CN117726195B - 城市管理事件数量变化预测方法、装置、设备及存储介质 - Google Patents
城市管理事件数量变化预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117726195B CN117726195B CN202410175328.0A CN202410175328A CN117726195B CN 117726195 B CN117726195 B CN 117726195B CN 202410175328 A CN202410175328 A CN 202410175328A CN 117726195 B CN117726195 B CN 117726195B
- Authority
- CN
- China
- Prior art keywords
- moving average
- term moving
- average value
- short
- long
- 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 50
- 230000007774 longterm Effects 0.000 claims description 143
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 20
- 101000783705 Myxoma virus (strain Uriarra) Envelope protein A28 homolog Proteins 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241001272720 Medialuna californiensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市管理事件数量变化预测方法、装置、设备及存储介质,该方法通过确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,并绘制生成短期移动平均线、中期移动平均线和长期移动平均线,利用平均线特征输入短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值,以此判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件,能够为城市治理提供准确的城市管理事件的数据支持,帮助选择对应的城市治理方案。
Description
技术领域
本发明涉及城市治理技术领域,尤其涉及到一种城市管理事件数量变化预测方法、装置、设备及存储介质。
背景技术
在城市治理中,城市管理工作的重要组成部分是城市管理人员的巡逻工作,城市管理巡逻人员的安排方案对于维护城市的公共秩序和市民的安全至关重要,而针对城市管理巡逻调度,由于人力资源有限以及不同区域的实际情况差异,导致有限的人力资源往往无法及时发现和处理事件。因此,需要对区域范围内的城市管理事件的数量变化趋势进行监测。
在城市管理过程中,每天都会有城市巡查事件、网格上报事件;在实际调研过程中,受限于人力物力等因素,工作日与非工作日反馈的事件数量有明显的区别(两者数量相差可以达到2到3倍),导致无法直接通过城市管理事件数量的日环比来反映城市管理事件数量的变化趋势。
因此,如何实现对区域范围内的城市管理事件的数量变化趋势进行预测,以判断数量变化趋势是否超过预设波动条件,是一个亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种城市管理事件数量变化预测方法、装置、设备及存储介质,旨在对区域范围内的城市管理事件的数量变化趋势进行预测,以判断数量变化趋势是否超过预设波动条件。
为实现上述目的,本发明提供一种城市管理事件数量变化预测方法,所述方法包括以下步骤:
获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;
基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
可选的,根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值步骤,具体包括:
分析所述历史城市管理事件信息,提取所述历史城市管理事件信息中的高频事件发生间隔周期;其中,所述高频事件为单位时间内发生的次数超过预设值的事件;
基于所述间隔周期,确定短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期;
根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值。
可选的,所述短期移动平均值的覆盖周期为1-2个高频事件发生间隔周期,所述中期移动平均值的覆盖周期为4-13个高频事件发生间隔周期,所述长期移动平均值的覆盖周期为26-52个高频事件发生间隔周期。
可选的,根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值步骤,具体包括:
(1)计算短期移动平均值的表达式为:
;
(2)计算中期移动平均值的表达式为:
;
(3)计算长期移动平均值的表达式为:
;
其中,T为日期,T1为短期移动平均值的覆盖周期,T2为中期移动平均值的覆盖周期,T3为长期移动平均值的覆盖周期,V为事件数量,i为日期T的第前i天,V(T-i)表示日期T的第前i天的事件数量。
可选的,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中步骤之前,所述方法还包括:
分别提取短期移动平均线、中期移动平均线和长期移动平均线在前一时段的平均线特征和在后一时段的短期移动平均值、中期移动平均值和长期移动平均值,并建立平均线特征分别与短期移动平均值、中期移动平均值和长期移动平均值的映射关系;
