城市运行状态感知与预测方法、系统、计算设备及介质

技术领域

本发明涉及城市管控技术领域，尤其涉及城市运行状态感知与预测方法、系统、计算设备及介质。

背景技术

近些年城市安全问题越来越得到城市管理者的重视，随着城市规模的扩大，城市部件类型也越来越繁杂，较前些年相比，如今城市安全问题呈现多样化、复杂化趋势，城市安全管控方式逐步由事后处置演变为事前预防的方式，从而需要更加准确的预警机制。

但是城市运行时数据繁多复杂，且每种数据可能需要采用不同的方式进行收集，现没有一种统一的标准对城市运行时产生的数据进行统一采集和管理。

发明内容

为了克服没有统一的标准对城市运行时产生的数据进行统一采集和管理的问题，本发明提供了城市运行状态感知与预测方法、系统、计算设备及介质。

第一方面，为了解决上述技术问题，本发明提供了城市运行状态感知与预测方法，包括：

预设不同的感知模式，每种感知模式对应了一个数据采集方式，感知模式用于感知对应的多个感知内容；

通过每个感知模式感知对应的各个感知内容，确定每个感知内容对应的感知数据；

通过每个感知模式对应的数据采集方式采集对应的各个感知数据；

根据各个感知数据，对城市运行状态进行预设管理方式的管理。

第二方面，本发明提供了城市运行状态感知与预测系统，包括：

感知模式预设模块，用于预设不同的感知模式，每种感知模式对应了一个数据采集方式，感知模式用于感知对应的多个感知内容；

感知模块，用于通过每个感知模式感知对应的各个感知内容，确定每个感知内容对应的感知数据；

感知数据采集模块，用于通过每个感知模式对应的数据采集方式采集对应的各个感知数据；

管理模块，用于根据各个感知数据，对城市运行状态进行预设管理方式的管理。

第三方面，本发明还提供了一种计算设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的城市运行状态感知与预测方法的步骤。

第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行城市运行状态感知与预测方法的步骤。

本发明的有益效果是：通过预设不同的感知模式，可以对不同的感知内容进行感知，从而获得不同的感知数据，从而将城市运行时对应的各个感知数据进行分类收集，并进行统一的管理，本申请通过预设不同的感知模式，且不同的感知模式仅对应一种数据采集方式，统一了不同感知模式下感知数据的采集方式，且对所有感知数据进行统一管理。

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，下面结合附图和实施例对本发明作进一步说明。

图1为本发明实施例的城市运行状态感知与预测方法的流程示意图；

图2为感知内容的示意图；

图3为感知模式的示意图；

图4为数据采集方式的示意图；

图5为本发明实施例的城市运行状态感知与预测系统的结构示意图。

具体实施方式

下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。

以下结合附图描述本发明实施例的城市运行状态感知与预测方法、系统、计算设备及介质。

如图1所示，本发明提供了城市运行状态感知与预测方法，包括：

S1、预设不同的感知模式，每种感知模式对应了一个数据采集方式，感知模式用于感知对应的多个感知内容。

S2、通过每个感知模式感知对应的各个感知内容，确定每个感知内容对应的感知数据。

S3、通过每个感知模式对应的数据采集方式采集对应的各个感知数据。

S4、根据各个感知数据，对城市运行状态进行预设管理方式的管理。

本事实例中通过预设不同的感知模式，可以对不同的感知内容进行感知，从而获得不同的感知数据，从而将城市运行时对应的各个感知数据进行分类收集，并进行统一的管理，本申请通过预设不同的感知模式，且不同的感知模式仅对应一种数据采集方式，统一了不同感知模式下感知数据的采集方式，且对所有感知数据进行统一管理。

可选地，感知内容包括城市运行时对应的人流量、交通流、环境、公共安全、能耗和经济。

根据大量智慧城市应用的实践，以下六类内容最为常见，也最为重要包括：人流量、交通流、环境、公共安全、能耗和经济，上述六类还可继续细分为若干子类，具体如图2所示，其中：

