一种数字城市的预测方法、装置、设备及存储介质与流程

本发明实施例涉及神经网络技术领域，尤其涉及一种数字城市的预测方法、装置、设备及存储介质。

背景技术：

在建立数字孪生城市的过程中，一般要通过物联网或感知网设备采集现实生活中真实物体的数据，从而形成仿真模型，而在智慧城市数字孪生领域中孪生目标的数据通常都是多维数据，例如建筑模型：它包括了这栋建筑的地理信息、自然信息、楼内用户信息、能耗信息等，这些不同维度共同构成了大楼的多维数据模型。同时，城市管理者在利用数字孪生城市进行城市管理，必然需要得到加入主管因素影响后的预测结果，从而进行更好的管理，这对于数据预测算法提出了更高的要求。

建立数字孪生城市涉及到庞大的数据，这些数据十分复杂，不仅仅是数据量上，更是数据的多维度，针对这些数据需要的整体理解已经远超人类的能力，而传统的预测算法面对高维数据无法进行有效预测。

技术实现要素：

本发明提供了一种数字城市的预测方法、装置、设备及存储介质，以实现数据量庞大的数字城市的预测。

第一方面，本发明实施例提供了一种数字城市的预测方法，该方法包括：

获取用户输入的预测项目；

根据所述预测项目获取数字城市的模型数据以及确定预测模型；

根据所述预测模型及模型数据对数字城市进行预测。

第二方面，本发明实施例还提供了一种数字城市的预测装置，该装置包括：

预测项目获取模块，用于获取用户输入的预测项目；

模型确定模块，用于根据所述预测项目获取数字城市的模型数据以及确定预测模型；

城市预测模块，用于根据所述预测模型及模型数据对数字城市进行预测。

第三方面，本发明实施例还提供了一种数字城市的预测设备，该设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的数字城市的预测方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的数字城市的预测方法。

本发明实施例的技术方案，通过用户输入的预测项目，根据该预测项目确定预测所需的模型数据以及预测模型，大大减少了预测数据的维度，同时减少了用户操作的复杂度；根据模型数据及预测模型进行数字城市预测，实现了数字城市各个预测项目的自动预测，且预测精度高、效率高。

附图说明

图1是本发明实施例一中的一种数字城市的预测方法的流程图；

图2是本发明实施例二中的一种数字城市的预测方法的流程图；

图3是本发明实施例三中的一种数字城市的预测装置的结构示意图；

图4是本发明实施例四中的一种数字城市的预测设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种数字城市的预测方法的流程图，本实施例可适用于对数字城市的各个方面进行预测的情况，该方法可以由数字城市的预测装置来执行，该装置可以通过软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

步骤110、获取用户输入的预测项目。

其中，预测项目指的是数字城市所需要进行预测的项目，如可以是该数字城市某一区域的用水量预测、用电量预测、人口总数预测，还可以是该数字城市的类型预测等。预测项目可以是该数字城市预测的名称，包括预测对象、预测范围等信息。

具体的，用户可以通过鼠标、键盘等外接设备进行输入，还可以通过触摸屏的触摸操作进行输入，或者语音输入等。还可以是从多个备选项目中选定预测项目的方式进行输入。本发明实施例对用户输入的方式不进行限定。

其中，建模数据是用于生成数字城市的数据信息，包括：自然信息、住户信息、能耗信息、地理信息等。

可选的，在获取用户输入的预测项目之前，还包括：

获取数字城市的建模数据。

具体的，可以通过遥感技术(remotesensing，rs)、全球定位系统(globalpositioningsystem，gps)、地理信息系统(geographicinformationsystem，gis)等空间信息技术获取所述数字城市的建模数据。

步骤120、根据所述预测项目获取数字城市的模型数据以及确定预测模型。

具体的，可以通过识别算法识别所述预测项目，根据识别结果确定所述数字城市的模型数据以及确定预测模型。

其中，模型数据指的是用于输入预测模型，以进行数字城市该预测项目的预测。预测模型具体为神经网络模型，通过模型训练，实现对实时获取的模型数据进行处理，以实现数字城市的预测。

