城市网格管理事件模式挖掘与预测

发布时间：2020-05-17 12:34

【摘要】：快速的城市化进程带来经济发展的同时也给城市的管理带来了巨大的挑战,原有的人为管理方式已无法解决如此大面积、多人口、高密度的城市中产生的问题,城市中问题事件的管理和预警已成为城市可持续发展的一个重要组成部分。为了达到良好的治理效果,城市管理者面临着诸多挑战,如何快速地发现问题事件,如何有效地处理问题事件,如何及时地预警问题事件的升级和如何准确地预测问题事件的时空分布成为了其中的重中之重。本课题属于智慧治理的应用研究,基于上海市徐汇区和浦东区网格中心的真实业务数据与迫切的应用需求,研究探讨了城市中的新型管理方式,通过加入先进的科学技术,改进了原有的工作方式。本文的研究的内容分为以下几个方面:城市网格数据的关联融合、城市管理事件聚类以及城市管理事件的模式挖掘与预测。首先,从网格化管理系统中采集相应数据,对多源数据进行数据关联与融合;其次,管理事件的聚类分析,由于网格中心以投诉为存储粒度,导致对一起问题会出现多次上报。对同一起问题的上报聚类,可以向政府呈现以问题为粒度的管理分析。帮助管理者更方便地跟踪了解一件问题事件的严重程度,发展趋势,解决情况。本文创新性地提出了针对网格管理数据的事件聚类方法,采用事件发生时间的相似度,事件发生地理位置的相似度以及事件语义相似度的共同作用结果作为事件的相似性度量,并采用DBSCAN密度聚类法实现事件聚类,根据业务逻辑调整算法参数,很好地满足了业务部门的需求。本文针对各类问题事件,详细分析导致每类事件发生的触发因素,以及导致各类事件严重程度增加的演化因素,基于触发因素关联分析结果,建立多维度融合预测模型,对各类事件在未来一段时间的发展进行预测,基于演化因素关联分析结果,对各类事件在发生和演化过程进行监控,并在事件急速恶化之前及时预警。
【图文】：

趋势图,事件,问题,趋势

垃圾问题和涂鸦问题经常同时出现在一些整洁程度较差的街道上，同时一些事件之间存在竞争性的关系，比如街边的违法设摊和非法停车，，街边的位置有限，当违法设摊被清除后会出现非法停车的情况。如图4 2所示的事件间的竞争关系。RBTA 通过对来自于上海市徐汇区和浦东区网格中心的实际数据进行评估，结果表明 RBTA 具有以下优点：1. 该算法可以很好地获取单个事件时间序列发展的全部规律，包括其发展的基本— 36 —

时间序列,2问题,相互影响,事件

图 4 2 问题事件间的相互影响.Fig 4 2 The relationship among the incidents.趋势，即共同演化的非线性动态，如图4 1所示在该问题事件的发展中有明显的上升趋势，季节性和特异事件，如国庆期间问题事件的发展像图4 3所示，以及不同事件间的相互影响。算法所提取的时间序列发展规律是符合人类理解和逻辑的，相对于其他深度学习算法如 LSTM 等算法具有很强的可解释性，强大的算法可解释性可以为业务部门带来对数据更深入的理解。算法的拟合均方根误差是 0.12，比现存的其他算法的误差小。2. 该算法可用于时间序列的长期预测，结果准确度相对于其他算法有明显的提升。预测的均方误差为 0.15，比现有的最好算法准确率提高 4.9%。4.2 模式挖掘本章将讨论我们提出的模型 RBTA
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D630

【参考文献】