将所述前一时段的平均线特征以及与之具有映射关系的所述后一时段的短期移动平均值、中期移动平均值和长期移动平均值分别输入对应的机器学习模型中进行训练,获得短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型。
可选的,根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件步骤,具体包括:根据下一时段内短期移动平均值、中期移动平均值和长期移动平均值三者的位置,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
可选的,根据下一时段内短期移动平均值、中期移动平均值和长期移动平均值三者的位置,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件步骤,具体包括:
统计下一时段内短期移动平均值与中期移动平均值皆高于长期移动平均值的时间段长度L1,短期移动平均值高于移动平均值但中期移动平均值低于长期移动平均值的时间段长度L2、短期移动平均值低于移动平均值但中期移动平均值高于长期移动平均值的时间段长度L3以及短期移动平均值与中期移动平均值皆低于长期移动平均值的时间段长度L4;
根据所述时间段长度L1与所述时间段长度L2的第一加权和与所述时间段长度L3与时间段长度L4的第二加权和,计算第一加权和与第二加权和的差值作为城市管理事件数量的趋势变化量化值;
其中,时间段长度L1与时间段长度L4的权重为μ1,时间段长度L2和时间段长度L3的权重为μ2,且μ1>μ2;
判断所述趋势变化量化值是否超过预设趋势变化量化阈值,若是,则判断下一时段的城市管理事件数量变化趋势超过预设波动条件。
此外,为了实现上述目的,本发明还提供了一种城市管理事件数量变化预测装置,包括:
获取模块,用于获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
确定模块,用于根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;
绘制模块,用于基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
预测模块,用于分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
判断模块,用于根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
此外,为了实现上述目的,本发明还提供了一种城市管理事件数量变化预测设备,所述城市管理事件数量变化预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市管理事件数量变化预测程序,所述城市管理事件数量变化预测程序被所述处理器执行时实现如上所述的城市管理事件数量变化预测方法的步骤。
此外,为了实现上述目的,本发明还提供了一种存储介质,所述存储介质上存储有城市管理事件数量变化预测程序,所述城市管理事件数量变化预测程序被处理器执行时实现上述的城市管理事件数量变化预测方法的步骤。
本发明的有益效果在于:提出了一种城市管理事件数量变化预测方法、装置、设备及存储介质,通过确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,并绘制生成短期移动平均线、中期移动平均线和长期移动平均线,利用平均线特征输入短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值,以此判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件,能够为城市治理提供准确的城市管理事件的数据支持,帮助选择对应的城市治理方案。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的装置结构示意图;
图2为本发明城市管理事件数量变化预测方法实施例的流程示意图;
图3为本发明实施例中一种城市管理事件数量变化预测装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
附图标记说明:
10-获取模块;20-确定模块;30-绘制模块;40-预测模块;50-判断模块;1001-处理器;1002-通信总线;1003-用户接口;1004-网络接口;1005-存储器。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
如图1所示,该装置可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的装置的结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及城市管理事件数量变化预测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的城市管理事件数量变化预测程序,并执行以下操作:
获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;
基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
本发明应用于装置的具体实施例与下述应用城市管理事件数量变化预测方法的各实施例基本相同,在此不作赘述。
本发明实施例提供了一种城市管理事件数量变化预测方法,参照图2,图2为本发明城市管理事件数量变化预测方法实施例的流程示意图。
本实施例中,所述城市管理事件数量变化预测方法,包括以下步骤:
S100:获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
S200:根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;
S300:基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
