进行不同指标的选择、计算与评估，才能使体检评估结果更契合城市特点，使得评估结果更加准确成为了难题。
针对上述问题，本申请实施例提供了一种城市体检评估方法，能够根据不同的城市类别确定参考指标，并对参考指标的神经网络模型进行更新，使得进行评估的神经网络模型符合城市的地方特色，从而得到更准确的体检评估结果。
请参见图1，为本申请实施例提供的一种城市体检评估方法的流程示意图，该方法可依赖于计算机程序实现，可依赖于单片机实现，也可运行于基于冯诺依曼体系的城市体检评估装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。本申请实施例以搭载城市体检评估系统的计算机为例，对城市体检评估方法的具体步骤做详细说明。
S10，基于目标城市的城市类别，从标准指标集合中确定参考指标。
目标城市为待进行城市体检评估的城市，能够针对标准指标集合中的各标准指标，提供相关的体检数据，体检数据为目标城市的具体准确的评估数据。
需要理解的是，城市类别为按城市功能划分的资源型城市、工业型城市、旅游型城市、枢纽型城市、创新型城市以及金融型城市，但划分方式包括但不限于城市功能，若其它划分方式得到的城市类别能够对应到相应的指标，也应涵盖为本申请实施例的保护范围之中。
标准指标集合为体检评估指标体系中的所有标准指标的总称，标准指标为从多个视角评估城市发展状况的评估具体实施指标项，举例来说，能够指向共享（宜居）结果的某一标准指标为人均公园绿地面积。
参考指标为目标城市的城市类别能够影响的标准指标，举例来说，某城市的城市类别为工业型城市，标准指标中的单位GDP二氧化碳排放降低比例即可确定为参考指标。
在一种可实现的实施方式中，判断目标城市的城市类别，确定城市类别对应的城市功能分类结果，基于城市功能分类结果从标准指标集合中确定参考指标。
目标城市的城市类别判断可由目标城市的政务网站或权威分析专家评价得出，城市类别对应到多个城市功能分类结果，举例来说，工业型城市的功能分类结果为绿色生产、绿色生活、宜居、水安全等二级小类，从二级小类下的标准指标中确定相应的参考指标。
S20，基于标准指标集合对应的指标知识图谱聚类结果，确定参考指标的第一神经网络模型。
在一种可实现的实施方式中，针对指标知识图谱聚类结果的获取，可通过步骤S201~S203得到。
S201，根据标准指标集合构建指标知识图谱，标准指标集合包括多个标准指标及各标准指标的描述信息。
标准指标的描述信息为对标准指标的进一步解释，举例来说，某标准指标为常住人口城镇化率，该标准指标的描述信息为城镇常住人口占常住总人口的比例，在构建指标知识图谱的一种实现方式中，可将该标准指标的描述信息提取为“城镇常住人口”与“总常住人口”两个指标实体，两个指标实体的关系为“比例”。
S202，使用BERT预训练模型对标准指标集合中各标准指标的描述信息进行向量化处理，得到若干个指标表示向量。
基于上述举例，在对标准指标的描述信息进行向量化处理时，可参考性地将实体替换成描述信息进行向量化处理，以减少描述信息中其它文本的噪声干扰。
BERT预训练模型是利用大规模无标注的语料文本进行训练，从而获得可表示语料文本语义的特征向量，举例来说，“城镇常住人口”中六个字的词性信息后缀均为“/l-nz”，因此可将这个描述信息划为一个指标实体，取BERT预训练模型的cls输出作为指标表示向量，对指标实体中的每个字均进行向量转换，因此“城镇常住人口”为向量长度为6的指标表示向量。
S203，分别计算各指标表示向量之间的余弦相似度值，将余弦相似度值大于所设阈值的指标表示向量对应的标准指标进行聚类，得到指标知识图谱的聚类结果。
分别计算各个指标表示向量之间的余弦相似度值，将相似度大于所设阈值的指标表示向量对应的标准指标进行聚类，即对具有关联关系的指标进行聚类，便于整体分析其体检结果，同时在此基础上延伸出一种实施方式，基于逻辑上的从属和依存关系分析和建立标准指标集合中各指标之间的关系，确定标准指标之间的关联关系，根据关联关系得到指标知识图谱的聚类结果。
S30，基于城市类别下其它城市与参考指标相关的历史参考数据，更新第一神经网络模型，得到第二神经网络模型。
第一神经网络模型为参考指标对应的神经网络模型，历史参考数据为针对同一参考指标，相同城市类别下其它城市的历史数据。
在一种可实现的实施方式中，获取城市类别下其他城市与参考指标相关的历史体检数据、历史指标评价标准以及历史评估结果；基于历史体检数据、历史指标评价标准以及历史评估结果，得到参考指标的训练样本；基于参考指标的训练样本更新第一神经网络模型，得到第二神经网络模型。
历史体检数据为同类别城市在往年的体检过程中需要处理的数据，历史指标评价标准为同类型城市在往年的体检过程中针对同一标准指标的评价标准，历史评估结果为根据历史体检数据以及历史指标评价标准，得到的最终的评价结果，举例来说，针对某一指标“生态红线保护面积”，同一城市类别的另一城市的历史体检数据为，生态红线保护面积580平方公里，在陆域面积中占比31%，历史指标评价标准中达标占比为25%，历史评估结果为生态红线保护为良好。
因此可将同类别的其它城市的历史参考数据作为训练样本，对已选取的参考指标的第一神经网络模型进行更新，得到第二神经网络模型，其中神经网络模型可以是卷积神经网络模型。
S40，通过第二神经网络模型，处理目标城市与标准指标集合中各标准指标相关的体检数据，得到目标城市的体检评估结果。
在获取体检数据的过程中，为保证数据来源的可靠性，存在多个数据来源，在一种可实现的实施方式中，分别获取第三方专业研究机构的统计数据、政府部门的公开数据、第三方机构的实地调查数据以及地方辖区的上报数据；对同一标准指标分别对应的统计数据、公开数据、实地调查数据以及上报数据进行加权计算，得到目标城市与标准指标集合中各标准指标相关的体检数据，进行加权计算的数据权重由四类数据的均方根与四类数据的差值确定，四类数据包括统计数据、公开数据、实地调查数据以及上报数据。