具体的，可以预先设置预设关键词以及预设关键词与模型数据的对应关系，预设关键词可以是用水量、用电量、xx小区、xx地区等，通过匹配算法识别预测项目中与预设关键词匹配的关键词，从而根据匹配的关键词确定所述数字城市的模型数据。

可选的，在进行预设关键词匹配时，所匹配的预设关键词可以是一个，也可以是多个。

可选的，根据所述预测项目获取数字城市的模型数据以及确定预测模型，包括：

通过识别所述预测项目的关键信息确定所述数字城市的模型数据；根据所述模型数据的属性确定所述数字城市的预测模型。

其中，关键信息可以是所述预测项目中的地区信息、位置信息等专用名词，还可以是用水量、类型、用电量、人口总数、车辆数量、旅游人数、物流统计等各个领域的预测项目。模型数据则可以是从该数字城市的建模数据中选取的与预测项目的关键信息匹配的数据，如可以是该小区一年内的所有住户的用水量信息、该城市近5年的各个景点的旅游人数、该城市近10年的收入排名前5的行业等。模型数据的属性可以是根据模型数据是否与时间相关，将模型数据分为时间相关数据和时间无关数据，不同的属性则对应不同的预测模型。

具体的，可以提前建立模型数据的属性与预测模型之间的映射关系，根据该映射关系确定所述模型数据的属性对应的预测模型。

步骤130、根据所述预测模型及模型数据对数字城市进行预测。

具体的，各个预测模型均通过大量历史数据的训练和验证，以提高预测模型预测的精准度。本步骤具体为：将模型数据输入相应的预测模型，预测模型进行分析、处理后输出预测结果。

可选的，在预测模型输出所述预测结果之后，还可以包括：通过设定形式显示所述预测结果。

可选的，预测模型所采用的算法可以是朴素贝叶斯算法(naivebayes)、高斯混合算法(gaussianmixedmodel，gmm)、长短期记忆网络(longshort-termmemory，lstm)、循环神经网络(recurrentneuralnetwork，rnn)中的一种或多种的组合。

示例性的，若用户输入的预测项目为该城市的生活用水量预测，还可以设置模型数据的时间段以及预测的时间长度，如模型数据的时间段为近5年，预测长度为1个月，则获取近5年该城市各个居民的历史生活用水数据，可以是每天的平均用水量，作为预测模型的输入数据，同时，根据用水量的属性确定与之对应的预测模型，如长短期记忆网络模型，根据该模型及模型数据预测未来一个月的每天的平均用水量。

本发明实施例的技术方案，通过用户输入的预测项目，根据该预测项目确定预测所需的模型数据以及预测模型，大大减少了预测数据的维度，同时减少了用户操作的复杂度；根据模型数据及预测模型进行数字城市预测，实现了数字城市各个预测项目的自动预测，且预测精度高、效率高。

实施例二

图2为本发明实施例二提供的一种数字城市的预测方法的流程图，本实施例是对上一实施例的进一步细化和补充，本实施例所提供的数字城市的预测方法还包括：基于拉依达准则，对所述模型数据进行异常值剔除；对所述模型数据进行数据编码，以将所述模型数据中的非数值类型的数据转换为数值类型的数据；对数据编码后的数据进行归一化处理；和基于反向传播神经网络对所述模型数据进行降维。