(1)、人流量包括交通枢纽人流量、职住场所人流、公共区域人流和重大活动人流等，其中：

交通枢纽人流量包括地铁人流、公交人流和机场人流；

职住场所人流包括社区人流、酒店人流和园区人流；

公共区域人流包括商圈人流和景区人流；

重大活动人流包括出入口人流和场内人员密集。

(2)、交通流包括公共交通、私人交通、运输和特种运输，其中：

公共交通包括公交车、地铁、轻轨、高铁和飞机；

私人交通包括共享单车、出租车、网约车、专车和私家车；

运输包括物流车、垃圾车和危化品车；

特种运输包括救护车、警车和消防车。

(3)、环境包括空气质量、气象、水质、遥感、噪声、土壤和垃圾，其中：

空气质量包括SO

气象包括温度、湿度、降水和风；

水质包括含氧量、含氯量和PH值。

(4)、公共安全包括自然灾害、人为灾害、以外风险和舆情，其中：

自然灾害包括台风、洪水、地震、积水、干旱、高温和积雪；

人为灾害包括偷窃和抢劫；

意外风险包括地面塌陷、火灾、积水和井盖开合；

舆情包括热点事件、民众投诉和政策评价。

(5)、能耗包括水、电、气、热和油，其中：

水包括居民用水和企业用水；

电包括家庭用电、照明用电和工业用电；

气包括居家燃气、交通加气和企业用气；

热包括居民家庭供暖、写字楼供暖、企业功能和学校供暖；

油包括汽油、柴油和煤油。

(6)、经济包括消费、税收和产值，其中：

消费包括线上购物和线下购物；

税收包括个人所得税、消费税、增值税、关税和房产税；

产值包括企业产量和物品销量。

当定义好上述六类感知内容，才能进一步规范对每类感知内容的感知方式，包括如何选择对应的感知设备标准、数据格式、采样频率、接入形式和布局原则等，才能统筹和连接好各种存量、增量感知基础设施，才能精准掌握好这些感知内容的状态，真正实现城市状态一网感知。

可选地，感知模式包括固定感知、移动感知、被动群体感知和主动群体感知，其中：固定感知是通过城市运行对应的监测位置上的各类传感器感知感知内容；移动感知是通过城市运行对应的移动设备上的各类传感器感知感知内容；被动群体感知是通过城市运行对应的生活类app感知感知内容；主动群体感知是通过城市运行对应的投诉类app感知感知内容。

如图3所示，图3中左边表示以传感器为中心的感知(固定感知和移动感知)，图3中右边表示以人为中心的感知(被动群体感知和主动群体感知)。

在固定感知中，各类传感器包括空气质量站点中的气体传感器、水质监测点中的水质传感器、交通摄像头和气象站点中的气象传感器等。

在移动感知中，各类传感器包括车站空气质量传感器、车载位置传感器、共享单车传感器和无人机传感器等。

在被动群体感知中，生活类app包括公交地铁刷卡、手机信令、app应用报点和wifi探针等，主要是以人为中心的感知，但参与到感知模式中的人并不知道感知任务的存在，产生这些感知数据的初衷也不是为了完成这项任务。

在主动群体感知中，投诉类app包括12345软件、随手拍软件、健康宝、政府任务打卡等，具体是如网格员发现社区中的问题及时上报、居民通过12345询问某些事项、市民通过“随手拍”等应用发现城市中的隐患等，这都是在主动帮助感知城市的状态。

可选地，数据采集方式包括及时推送方式、定时拉取方式和地理聚合方式，其中：固定感知和移动感知均对应了地理聚合方式，主动群体感知对应了及时推送方式，被动群体感知对应了定时拉取方式；及时推送方式为当各类投诉类app感知感知内容后，主动向数字底座推送感知数据；定时拉取方式为当各个生活类app感知感知内容后，将各个感知数据进行存储，当数字底座的上层应用需要使用各个感知数据时，数字底座定时批量拉取对应的各个感知数据；地理聚合方式为将空间位置相邻的各个传感器进行局部组网，并将局部组网内感知的各个感知数据进行本地聚合，再将本地聚合的内容及时、统一地推送至数字底座。

如图4所示，在及时推送方式中，12345感知到了潜在隐患、咨询求组、投诉不满等感知数据，市民app等感知到了信息采集、服务请求和问题举报等感知数据，网格城管系统感知到了问题上报、联合执法和居民诉求等感知数据，则12345、市民app和网格城管系统都第一时间将上述感知数据上传至城市数字底座中。

在定期拉取方式中，支付系统感知到了订单数据、品类数据和销量数据等感知数据，交通出行系统感知到了进出站时间、交通费用和上下车站点等感知数据，通信系统感知到了位置时间、移动轨迹和关联关系等感知数据，则支付系统、交通出行系统和通信系统分别将各自感知到的感知数据进行存储，当城市数字底座的上层应用需要使用比如支付系统对应的感知数据时，数字底座定时批量拉取支付系统中存储的感知数据。

在地理聚合方式中，户外公共区域中的传感器感知到气象信息、环境质量和卡口人流等感知数据，单体建筑中的传感器感知到安防监控、能耗和闸机等感知数据，大型室内空间中的传感器感知到室内环境、人员进出和设备状态等感知数据，则以户外公共区域或单体建筑或大型室内空间作为空间位置，例如在户外公共区域中，将户外公共区域内的各个传感器进行局部组网，并将局部组网内感知的各个感知数据进行本地聚合，再将本地聚合的内容及时、统一地推送至数字底座。

