CN117151344A - 一种数字孪生城市人口管理方法 - Google Patents
一种数字孪生城市人口管理方法 Download PDFInfo
- Publication number
- CN117151344A CN117151344A CN202311400158.3A CN202311400158A CN117151344A CN 117151344 A CN117151344 A CN 117151344A CN 202311400158 A CN202311400158 A CN 202311400158A CN 117151344 A CN117151344 A CN 117151344A
- Authority
- CN
- China
- Prior art keywords
- data
- population
- acquisition
- management method
- digital twin
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000009469 supplementation Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人口管理领域,且公开了一种数字孪生城市人口管理方法,包括以下步骤:步骤1:建立人工信息数据库,作为采集数据与分析的存储端,并设置控制权限,对授权节点开放;步骤2:在物联网络内布置采集节点,获取人工信息存储源点,对源点合法性进行验证,在通过验证后,搭建采集接口,获取人口数据,将所有采集接口所得数据进行独立存储,然后对冗余与错误数据进行过滤;通过对人口区域的划分,设定对应人口密度的采集方式,并分析采集数据的缺失度,对缺失数据进行预测补充,使得采集数据具有较强的真实性,为城市管理和规划提供准确的人口信息,进而使得后续人口变化趋势的分析,具备较佳的准确性,降低结果的误差。
Description
技术领域
本发明涉及人口管理技术领域,具体为一种数字孪生城市人口管理方法。
背景技术
数字孪生城市人口是指利用数字技术和数据分析来建立城市人口模型,实现对城市人口的精细化描述和可视化分析的概念,数字孪生城市人口以城市为参照,通过模拟仿真和数据挖掘等技术手段,将城市居民的各类人口属性以数字化形式呈现,它可以对人口数量、人口密度、人口分布、人口结构等进行模拟,以达到对城市人口变化趋势和人口行为的预测和分析;
但是,现有的数字孪生城市人口管理方法,还存在缺陷,包括:
1、由于原始人口数据的采集难度较大,因此所获取的数据总会存在一些缺失,各个城市区域的缺失度也不尽相同,使得最终对人口变化趋势的预测结果也存在不可忽视的误差,准确性不足,且难以对缺失数据进行补充;
2、在数据的分析与处理过程中,往往会因为错误或者冗余的数据,造成结果参考价值降低,并且在分析过程中,此类数据还会极大的提升系统的运算压力,使得整体运算速度降低,随着人口数据的不断变更,使得所获取数据的实时性难以保持。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种数字孪生城市人口管理方法,能够有效地解决现有技术中的由于原始人口数据的采集难度较大,因此所获取的数据总会存在一些缺失,各个城市区域的缺失度也不尽相同,使得最终对人口变化趋势的预测结果也存在不可忽视的误差,准确性不足,且难以对缺失数据进行补充,在数据的分析与处理过程中,往往会因为错误或者冗余的数据,造成结果参考价值降低,并且在分析过程中,此类数据还会极大的提升系统的运算压力,使得整体运算速度降低,随着人口数据的不断变更,使得所获取数据的实时性难以保持的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现,
本发明公开了一种数字孪生城市人口管理方法,包括以下步骤:
步骤1:建立人工信息数据库,作为采集数据与分析的存储端,并设置控制权限,对授权节点开放;
步骤2:在物联网络内布置采集节点,获取人工信息存储源点,对源点合法性进行验证,在通过验证后,搭建采集接口,获取人口数据,将所有采集接口所得数据进行独立存储,然后对冗余与错误数据进行过滤;
步骤3:按人工密度将城市区域进行划分,在各区域设定采集阈值,将所得的人口数据对应区域进行归类,直至所获取人口数据到达采集阈值;
步骤4:采集完毕后,将到达采集阈值的区域数据标记为真实值,未到达采集阈值的阈值数据标记为疑问值,统一进行二次归类,输出为真实数据集和疑问数据集;
步骤5:获取疑问数据集指向区域按实际人口密度逐一进行人口数量、居住地区、年龄结构和人口迁移数据的分析,并输出对应的一类目标特征;
步骤6:对疑问数据集指向区域属性进行分析,预测应有的人口数量、居住地区、年龄结构和人口迁移数据的目标特征,输出为对应的二类目标特征;
步骤7:将一类目标特征与二次目标特征进行综合分析,获取完善值向对应区域的疑问数据集中替换,与真实数据集组成评估集;
步骤8:在评估集下进行场景模拟,分析不同人口密度、用地分布和基础设施变化下,各区域的人口增长和需求变化,输出分析报告。
更进一步地,所述步骤2中采集节点根据需要采集的人口数据类型,选择数据采集算法,并确保其与通信网络连接正常,连接到云平台后设置数据采集频率。
更进一步地,所述步骤2中过滤过程中,通过预设的规则和条件对数据进行验证,筛选出不符合规范的数据,采用数据清洗算法、数据匹配和合并、数据标准化相结合算法,对人口数据进行清洗,去除重复记录、去除颠倒或错误的字段值、纠正拼写错误。