对同一标准指标分别对应的统计数据、公开数据、实地调查数据以及上报数据进行加权计算，举例来说，针对某一标准指标：“森林覆盖率”，统计数据为63.78%，公开数据为64.15%，实地调查数据为61.22%，上报数据为63.43%，计算得到的均方根为63.16%，各个数据中与均方根差值大的权重小，因此可根据各个数据与均方根的差值得到相应权重，最终得到该参考指标相关的体检数据。
在一种体检数据的处理方式中，获取标准指标的往年体检数据；对标准指标的往年体检数据以及体检数据进行归一化处理，得到归一化数值；分别计算各个归一化数值的正理想解与负理想解，并计算往年体检数据与正理想解的距离以及往年体检数据与负理想解的距离，基于往年体检数据与正理想解的距离以及往年体检数据与负理想解的距离，得到往年体检数据与正理想解的第一接近程度；分别计算体检数据与正理想解的距离以及体检数据与负理想解的距离，基于体检数据与正理想解的距离以及体检数据与负理想解的距离，得到体检数据与正理想解的第二接近程度；比对第一接近程度与第二接近程度的大小关系，得到各标准指标的评价结果；通过第二神经网络模型，处理指标知识图谱聚类结果中的标准指标对应的评价结果，得到目标城市的体检评估结果。
举例来说，在评判绿色生产是否达标时，绿色生产的相关的标准指标为“每万元GDP能耗”与“每万元GDP水耗”，其中“每万元GDP能耗”的近五年（包括当前体检年份）往年体检数据与体检数据分别为7.21tce、7.04tce、6.89tce、6.96tce、6.85tce；“每万元GDP水耗”的近五年（包括当前体检年份）的往年体检数据与体检数据分别为57.2立方米、58.9立方米、57.6立方米、56.3立方米、55.8立方米。
分别对往年体检数据与进行归一化处理，举例来说7.21tce对应的归一化处理方式为，从而计算出转换为归一化值的Z矩阵，由于水耗与能耗的最优解为越低越好，将Z矩阵中归一化值最低的确定为水耗正理想解与能耗正理想解，将Z矩阵中归一化值最低的确定为水耗负理想解与能耗负理想解，历史最远的年份的第一接近程度的计算为，此年份与正理想解的距离，此年份与正理想解的距离，此年份与最理想解的接近程度，i表示年份，j表示能耗与水耗的数量，的结果在0到1之间，越接近1则说明某一点的评价结果最优。通过比对当年的接近程度与往年的接近程度，得到目标城市的体检评估结果。
在其中一个实施例中，获取标准指标对应的期望标准，期望标准的取值为：
；
其中为期望标准，为归一化数值，M为归一化数值的最大取值，m为归一化数值的最小取值；
根据标准指标对应的期望标准的类型，分别计算各个归一化数值对应的正理想解与负理想解。
上述水耗与能耗的举例为极小值标准，针对标准指标计算中可能的期望标准不同，有的标准指标的体检数据越大越好，比如生活垃圾回收率的标准指标对应为极大型标准，有的标准指标的体检数据需要维持于某一范围，比如道路网密度的标准指标对应为中间型标准，以满足期望标准的对应调整。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照申请方法实施例。
请参见图2，其示出了本申请一个示例性实施例提供的城市体检评估系统的结构示意图。该系统可以通过软件、硬件或者两者的结合实现成为系统的全部或一部分。该系统包括参考指标确定模块1、模型确定模块2、模型更新模块3以及体检评估结果计算模块4。
参考指标确定模块1，用于基于目标城市的城市类别，从标准指标集合中确定参考指标；
模型确定模块2，用于基于标准指标集合对应的指标知识图谱聚类结果，确定参考指标的第一神经网络模型；
模型更新模块3，用于基于城市类别下其它城市与参考指标相关的历史参考数据，更新第一神经网络模型，得到第二神经网络模型；
体检评估结果计算模块4，用于通过第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到目标城市的体检评估结果。
需要说明的是：上述实施例提供的系统在实现其功能时，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，上述实施例提供的系统和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述图1-图2所示实施例的卫星导航信号的载波环路跟踪方法，具体执行过程可以参加图1-图2所示实施例的具体说明，在此不进行赘述。
本申请还公开一种电子设备。参照图3，图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括：至少一个处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。
其中，通信总线302用于实现这些组件之间的连接通信。
其中，用户接口303可以包括显示屏（Display）、摄像头（Camera），可选用户接口303还可以包括标准的有线接口、无线接口。
其中，网络接口304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301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行服务器的各种功能和处理数据。可选的，处理器301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 LogicArray，PLA）中的至少一种硬件形式来实现。处理器301可集成中央处理器（CentralProcessing 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301中，单独通过一块芯片进行实现。