可选地，当预设管理方式为感知数据的共享时，根据各个感知数据，对城市运行状态进行预设管理方式的管理，包括：将感知数据按照结构化数据、时空数据和非结构化数据进行分类；当感知数据为结构化数据时，建立所有感知数据对应的归集库，以及根据应用的领域建立主题库，以及针对专项应用建立专题库；当感知数据为时空数据时，建立以时空索引技术和分布式计算的时空查询模型，用于按照空间和时间查询各个感知数据；当感知数据为非结构化数据时，将非结构化数据转化为结构化数据，并建立对应的归集库、主题库和专题库。

一个城市的数据涵盖各行各业、产生于不同系统、来自不同渠道、拥有不同的数据结构，这里既有新建的系统，也有大量历史遗留的系统，而不同的系统通常是由不同的公司在不同的年代采用不同的技术开发而来，因此，如何把一个城市中纷繁复杂的数据从各个孤立系统接入到数字底座，就成为了要实现城市数据一网共享需要解决的首个难题，这里要考虑解决接入成本、传输效率、安全性三个挑战。

对于结构化数据，主要是针对政务数据为代表的结构化数据。

对于时空数据，将时空索引技术和分布式计算技术结合，得到时空查询模型，利用更少的计算资源提供更快的查询效率；提供多种时空查询方式，满足城市治理过程中按照空间和时间来聚合数据的刚需，如图5所示，比如建立的时刻查询模型可查询时空静态数据、时空静态时间动态数据和时空动态数据，另外，时间查询分为点数据的查询和网数据的查询，例如在点数据查询中，时空静态数据查询包括POI分布，时空静态时间动态数据包括天气/空气质量站点数据，时空动态数据包括用户签到数据，又例如在网数据查询中，时空静态数据查询包括交通路网，时空静态时间动态数据包括交通流量数据，时空动态数据包括轨迹数据。

对于非结构化数据，主要以视频、图像、语音和文本为代表的非结构数据，后续大多需要经过分析处理变成结构化数据才能被使用和查询，针对图像数据，先从非结构化文件中提取颜色、形状、纹理、空间关系等特征，根据业务性质，从图像中还可以提取特定应用关心的物体特征，如人脸、人体、车牌、车辆等结构化信息，支撑上层算法和功能模块使用。

可选地，当预设管理方式为感知数据的预测分析时，根据各个感知数据，对城市运行状态进行预设管理方式的管理，包括：通过多源数据融合方法或时空大数据分析方法对各个感知数据进行预测分析；多源数据融合方法包括数据层融合、特征层融合和决策层融合；时空大数据分析方法包括时空聚类分析、时空异常分析、时空关联分析和时空预测分析。

数据层融合是将原始的感知数据进行直接融合，其输入是由多个传感器提供的各种类型的原始的感知数据，其输出为特征提取或者局部决策的结果。

特征层融合是提取感知数据的特征信息，进行分析和处理，保留足够的重要信息，为后期决策分析提供支持。

决策层融合作为一种高层次融合，具有高灵活性、强抗干扰性、良好的容错性和较小的通信带宽要求，首先，对传感器测量的感知数据进行预处理，获得研究对象的初步决策；然后，所有局部决策结果在某种规则下进行组合，以获得最终的联合决策结果。

以下通过一个具体应用场景进行说明：假设各个传感器感知到的感知数据相互匹配(例如，2个传感器测量相同的物理特性)，测量的感知数据即可直接在数据层中融合，当各个感知数据相互不匹配时，则需要根据特定情况来判断是采取特征层融合、还是决策层融合的方法。通常，通过融合原始的感知数据来获得特征，再使用特征的融合来做出判断决策。无论是数据层融合、特征层融合还是决策层融合，都需要将相关的信息进行关联和配准，区别在于数据的相关性和相互匹配的顺序是不一样的。理论上，数据层融合的优点是可以保留大量的原始的感知数据，来为目标提供尽可能精细的信息，并获得尽可能准确的融合效果。决策层融合较少依赖于传感器。对于特定用途，判断采用哪个级别的融合集成是系统工程问题，应该全面考虑所处的环境、计算资源、信息来源特征等因素的综合影响。

上述数据融合依赖D-S证据理论、模糊理论、神经网络和贝叶斯方法等智能技术有机地结合起来，其中：

D-S(Dempster/Shafer多元证据融合法)证据理论可以有效地解决未知环境中的一些不确定信息，这一特殊优势使其可广泛用于信息融合。

模糊理论在融合过程中提取不准确的结果，以不准确为突破点，做进一步处理分析，而如何获得有效的推理规则则是其关键所在，决策树是一种典型的提取模糊推理规则的方法。

神经网络指人工神经网络，即模拟人类的头脑来实现人类所具有的认知能力。神经网络是基于很多神经元连接，通过各个节点的运算来实现输入与输出的相关映射关系。神经网络可以应用于信息融合的各个层次。

