CN117132135B - 基于数字孪生的城市信息化管理系统及方法 - Google Patents
基于数字孪生的城市信息化管理系统及方法 Download PDFInfo
- Publication number
- CN117132135B CN117132135B CN202311369148.8A CN202311369148A CN117132135B CN 117132135 B CN117132135 B CN 117132135B CN 202311369148 A CN202311369148 A CN 202311369148A CN 117132135 B CN117132135 B CN 117132135B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- urban energy
- feature
- urban
- energy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 96
- 238000005265 energy consumption Methods 0.000 claims description 53
- 238000007726 management method Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000005728 strengthening Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 9
- 238000012300 Sequence Analysis Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于数字孪生的城市信息化管理系统及方法，涉及智能管理技术领域，其通过实时监测预定周期内城市能源使用量情况，并在后端引入数据处理和分析算法来进行城市能源使用量的时序分析，以此来进行短时城市能源使用量的预测，通过这样的方式，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，并在屏幕上显示多天的能源使用量和预测值，帮助城市管理者更好地了解和管理城市能源，为城市管理者提供决策支持和优化能源配置的依据，从而提升城市信息化管理的效率和水平。
Description
技术领域
本申请涉及智能管理技术领域，且更为具体地，涉及一种基于数字孪生的城市信息化管理系统及方法。
背景技术
城市信息化管理系统是指利用信息技术手段对城市进行综合管理和优化，以提高城市的运行效率、资源利用效率和居民生活质量。在城市信息化管理中，能源使用是一个重要的方面。了解城市能源的使用情况对于制定能源规划、优化能源配置以及实现可持续发展至关重要。然而，传统的能源数据采集和分析方法往往面临数据量大、复杂度高的挑战。并且，传统的能源管理方法在数据分析和决策支持方面缺乏智能化的能力，无法从庞大的数据中挖掘出有价值的信息。
数字孪生是一种将真实世界的物理对象和过程，通过数据采集、传输、分析和可视化，构建其数字化的虚拟模型的技术。数字孪生可以实时反映真实世界的状态和变化，为城市管理提供决策支持和优化方案。因此，期望一种基于数字孪生的城市信息化管理系统，以提供更准确、高效的城市能源使用分析和预测。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数字孪生的城市信息化管理系统及方法，其通过实时监测预定周期内城市能源使用量情况，并在后端引入数据处理和分析算法来进行城市能源使用量的时序分析，以此来进行短时城市能源使用量的预测，通过这样的方式，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，并在屏幕上显示多天的能源使用量和预测值，帮助城市管理者更好地了解和管理城市能源，为城市管理者提供决策支持和优化能源配置的依据，从而提升城市信息化管理的效率和水平。
根据本申请的一个方面，提供了一种基于数字孪生的城市信息化管理系统，其包括：
数据采集模块，用于获取预定时间周期内多天的城市能源使用量；
城市能源时序排列模块，用于将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；
城市能源时序特征分析模块，用于对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；
城市能源使用量预测显示模块，用于基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示;
其中，所述城市能源时序特征分析模块，包括：
向量切分单元，用于对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列；
向量-图像转换单元，用于将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列；
城市能源时序特征提取单元，用于通过基于深度神经网络模型的能源使用时序特征提取器对所述城市能源局部时序图像的序列进行特征提取以得到城市能源时序特征图；
城市能源时序特征强化单元，用于对所述城市能源时序特征图进行通道注意力强化以得到所述城市能源时序特征。
根据本申请的另一个方面，提供了一种基于数字孪生的城市信息化管理方法，其包括：
获取预定时间周期内多天的城市能源使用量；
将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；
对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；
基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示;
其中，对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征，包括：