其中，存储器305可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-OnlyMemory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305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的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。参照图3，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种城市体检评估的应用程序。
在图3所示的电子设备300中，用户接口303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301可以用于调用存储器305中存储一种城市体检评估的应用程序，当由一个或多个处理器301执行时，使得电子设备300执行如上述实施例中一个或多个的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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器中。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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种城市体检评估方法，其特征在于，所述方法包括：
基于目标城市的城市类别，从标准指标集合中确定参考指标；
基于所述标准指标集合对应的指标知识图谱聚类结果，确定所述参考指标的第一神经网络模型；
基于所述城市类别下其它城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型；
通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果。
2.根据权利要求1所述的方法，其特征在于，所述基于目标城市的城市类别，从标准指标集合中确定参考指标之前，还包括：
根据标准指标集合构建指标知识图谱，所述标准指标集合包括多个标准指标及各标准指标的描述信息；
使用BERT预训练模型对所述标准指标集合中各标准指标的描述信息进行向量化处理，得到若干个指标表示向量；
分别计算各指标表示向量之间的余弦相似度值，将所述余弦相似度值大于所设阈值的指标表示向量对应的标准指标进行聚类，得到指标知识图谱的聚类结果。
3.根据权利要求1所述的方法，其特征在于，所述城市类别包括资源型城市、工业型城市、旅游型城市、枢纽型城市、创新型城市以及金融型城市中的一种，所述基于目标城市的城市类别，从标准指标集合中确定参考指标，包括：
判断所述目标城市的城市类别，确定所述城市类别对应的城市功能分类结果；
基于所述城市功能分类结果从标准指标集合中确定参考指标。
4.根据权利要求1所述的方法，其特征在于，所述基于所述城市类别下其他城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型，包括：
获取所述城市类别下其他城市与所述参考指标相关的历史体检数据、历史指标评价标准以及历史评估结果；
基于所述历史体检数据、所述历史指标评价标准以及所述历史评估结果，得到所述参考指标的训练样本；
基于所述参考指标的训练样本更新所述第一神经网络模型，得到第二神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据之前，还包括：
分别获取第三方专业研究机构的统计数据、政府部门的公开数据、第三方机构的实地调查数据以及地方辖区的上报数据；
对同一标准指标分别对应的所述统计数据、所述公开数据、所述实地调查数据以及所述上报数据进行加权计算，得到所述目标城市与所述标准指标集合中参考指标相关的体检数据，进行加权计算的数据权重由四类数据的均方根与所述四类数据的差值确定，所述四类数据包括所述统计数据、所述公开数据、所述实地调查数据以及所述上报数据。
6.根据权利要求1所述的方法，其特征在于，所述通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果，包括：
获取所述标准指标的往年体检数据；
对所述标准指标的往年体检数据以及所述体检数据进行归一化处理，得到归一化数值；
分别计算各个归一化数值的正理想解与负理想解，并计算所述往年体检数据与所述正理想解的距离以及所述往年体检数据与所述负理想解的距离，基于所述往年体检数据与所述正理想解的距离以及所述往年体检数据与所述负理想解的距离，得到所述往年体检数据与所述正理想解的第一接近程度；
分别计算所述体检数据与所述正理想解的距离以及所述体检数据与所述负理想解的距离，基于所述体检数据与所述正理想解的距离以及所述体检数据与所述负理想解的距离，得到所述体检数据与所述正理想解的第二接近程度；
比对所述第一接近程度与所述第二接近程度的大小关系，得到各所述标准指标的指标评价；
通过所述第二神经网络模型，处理所述指标知识图谱聚类结果中的各标准指标对应的评价结果，得到所述目标城市的体检评估结果。
7.根据权利要求6所述的方法，其特征在于，所述分别计算各个归一化数值的正理想解与负理想解，包括：
获取所述标准指标对应的期望标准，所述期望标准的取值为：
；
其中为所述期望标准，为所述归一化数值，M为所述归一化数值的最大取值，m为所述归一化数值的最小取值；
根据所述标准指标对应的期望标准的类型，分别计算各个归一化数值对应的正理想解与负理想解。
