本申请涉及用于智能社区的大数据技术领域，尤其涉及一种应用城市超脑的智能社区软环境配置系统和方法。
背景技术：
社区软环境指的是面向大中型的单一社区或者社区群落所配置的政府公共服务、医疗、安保、教育、餐饮、物业、保洁、家政、水电通信银行网点等人力和服务资源，从而为社区居民创造安全、便捷、健康的生活居住环境。
社区软环境的营造涉及到以上各种类型的人力、服务资源的配置问题。需要研究为社区配置多少资源最为合适，从而避免资源配置不足或者资源闲置。在社区软环境的资源配置过程中，需要结合社区的人口动态大数据、经济动态大数据、健康医疗记录大数据、治安环境大数据、就学入园登记大数据、水电消费量大数据、通信量大数据、车辆保有量大数据等进行分析，评估和预期未来一段时间社区发展状态参数，并基于该社区发展状态参数与各种人力服务资源的量化对应关系，预估对各种资源的需求量，然后根据需求量进行资源配置。
然而，以上人口、经济、消费、通信、车辆、教育、治安、健康等方面的直接数据，与社区未来一段时间的软环境资源之间的相互关系是客观，但同时也是隐性的，难以在以上多方面数据值的基础上依据任何直接的量化关系而直接推导出社区软环境资源的需求。因此在现有技术中，即便利用多方面的数据源采集了上述大数据资源，也缺乏准确有效的社区软环境的资源配置方法，不利于智能社区的构建和发展。另外，以上多方面大数据的采集、存储特别是分析演算，需要具有强大软硬件处理能力的平台执行，现有技术中缺乏实现这方面功能的设施平台。
近年来，“城市超脑”的概念不断得到业界的关注。所谓“超脑”就是一个硬件计算性能强大、具有多源头的大数据资源且软件配置支持人工智能分析复杂算法的大型计算机系统。而“城市超脑”则是基于互联网和物联网的基础设施，汇聚城市相关的时间和空间相关数据，利用人工智能技术发掘数据之间的关联关系，实现全局性模拟仿真，从而虚拟和预测城市发展预期状态，为城市规划布局提供信息化指导与参考。“城市超脑”的概念为城市公共资源优化配置、社会管理精细化、居民生活状态提升和节能环保持续性发展提供了有力的切入点，但是，目前尚未出现“城市超脑”相关的实际平台完成设计和投入应用，特别是并没有基于“城市超脑”技术面向社区实现软环境资源配置优化的技术方案。
技术实现要素：
有鉴于此，本申请的目的在于提出一种应用城市超脑的智能社区软环境配置系统和方法，其运用“城市超脑”的软硬件平台架构，在多源头大数据的基础上，运用人工智能分析的方式，来准确预测社区未来发展状态，并基于预测有效地对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
基于上述目的，在本申请的第一个方面，提出了一种应用城市超脑的智能社区软环境配置系统，其特征在于，包括：
数据获取模块，用于从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据；
数据模糊量化模块，用于对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度；
社区动态向量生成模块，用于根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量；
社区发展状态参数确定模块，用于利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
在一些实施例中，所述数据获取模块包括：
人口动态大数据获取单元，用于获取当前社区的人口动态大数据；经济动态大数据获取单元，用于获取当前社区的经济动态大数据；健康医疗记录大数据获取单元，用于获取当前社区的健康医疗记录大数据；治安环境大数据获取单元，用于获取当前社区的治安环境大数据；就学入园登记大数据获取单元，用于获取当前社区的就学入园登记大数据；水电消费量大数据获取单元，用于获取当前社区的水电消费量大数据；通信量大数获取单元，用于获取当前社区的通信量大数据；车辆保有量大数据获取单元，用于获取当前社区的车辆保有量大数据。