S400:分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
S500:根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
需要说明的是,在城市管理过程中,每天都会有城市巡查事件、网格上报事件;在实际调研过程中,受限于人力物力等因素,工作日与非工作日反馈的事件数量有明显的区别(两者数量相差可以达到2到3倍),导致无法直接通过城市管理事件数量的日环比来反映城市管理事件数量的变化趋势。因此,如何实现对区域范围内的城市管理事件的数量变化趋势进行预测,以判断数量变化趋势是否超过预设波动条件,是一个亟需解决的技术问题。
为了解决上述问题,本实施例通过确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,并绘制生成短期移动平均线、中期移动平均线和长期移动平均线,利用平均线特征输入短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值,以此判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件,能够为城市治理提供准确的城市管理事件的数据支持,帮助选择对应的城市治理方案。
在优选的实施例中,根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值步骤,具体包括:分析所述历史城市管理事件信息,提取所述历史城市管理事件信息中的高频事件发生间隔周期;基于所述间隔周期,确定短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期;根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值。
其中,所述短期移动平均值的覆盖周期为1-2个高频事件发生间隔周期,所述中期移动平均值的覆盖周期为4-13个高频事件发生间隔周期,所述长期移动平均值的覆盖周期为26-52个高频事件发生间隔周期。
其中,根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值步骤,具体包括:
(1)计算短期移动平均值的表达式为:
;
(2)计算中期移动平均值的表达式为:
;
(3)计算长期移动平均值的表达式为:
;
其中,T为日期,T1为短期移动平均值的覆盖周期,T2为中期移动平均值的覆盖周期,T3为长期移动平均值的覆盖周期,V为事件数量,i为日期T的第前i天,V(T-i)表示日期T的第前i天的事件数量。
在实际应用中,对于短期移动平均线:短期移动平均线包括7日移动平均线MA7(周线)、14日移动平均线MA14(半月线)。
设日期为T,在日期T发生的事件数量为V(T),则:
7日移动平均线MA7在日期T的值为:
;
14日移动平均线MA14在日期T的值为:
;
在实际应用中,对于中期移动平均线:
中期移动平均线包括28日移动平均线MA28(月线)、91日移动平均线MA91(季线)。
设日期为T,在日期T发生的事件数量为V(T),则:
28日移动平均线MA28在日期T的值为:
;
91日移动平均线MA91在日期T的值为:
;
在实际应用中,对于长期移动平均线:
长期移动平均线包括日移动平均线MA182(半年线)、364日移动平均线MA364(年线)。
设日期为T,在日期T发生的事件数量为V(T),则:
182日移动平均线MA182在日期T的值为:
;
364日移动平均线MA364在日期T的值为:
;
在优选的实施例中,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中步骤之前,所述方法还包括:分别提取短期移动平均线、中期移动平均线和长期移动平均线在前一时段的平均线特征和在后一时段的短期移动平均值、中期移动平均值和长期移动平均值,并建立平均线特征分别与短期移动平均值、中期移动平均值和长期移动平均值的映射关系;将所述前一时段的平均线特征以及与之具有映射关系的所述后一时段的短期移动平均值、中期移动平均值和长期移动平均值分别输入对应的机器学习模型中进行训练,获得短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型。
在优选的实施例中,根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件步骤,具体包括:根据下一时段内短期移动平均值、中期移动平均值和长期移动平均值三者的位置,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
在实际应用中,短期移动平均线反映的是事件数量短期变化趋势;它对于事件数量变化最敏感,可以在第一时间反映事件数量变化情况。中期移动平均线反映的是事件数量在一定时期内的变化趋势;对比短期移动平均线,它的变化没有那么敏感;对比长期移动平均线,它可以更早的反映事件数量变化的情况。因此更适合做为决策的参考依据。长期移动平均线反映的是事件数量总体变化趋势,它对事件数量的变化最不敏感。但当长期移动平均线走势发生明显改变时,表明事件数量变化趋势已经确认。
理想移动平均线系统状态,是数值从大到小排列;顺序应为长期移动平均线在上方,中期移动平均线在中间,短期移动平均线在底部。即按MA364、MA182、MA91、MA28、MA14、MA7排列,这种排列表明事件数量变化处于稳定可控范围。
当MA7和MA14向上突破MA28时,表明事件数量在短期内明显增加,需要加以关注;当MA7和MA14继续向上突破MA91时,表明事件数量增长趋势已经确认,必须采取行政手段进行干预,遏制事件数量增长趋势。当MA7、MA14、MA28、MA91继续向上突破MA182和MA364时,表明事件数量增长趋势已经稳固,需要加大外部干预打破增长趋势。