8.一种城市体检评估系统，其特征在于，所述系统包括：
参考指标确定模块(1)，用于基于目标城市的城市类别，从标准指标集合中确定参考指标；
模型确定模块(2)，用于基于所述标准指标集合对应的指标知识图谱聚类结果，确定所述参考指标的第一神经网络模型；
模型更新模块(3)，用于基于所述城市类别下其它城市与所述参考指标相关的历史参考数据，更新所述第一神经网络模型，得到第二神经网络模型；
体检评估结果计算模块(4)，用于通过所述第二神经网络模型，处理所述目标城市与所述标准指标集合中各标准指标相关的体检数据，得到所述目标城市的体检评估结果。
9.一种计算机存储介质，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1~7任意一项所述的方法。
10.一种电子设备，其特征在于，包括处理器、存储器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1~7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310348595.9A CN116128378B (zh) | 2023-04-04 | 2023-04-04 | 一种城市体检评估方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310348595.9A CN116128378B (zh) | 2023-04-04 | 2023-04-04 | 一种城市体检评估方法、系统、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116128378A true CN116128378A (zh) | 2023-05-16 |
| CN116128378B CN116128378B (zh) | 2023-06-27 |
Family
ID=86295857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310348595.9A Active CN116128378B (zh) | 2023-04-04 | 2023-04-04 | 一种城市体检评估方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116128378B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507648A (zh) * | 2020-06-30 | 2020-08-07 | 航天宏图信息技术股份有限公司 | 一种国土空间规划评价系统 |
| CN112418690A (zh) * | 2020-11-26 | 2021-02-26 | 广州市城市规划勘测设计研究院 | 一种用于城市体检指标的分析诊断方法及系统 |
| KR20210091591A (ko) * | 2020-01-14 | 2021-07-22 | 울산과학기술원 | 원천 기술의 평가 방법을 포함하는 전자 장치 |
| CN114399128A (zh) * | 2021-11-03 | 2022-04-26 | 中国城市规划设计研究院 | 一种基于可持续发展理念的城市体检评估系统及方法 |
| CN114549053A (zh) * | 2022-01-25 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
| CN115239076A (zh) * | 2022-06-24 | 2022-10-25 | 中国科学院自动化研究所 | 城市群产业创新力的确定方法、装置和设备 |
-
2023
- 2023-04-04 CN CN202310348595.9A patent/CN116128378B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210091591A (ko) * | 2020-01-14 | 2021-07-22 | 울산과학기술원 | 원천 기술의 평가 방법을 포함하는 전자 장치 |
| CN111507648A (zh) * | 2020-06-30 | 2020-08-07 | 航天宏图信息技术股份有限公司 | 一种国土空间规划评价系统 |
| CN112418690A (zh) * | 2020-11-26 | 2021-02-26 | 广州市城市规划勘测设计研究院 | 一种用于城市体检指标的分析诊断方法及系统 |
| CN114399128A (zh) * | 2021-11-03 | 2022-04-26 | 中国城市规划设计研究院 | 一种基于可持续发展理念的城市体检评估系统及方法 |
| CN114549053A (zh) * | 2022-01-25 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
| CN115239076A (zh) * | 2022-06-24 | 2022-10-25 | 中国科学院自动化研究所 | 城市群产业创新力的确定方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘雨心;王莉;张昊;: "基于分层注意力机制的神经网络垃圾评论检测模型", 计算机应用, no. 11, pages 17 - 28 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