如图2所示，该方法包括如下步骤：

步骤210、获取用户输入的预测项目。

步骤220、通过识别所述预测项目的关键信息确定所述数字城市的模型数据。

步骤230、根据所述模型数据的属性确定所述数字城市的预测模型。

具体的，根据所述模型数据的属性确定所述数字城市的预测模型，包括：

根据所述模型数据的时间属性确定所述数字城市的预测模型。

进一步地，根据所述模型数据的时间属性确定所述数字城市的预测模型，包括：

若所述模型数据为时间相关数据，则确定所述数字成的预测模型为长短期记忆网络模型；若所述模型数据为时间无关数据，则确定所述数字成的预测模型为高斯混合模型。

其中，长短期记忆网络模型包括是一种时间递归神经网络，包括遗忘门、输入门和输出门，门限由sigmoid激活函数和逐点乘法运算组成。遗忘门或遗忘层决定哪些信息需要从细胞状态中被遗忘，输入门确定哪些信息能够被存放到细胞状态中，输出门确定输出哪些数据。

进一步地，长短期记忆网络模型可以替换为双向长短期记忆网络模型。

其中，高斯混合模型是采用高斯概率密度函数精准地量化事物，将事物分解为若干个高斯概率密度函数的模型。其主要用于数据分类，原理为对各个类别进行网格划分，对需要预测的类型进行聚合计算，计算出目标可能所属网格的概率，由于现实情况中，对应类别的概率计算有很多影响因素，所以在在计算时，可以通过调节影响特征的权重以提高预测的精度。

可选的，所述根据所述模型数据的属性确定所述数字城市的预测模型，包括：

当所述模型数据为时间相关的数据时，确定所述数字城市的预测模型为朴素贝叶斯模型和长短记忆网络模型组成的混合模型；当所述模型数据为时间无关的数据时，确定所述数字城市的预测模型为高斯混合模型。

其中，朴素贝叶斯分类算法是数据挖掘领域的一项重要技术，而且是一种预测建模算法，该模型由两种类型的概率组成，可以直接从训练数据中计算出来：1)每个主题的概率；2)给定的每个数据为设定主题的条件概率。一旦计算出来概率模型就可以用于使用贝叶斯定理对数据进行预测。

具体的，混合模型由朴素贝叶斯模型和长短记忆网络模型组成。

步骤240、基于拉依达准则，对所述模型数据进行异常值剔除。

由于采集数据时，无法避免的会受到一些干扰，因此在获取模型数据之后，还需要对数据中的异常值进行剔除，以提高模型的准确度。

具体的，基于拉依达准则，对所述模型数据进行异常值剔除，包括：

计算所述模型数据的平均值；剔除模型数据中大于该平均值设定倍数的数据。

其中，设定倍数可以是3倍、5倍或者其他值。应结合该模型数据的分布特性具体进行确定。当然也可以采用其他方式进行异常值剔除，如可以根据方差、均方差等。

步骤250、对所述模型数据进行数据编码，以将所述模型数据中的非数值类型的数据转换为数值类型的数据。

由于城市预测项目涉及各个领域，而并非所有的预测项目均可以采用数值进行预测，因此，需要通过对模型数据进行编码的方式，将其中的非数值类型的数值转换为数值类型的数据，以方便进行后续的预测分析。

具体的，可以采用one-hot编码算法对模型数据进行数据编码。

其中，one-hot编码算法(独热编码算法)又称为一位有效编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

示例性的，以预测项目为城市发展类型，模型数据包括“旅游”、“工业”、“农业”、“畜牧业”等，可见模型数据并非是数值类型的，通过one-hot编码算法对模型数据进行编码，最终可以得到数值类型的模型数据。

步骤260、对数据编码后的数据进行归一化处理。

由于数字城市的模型预测时，会存在多种数据综合分析的情况，为了避免数据被淹没，同时提高数据处理的速度，可通过归一化处理方法，将模型数据进行归一化。

具体的，归一化后的取值范围可以是[0，1]。可以根据平均值、均方差等参数进行归一化，本发明对归一化方法不进行具体限定。

步骤270、基于反向传播神经网络对所述模型数据进行降维。

其中，反向传播神经网络基于反向传播算法(backpropagationalgorithm，bp算法)，是一种多层前馈神经网络。bp算法是由信号的正向传播和误差的反向传播两个过程组成。