反之当MA7和MA14向下击穿MA28,表明事件数量在短期内开始下降;当MA7和MA14继续向下击穿MA91时,表明事件数量下降趋势已经确认,干预措施已经生效,可以逐步减少干预措施。当MA7、MA14、MA28、MA91继续向下击穿MA182和MA364,并最终形成理想移动平均线系统状态,表明事件数量下降趋势已经稳固,并最终处于稳定可控范围,可以撤销所有干预措施,降低行政成本。
具体而言,根据下一时段内短期移动平均值、中期移动平均值和长期移动平均值三者的位置,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件步骤,具体包括:统计下一时段内短期移动平均值与中期移动平均值皆高于长期移动平均值的时间段长度L1,短期移动平均值高于移动平均值但中期移动平均值低于长期移动平均值的时间段长度L2、短期移动平均值低于移动平均值但中期移动平均值高于长期移动平均值的时间段长度L3以及短期移动平均值与中期移动平均值皆低于长期移动平均值的时间段长度L4;根据所述时间段长度L1与所述时间段长度L2的第一加权和与所述时间段长度L3与时间段长度L4的第二加权和,计算第一加权和与第二加权和的差值作为城市管理事件数量的趋势变化量化值;其中,时间段长度L1与时间段长度L4的权重为μ1,时间段长度L2和时间段长度L3的权重为μ2,且μ1>μ2;判断所述趋势变化量化值是否超过预设趋势变化量化阈值,若是,则判断下一时段的城市管理事件数量变化趋势超过预设波动条件。
在根据移动平均线初步判断事件数量的变化趋势的情况下,为了进一步精细的衡量城市管理事件数量变化的趋势,本实施例引入城市管理事件数量的趋势变化量化值,通过计算下一时段内短期移动平均线、中期移动平均线和长期移动平均线所处不同位置所占的时间来计算趋势变化量化值,基于该量化值来更精细的剂量该时段内城市管理事件数量变化的趋势,而非仅仅是“数量增加、数量减少”这样宽泛的描述,进而为城市治理(例如派遣或分配更多的事件处理人员)提供更准确的数据支持。
在本实施例中,提供了一种城市管理事件数量变化预测方法,通过确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,并绘制生成短期移动平均线、中期移动平均线和长期移动平均线,利用平均线特征输入短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值,以此判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件,能够为城市治理提供准确的城市管理事件的数据支持,帮助选择对应的城市治理方案。
参照图3,图3为本发明城市管理事件数量变化预测装置实施例的结构框图。
如图3所示,本发明实施例提出的城市管理事件数量变化预测装置包括:
获取模块10,用于获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
确定模块20,用于根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;
绘制模块30,用于基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
预测模块40,用于分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
判断模块50,用于根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件。
本发明城市管理事件数量变化预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明还提出一种城市管理事件数量变化预测设备,所述城市管理事件数量变化预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市管理事件数量变化预测程序,所述城市管理事件数量变化预测程序被所述处理器执行时实现如上所述的城市管理事件数量变化预测方法的步骤。
本申请城市管理事件数量变化预测设备的具体实施方式与上述城市管理事件数量变化预测方法各实施例基本相同,在此不再赘述。
此外,本发明还提出一种可读存储介质,所述可读存储介质包括计算机可读存储介质,其上存储有城市管理事件数量变化预测程序。所述可读存储介质可以是图1的终端中的存储器1005,也可以是如ROM(Read-Only Memory,只读存储器)/RAM(Random AccessMemory,随机存取存储器)、磁碟、光盘中的至少一种,所述可读存储介质包括若干指令用以使得一台具有处理器的城市管理事件数量变化预测设备执行本发明各个实施例所述的城市管理事件数量变化预测方法。
本申请可读存储介质中的具体实施方式与上述城市管理事件数量变化预测方法各实施例基本相同,在此不再赘述。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种城市管理事件数量变化预测方法,其特征在于,所述方法包括以下步骤:
获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;具体包括:
分析所述历史城市管理事件信息,提取所述历史城市管理事件信息中的高频事件发生间隔周期;其中,所述高频事件为单位时间内发生的次数超过预设值的事件;
基于所述间隔周期,确定短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期;
根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;具体包括:
(1)计算短期移动平均值的表达式为:
;
(2)计算中期移动平均值的表达式为:
;
(3)计算长期移动平均值的表达式为:
;
其中,T为日期,T1为短期移动平均值的覆盖周期,T2为中期移动平均值的覆盖周期,T3为长期移动平均值的覆盖周期,V为事件数量,i为日期T的第前i天,V(T-i)表示日期T的第前i天的事件数量;
其中,所述短期移动平均值的覆盖周期为1-2个高频事件发生间隔周期,所述中期移动平均值的覆盖周期为4-13个高频事件发生间隔周期,所述长期移动平均值的覆盖周期为26-52个高频事件发生间隔周期;