在一些实施例中，所述人口动态大数据包括人口数量变化率、人口性别比例和人口各年龄段占比；所述经济动态大数据包括房价变化率、房屋成交量、租金变化率、租房成交量和社区商品销售总营业额变化率；所述健康医疗记录大数据包括多种疾病的发病率；所述治安环境大数据包括报案变化率，流动人口占比率、重点监控人员占比率；所述就学入园登记大数据包括就学变化率、入园变化率；所述水电消费量大数据包括水资源消耗变化率和电力消耗变化率；所述通信量大数据包括通信量变化率；所述车辆保有量大数据包括社区业主车辆变化率和社区流动车辆变化率。
在一些实施例中，所述数据模糊量化模块具体用于：
通过查找预先定义的映射表，确定所述每个类型的动态指标对应的类别以及该类别对应的置信度，将多个所述对应的类别以及该类别对应的置信度整合成归类集合。
在一些实施例中，所述数据模糊量化模块，包括存储单元，所述存储单元用于存储预先定义的映射表。
在一些实施例中，所述社区动态向量生成模块，具体用于：
将每个类型的动态指标对应的归类集合中的每个归类类别作为一个向量维度，该归类类别对应的置信度作为该向量维度的取值，生成当前社区的社区动态向量。
在一些实施例中，所述预先训练的神经网络模型是通过以下方式训练得到的：
将大量的已知的社区动态向量作将为输入，将已知的样本社区动态向量及对应的社区发展状态参数作为输出，并利用反向传播传播算法根据已知的社区发展状态参数对被训练神经网络模型的各层的参数进行修正，直到输出的结果与已知的社区发展状态参数的匹配度满足预设条件。
在一些实施例中，还包括：
数据发送模块，用于将所述当前社区的社区发展状态参数发送至对应的管理部门。
基于上述目的，在本申请的第二个方面，提出了一种应用城市超脑的智能社区软环境配置方法，包括：
从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据；
对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度；
根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量；
利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
在一些实施例中，还包括：
将所述当前社区的社区发展状态参数发送至对应的管理部门。
本申请实施例提供一种应用城市超脑的智能社区软环境配置系统和方法，其中系统包括：数据获取模块，用于从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据；数据模糊量化模块，用于对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度；社区动态向量生成模块，用于根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量；社区发展状态参数确定模块，用于利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。本申请实施例的应用城市超脑的智能社区软环境配置系统和方法，利用经过训练的神经网络模型准确有效地利用当前多源头的大数据对未来一个发展时期社区发展状态参数进行预测性仿真，进而基于发展状态对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例一的应用城市超脑的智能社区软环境配置系统的结构示意图；
图2是本申请实施例二的应用城市超脑的智能社区软环境配置系统的结构示意图；
图3是本申请实施例三的应用城市超脑的智能社区软环境配置方法的流程图；
图4是本申请实施例四的应用城市超脑的智能社区软环境配置方法的流程图。
具体实施方式
下面结合附图和实施例对本申请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仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
本申请应用城市超脑系统，通过人工智能分析预测计算实现的对社区软环境的资源进行配置。城市超脑平台运用人口动态大数据、经济动态大数据、健康医疗记录大数据、治安环境大数据、就学入园登记大数据、水电消费量大数据、通信量大数据、车辆保有量大数据等预测评估未来一段时间(例如未来1年后)的社区发展状态参数，这实质上是一个多变量的复杂预测问题，以上每个类型的大数据与社区未来的发展状态都相关，但是其对社区未来发展状态产生什么样的影响又难以用具体函数去描绘或者量化。因此，本申请实施例的城市超脑平台采用人工智能技术，基于模糊神经网络预测方法，确定社区发展状态参数。