贝叶斯方法是使用Bayes规则，在设置先验概率的条件下计算后验概率，并基于后验概率结果做出相应的决策。

时空聚类分析旨在发现地理空间中各类实体的时空分布格局与规律，对于揭示地理实体或地理现象的本质特征、相互依赖关系和演化趋势具有重要的指导意义。据聚类方法是否顾及非空间专题属性，可以将当前时空聚类分析方法分为二大类：时空位置聚类和顾及非空间专题属性的时空聚类。

时空异常分析旨在从海量时空数据库中挖掘得到偏离整体或局部分布特征的少部分实体，为深入剖析地理现象或地理过程的特殊分布状况、变化或潜在发展规律提供重要的理论依据和实践指导。时空异常分析可视为事务型异常探测在空间域和时空域的扩展与延伸，进一步顾及了时空数据的相关性、异质性、非平稳性等特征。根据位置、时间、属性三者之间的组合关系，时空异常分析大致分为：基于位置的空间异常探测、基于位置-属性的空间异常探测、基于位置—时间的时空轨迹异常探测和基于位置—时间—属性的时空序列异常探测。

时空关联分析旨在从时空数据集中识别不同类别地理实体间频繁存在特定时空关联关系(如时空邻近关系)的实体类别集合，对于理解地理实体间的时空交互具有重要的科学意义。其中连续时/空域的离散划分会割裂邻近时空位置上数据间潜在的时空关系，为此，Shekhar等人首次提出了非事务化模型，用于发现连续空间域内频繁同现于邻近空间位置的地理实体集合(称空间同位模式)。

失控预测分析是通过构建反映时空变量间关系的模型对地理事件或现象未知的空间属性值或专题属性值进行估计。依据分析理论的差异可将时空预测模型分为时空统计模型与机器学习模型。其中，时空统计模型通过统计推断来刻画变量间的关系，如处理(时)空间依赖性的地统计学模型、时空自回归移动平均模型等，以及表达(时)空间非平稳性的地理加权回归、地理时空加权回归模型等。

如图5所示，本发明提供了城市运行状态感知与预测系统，包括：

感知模式预设模块101，用于预设不同的感知模式，每种感知模式对应了一个数据采集方式，感知模式用于感知对应的多个感知内容；

感知模块102，用于通过每个感知模式感知对应的各个感知内容，确定每个感知内容对应的感知数据；

感知数据采集模块103，用于通过每个感知模式对应的数据采集方式采集对应的各个感知数据；

管理模块104，用于根据各个感知数据，对城市运行状态进行预设管理方式的管理.

可选地，感知模块，具体用于：

通过城市运行对应的监测位置上的各类传感器感知感知内容；

通过城市运行对应的移动设备上的各类传感器感知感知内容；

通过城市运行对应的生活类app感知感知内容；

通过城市运行对应的投诉类app感知感知内容。

可选地，感知数据采集模块，具体用于：

当各类投诉类app感知感知内容后，主动向数字底座推送感知数据；

当各个生活类app感知感知内容后，将各个感知数据进行存储，当数字底座的上层应用需要使用各个感知数据时，数字底座定时批量拉取对应的各个感知数据；

将空间位置相邻的各个传感器进行局部组网，并将局部组网内感知的各个感知数据进行本地聚合，再将本地聚合的内容及时、统一地推送至数字底座。

可选地，管理模块，具体用于：

将感知数据按照结构化数据、时空数据和非结构化数据进行分类；

当感知数据为结构化数据时，建立所有感知数据对应的归集库，以及根据应用的领域建立主题库，以及针对专项应用建立专题库；

当感知数据为时空数据时，建立以时空索引技术和分布式计算的时空查询模型，用于按照空间和时间查询各个感知数据；

当感知数据为非结构化数据时，将非结构化数据转化为结构化数据，并建立对应的归集库、主题库和专题库。

可选地，管理模块，具体用于：

通过多源数据融合方法或时空大数据分析方法对各个感知数据进行预测分析；

多源数据融合方法包括数据层融合、特征层融合和决策层融合；

时空大数据分析方法包括时空聚类分析、时空异常分析、时空关联分析和时空预测分析。

本发明实施例的一种计算设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现上述城市运行状态感知与预测方法的部分或全部步骤。

其中，计算设备可以选用电脑，相对应地，其程序为电脑软件，且上述关于本发明的一种计算设备中的各参数和步骤，可参考上文中城市运行状态感知与预测方法的实施例中的各参数和步骤，在此不做赘述。

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。