基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
分别提取短期移动平均线、中期移动平均线和长期移动平均线在前一时段的平均线特征和在后一时段的短期移动平均值、中期移动平均值和长期移动平均值,并建立平均线特征分别与短期移动平均值、中期移动平均值和长期移动平均值的映射关系;
将所述前一时段的平均线特征以及与之具有映射关系的所述后一时段的短期移动平均值、中期移动平均值和长期移动平均值分别输入对应的机器学习模型中进行训练,获得短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型;
分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件;具体包括:
统计下一时段内短期移动平均值与中期移动平均值皆高于长期移动平均值的时间段长度L1,短期移动平均值高于移动平均值但中期移动平均值低于长期移动平均值的时间段长度L2、短期移动平均值低于移动平均值但中期移动平均值高于长期移动平均值的时间段长度L3以及短期移动平均值与中期移动平均值皆低于长期移动平均值的时间段长度L4;
根据所述时间段长度L1与所述时间段长度L2的第一加权和与所述时间段长度L3与时间段长度L4的第二加权和,计算第一加权和与第二加权和的差值作为城市管理事件数量的趋势变化量化值;
其中,时间段长度L1与时间段长度L4的权重为μ1,时间段长度L2和时间段长度L3的权重为μ2,且μ1>μ2;
判断所述趋势变化量化值是否超过预设趋势变化量化阈值,若是,则判断下一时段的城市管理事件数量变化趋势超过预设波动条件。
2.一种城市管理事件数量变化预测装置,其特征在于,包括:
获取模块,用于获取区域范围内的历史城市管理事件信息;其中,所述历史城市管理事件信息包括记录有事件发生日期的若干条城市管理事件;
确定模块,用于根据所述历史城市管理事件信息,确定区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;具体包括:
分析所述历史城市管理事件信息,提取所述历史城市管理事件信息中的高频事件发生间隔周期;其中,所述高频事件为单位时间内发生的次数超过预设值的事件;
基于所述间隔周期,确定短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期;
根据短期移动平均值、中期移动平均值和长期移动平均值的覆盖周期,计算获得区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值;具体包括:
(1)计算短期移动平均值的表达式为:
;
(2)计算中期移动平均值的表达式为:
;
(3)计算长期移动平均值的表达式为:
;
其中,T为日期,T1为短期移动平均值的覆盖周期,T2为中期移动平均值的覆盖周期,T3为长期移动平均值的覆盖周期,V为事件数量,i为日期T的第前i天,V(T-i)表示日期T的第前i天的事件数量;
其中,所述短期移动平均值的覆盖周期为1-2个高频事件发生间隔周期,所述中期移动平均值的覆盖周期为4-13个高频事件发生间隔周期,所述长期移动平均值的覆盖周期为26-52个高频事件发生间隔周期;
绘制模块,用于基于区域范围内的每日的短期移动平均值、中期移动平均值和长期移动平均值,绘制生成短期移动平均线、中期移动平均线和长期移动平均线;
训练模块,用于分别提取短期移动平均线、中期移动平均线和长期移动平均线在前一时段的平均线特征和在后一时段的短期移动平均值、中期移动平均值和长期移动平均值,并建立平均线特征分别与短期移动平均值、中期移动平均值和长期移动平均值的映射关系;将所述前一时段的平均线特征以及与之具有映射关系的所述后一时段的短期移动平均值、中期移动平均值和长期移动平均值分别输入对应的机器学习模型中进行训练,获得短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型;
预测模块,用于分别提取短期移动平均线、中期移动平均线和长期移动平均线的平均线特征,将当前时段的所述平均线特征分别输入到短期移动平均值预测模型、中期移动平均值预测模型和长期移动平均值预测模型中,预测获得下一时段的短期移动平均值、中期移动平均值和长期移动平均值;
判断模块,用于根据下一时段的短期移动平均值、中期移动平均值和长期移动平均值,判断下一时段的城市管理事件数量变化趋势是否超过预设波动条件;具体包括:
统计下一时段内短期移动平均值与中期移动平均值皆高于长期移动平均值的时间段长度L1,短期移动平均值高于移动平均值但中期移动平均值低于长期移动平均值的时间段长度L2、短期移动平均值低于移动平均值但中期移动平均值高于长期移动平均值的时间段长度L3以及短期移动平均值与中期移动平均值皆低于长期移动平均值的时间段长度L4;
根据所述时间段长度L1与所述时间段长度L2的第一加权和与所述时间段长度L3与时间段长度L4的第二加权和,计算第一加权和与第二加权和的差值作为城市管理事件数量的趋势变化量化值;
其中,时间段长度L1与时间段长度L4的权重为μ1,时间段长度L2和时间段长度L3的权重为μ2,且μ1>μ2;
判断所述趋势变化量化值是否超过预设趋势变化量化阈值,若是,则判断下一时段的城市管理事件数量变化趋势超过预设波动条件。
3.一种城市管理事件数量变化预测设备,其特征在于,所述城市管理事件数量变化预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市管理事件数量变化预测程序,所述城市管理事件数量变化预测程序被所述处理器执行时实现如权利要求1所述的城市管理事件数量变化预测方法的步骤。
