基于无限层级数据结构的城市体征画像的确定方法及系统与流程

本发明涉及大数据领域，具体而言，涉及一种基于无限层级数据结构的城市体征画像的确定方法及系统。

背景技术：

相关技术中，城市发展过程中，城市的领导者为了能更加准确地把握城市的情况，为了能做出更高效，更实用的决策；往往需要各方面的数据支持，需要挖掘城市运行过程中产生的数据；但是面对海量数据，领导者也力不从心，能够让城市的领导者更直观、更容易、更方便地把控城市的体征的需求越来越突出。

随着大数据时代的发展，让海量数据处理变成了可能，现有的城市画像模型实现方案，是通过大数据技术对城市运行过程中产生的各种数据进行处理，结合智慧城市专家提出的城市评价模型，运用层次分析法对城市的进行整体的评分；根据不同的分值给出不同的评价和画像分类。

但是，现有的实现方案中，得出的城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明的主要目的在于提供一种基于无限层级数据结构的城市体征画像的确定方法及系统，以解决相关技术中城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种基于无限层级数据结构的城市体征画像的确定方法。该发明包括：获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；确定目标指标的权重；依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

进一步地，在获取目标指标对应的数据之前，该方法还包括：构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建目标层级数据结构还包括：将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

进一步地，获取目标指标对应的数据包括：将获取的目标数据关联在目标层级数据结构上，其中，目标数据为目标城市在第一预定时间段内对应的数据；依据目标数据，获取目标值，其中，目标值与目标节点一一对应；依据预设权重和对应的目标值，获取第二目标值，其中，多个目标节点对应的多个第二目标值形成第二数据层级。

进一步地，在依据预设权重和对应的目标值，获取第二目标值之后，该方法还包括：根据第一目标值和对应的第二目标值确定目标节点上的偏离度。

进一步地，根据第一目标值和对应的第二目标值确定目标节点上的偏离度包括：通过隶属函数设定目标指标在预设数值区间内对应的映射值；通过预定算法计算映射值对应的目标数值，其中，目标数值为隶属度对应的数值，预定算法为以下至少一种：平均值趋向算法、最大值趋向算法、中位数趋向算法；对多个目标数值进行加权平均计算，得到目标指标值；依据目标数值与目标指标值，计算目标偏差值；依据目标偏差值，确定目标节点上数值是否为良性数值。

进一步地，依据目标偏差值，确定目标节点上数值是否为良性数值包括：当偏差值大于预设偏差时，确定偏差值对应的指标为恶性指标；当偏差值小于等于预设偏差时，确定偏差值对应的指标为良性指标。

为了实现上述目的，根据本发明的另一方面，提供了一种基于无限层级数据结构的城市体征画像的确定系统。该系统包括：第一获取单元，用于获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；第一确定单元，用于确定目标指标的权重；第二确定单元，用于依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

进一步地，该系统还包括：构建单元，用于在获取目标指标对应的数据之前，构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建单元还包括：赋值子单元，用于将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，存储介质包括存储的程序，其中，该程序执行上述任意一项的一种基于无限层级数据结构的城市体征画像的确定方法。

为了实现上述目的，根据本申请的另一方面，提供了一种处理器，存储介质包括存储的程序，其中，该程序执行上述任意一项的一种基于无限层级数据结构的城市体征画像的确定方法。

通过本发明，采用以下步骤：获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；确定目标指标的权重；依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征，解决了相关技术中城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低的问题，进而达到了提高城市评价效率的目的。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例提供的一种基于无限层级数据结构的城市体征画像的确定方法的流程图；

图2是根据本发明实施例提供的基于无限层级数据结构的城市评价模型的运行示意图；以及

图3是根据本发明实施例的一种基于无限层级数据结构的城市体征画像的确定系统的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明的实施例，提供了一种基于无限层级数据结构的城市体征画像的确定方法。