更进一步地,所述步骤3中判断是否到达采集阈值时,通过对人口数据进行验证,分析数据的完整性和一致性,验证人口数量是否为正数以及年龄数据是否在合理范围内。
更进一步地,所述步骤3中设置采集阈值的过程汇总,根据所设定的目标和需求,定义采集阈值,根据各个区域的特点和需求,阈值高低与人口密度高低呈反比。
更进一步地,所述步骤5中的一类目标特征在通过验证后,进行人工审查和干预,对经过自动过滤和校验的数据进行再次检查。
更进一步地,所述步骤6中的预测过程通过搭建神经网络算法的人口预测模型,将样本实验数据输入到自适应神经网络人口预测模型中,在数据设定完成之后,就将样本数据X进行归一化处理,使样本数据在(0,1)之间,然后正向传播进行计算,其计算公式为:
Y=;
式中,Y代表正向传播输出结果,X代表样本数据参数,a代表模型学习率,W代表收敛值,i代表输出层节点数,j代表输入层节点数。
更进一步地,所述归一化处理后的样本数据在进行反向传播时,需要对隐含层以及输出层的权值进行调整,其计算公式为:
W=a*f(x)*T-E;
式中,W代表输入层和隐含层的节点权值,f(x)代表激活函数Sigmoid,a代表模型学习率,T代表期望值向量,E代表模型训练的误差值。
更进一步地,所述步骤6中二类目标特征的输出后,与对应区域的人口普查数据、统计数据和行政记录进行比对,判断数据的准确性和一致性,若判断为不一致或矛盾的数据,生成调查和纠正报告递交管理端。
更进一步地,所述步骤8中的分析报告的属性包括:人口流动性、人口增减趋势和基础设施充盈度。
(三)有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果,
本发明通过对人口区域的划分,设定对应人口密度的采集方式,并分析采集数据的缺失度,对缺失数据进行预测补充,使得采集数据具有较强的真实性,为城市管理和规划提供准确的人口信息,进而使得后续人口变化趋势的分析,具备较佳的准确性,降低结果的误差。
本发明通过对错误或者冗余的数据过滤措施,使得采集数据在数字孪生过程中,具有较高的纯净性,以避免无用数据占用系统算力,影响系统吞吐量,使得分析结果的输出具备优异的实时性,对人口增长进行更好管理。
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为一种数字孪生城市人口管理方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的一种数字孪生城市人口管理方法,如图1所示,包括以下步骤:
步骤1:建立人工信息数据库,作为采集数据与分析的存储端,并设置控制权限,对授权节点开放;
步骤2:在物联网络内布置采集节点,获取人工信息存储源点,对源点合法性进行验证,在通过验证后,搭建采集接口,获取人口数据,将所有采集接口所得数据进行独立存储,然后对冗余与错误数据进行过滤;
步骤3:按人工密度将城市区域进行划分,在各区域设定采集阈值,将所得的人口数据对应区域进行归类,直至所获取人口数据到达采集阈值,所述步骤3中判断是否到达采集阈值时,通过对人口数据进行验证,分析数据的完整性和一致性,验证人口数量是否为正数以及年龄数据是否在合理范围内,所述步骤3中设置采集阈值的过程汇总,根据所设定的目标和需求,定义采集阈值,根据各个区域的特点和需求,阈值高低与人口密度高低呈反比;
步骤4:采集完毕后,将到达采集阈值的区域数据标记为真实值,未到达采集阈值的阈值数据标记为疑问值,统一进行二次归类,输出为真实数据集和疑问数据集;
步骤5:获取疑问数据集指向区域按实际人口密度逐一进行人口数量、居住地区、年龄结构和人口迁移数据的分析,并输出对应的一类目标特征,所述步骤5中的一类目标特征在通过验证后,进行人工审查和干预,对经过自动过滤和校验的数据进行再次检查;
步骤6:对疑问数据集指向区域属性进行分析,预测应有的人口数量、居住地区、年龄结构和人口迁移数据的目标特征,输出为对应的二类目标特征,所述步骤6中二类目标特征的输出后,与对应区域的人口普查数据、统计数据和行政记录进行比对,判断数据的准确性和一致性,若判断为不一致或矛盾的数据,生成调查和纠正报告递交管理端;
步骤7:将一类目标特征与二次目标特征进行综合分析,获取完善值向对应区域的疑问数据集中替换,与真实数据集组成评估集;
步骤8:在评估集下进行场景模拟,分析不同人口密度、用地分布和基础设施变化下,各区域的人口增长和需求变化,输出分析报告,所述步骤8中的分析报告的属性包括:人口流动性、人口增减趋势和基础设施充盈度。
本实施例在具体实施时,通过对人口区域的划分,设定对应人口密度的采集方式,并分析采集数据的缺失度,对缺失数据进行预测补充,使得采集数据具有较强的真实性,为城市管理和规划提供准确的人口信息,进而使得后续人口变化趋势的分析,具备较佳的准确性,降低结果的误差。
实施例2
本实施例还提供一种过滤方法,所述步骤2中采集节点根据需要采集的人口数据类型,选择数据采集算法,并确保其与通信网络连接正常,连接到云平台后设置数据采集频率。所述步骤2中过滤过程中,通过预设的规则和条件对数据进行验证,筛选出不符合规范的数据,采用数据清洗算法、数据匹配和合并、数据标准化相结合算法,对人口数据进行清洗,去除重复记录、去除颠倒或错误的字段值、纠正拼写错误。
本实施例在具体实施时,通过对错误或者冗余的数据过滤措施,使得采集数据在数字孪生过程中,具有较高的纯净性,以避免无用数据占用系统算力,影响系统吞吐量,使得分析结果的输出具备优异的实时性,对人口增长进行更好管理。
实施例3