4.一种存储介质,其特征在于,所述存储介质上存储有城市管理事件数量变化预测程序,所述城市管理事件数量变化预测程序被处理器执行时实现如权利要求1所述的城市管理事件数量变化预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175328.0A CN117726195B (zh) | 2024-02-07 | 2024-02-07 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175328.0A CN117726195B (zh) | 2024-02-07 | 2024-02-07 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726195A CN117726195A (zh) | 2024-03-19 |
CN117726195B true CN117726195B (zh) | 2024-05-07 |
Family
ID=90207341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410175328.0A Active CN117726195B (zh) | 2024-02-07 | 2024-02-07 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726195B (zh) |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101983495A (zh) * | 2008-01-28 | 2011-03-02 | 高通股份有限公司 | 基于吞吐量的资源使用消息的自适应发送 |
CN102118245A (zh) * | 2009-12-31 | 2011-07-06 | 中国人民解放军国防科学技术大学 | 大规模网络安全事件的规模预测知识训练方法和预测方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN106156257A (zh) * | 2015-04-28 | 2016-11-23 | 北大方正集团有限公司 | 一种微博舆情事件的态势预测方法 |
CN106408936A (zh) * | 2016-07-28 | 2017-02-15 | 东南大学 | 一种基于手机数据的高速公路异常事件实时检测方法 |
CN108549957A (zh) * | 2018-04-11 | 2018-09-18 | 中译语通科技股份有限公司 | 互联网话题趋势辅助预测方法及系统、信息数据处理终端 |
CN109508416A (zh) * | 2018-11-09 | 2019-03-22 | 四川大学 | 基于评论数量的微博舆情事件热度与发展趋势预测方法 |
CN109815852A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 智慧城市事件管理方法、装置、计算机设备和存储介质 |
CN110956318A (zh) * | 2019-11-22 | 2020-04-03 | 深圳集智数字科技有限公司 | 一种基于预先构建的预测模型进行预测的方法及装置 |
CN111159478A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 一种基于视频解析的事件预测方法、装置及其介质和系统 |
CN111818310A (zh) * | 2020-08-12 | 2020-10-23 | 创意信息技术股份有限公司 | 公共安全管理平台 |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
CN113902260A (zh) * | 2021-09-14 | 2022-01-07 | 上海淇玥信息技术有限公司 | 信息预测方法、装置、电子设备和介质 |
CN113919655A (zh) * | 2021-09-17 | 2022-01-11 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
CN114170800A (zh) * | 2021-12-03 | 2022-03-11 | 新唐信通(浙江)科技有限公司 | 一种交通云控平台主动事件预测并处置的方法与系统 |
CN114372642A (zh) * | 2022-03-21 | 2022-04-19 | 创意信息技术股份有限公司 | 一种城市节假日旅游景区风险评估的方法 |
CN114449569A (zh) * | 2020-11-02 | 2022-05-06 | 中国移动通信集团广东有限公司 | 用户流量使用量处理方法、网络设备及业务处理系统 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN115099842A (zh) * | 2022-05-30 | 2022-09-23 | 城云科技(中国)有限公司 | 一种商品销量预测模型、构建方法及其应用 |
CN115222936A (zh) * | 2021-04-20 | 2022-10-21 | 高德软件有限公司 | 过期兴趣点的确定方法、装置、电子设备及存储介质 |
CN115461634A (zh) * | 2020-11-27 | 2022-12-09 | 株式会社Lg新能源 | 电池诊断装置、电池诊断方法、电池组及车辆 |
CN115794906A (zh) * | 2022-12-02 | 2023-03-14 | 中电金信软件有限公司 | 一种确定突发事件影响的方法、装置、设备及存储介质 |
CN116013027A (zh) * | 2022-08-05 | 2023-04-25 | 航天神舟智慧系统技术有限公司 | 一种群体性事件预警方法与系统 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
CN116452387A (zh) * | 2022-08-05 | 2023-07-18 | 航天神舟智慧系统技术有限公司 | 一种群体性事件分析方法与系统 |