具体的，本发明实施例所涉及的反向传播神经网络包括一个输入层、一个输出层和多个隐含层，可以是两层、三层或者更多层。反向传播神经网络的激活函数可以是sigmoid函数，目标函数为均方误差(meansquarederror，mse)。可以通过各个模型数据训练其对应的反向传播神经网络，进而根据相应的反向传播神经网络对模型数据进行降维，以减少数据的维度，提高数据处理的效率。bp神经网络的自我学习能力强，对高维数据进行降维处理，大大减少特征提取的复杂度。

步骤280、根据所述预测模型及模型数据对数字城市进行预测。

本发明实施例的技术方案，通过模型数据的属性确定相应的预测模型，综合考虑了各个模型的特性，优势互补，提高了预测的精度；通过对异常值的剔除，保证了数据的清洁度，减小了预测误差；通过对数据进行编码，将非数值数据转换为数值数据，方便了后续的预测；通过对数据进行归一化处理，防止了数据被淹没，有效保证了预测精度；同时，结合bp神经网络对数据进行降维，大大减少了数据的复杂度，提高了数据处理的效率。本发明实施例所提供的数字城市的预测方法，实现了对多维数据的分析和预测，方法自动化程度高，适用范围广，且预测精度高。

实施例三

图3是本发明实施例三提供的一种数字城市的预测装置的示意图，如图3所示，该装置包括：预测项目获取模块310、模型确定模块320和城市预测模块330。

其中，预测项目获取模块310，用于获取用户输入的预测项目；模型确定模块320，用于根据所述预测项目获取数字城市的模型数据以及确定预测模型；城市预测模块330，用于根据所述预测模型及模型数据对数字城市进行预测。

本发明实施例的技术方案，通过用户输入的预测项目，根据该预测项目确定预测所需的模型数据以及预测模型，大大减少了预测数据的维度，同时减少了用户操作的复杂度；根据模型数据及预测模型进行数字城市预测，实现了数字城市各个预测项目的自动预测，且预测精度高、效率高。

可选的，模型确定模块320，具体用于：

预先建立所述预测项目与模型数据以及预测模型之间的映射关系；根据所述预测项目和映射关系确定所述数字城市的模型数据和预测模型。

可选的，模型确定模块320，包括：

模型数据确定单元，用于通过识别所述预测项目的关键信息确定所述数字城市的模型数据；预测模型确定单元，用于根据所述模型数据的属性确定所述数字城市的预测模型。

可选的，预测模型确定单元，具体用于：

当所述模型数据为时间相关的数据时，确定所述数字城市的预测模型为朴素贝叶斯模型和长短记忆网络模型组成的混合模型；当所述模型数据为时间无关的数据时，确定所述数字城市的预测模型为高斯混合模型。

可选的，该数字城市的预测装置，还包括：

异常值剔除模块，用于基于拉依达准则，对所述模型数据进行异常值剔除；数据编码模块，用于对所述模型数据进行数据编码，以将所述模型数据中的非数值类型的数据转换为数值类型的数据。

可选的，该数字城市的预测装置，还包括：

归一化处理模块，用于在对所述模型数据进行数据编码之后，对数据编码后的数据进行归一化处理。

可选的，该数字城市的预测装置，还包括：

数据降维模块，用于在根据所述预测项目获取数字城市的模型数据之后，基于反向传播神经网络对所述模型数据进行降维。

本发明实施例所提供的数字城市的预测装置可执行本发明任意实施例所提供的数字城市的预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种数字城市的预测设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的数字城市的预测方法对应的程序指令/模块(例如，数字城市的预测装置中的预测项目获取模块310、模型确定模块320和城市预测模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的数字城市的预测方法。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

实施例五

发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种数字城市的预测方法，该方法包括：

获取用户输入的预测项目；

根据所述预测项目获取数字城市的模型数据以及确定预测模型；

根据所述预测模型及模型数据对数字城市进行预测。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的数字城市的预测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述数字城市的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。