对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列；
将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列；
通过基于深度神经网络模型的能源使用时序特征提取器对所述城市能源局部时序图像的序列进行特征提取以得到城市能源时序特征图；
对所述城市能源时序特征图进行通道注意力强化以得到所述城市能源时序特征。
与现有技术相比，本申请提供的一种基于数字孪生的城市信息化管理系统及方法，其通过实时监测预定周期内城市能源使用量情况，并在后端引入数据处理和分析算法来进行城市能源使用量的时序分析，以此来进行短时城市能源使用量的预测，通过这样的方式，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，并在屏幕上显示多天的能源使用量和预测值，帮助城市管理者更好地了解和管理城市能源，为城市管理者提供决策支持和优化能源配置的依据，从而提升城市信息化管理的效率和水平。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于数字孪生的城市信息化管理系统的框图；
图2为根据本申请实施例的基于数字孪生的城市信息化管理系统的系统架构图；
图3为根据本申请实施例的基于数字孪生的城市信息化管理系统中城市能源时序特征分析模块的框图；
图4为根据本申请实施例的基于数字孪生的城市信息化管理系统中城市能源使用量预测显示模块的框图；
图5为根据本申请实施例的基于数字孪生的城市信息化管理方法的流程图。
附图标记：
300、基于数字孪生的城市信息化管理系统；310、数据采集模块；320、城市能源时序排列模块；330、城市能源时序特征分析模块；340、城市能源使用量预测显示模块；331、向量切分单元；332、向量-图像转换单元；333、城市能源时序特征提取单元；334、城市能源时序特征强化单元；341、特征分布优化单元；342、城市能源使用量预测单元；343、屏幕显示单元。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
在能源管理过程中，数字孪生可以用于优化城市能源系统的管理。该系统可以帮助能源管理部门监测能源使用情况、预测能源需求，并在屏幕进行显示，同时提供能源优化建议。例如，可以根据模拟结果制定能源调度策略，实现能源的高效利用和减少碳排放。
在本申请的技术方案中，提出了一种基于数字孪生的城市信息化管理系统。图1为根据本申请实施例的基于数字孪生的城市信息化管理系统的框图。图2为根据本申请实施例的基于数字孪生的城市信息化管理系统的系统架构图。如图1和图2所示，根据本申请的实施例的基于数字孪生的城市信息化管理系统300，包括：数据采集模块310，用于获取预定时间周期内多天的城市能源使用量；城市能源时序排列模块320，用于将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；城市能源时序特征分析模块330，用于对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；城市能源使用量预测显示模块340，用于基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示。
特别地，所述数据采集模块310，用于获取预定时间周期内多天的城市能源使用量。其中，城市能源使用量是指城市在一定时间内消耗的能源总量。能源使用量是衡量城市能源消耗和能源需求的重要指标，对于评估城市的能源效率、可持续性和环境影响具有重要意义。
特别地，所述城市能源时序排列模块320，用于将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量。考虑到所述城市能源使用量在时间维度上具有着波动性和时序变化规律，也就是说，所述多天的城市能源使用量之间具有着时序的关联关系。因此，为了能够对于所述城市能源使用量的时序特征进行充分捕捉和刻画，以此来进行城市能源使用需求的短时预测，在本申请的技术方案中，需要将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量，以此来整合所述城市能源使用量的时序分布信息，以便于后续对于城市能源使用情况的时序变化进行分析。
特别地，所述城市能源时序特征分析模块330，用于对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征。特别地，在本申请的一个具体示例中，如图3所示，所述城市能源时序特征分析模块330，包括：向量切分单元331，用于对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列；向量-图像转换单元332，用于将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列；城市能源时序特征提取单元333，用于通过基于深度神经网络模型的能源使用时序特征提取器对所述城市能源局部时序图像的序列进行特征提取以得到城市能源时序特征图；城市能源时序特征强化单元334，用于对所述城市能源时序特征图进行通道注意力强化以得到所述城市能源时序特征。
具体地，所述向量切分单元331，用于对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列。城市能源的使用通常具有一定的周期性和时变性，因此，为了能够更为充分地对于城市能源使用情况进行时序分析，需要对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列。通过将所述城市能源时序输入向量切分为局部时序输入向量的序列，可以将城市能源数据按照时间窗口进行划分，从而捕捉到不同时间段内的能源使用模式和趋势。也就是说，切分后的所述城市能源局部时序输入向量可以提供更细粒度的数据信息，使得系统可以更好地分析和理解城市能源的变化规律。例如，可以观察到某个时间段内的能源峰值、低谷、周期性波动等特征，进而进行相应的预测和优化。