CN116822995A (zh) * | 2023-07-07 | 2023-09-29 | 京东科技信息技术有限公司 | 事件发生数量的预测方法和装置 |
CN116847781A (zh) * | 2021-02-09 | 2023-10-03 | 美敦力公司 | 健康事件预测 |
CN116957038A (zh) * | 2023-05-22 | 2023-10-27 | 北京市大数据中心 | 神经网络模型的训练方法、装置、电子设备及存储介质 |
CN116977091A (zh) * | 2023-07-20 | 2023-10-31 | 人保信息科技有限公司 | 个股投资组合的确定方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11500056B2 (en) * | 2015-07-17 | 2022-11-15 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking with graph-based particle filtering |
-
2024
- 2024-02-07 CN CN202410175328.0A patent/CN117726195B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101983495A (zh) * | 2008-01-28 | 2011-03-02 | 高通股份有限公司 | 基于吞吐量的资源使用消息的自适应发送 |
CN102118245A (zh) * | 2009-12-31 | 2011-07-06 | 中国人民解放军国防科学技术大学 | 大规模网络安全事件的规模预测知识训练方法和预测方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN106156257A (zh) * | 2015-04-28 | 2016-11-23 | 北大方正集团有限公司 | 一种微博舆情事件的态势预测方法 |
CN106408936A (zh) * | 2016-07-28 | 2017-02-15 | 东南大学 | 一种基于手机数据的高速公路异常事件实时检测方法 |
CN108549957A (zh) * | 2018-04-11 | 2018-09-18 | 中译语通科技股份有限公司 | 互联网话题趋势辅助预测方法及系统、信息数据处理终端 |
CN109508416A (zh) * | 2018-11-09 | 2019-03-22 | 四川大学 | 基于评论数量的微博舆情事件热度与发展趋势预测方法 |
CN109815852A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 智慧城市事件管理方法、装置、计算机设备和存储介质 |
CN110956318A (zh) * | 2019-11-22 | 2020-04-03 | 深圳集智数字科技有限公司 | 一种基于预先构建的预测模型进行预测的方法及装置 |
CN111159478A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 一种基于视频解析的事件预测方法、装置及其介质和系统 |
CN111818310A (zh) * | 2020-08-12 | 2020-10-23 | 创意信息技术股份有限公司 | 公共安全管理平台 |
CN114449569A (zh) * | 2020-11-02 | 2022-05-06 | 中国移动通信集团广东有限公司 | 用户流量使用量处理方法、网络设备及业务处理系统 |
CN115461634A (zh) * | 2020-11-27 | 2022-12-09 | 株式会社Lg新能源 | 电池诊断装置、电池诊断方法、电池组及车辆 |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
CN116847781A (zh) * | 2021-02-09 | 2023-10-03 | 美敦力公司 | 健康事件预测 |
CN115222936A (zh) * | 2021-04-20 | 2022-10-21 | 高德软件有限公司 | 过期兴趣点的确定方法、装置、电子设备及存储介质 |
CN113902260A (zh) * | 2021-09-14 | 2022-01-07 | 上海淇玥信息技术有限公司 | 信息预测方法、装置、电子设备和介质 |
CN113919655A (zh) * | 2021-09-17 | 2022-01-11 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
CN114170800A (zh) * | 2021-12-03 | 2022-03-11 | 新唐信通(浙江)科技有限公司 | 一种交通云控平台主动事件预测并处置的方法与系统 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN114372642A (zh) * | 2022-03-21 | 2022-04-19 | 创意信息技术股份有限公司 | 一种城市节假日旅游景区风险评估的方法 |
CN115099842A (zh) * | 2022-05-30 | 2022-09-23 | 城云科技(中国)有限公司 | 一种商品销量预测模型、构建方法及其应用 |
CN116013027A (zh) * | 2022-08-05 | 2023-04-25 | 航天神舟智慧系统技术有限公司 | 一种群体性事件预警方法与系统 |
CN116452387A (zh) * | 2022-08-05 | 2023-07-18 | 航天神舟智慧系统技术有限公司 | 一种群体性事件分析方法与系统 |
CN115794906A (zh) * | 2022-12-02 | 2023-03-14 | 中电金信软件有限公司 | 一种确定突发事件影响的方法、装置、设备及存储介质 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
