發(fā)布時間：2020-05-17 12:34

【摘要】：快速的城市化進程帶來經(jīng)濟發(fā)展的同時也給城市的管理帶來了巨大的挑戰(zhàn),原有的人為管理方式已無法解決如此大面積、多人口、高密度的城市中產(chǎn)生的問題,城市中問題事件的管理和預警已成為城市可持續(xù)發(fā)展的一個重要組成部分。為了達到良好的治理效果,城市管理者面臨著諸多挑戰(zhàn),如何快速地發(fā)現(xiàn)問題事件,如何有效地處理問題事件,如何及時地預警問題事件的升級和如何準確地預測問題事件的時空分布成為了其中的重中之重。本課題屬于智慧治理的應用研究,基于上海市徐匯區(qū)和浦東區(qū)網(wǎng)格中心的真實業(yè)務數(shù)據(jù)與迫切的應用需求,研究探討了城市中的新型管理方式,通過加入先進的科學技術,改進了原有的工作方式。本文的研究的內容分為以下幾個方面:城市網(wǎng)格數(shù)據(jù)的關聯(lián)融合、城市管理事件聚類以及城市管理事件的模式挖掘與預測。首先,從網(wǎng)格化管理系統(tǒng)中采集相應數(shù)據(jù),對多源數(shù)據(jù)進行數(shù)據(jù)關聯(lián)與融合;其次,管理事件的聚類分析,由于網(wǎng)格中心以投訴為存儲粒度,導致對一起問題會出現(xiàn)多次上報。對同一起問題的上報聚類,可以向政府呈現(xiàn)以問題為粒度的管理分析。幫助管理者更方便地跟蹤了解一件問題事件的嚴重程度,發(fā)展趨勢,解決情況。本文創(chuàng)新性地提出了針對網(wǎng)格管理數(shù)據(jù)的事件聚類方法,采用事件發(fā)生時間的相似度,事件發(fā)生地理位置的相似度以及事件語義相似度的共同作用結果作為事件的相似性度量,并采用DBSCAN密度聚類法實現(xiàn)事件聚類,根據(jù)業(yè)務邏輯調整算法參數(shù),很好地滿足了業(yè)務部門的需求。本文針對各類問題事件,詳細分析導致每類事件發(fā)生的觸發(fā)因素,以及導致各類事件嚴重程度增加的演化因素,基于觸發(fā)因素關聯(lián)分析結果,建立多維度融合預測模型,對各類事件在未來一段時間的發(fā)展進行預測,基于演化因素關聯(lián)分析結果,對各類事件在發(fā)生和演化過程進行監(jiān)控,并在事件急速惡化之前及時預警。
【圖文】：

垃圾問題和涂鴉問題經(jīng)常同時出現(xiàn)在一些整潔程度較差的街道上，同時一些事件之間存在競爭性的關系，比如街邊的違法設攤和非法停車，，街邊的位置有限，當違法設攤被清除后會出現(xiàn)非法停車的情況。如圖4 2所示的事件間的競爭關系。RBTA 通過對來自于上海市徐匯區(qū)和浦東區(qū)網(wǎng)格中心的實際數(shù)據(jù)進行評估，結果表明 RBTA 具有以下優(yōu)點：1. 該算法可以很好地獲取單個事件時間序列發(fā)展的全部規(guī)律，包括其發(fā)展的基本— 36 —

圖 4 2 問題事件間的相互影響.Fig 4 2 The relationship among the incidents.趨勢，即共同演化的非線性動態(tài)，如圖4 1所示在該問題事件的發(fā)展中有明顯的上升趨勢，季節(jié)性和特異事件，如國慶期間問題事件的發(fā)展像圖4 3所示，以及不同事件間的相互影響。算法所提取的時間序列發(fā)展規(guī)律是符合人類理解和邏輯的，相對于其他深度學習算法如 LSTM 等算法具有很強的可解釋性，強大的算法可解釋性可以為業(yè)務部門帶來對數(shù)據(jù)更深入的理解。算法的擬合均方根誤差是 0.12，比現(xiàn)存的其他算法的誤差小。2. 該算法可用于時間序列的長期預測，結果準確度相對于其他算法有明顯的提升。預測的均方誤差為 0.15，比現(xiàn)有的最好算法準確率提高 4.9%。4.2 模式挖掘本章將討論我們提出的模型 RBTA
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：D630

【參考文獻】

相關期刊論文 前2條

1 鄭宇;;城市計算概述[J];武漢大學學報(信息科學版);2015年01期

2 徐文龍;劉晶昊;;城市生活垃圾處理與低碳發(fā)展[J];建設科技;2010年15期

本文編號：2668559