本实施例中,所述步骤6中的预测过程通过搭建神经网络算法的人口预测模型,将样本实验数据输入到自适应神经网络人口预测模型中,在数据设定完成之后,就将样本数据X进行归一化处理,使样本数据在(0,1)之间,然后正向传播进行计算,其计算公式为:
Y=;
式中,Y代表正向传播输出结果,X代表样本数据参数,a代表模型学习率,W代表收敛值,i代表输出层节点数,j代表输入层节点数。
所述归一化处理后的样本数据在进行反向传播时,需要对隐含层以及输出层的权值进行调整,其计算公式为:
W=a*f(x)*T-E;
式中,W代表输入层和隐含层的节点权值,f(x)代表激活函数Sigmoid,a代表模型学习率,T代表期望值向量,E代表模型训练的误差值。
综上所述,本发明在实施时,通过对人口区域的划分,设定对应人口密度的采集方式,并分析采集数据的缺失度,对缺失数据进行预测补充,使得采集数据具有较强的真实性,为城市管理和规划提供准确的人口信息,进而使得后续人口变化趋势的分析,具备较佳的准确性,降低结果的误差;
通过对错误或者冗余的数据过滤措施,使得采集数据在数字孪生过程中,具有较高的纯净性,以避免无用数据占用系统算力,影响系统吞吐量,使得分析结果的输出具备优异的实时性,对人口增长进行更好管理。
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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数字孪生城市人口管理方法,其特征在于,包括以下步骤:
步骤1:建立人工信息数据库,作为采集数据与分析的存储端,并设置控制权限,对授权节点开放;
步骤2:在物联网络内布置采集节点,获取人工信息存储源点,对源点合法性进行验证,在通过验证后,搭建采集接口,获取人口数据,将所有采集接口所得数据进行独立存储,然后对冗余与错误数据进行过滤;
步骤3:按人工密度将城市区域进行划分,在各区域设定采集阈值,将所得的人口数据对应区域进行归类,直至所获取人口数据到达采集阈值;
步骤4:采集完毕后,将到达采集阈值的区域数据标记为真实值,未到达采集阈值的阈值数据标记为疑问值,统一进行二次归类,输出为真实数据集和疑问数据集;
步骤5:获取疑问数据集指向区域按实际人口密度逐一进行人口数量、居住地区、年龄结构和人口迁移数据的分析,并输出对应的一类目标特征;
步骤6:对疑问数据集指向区域属性进行分析,预测应有的人口数量、居住地区、年龄结构和人口迁移数据的目标特征,输出为对应的二类目标特征;
步骤7:将一类目标特征与二次目标特征进行综合分析,获取完善值向对应区域的疑问数据集中替换,与真实数据集组成评估集;
步骤8:在评估集下进行场景模拟,分析不同人口密度、用地分布和基础设施变化下,各区域的人口增长和需求变化,输出分析报告。
2.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤2中采集节点根据需要采集的人口数据类型,选择数据采集算法,并确保其与通信网络连接正常,连接到云平台后设置数据采集频率。
3.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤2中过滤过程中,通过预设的规则和条件对数据进行验证,筛选出不符合规范的数据,采用数据清洗算法、数据匹配和合并、数据标准化相结合算法,对人口数据进行清洗,去除重复记录、去除颠倒或错误的字段值、纠正拼写错误。
4.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤3中判断是否到达采集阈值时,通过对人口数据进行验证,分析数据的完整性和一致性,验证人口数量是否为正数以及年龄数据是否在合理范围内。
5.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤3中设置采集阈值的过程汇总,根据所设定的目标和需求,定义采集阈值,根据各个区域的特点和需求,阈值高低与人口密度高低呈反比。
6.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤5中的一类目标特征在通过验证后,进行人工审查和干预,对经过自动过滤和校验的数据进行再次检查。
7.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤6中的预测过程通过搭建神经网络算法的人口预测模型,将样本实验数据输入到自适应神经网络人口预测模型中,在数据设定完成之后,就将样本数据X进行归一化处理,使样本数据在(0,1)之间,然后正向传播进行计算,其计算公式为:
Y=;
式中,Y代表正向传播输出结果,X代表样本数据参数,a代表模型学习率,W代表收敛值,i代表输出层节点数,j代表输入层节点数。
8.根据权利要求7所述的一种数字孪生城市人口管理方法,其特征在于,所述归一化处理后的样本数据在进行反向传播时,需要对隐含层以及输出层的权值进行调整,其计算公式为:
W=a*f(x)*T-E;
式中,W代表输入层和隐含层的节点权值,f(x)代表激活函数Sigmoid,a代表模型学习率,T代表期望值向量,E代表模型训练的误差值。
9.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤6中二类目标特征的输出后,与对应区域的人口普查数据、统计数据和行政记录进行比对,判断数据的准确性和一致性,若判断为不一致或矛盾的数据,生成调查和纠正报告递交管理端。