CN116957038A (zh) * | 2023-05-22 | 2023-10-27 | 北京市大数据中心 | 神经网络模型的训练方法、装置、电子设备及存储介质 |
CN116822995A (zh) * | 2023-07-07 | 2023-09-29 | 京东科技信息技术有限公司 | 事件发生数量的预测方法和装置 |
CN116977091A (zh) * | 2023-07-20 | 2023-10-31 | 人保信息科技有限公司 | 个股投资组合的确定方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (13)
Title |
---|
中日股价序列相似性的比较分析;崔婧;赵秀娟;宋吟秋;;系统工程理论与实践;20091215(第12期);第125-133页 * |
关维娟 ; 张国枢 ; 陈清华 ; 邓明 ; .基于瓦斯涌出时间序列的煤与瓦斯突出预测方法研究.安全与环境学报.2011,(第03期),第170-173页. * |
变长移动平均法及其在股票投资中的应用;黄添喜;唐应辉;;电子科技大学学报;20070420(第S1期);第466-469页 * |
基于时序数据挖掘的航班延误预测分析;罗凤娥;张成伟;;现代电子技术;20141215(第24期);第52-55页 * |
基于瓦斯涌出时间序列的煤与瓦斯突出预测方法研究;关维娟;张国枢;陈清华;邓明;;安全与环境学报;20110625(第03期);第170-173页 * |
崔婧 ; 赵秀娟 ; 宋吟秋 ; .中日股价序列相似性的比较分析.系统工程理论与实践.2009,(第12期),第125-133页. * |
技术分析准则与随机漫步模型Bootstrap检验;茆田杨, 黄朝贵;预测;19960527(第03期);第37-42 * |
移动平均市场预测的探索;翁东东, 黄木兴;阜阳师范学院学报(自然科学版)(第03期);第16-19 * |
罗凤娥 ; 张成伟 ; .基于时序数据挖掘的航班延误预测分析.现代电子技术.2014,(第24期),第52-55页. * |
翁东东,黄木兴.移动平均市场预测的探索.阜阳师范学院学报(自然科学版).(第03期),第16-19. * |
自适应元胞遗传算法与股票价格行为分析;李雪岩;孙有发;刘彩燕;;五邑大学学报(自然科学版);20111115(第04期);第57-65页 * |
茆田杨,黄朝贵.技术分析准则与随机漫步模型Bootstrap检验.预测.1996,(第03期),第37-42. * |
黄添喜 ; 唐应辉 ; .变长移动平均法及其在股票投资中的应用.电子科技大学学报.2007,(第S1期),第466-469页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117726195A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102097426B1 (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
CN107678803A (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN114138625A (zh) | 服务器健康状态的评估方法、系统、电子设备和存储介质 | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN113642263A (zh) | 基于北斗网格的空气质量预警方法和装置 | |
CN112785089A (zh) | 坐席业务配置方法、装置、电子设备及存储介质 | |
CN110443425A (zh) | 基于Prophet的智能铁路车站电能能耗预测方法 | |
CN112232559A (zh) | 一种电力区域负荷的短期预测方法及装置 | |
JP6562491B1 (ja) | 期待値計算による発電量精密予測法、期待値計算による発電量精密予測システムおよび期待値計算による発電量精密予測プログラム | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
JP6153226B2 (ja) | 通信トラヒック予測装置およびプログラム | |
CN117726195B (zh) | 城市管理事件数量变化预测方法、装置、设备及存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN111626789A (zh) | 房屋价格预测方法、装置、设备及存储介质 | |
CN117435306A (zh) | 集群容器扩缩容方法、装置、设备及存储介质 | |
CN112215521A (zh) | 资源分配方法及装置 | |
CN115794404B (zh) | 5gs网络确定ue不可用期的方法及ue进行系统优化的方法 | |
CN116819352A (zh) | 电池阈值的自适应设定方法、装置、设备及存储介质 | |
CN115204753B (zh) | 一种智慧农贸场所行为监测方法、系统及可读存储介质 | |
CN116562690A (zh) | 用电监测指数的确定方法、装置、设备及可读存储介质 | |
CN117726193B (zh) | 城市管理事件干预控制方法、装置、设备及存储介质 | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN115685394A (zh) | 数据处理方法、设备及介质 | |
CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 |
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 |