值得注意的是，向量切分是指将一个向量分割成若干个子向量的过程。在向量切分中，可以指定切分的方式和切分的位置，以便将原始向量划分为具有特定长度或特定规律的子向量。向量切分可以在多个领域和应用中使用，例如数据处理、机器学习和信号处理等。
相应的，在一种可能的实现方式中，可通过以下步骤对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列，确定切分的方式和切分的参数，例如切分长度或切分窗口的大小。这取决于对局部时序的定义和需求；根据切分参数，定义切分规则来划分城市能源时序输入向量。例如，如果使用定长切分，切分规则可以是每隔固定长度切分一个子向量；如果使用滑动窗口切分，切分规则可以是窗口在向量上滑动，并以窗口内的元素作为一个子向量；根据切分规则，执行向量切分操作，将城市能源时序输入向量切分成多个局部时序输入子向量。根据切分方式的不同，可以生成不同数量和长度的子向量；将切分得到的局部时序输入子向量按照切分的顺序形成一个序列。这个序列代表了城市能源的局部时序输入；将局部时序输入序列作为模型的输入，用于预测城市能源的局部时序输出或进行其他分析任务。
具体地，所述向量-图像转换单元332，用于将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列。应可以理解，城市能源的时序数据通常包含了时间维度和能源使用量样本维度的数据信息。因此，为了能够对于城市能源的时序分布特征进行充分分析，在本申请的技术方案中，将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列。通过将城市能源使用量时序数据转化为图像序列，可以将时间维度映射为图像的横向维度，能源使用量维度映射为图像的纵向维度，从而形成二维的图像表示。
相应的，在一种可能的实现方式中，可通过以下步骤将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列，例如：选择或设计一个向量-图像格式转换器，用于将向量表示的数据转换为图像表示的数据；根据转换器的要求，定义将向量转换为图像的规则。这包括像素分辨率、颜色映射、图像大小等参数的设定。可以根据城市能源的特点和需要进行合理的规则定义；对于每个局部时序输入向量，使用转换规则将其转换为相应的局部时序图像。这可以通过将向量的值映射到图像的像素强度或颜色来实现。确保转换过程保留了局部时序信息；将转换得到的局部时序图像按照原始序列的顺序形成一个图像序列。这个序列代表了城市能源的局部时序图像；将局部时序图像序列作为输入，用于进一步的图像处理、模型训练或其他分析任务。图像序列可以提供更直观和可视化的表示，有助于发现城市能源时序的空间和时间特征。
具体地，所述城市能源时序特征提取单元333，用于通过基于深度神经网络模型的能源使用时序特征提取器对所述城市能源局部时序图像的序列进行特征提取以得到城市能源时序特征图。也就是，在本申请的一个具体示例中，将所述城市能源局部时序图像的序列，通过基于三维卷积神经网络模型的能源使用时序特征提取器进行特征挖掘，以提取出所述城市能源使用量的局部时序分布特征在时间维度上的全局时序关联特征信息，从而得到城市能源时序特征图。也就是说，所述城市能源局部时序图像的序列包含了城市不同时间段的能源使用情况的图像表示。通过应用所述基于三维卷积神经网络模型的能源使用时序特征提取器，可以从图像序列中学习到更高级别的特征表示，以捕捉城市能源的时空变化模式和规律。更具体地，使用所述基于三维卷积神经网络模型的能源使用时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的能源使用时序特征提取器的最后一层的输出为所述城市能源时序特征图，所述基于三维卷积神经网络模型的能源使用时序特征提取器的第一层的输入为所述城市能源局部时序图像的序列。
值得注意的是，三维卷积神经网络（3D Convolutional Neural Network）是一种深度学习模型，用于处理三维数据。与传统的二维卷积神经网络（2D CNN）相比，3D CNN 能够有效地处理具有时间维度的数据，如视频、时间序列等。在传统的二维卷积神经网络中，卷积操作是在二维图像上进行的，通过在图像的不同位置上滑动卷积核来提取局部特征。而在三维卷积神经网络中，卷积操作是在三维数据（例如视频）上进行的，同时考虑了时间、宽度和高度三个维度上的信息。3D CNN 的基本组成部分包括卷积层、池化层、批归一化层和全连接层。卷积层通过在三维数据上应用卷积核来提取空间和时间特征。池化层用于减小数据的空间维度，以降低计算复杂度并提取更加抽象的特征。批归一化层用于对每个批次的数据进行归一化处理，加速训练过程和提高模型的鲁棒性。全连接层用于最终的分类或回归任务。3D CNN 在视频分析、动作识别、医学图像处理等领域具有广泛的应用。