具体地，如图1所示，是本申请实施例一的应用城市超脑的智能社区软环境配置系统的结构示意图。在本实施例中，利用云端架构的称为“城市超脑”的计算机系统，基于多源头大数据，通过机器学习模式的神经网络计算，实现社区发展状况的综合预测，进而对社区软环境的资源进行配置。通过云端架构，无需对每个社区都搭建一个城市超脑，而是针对一个城市或者城区配置一个城市超脑云平台，为各个社区提供云端服务支撑。
本实施中的城市超脑计算机系统基于互联网、物联网的基础设施连接数据源，实现大数据的采集；进而，在统一的时空坐标体系上汇聚与目标社区相关的一定范围内的时间和空间数据，利用人工智能学习和发掘数据关联关系，对社区发展与运行相关规律系统性理解，并进行全局性的即时分析和模拟仿真预测，进而促进物理现实社区相关的公共资源优化配置、管理精细有序、居民生活质量提升和可持续发展，形成动态的智慧系统。
本实施例的应用城市超脑的智能社区软环境配置系统，可以包括：
数据获取模块101，用于从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据。当利用城市超脑对目标社区的社区软环境的资源进行配置时，首先需要通过所述数据获取模块101获取历史预设时间段内(例如上一年度)与当前社区(即目标社区)相关联的对应的动态指标数据。
数据模糊量化模块102，用于对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度。
在所述数据获取模块101获取到与当前社区相关联的对应的动态指标数据后，由所述数据模糊量化模块102对获取到的每个类型的所述动态指标数据进行模糊量化，通过查找预先定义的映射表，确定所述每个类型的动态指标对应的类别以及该类别对应的置信度，将多个所述对应的类别以及该类别对应的置信度整合成归类集合。
社区动态向量生成模块103，用于根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量。
在确定每个类型的动态指标对应的归类集合后，由所述社区动态向量生成模块103将每个类型的动态指标对应的归类集合中的类别及该类别对应的置信度作为一个向量维度，生成当前社区的社区动态向量。
社区发展状态参数确定模块104，用于利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
本申请实施例的应用城市超脑的智能社区软环境配置系统，能够准确有效地对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
如图2所示，是本申请实施例二的应用城市超脑的智能社区软环境配置系统的结构示意图。本实施例的应用城市超脑的智能社区软环境配置系统，包括：
数据获取模块201，用于从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据。
在本实施例中，利用云端架构的城市超脑对社区软环境的资源进行配置，无需对没个社区都搭建一个城市超脑，而是针对一个城市或者城区配置一个城市超脑云平台，为各个社区提供云端服务支撑。当利用城市超脑对目标社区的社区软环境的资源进行配置时，首先需要通过所述数据获取模块101获取历史预设时间段内(例如上一年度)与当前社区(即目标社区)相关联的对应的动态指标数据，该历史预设时间段可以根据实际需要具体确定，这里只是举例说明。具体地，所述数据获取模块201进一步包括：人口动态大数据获取单元2011，用于获取当前社区的人口动态大数据，所述人口动态大数据包括人口数量变化率、人口性别比例和人口各年龄段占比，在实际应用中，所述人口动态大数据获取单元2011可以访问公安系统的人口登记数据库，进而获取对应的当前社区的人口动态大数据。经济动态大数据获取单元2012，用于获取当前社区的经济动态大数据，所述经济动态大数据包括房价变化率、房屋成交量、租金变化率、租房成交量和社区商品销售总营业额变化率，在实际应用中，所述经济动态大数据获取单元2012可以从工商税务银行房产中介等经济部门的经济统计数据中获取所述当前社区的经济动态大数据。