| CN117436767B (zh) * | 2023-12-15 | 2024-04-09 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116128378B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | An assessment of urbanization sustainability in China between 1990 and 2015 using land use efficiency indicators | |
| Liao et al. | A neighbor decay cellular automata approach for simulating urban expansion based on particle swarm intelligence | |
| Qian et al. | Identification of urban functional areas by coupling satellite images and taxi GPS trajectories | |
| CN116128378B (zh) | 一种城市体检评估方法、系统、存储介质及电子设备 | |
| Avtar et al. | Assessment of energy–population–urbanization nexus with changing energy industry scenario in India | |
| Ghasemkhani et al. | Urban development modeling using integrated fuzzy systems, ordered weighted averaging (owa), and geospatial techniques | |
| Li et al. | Prediction of ship collision risk based on CART | |
| Chen et al. | Accessibility inequality and income disparity in urban China: a case study of Guangzhou | |
| Kim et al. | Emerging risk forecast system using associative index mining analysis | |
| CN113344408B (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
| CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
| Dong et al. | A method to identify urban fringe area based on the industry density of POI | |
| Kaczmarek et al. | A machine learning approach for integration of spatial development plans based on natural language processing | |
| Zhuang et al. | Port planning and sustainable development based on prediction modelling of port throughput: A case study of the deep-water Dongjiakou Port | |
| CN115984044A (zh) | 一种旅游发展高潜力村落的挖掘方法 | |
| Shan et al. | Identifying city shrinkage in population and city activity in the middle reaches of the Yangtze River, China | |
| Zhang et al. | Predictivity of tourism demand data | |
| Wang | Research on digital economy and human resources based on fuzzy clustering and edge computing | |
| Gu et al. | Detecting associations based on the multi-variable maximum information coefficient | |
| CN112308387B (zh) | 客户意向度评估方法与装置、云服务器 | |
| Yang et al. | A novel quality evaluation method for standardized experiment teaching | |
| Mamat et al. | Enhancement of water quality index prediction using support vector machine with sensitivity analysis | |
| Jiang et al. | Understanding Housing Prices Using Geographic Big Data: A Case Study in Shenzhen | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 |
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 |