图1是根据本发明实施例提供的一种基于无限层级数据结构的城市体征画像的确定方法的流程图。如图1所示，该发明包括以下步骤：

步骤s101，获取目标指标对应的数据，其中，目标指标为影响目标指数的指标。

本发明是一个基于智慧城市大数据体系构建的一套数据画像模型算法，该算法用于提取并分析城市各层次、各维度的数据特征，并进行特征评分、评价、画像，并通过自主的机器学习算法修正模型参数。该算法是用于解决城市体征指标监测、分析、评价的城市体检算法。

因此，在本实施例中，通过计算不同的城市评价指数来为城市画像，也即，通过计算城市不同方面和不同维度的评价指数来对城市做整体的评价，其中，每个评价指数对应有至少一个评价指标，通过不同评价指标与对应的权重即可计算出对应的评价指数。

进一步地，在计算一个评价指数时，首先需要获取评价指数对应的至少一个评价指标对应的数据。

步骤s102，确定目标指标的权重。

上述地，通常情况下用于计算评价指数的评价指标会根据经验设置权重，因此，可以通过预设权重来确定每个评价指标对应的权重。

步骤s103，依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

上述地，通过指标与指标对应的权重计算体现城市不同维度的运行体征，其中，城市的运行体征包括：城市的幸福指数和城市的经济景气指数等。不同评价指数对应的至少一个指标，例如：城市的经济景气指数包括有：gdp指标、人均gdp指标、工业生产总额等。

可选地，在获取目标指标对应的数据之前，该方法还包括：构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建目标层级数据结构还包括：将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

上述地，本实施例中通过构建目标层级数据结构来计算城市的不同运行体征。通过获取历史时间段内与不同数据层级对应的数据来构建目标层级数据结构。

进一步地，构建的目标层级数据结构其实质为赋值有数据的无限概念层次树，无限概念层次树是数据库中备属性值和概念依据抽象程度不同而构成的一个层次结构，是属性的一种概括语义描述。

树中高层概念是底层概念的概括，树根是该属性的可能属性值的最一般描述，树叶是该属性的可能属性值，如果属性是连续值属性(或叫模糊属性)，则树叶是一些连续值范围。

通常数据库中处理过分层数据(hierarchicaldata)，认为分层数据的管理不是关系数据库的目的。之所以这么认为，是因为关系数据库中的表没有层次关系，只是简单的平面化的列表；而分层数据具有父－子关系，显然关系数据库中的表不能自然地表现出其分层的特性。我们分层数据结构是每项只有一个父项和零个或多个子项(根项除外，根项没有父项)的数据集合。分层数据存在于许多基于数据库的应用程序中，解决不确定层级城市体征的采集、存储、运算需求。

优选地，将历史时间段内城市运行产生的相应数据赋值在无限概念层次树上构成了目标层级数据结构，优选地，目标层级数据结构是一个无限层级数据结构，除了根项对应的数据层，每层数据结构包括父层数据结构和至少一个子层数据结构。

具体地，在本实施例中，城市评价指数对应的数据层级为父层级，评价指数相关的指标构成了子层级，相应地，在指标对应的数据层级下来对应有计算指标的子层级，以此类推以构建无限层级数据结构。

进一步地，由于已经为每个指标对应的节点进行了赋值，将不同节点上的数据和不同指标计算评价指数对应的权重来计算第二目标值，其中，第二目标值为通过历史时间段内的数据计算的评价指数，多个不同的评价指数构成了评价指数的数据层级。

可选地，获取目标指标对应的数据包括：将获取的目标数据关联在目标层级数据结构上，其中，目标数据为目标城市在第一预定时间段内对应的数据；依据目标数据，获取目标值，其中，目标值与目标节点一一对应；依据预设权重和对应的目标值，获取第二目标值，其中，多个目标节点对应的多个第二目标值形成第二数据层级。