10.根据权利要求1所述的一种数字孪生城市人口管理方法,其特征在于,所述步骤8中的分析报告的属性包括:人口流动性、人口增减趋势和基础设施充盈度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400158.3A CN117151344B (zh) | 2023-10-26 | 2023-10-26 | 一种数字孪生城市人口管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400158.3A CN117151344B (zh) | 2023-10-26 | 2023-10-26 | 一种数字孪生城市人口管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151344A true CN117151344A (zh) | 2023-12-01 |
CN117151344B CN117151344B (zh) | 2024-02-02 |
Family
ID=88884584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311400158.3A Active CN117151344B (zh) | 2023-10-26 | 2023-10-26 | 一种数字孪生城市人口管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151344B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572613A (zh) * | 2013-10-21 | 2015-04-29 | 富士通株式会社 | 数据处理装置、数据处理方法和程序 |
WO2018226173A2 (en) * | 2016-11-10 | 2018-12-13 | Turkcell Teknoloji̇ Araştirma Ve Geli̇şti̇rme Anoni̇m Şi̇rketi̇ | A system for demographic analysis of mobile operator subscribers visiting the areas wherein indoor base station is established |
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
KR101976189B1 (ko) * | 2018-06-07 | 2019-05-08 | 넥스엔정보기술(주) | 유동 인구의 분석 서비스 제공 방법 |
CN112000874A (zh) * | 2020-06-29 | 2020-11-27 | 福建慧政通信息科技有限公司 | 一种数字孪生城市人口管理方法和存储设备 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
US20210225513A1 (en) * | 2020-01-22 | 2021-07-22 | XY.Health Inc. | Method to Create Digital Twins and use the Same for Causal Associations |
KR20210133611A (ko) * | 2020-04-29 | 2021-11-08 | 기초과학연구원 | 인구 통계 분석 시스템 및 이의 동작 방법 |
KR102357236B1 (ko) * | 2021-06-25 | 2022-02-08 | 주식회사 빅스터 | 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 |
CN115049159A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 人口分布预测方法和装置、存储介质及电子设备 |
CN115114342A (zh) * | 2022-08-26 | 2022-09-27 | 乘木科技(珠海)有限公司 | 一种数字孪生多源数据异常监测方法及系统 |
CN116843845A (zh) * | 2023-06-07 | 2023-10-03 | 福州华仁拾宝网络科技有限公司 | 一种应用于数字孪生城市的空间数据集成方法及系统 |
-
2023
- 2023-10-26 CN CN202311400158.3A patent/CN117151344B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572613A (zh) * | 2013-10-21 | 2015-04-29 | 富士通株式会社 | 数据处理装置、数据处理方法和程序 |
WO2018226173A2 (en) * | 2016-11-10 | 2018-12-13 | Turkcell Teknoloji̇ Araştirma Ve Geli̇şti̇rme Anoni̇m Şi̇rketi̇ | A system for demographic analysis of mobile operator subscribers visiting the areas wherein indoor base station is established |
US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
KR101976189B1 (ko) * | 2018-06-07 | 2019-05-08 | 넥스엔정보기술(주) | 유동 인구의 분석 서비스 제공 방법 |