具体地，所述城市能源时序特征强化单元334，用于对所述城市能源时序特征图进行通道注意力强化以得到所述城市能源时序特征。考虑到所述城市能源时序特征图包含了城市能源数据的时序特征表示。然而，不同的特征通道可能对于能源预测任务的贡献程度不同，有些通道可能包含了更多的噪声或冗余信息，而有些通道则对于预测任务更为关键。通道注意力模块可以通过学习特征通道之间的关联性和重要性，自适应地调整每个通道的权重，从而实现对特征通道的显著化处理。具体而言，通道注意力模块可以根据输入的城市能源时序特征图，计算每个通道的注意力权重，然后将这些权重应用于特征图的通道维度，以得到通道显著化的城市能源时序特征图。因此，为了提高对于城市能源预测任务中重要特征的关注度和学习能力，在本申请的技术方案中，进一步将所述城市能源时序特征图通过通道注意力模块以得到通道显著化城市能源时序特征图。更具体地，对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值作为权重对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化城市能源时序特征图。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征，例如：收集城市能源使用量的时序数据。这可以包括每个时间点的总能源消耗、电力消耗、燃料消耗或温室气体排放等指标。确保数据是按照时间顺序排列的，并进行必要的数据清洗和预处理，如去除异常值或缺失值；从时序数据中提取城市能源的特征。这可以包括以下几个方面：统计特征：计算时序数据的基本统计特征，如均值、方差、最大值、最小值等。这些统计特征可以提供关于能源使用量的整体趋势和变化幅度的信息；季节性特征：通过分析时序数据的季节性模式，提取出季节性特征。这可以使用周期性分析方法，如傅里叶变换或自回归模型，来捕捉能源使用量在不同季节或时间周期上的变化；趋势特征：通过拟合趋势线或应用时间序列分析方法，提取出时序数据的趋势特征。这可以揭示城市能源使用量的长期变化趋势，如增长、下降或周期性波动；周期性特征：除了季节性特征外，还可以探索其他周期性特征，如每周、每月或每年的周期性波动。这可以通过分析时序数据的周期性模式来实现；相关性特征：分析城市能源使用量与其他相关因素之间的关系，如经济指标、气温、人口等。通过计算相关系数或应用相关性分析方法，可以提取出与能源使用量相关的特征；对提取的特征进行分析和可视化，以了解城市能源的时序特征。
特别地，所述城市能源使用量预测显示模块340，用于基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示。特别地，在本申请的一个具体示例中，如图4所示，所述城市能源使用量预测显示模块340，包括：特征分布优化单元341，用于对所述通道显著化城市能源时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道显著化城市能源时序特征图；城市能源使用量预测单元342，用于将所述优化通道显著化城市能源时序特征图通过解码器以得到解码值，所述解码值用于表示短时城市能源使用量的预测值；以及，屏幕显示单元343，用于在屏幕显示所述多天的城市能源使用量和所述解码值。
具体地，所述特征分布优化单元341，用于对所述通道显著化城市能源时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道显著化城市能源时序特征图。在本申请的技术方案中，对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列，将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列，并将所述城市能源局部时序图像的序列通过基于三维卷积神经网络模型的能源使用时序特征提取器后，可以提取城市能源使用量在全局时域下的基于向量切分的局部时域，以及基于向量-图像格式转换的局部时域下的细分时域的多尺度时域子空间下的时域子空间内-时域子空间间时序关联特征。这样，通过通道注意力模块，可以进一步强化某些局部时域下的局部时域子空间内的时序关联特征分布，但是，如果将所述通道显著化城市能源时序特征图作为整体，则其对于各个时域子空间下的时序关联特征表达可能存在不均衡，并且，本申请的申请人进一步发现，这种不均衡在很大程度上与特征表达尺度相关，即特征矩阵的空间维度上的局部时域内的细分时域内-细分时域间时序关联特征表达尺度，和各个特征矩阵间的通道维度上的局部时域间时序关联尺度，例如，可以理解为相对于预定尺度，特征值之间的分布越不均衡，则特征图的整体表达也越不均衡。因此，优选地，对于所述通道显著化城市能源时序特征图的各个特征矩阵，例如记为进行特征尺度约束的概率密度收敛优化，表示为：
；
；
其中，是所述通道显著化城市能源时序特征图的通道数，/>是特征矩阵/>的全局特征均值，/>是/>组成的特征向量，/>表示特征向量/>的二范数的平方，/>是特征矩阵/>的尺度，即宽度乘以高度，且/>表示特征矩阵/>的Frobenius范数的平方。这里，所述特征尺度约束的概率密度收敛优化可以通过类标准柯西分布式的尾部分布加强机制，来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束，以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开，从而弥补特征尺度偏差导致的概率密度收敛异质性。这样，以上述权重对沿通道的每个特征矩阵/>进行加权，就可以提升优化后的通道显著化城市能源时序特征图相对于预定回归概率的收敛性，从而提升其通过解码器得到的解码值的准确性。这样，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，并在屏幕上显示多天的能源使用量和预测值，帮助城市管理者更好地了解和管理城市能源，为城市管理者提供决策支持和优化能源配置的依据，从而提升城市信息化管理的效率和水平。
具体地，所述城市能源使用量预测单元342和所述屏幕显示单元343，用于将所述优化通道显著化城市能源时序特征图通过解码器以得到解码值，所述解码值用于表示短时城市能源使用量的预测值；以及，在屏幕显示所述多天的城市能源使用量和所述解码值。也就是，利用通道特征显化后的有关于城市能源使用量的全时序分布特征信息来进行解码回归，从而对于短时城市能源使用量进行预测，并在屏幕显示所述多天的城市能源使用量和所述解码值，通过这样的方式，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，可以帮助城市管理者更好地了解和管理城市能源。更具体地，使用所述解码器以如下公式将所述优化通道显著化城市能源时序特征图进行解码回归以获得用于表示短时城市能源使用量的预测值的解码值；其中，所述公式为：，其中/>表示所述优化通道显著化城市能源时序特征图，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