上述地，在本实施例中，通过大数据的可视化手段，分析各个维度的数据特征，分析各个指标值的相关性，根据他们的相关性基于非监督的机器学习对数据特征进行分类，然后筛选出相关性高，且具有某种含义的数据指标来构成城市分析模型。

在本实施例中，对目标时间段内的数据进行分析识别，以识别出不同的指标对应的数据，并将识别出的数据赋值在数据层级包括的至少一个节点上，以构成目标时间段内的无限层级数据结构。

需要说明的是，目标时间段是计算城市评价指数对应的时间段，例如，通过2011-2018年的不同维度的历史数据的平均值构建了目标层级数据结构，在构建的层级数据结构的基础上，将识别出的2019年度的数据重新赋值在无限层级数据结构上用于分析计算。

具体地，在获取到的众多数据中，通过上述对数据特征的分类学习，识别出不同指标对应的数据，将分类识别出的数据重新再赋值在构建的目标层级数据结构上，因此，在数据层级包含的节点上就重新赋予了新的数值。

进一步地，由于不同的指标在计算指数时对应的权重不同，因此，根据每个数据层级上目标节点对应的数据和不同指标对应的权重，来计算第二目标值，多个第二目标值构成了评价指数对应的数据层级。

可选地，在依据预设权重和对应的目标值，获取第二目标值之后，该方法还包括：根据第一目标值和对应的第二目标值确定目标节点上的偏离度。

上述地，在本实施例提供的方法中，还可以通过历史时间段内提供的数据计算出的评价指数和分析的目标时间段内提供的数据计算出的评价指数进行对比，进而分析出评价指数的偏离度，以进一步地通过历史评价指数和目标评价指数来评价城市的运行的状况。

可选地，根据第一目标值和对应的第二目标值确定目标节点上的偏离度包括：通过隶属函数设定目标指标在预设数值区间内对应的映射值；通过预定算法计算映射值对应的目标数值，其中，目标数值为隶属度对应的数值，预定算法为以下至少一种：平均值趋向算法、最大值趋向算法、中位数趋向算法；对多个目标数值进行加权平均计算，得到目标指标值；依据目标数值与目标指标值，计算目标偏差值；依据目标偏差值，确定目标节点上数值是否为良性数值。

上述地，根据模糊数学的原理，使用隶属函数评估法，来判断整棵的各节点的偏离度：首先，利用隶属函数给定各项指标在闭区间(0，1)值域空间的映射值(不同指标节点指定的算法不同，通常有平均值趋向、最大值趋向、中位数趋向等)，称为“单因素隶属度”，对各指标作出单项评估。

最后，对各单因素隶属度进行加权(标准树中设定的经验值)算术平均，计算综合隶属度，得出综合评估的向指标值。

可选地，依据目标偏差值，确定目标节点上数值是否为良性数值包括：当偏差值大于预设偏差时，确定偏差值对应的指标为恶性指标；当偏差值小于等于预设偏差时，确定偏差值对应的指标为良性指标。

具体地，在隶属函数评估法中，得出各节点结果越接近0说明该值偏离期望值得偏差越大，越接近1偏差越小。

具体地，通过历史时间段计算出的各个指数具有城市评价的代表性，因此，通过目标时间段内计算出的不同评价指数与历史时间段内的不同评价指数进行对比，预设一个数值范围内的临界阈值，将映射值与临界阈值进行对比，以确定目标时间段的指数的情况，如果偏差较大，则可以说明评价指数为恶性指数，也即评价指数对应的城市运行维度为恶性运行的，如果偏差较小，则说明评价指数为良性运行指数，评价指数对应的城市运行维度为良性运行的。

因此，通过隶属偏差来评定体征指标是否为良性指标，从而达到城市体征评定的目标。

上述地，在本实施例中华，不需要依赖人工经验干预，使用大数据和机器学习的方法自动挖掘和修正模型，完全交给数据来说话，客观性和真实性更强。隶属函数评级方法与加权评分法组合具有更大的合理性，但该方法对状态指标缺乏有效的处理办法，会直接影响评级结果的准确性。同时，该方法未能充分考虑各项指标的动态变化，评级结果更全面反映评价体征的真实情况。