US20210225513A1 (en) * | 2020-01-22 | 2021-07-22 | XY.Health Inc. | Method to Create Digital Twins and use the Same for Causal Associations |
KR20210133611A (ko) * | 2020-04-29 | 2021-11-08 | 기초과학연구원 | 인구 통계 분석 시스템 및 이의 동작 방법 |
CN112000874A (zh) * | 2020-06-29 | 2020-11-27 | 福建慧政通信息科技有限公司 | 一种数字孪生城市人口管理方法和存储设备 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
KR102357236B1 (ko) * | 2021-06-25 | 2022-02-08 | 주식회사 빅스터 | 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 |
CN115049159A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 人口分布预测方法和装置、存储介质及电子设备 |
CN115114342A (zh) * | 2022-08-26 | 2022-09-27 | 乘木科技(珠海)有限公司 | 一种数字孪生多源数据异常监测方法及系统 |
CN116843845A (zh) * | 2023-06-07 | 2023-10-03 | 福州华仁拾宝网络科技有限公司 | 一种应用于数字孪生城市的空间数据集成方法及系统 |
Non-Patent Citations (2)
Title |
---|
敬东;汤舸;高路拓;王咏笑;王宇鹏;: "上海人口空间变迁的现象、原因及后果初探", 上海城市规划, no. 06, pages 26 - 31 * |
高小惠;倪超军;: "特大城市迁移人口居住分异特征及影响因素――基于南京市的实证研究", 新疆农垦经济, no. 05, pages 44 - 52 * |
Also Published As
Publication number | Publication date |
---|---|
CN117151344B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242149B (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
CN110727665B (zh) | 物联网设备上报数据质量分析方法及系统 | |
CN111160406A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN110188882A (zh) | 一种基于模糊推理的高冲突证据融合方法 | |
CN117828539B (zh) | 数据智能融合分析系统及方法 | |
TWI707299B (zh) | 光學檢測二次圖像分類方法 | |
CN114241425B (zh) | 垃圾检测模型的训练方法、装置、存储介质及设备 | |
CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
CN111353603A (zh) | 一种深度学习模型个体预测解释方法 | |
CN117151344B (zh) | 一种数字孪生城市人口管理方法 | |
CN114841412A (zh) | 一种海参生长水质中酸碱度的预测方法 | |
CN117411192B (zh) | 一种不间断电源并机系统的监控方法及系统 | |
CN114494756A (zh) | 一种基于Shape-GIoU改进的聚类算法 | |
CN116860562B (zh) | 一种用于数据中台数据质量的监控方法及系统 | |
CN111275059B (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
CN116934261A (zh) | 一种基于大数据的输变电工程造价管理方法及系统 | |
CN116579409A (zh) | 基于重参数化的智能相机模型剪枝加速方法及加速系统 | |
CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
CN114070438A (zh) | 一种5g基站电磁信号的检测方法及系统 | |
CN114692888A (zh) | 系统参数处理方法、装置、设备及存储介质 | |
CN111524098A (zh) | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 | |
CN117079831B (zh) | 一种基于大数据分析的病案统计管理方法及系统 | |
TWI415015B (zh) | Fuzzy rule making device and method | |
CN114549026B (zh) | 基于算法组件库分析的未知诈骗的识别方法及系统 | |
CN114881329B (zh) | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 |
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 |