健康医疗记录大数据获取单元2013，用于获取当前社区的健康医疗记录大数据，所述健康医疗记录大数据包括多种疾病的发病率，例如流感、高血压、糖尿病等常见疾病等，在实际应用中，所述健康医疗记录大数据获取单元2013可以从卫生系统数据库中获取所述当前社区的健康医疗记录大数据。治安环境大数据获取单元2014，用于获取当前社区的治安环境大数据，所述治安环境大数据包括报案变化率，流动人口占比率、重点监控人员占比率，在实际应用中，所述治安环境大数据获取单元2014可以从安防系统数据库获取所述当前社区的治安环境大数据。就学入园登记大数据获取单元2015，用于获取当前社区的就学入园登记大数据，所述就学入园登记大数据包括就学变化率、入园变化率，在实际应用中，所述就学入园登记大数据获取单元2015，可以从教育系统数据库取所述当前社区的就学入园登记大数据。水电消费量大数据获取单元2016，用于获取当前社区的水电消费量大数据，所述水电消费量大数据包括水资源消耗变化率和电力消耗变化率，在实际应用中，所述水电消费量大数据获取单元2016可以从自来水公司和电网公司的业务数据库获取所述当前社区的水电消费量大数据。通信量大数获取单元2017，用于获取当前社区的通信量大数据，所述通信量大数据包括通信量变化率，在实际应用中，所述通信量大数获取单元2017可以从通信公司的业务数据库获取所述当前社区的通信量大数据。车辆保有量大数据获取单元2018，用于获取当前社区的车辆保有量大数据，所述车辆保有量大数据包括社区业主车辆变化率和社区流动车辆变化率，在实际应用中，所述车辆保有量大数据获取单元2018可以从社区物业的车辆登记数据和物业服务数据中获取所述当前社区的车辆保有量大数据。
数据模糊量化模块202，用于对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度。
在本实施中，当获取到历史预设时间段内与当前社区相关联的对应的以上各个类型的动态指标数据后，由所述数据模糊量化模块202对获取到的动态指标数据进行处理。具体地，所述数据模糊量化模块202，包括存储单元2021，所述存储单元2021用于存储预先定义的映射表。当对获取到的动态指标数据进行处理时，需要从所述存储单元2021中查找预先定义的映射表，确定所述每个类型的动态指标对应的类别以及该类别对应的置信度，将多个所述对应的类别以及该类别对应的置信度整合成归类集合。例如，对人口动态大数据中的人口数量变化率、人口性别比例和人口各年龄段占比，通过模糊量化后，输出的是归类集合{(r1，z1)，(r2，z2)…(rn，zn)}，其中rn表示该社区的一个人口动态归类，zn表示该社区人口动态归类为rn这一类型的置信度。这里归类集合的生成应用模糊分析理论，即(y1，y2，y3)＝f(x1，x2，x3)，也就是自变量取值x1，x2，x3时，函数f所产生的因变量是一个集合(y1，y2，y3)，即函数f输出的结果表明当自变量取值x1，x2，x3时，因变量可能是y1，也可能是y2，还可能是y3，当然y1，y2，y3这三种可能性不是均等的，可能当自变量取值x1，x2，x3的时候y1的可能性最大，y2可能性次之，y3可能性最小；而当自变量取值变成x1’，x2’，x3’则y2可能性变得最大，y3次之，y1最小，所以又引入置信度这个概念，表明当自变量取值x1，x2，x3时，y1，y2，y3当中各自的可能性是多少，由于所述存储单元2021存储有预先定义的映射表，该映射表中记录有自变量的取值及其对应的因变量的值，以及该因变量的置信度，则在获取到人口动态大数据中的人口数量变化率、人口性别比例和人口各年龄段占比后，可以通过查询预先定义的映射表，确定对应的因变量的值及其置信度(即人口动态大数据对应的类别及其置信度)。