本发明实施例提供的一种基于无限层级数据结构的城市体征画像的确定方法，通过获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；确定目标指标的权重；依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征，解决了相关技术中城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低的问题，进而达到了提高城市评价效率的目的。

图2是根据本发明实施例提供的基于无限层级数据结构的城市评价模型的运行示意图。如图2所示，城市评价模型的运行示意图中的运行步骤包括以下：

步骤一，通过模型挖掘算法对海量数据进行处理，构建城市评价模型；

步骤二，通过城市评价模型获取城市评价和城市画像结果；

步骤三，通过获得的城市评价和城市画像结果进行结果反馈至机器学习修正算法；

步骤四，通过机器学习修正算法对城市评价模型进行修正。

通过上述提供的城市评价模型，达到了通过人工智能的技术，深度挖掘影响城市画像的关键指标，然后形成城市评价模型体系，然后采用机器学习的方法，不断修正关键指标完善画像模型的目的。

进一步地，在实际的项目上使用过，项目中需要给城市体征画像，根据获取到的数据进行指标挖掘，经过多轮的修正和筛选，得出一套像完整的指标体系，在运行的过程中，也会根据新数据得出来的评价，再反馈到评价模型中，形成持续修正体系。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例还提供了一种基于无限层级数据结构的城市体征画像的确定系统，需要说明的是，本发明实施例的基于无限层级数据结构的城市体征画像的确定系统可以用于执行本发明实施例所提供的用于一种基于无限层级数据结构的城市体征画像的确定方法。以下对本发明实施例提供的一种基于无限层级数据结构的城市体征画像的确定系统进行介绍。

图3是根据本发明实施例的一种基于无限层级数据结构的城市体征画像的确定系统的示意图。如图3所示，该系统包括：第一获取单元301，用于获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；第一确定单元302，用于确定目标指标的权重；第二确定单元303，用于依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

本发明实施例提供的一种基于无限层级数据结构的城市体征画像的确定系统，通过第一获取单元301，用于获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；第一确定单元302，用于确定目标指标的权重；第二确定单元303，用于依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征，解决了相关技术中城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低的问题，进而达到了提高城市评价效率的目的。

可选地，该系统还包括：构建单元，用于在获取目标指标对应的数据之前，构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建单元还包括：赋值子单元，用于将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

可选地，第一获取单元301包括：关联子单元，用于将获取的目标数据关联在目标层级数据结构上，其中，目标数据为目标城市在第一预定时间段内对应的数据；第一获取子单元，用于依据目标数据，获取目标值，其中，目标值与目标节点一一对应；第二获取子单元，用于依据预设权重和对应的目标值，获取第二目标值，其中，多个目标节点对应的多个第二目标值形成第二数据层级。

可选地，该系统还包括：第三确定单元，用于在依据预设权重和对应的目标值，获取第二目标值之后，根据第一目标值和对应的第二目标值确定目标节点上的偏离度。

可选地，第三确定单元包括：设定子单元，用于通过隶属函数设定目标指标在预设数值区间内对应的映射值；第一计算子单元，用于通过预定算法计算映射值对应的目标数值，其中，目标数值为隶属度对应的数值，预定算法为以下至少一种：平均值趋向算法、最大值趋向算法、中位数趋向算法；第二计算子单元，用于对多个目标数值进行加权平均计算，得到目标指标值；第三计算子单元，用于依据目标数值与目标指标值，计算目标偏差值；确定子单元，用于依据目标偏差值，确定目标节点上数值是否为良性数值。

可选地，确定子单元包括：第一确定模块，用于当偏差值大于预设偏差时，确定偏差值对应的指标为恶性指标；第二确定模块，用于当偏差值小于等于预设偏差时，确定偏差值对应的指标为良性指标。