值得注意的是，解码回归是指将训练好的回归模型应用于新的输入数据，通过模型预测输出值。在回归任务中，预测一个连续的数值输出。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示，例如：收集历史的城市能源使用量时序数据，并将其按照时间顺序排列。确保数据是连续的、准确的，并进行必要的数据清洗和预处理；根据历史数据，提取城市能源的时序特征，包括统计特征、季节性特征、趋势特征、周期性特征和相关性特征。这些特征将用于构建预测模型；选择适合的预测模型进行训练。常用的预测模型包括线性回归、支持向量回归、决策树回归、随机森林回归、神经网络等。根据特征的性质和数据的规模选择合适的模型，并使用历史数据进行模型训练；对输入数据进行特征工程处理，包括数据归一化、特征选择、特征变换等。这有助于提高模型的预测性能；使用训练好的模型对未来一段时间内的城市能源使用量进行预测。将预测所需的特征输入到模型中，得到相应的能源使用量预测值；将预测值进行屏幕显示，以便用户查看。可以使用图表、表格或其他可视化方式将预测结果展示在屏幕上；定期更新模型，重新训练以适应新的数据，并根据实际预测结果进行优化和调整。
如上所述，根据本申请实施例的基于数字孪生的城市信息化管理系统300可以实现在各种无线终端中，例如具有基于数字孪生的城市信息化管理算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于数字孪生的城市信息化管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于数字孪生的城市信息化管理系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于数字孪生的城市信息化管理系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于数字孪生的城市信息化管理系统300与该无线终端也可以是分立的设备，并且该基于数字孪生的城市信息化管理系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
进一步地，还提供一种基于数字孪生的城市信息化管理方法。
图5为根据本申请实施例的基于数字孪生的城市信息化管理方法的流程图。如图5所示，根据本申请实施例的基于数字孪生的城市信息化管理方法，包括步骤：S1，获取预定时间周期内多天的城市能源使用量；S2，将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；S3，对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；S4，基于所述城市能源时序特征，确定短时城市能源使用量的预测值并进行屏幕显示。
综上，根据本申请实施例的基于数字孪生的城市信息化管理方法被阐明，其通过实时监测预定周期内城市能源使用量情况，并在后端引入数据处理和分析算法来进行城市能源使用量的时序分析，以此来进行短时城市能源使用量的预测，通过这样的方式，能够基于数字孪生技术来根据城市能源的使用量时序变化情况来进行城市能源需求的预测，并在屏幕上显示多天的能源使用量和预测值，帮助城市管理者更好地了解和管理城市能源，为城市管理者提供决策支持和优化能源配置的依据，从而提升城市信息化管理的效率和水平。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (2)
1.一种基于数字孪生的城市信息化管理系统，其特征在于，包括：
数据采集模块，用于获取预定时间周期内多天的城市能源使用量；
城市能源时序排列模块，用于将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；
城市能源时序特征分析模块，用于对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；
城市能源使用量预测显示模块，用于基于所述城市能源时序特征，确定城市能源使用量的预测值并进行屏幕显示；
其中，所述城市能源时序特征分析模块，包括：
向量切分单元，用于对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列；
向量-图像转换单元，用于将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列；
城市能源时序特征提取单元，使用基于三维卷积神经网络模型的能源使用时序特征提取器的各层，在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用基于三维卷积神经网络模型的能源使用时序特征提取器的最后一层的输出为所述城市能源时序特征图，所述基于三维卷积神经网络模型的能源使用时序特征提取器的第一层的输入为所述城市能源局部时序图像的序列；
城市能源时序特征强化单元，用于对所述城市能源时序特征图通过通道注意力模块进行通道注意力强化以得到通道显著化城市能源时序特征图作为所述城市能源时序特征，包括：对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值作为权重对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化城市能源时序特征图；
所述城市能源使用量预测显示模块，包括：
特征分布优化单元，用于对所述通道显著化城市能源时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道显著化城市能源时序特征图；