一种基于无限层级数据结构的城市体征画像的确定系统包括处理器和存储器，上述第一获取单元301等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决了相关技术中城市不同运行体征的得分中存在很大的主观因素，导致获得的城市运行体征数值不客观，可信度较低的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现一种基于无限层级数据结构的城市体征画像的确定方法。

本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行一种基于无限层级数据结构的城市体征画像的确定方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；确定目标指标的权重；依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

可选地，在获取目标指标对应的数据之前，该方法还包括：构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建目标层级数据结构还包括：将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

可选地，获取目标指标对应的数据包括：将获取的目标数据关联在目标层级数据结构上，其中，目标数据为目标城市在第一预定时间段内对应的数据；依据目标数据，获取目标值，其中，目标值与目标节点一一对应；依据预设权重和对应的目标值，获取第二目标值，其中，多个目标节点对应的多个第二目标值形成第二数据层级。

可选地，在依据预设权重和对应的目标值，获取第二目标值之后，该方法还包括：根据第一目标值和对应的第二目标值确定目标节点上的偏离度。

可选地，根据第一目标值和对应的第二目标值确定目标节点上的偏离度包括：通过隶属函数设定目标指标在预设数值区间内对应的映射值；通过预定算法计算映射值对应的目标数值，其中，目标数值为隶属度对应的数值，预定算法为以下至少一种：平均值趋向算法、最大值趋向算法、中位数趋向算法；对多个目标数值进行加权平均计算，得到目标指标值；依据目标数值与目标指标值，计算目标偏差值；依据目标偏差值，确定目标节点上数值是否为良性数值。

可选地，依据目标偏差值，确定目标节点上数值是否为良性数值包括：当偏差值大于预设偏差时，确定偏差值对应的指标为恶性指标；当偏差值小于等于预设偏差时，确定偏差值对应的指标为良性指标。本文中的设备可以是服务器、pc、pad、手机等。

本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标指标对应的数据，其中，目标指标为影响目标指数的指标；确定目标指标的权重；依据目标指标对应的数据和目标指标的权重，确定目标指数，其中，目标指数用于表示目标城市的一个运行体征。

可选地，在获取目标指标对应的数据之前，该方法还包括：构建目标层级数据结构，其中，目标层级数据结构包括多个数据层级，目标指数对应的数据层级是目标指标对应的数据层级的父层级，目标指数对应至少一个目标指标；构建目标层级数据结构还包括：将预设值赋值在目标节点上，其中，目标节点与目标指标一一对应；依据预设权重和预设值，获取第一目标值，多个目标指标对应的多个第一目标值形成第一数据层级。

可选地，获取目标指标对应的数据包括：将获取的目标数据关联在目标层级数据结构上，其中，目标数据为目标城市在第一预定时间段内对应的数据；依据目标数据，获取目标值，其中，目标值与目标节点一一对应；依据预设权重和对应的目标值，获取第二目标值，其中，多个目标节点对应的多个第二目标值形成第二数据层级。

可选地，在依据预设权重和对应的目标值，获取第二目标值之后，该方法还包括：根据第一目标值和对应的第二目标值确定目标节点上的偏离度。

可选地，根据第一目标值和对应的第二目标值确定目标节点上的偏离度包括：通过隶属函数设定目标指标在预设数值区间内对应的映射值；通过预定算法计算映射值对应的目标数值，其中，目标数值为隶属度对应的数值，预定算法为以下至少一种：平均值趋向算法、最大值趋向算法、中位数趋向算法；对多个目标数值进行加权平均计算，得到目标指标值；依据目标数值与目标指标值，计算目标偏差值；依据目标偏差值，确定目标节点上数值是否为良性数值。

可选地，依据目标偏差值，确定目标节点上数值是否为良性数值包括：当偏差值大于预设偏差时，确定偏差值对应的指标为恶性指标；当偏差值小于等于预设偏差时，确定偏差值对应的指标为良性指标。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。