城市能源使用量预测单元，用于将所述优化通道显著化城市能源时序特征图通过解码器以得到解码值，所述解码值用于表示城市能源使用量的预测值，包括：使用所述解码器以如下公式将所述优化通道显著化城市能源时序特征图进行解码回归以获得用于表示城市能源使用量的预测值的解码值；其中，所述公式为：，其中/>表示所述优化通道显著化城市能源时序特征图，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘； 以及
屏幕显示单元，用于在屏幕显示所述多天的城市能源使用量和所述解码值。
2.一种基于数字孪生的城市信息化管理方法，其特征在于，包括：
获取预定时间周期内多天的城市能源使用量；
将所述多天的城市能源使用量按照时间维度排列为城市能源时序输入向量；
对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征；
基于所述城市能源时序特征，确定城市能源使用量的预测值并进行屏幕显示；
其中，对所述城市能源时序输入向量进行城市能源时序特征分析以得到城市能源时序特征，包括：
对所述城市能源时序输入向量进行向量切分以得到城市能源局部时序输入向量的序列；
将所述城市能源局部时序输入向量的序列通过向量-图像格式转换器以得到城市能源局部时序图像的序列；
使用基于三维卷积神经网络模型的能源使用时序特征提取器的各层，在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用基于三维卷积神经网络模型的能源使用时序特征提取器的最后一层的输出为所述城市能源时序特征图，所述基于三维卷积神经网络模型的能源使用时序特征提取器的第一层的输入为所述城市能源局部时序图像的序列；
对所述城市能源时序特征图通过通道注意力模块进行通道注意力强化以得到通道显著化城市能源时序特征图作为所述城市能源时序特征，包括：对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值作为权重对所述城市能源时序特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化城市能源时序特征图；
所述基于所述城市能源时序特征，确定城市能源使用量的预测值并进行屏幕显示，包括：
对所述通道显著化城市能源时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道显著化城市能源时序特征图；
将所述优化通道显著化城市能源时序特征图通过解码器以得到解码值，所述解码值用于表示城市能源使用量的预测值，包括：使用所述解码器以如下公式将所述优化通道显著化城市能源时序特征图进行解码回归以获得用于表示城市能源使用量的预测值的解码值；其中，所述公式为：，其中/>表示所述优化通道显著化城市能源时序特征图，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘； 以及
在屏幕显示所述多天的城市能源使用量和所述解码值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369148.8A CN117132135B (zh) | 2023-10-23 | 2023-10-23 | 基于数字孪生的城市信息化管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369148.8A CN117132135B (zh) | 2023-10-23 | 2023-10-23 | 基于数字孪生的城市信息化管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132135A CN117132135A (zh) | 2023-11-28 |
| CN117132135B true CN117132135B (zh) | 2024-02-06 |
Family
ID=88856699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311369148.8A Active CN117132135B (zh) | 2023-10-23 | 2023-10-23 | 基于数字孪生的城市信息化管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132135B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314128B (zh) * | 2023-11-29 | 2024-02-02 | 河北友蓝科技有限公司 | 一种基于数字孪生技术的智慧城市能源管理方法及系统 |
| CN117575485B (zh) * | 2024-01-12 | 2024-05-03 | 深圳比特耐特信息技术股份有限公司 | 一种基于可视化的智慧调度方法、系统及存储介质 |
| CN117854008A (zh) * | 2024-01-16 | 2024-04-09 | 浙江威星电子系统软件股份有限公司 | 基于数字孪生的智慧运动场馆管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232479A (zh) * | 2020-09-11 | 2021-01-15 | 湖北大学 | 基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品 |
| KR20210023388A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 화성 | 기계 학습을 기반으로 한 태양광 발전량 예측 시스템 |
| CN114118568A (zh) * | 2021-11-19 | 2022-03-01 | 国网河南省电力公司经济技术研究院 | 基于多头注意力的卷积神经网络的电力消耗预测方法 |
| CN115272002A (zh) * | 2022-07-14 | 2022-11-01 | 杭州未名信科科技有限公司 | 一种建筑能源预测方法、装置、存储介质及程序产品 |
| CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源系统源荷价多任务联合预测方法及系统 |
-
2023
- 2023-10-23 CN CN202311369148.8A patent/CN117132135B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210023388A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 화성 | 기계 학습을 기반으로 한 태양광 발전량 예측 시스템 |
| CN112232479A (zh) * | 2020-09-11 | 2021-01-15 | 湖北大学 | 基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品 |
| CN114118568A (zh) * | 2021-11-19 | 2022-03-01 | 国网河南省电力公司经济技术研究院 | 基于多头注意力的卷积神经网络的电力消耗预测方法 |
| CN115272002A (zh) * | 2022-07-14 | 2022-11-01 | 杭州未名信科科技有限公司 | 一种建筑能源预测方法、装置、存储介质及程序产品 |
| CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源系统源荷价多任务联合预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Neural network-based load forecasting and error implication for short-term horizon;S. R. Khuntia;《2016 International Joint Conference on Neural Networks (IJCNN)》;第4970-4975页 * |
| 基于GRU-TGTrans...合能源系统多元负荷短期预测;李云松;《电力系统保护与控制》;第51卷(第15期);第34-41段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132135A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
| Bokde et al. | A novel imputation methodology for time series based on pattern sequence forecasting | |
| Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
| CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| Wang et al. | Principles, research status, and prospects of feature engineering for data-driven building energy prediction: A comprehensive review | |
| CN113837488B (zh) | 能源消耗数据预测方法、系统、设备 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN110621026A (zh) | 一种基站流量多时刻预测方法 | |
| CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
| Wang et al. | A novel self-adaptive fractional multivariable grey model and its application in forecasting energy production and conversion of China | |
| Wang et al. | CLformer: Locally grouped auto-correlation and convolutional transformer for long-term multivariate time series forecasting | |
| CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
| Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN117113006A (zh) | 一种数字能源空压站的数据管理系统及其方法 | |
| CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
| Niu et al. | WPFSAD: Wind Power Forecasting System Integrating Dual-Stage Attention and Deep Learning | |
| CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 | |
| CN117473435B (zh) | 一种基于时空特征的突发公共卫生事件虚假异常信息检测方法 | |
| CN117094453B (zh) | 一种用于虚拟电厂的调度优化系统及其方法 | |
| CN117236571B (zh) | 一种基于物联网的规划方法和系统 |
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 |