而对于当前社区的经济动态大数据，按照上述方法，输出的归类集合为{(j1，z1)，(j2，z2)…(jn，zn)}，其中jn表示该社区的一个经济动态归类，zn表示该社区经济动态归类为jn这一类型的置信度；对于当前社区的健康医疗记录大数据，按照上述方法，输出的归类集合为{(h1，z1)，(h2，z2)…(hn，zn)}，其中hn表示该社区的一个健康医疗动态归类，zn表示该社区健康医疗动态归类为hn这一类型的置信度；对于当前社区的治安环境大数据，按照上述方法，输出的归类集合为{(s1，z1)，(s2，z2)…(sn，zn)}，其中sn表示该社区的一个治安动态归类，zn表示该社区治安动态归类为sn这一类型的置信度；对于当前社区的就学入园登记大数据，输出的归类集合为{(e1，z1)，(e2，z2)…(en，zn)}，其中en表示该社区的一个就学入园动态归类，zn表示该社区就学入园动态归类为en这一类型的置信度；对于当前社区的水电消费量大数据，输出的归类集合为{(c1，z1)，(c2，z2)…(cn，zn)}，其中cn表示该社区的一个水电消费量动态归类，zn表示该社区水电消费量动态归类为cn这一类型的置信度；对于当前社区的通信量大数据，输出的归类集合为{(n1，z1)，(n2，z2)…(nn，zn)}，其中nn表示该社区的一个通信量动态归类，zn表示该社区通信量动态归类为nn这一类型的置信度；对于当前社区的车辆保有量大数据，输出的归类集合为{(v1，z1)，(v2，z2)…(vn，zn)}，其中vn表示该社区的一个车辆保有量动态归类，zn表示该社区车辆保有量动态归类为vn这一类型的置信度。通过上述过程，可以对确定当前社区的每个类型的动态指标对应的归类集合。
社区动态向量生成模块203，用于根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量。
在本实施例中，当确定当前社区的每个类型的动态指标对应的归类集合后，由所述社区动态向量生成模块203将每个类型的动态指标对应的归类集合中的每个归类类别作为一个向量维度，该归类类别对应的置信度作为该向量维度的取值，例如表示社区人口动态的归类集合{(r1，z1)，(r2，z2)…(rn，zn)}，其中归类类别r1-rn分别作为一个向量维度，z1-zn作为每个向量维度对应的取值，从而形成一个n维度向量；将全部类别的归类集合的向量维度及其置信度取值生成当前社区的社区动态向量，即将归类集合{(r1，z1)，(r2，z2)…(rn，zn)}、{(j1，z1)，(j2，z2)…(jn，zn)}、{(h1，z1)，(h2，z2)…(hn，zn)}、{(s1，z1)，(s2，z2)…(sn，zn)}、{(e1，z1)，(e2，z2)…(en，zn)}、{(c1，z1)，(c2，z2)…(cn，zn)}、{(n1，z1)，(n2，z2)…(nn，zn)}和{(v1，z1)，(v2，z2)…(vn，zn)}各自的向量组合成一个总的社区动态向量{(r1，z1)，(r2，z2)…(rn，zn)，(j1，z1)，(j2，z2)…(jn，zn)，(h1，z1)，(h2，z2)…(hn，zn)，(s1，z1)，(s2，z2)…(sn，zn)，(e1，z1)，(e2，z2)…(en，zn)，(c1，z1)，(c2，z2)…(cn，zn)，(n1，z1)，(n2，z2)…(nn，zn)，(v1，z1)，(v2，z2)…(vn，zn)}，其中r1-rn，j1-jn，h1-hn，s1-sn，e1-en，c1-cn，n1-nn，v1-vn分别表示该社区动态向量的维度。
社区发展状态参数确定模块204，利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
具体地，将社区动态向量{(r1，z1)，(r2，z2)…(rn，zn)，(j1，z1)，(j2，z2)…(jn，zn)，(h1，z1)，(h2，z2)…(hn，zn)，(s1，z1)，(s2，z2)…(sn，zn)，(e1，z1)，(e2，z2)…(en，zn)，(c1，z1)，(c2，z2)…(cn，zn)，(n1，z1)，(n2，z2)…(nn，zn)，(v1，z1)，(v2，z2)…(vn，zn)}输入到预先训练的神经网络模型中，输出对应的社区发展状态参数。
在本实施例中，所述预先训练的神经网络模型是通过以下方式训练得到的：首先，采集大量已知的社区作为历史样本，对于每个作为历史样本的社区，按照上面介绍的方式采集该社区相关的人口动态大数据、经济动态大数据、健康医疗记录大数据、治安环境大数据、就学入园登记大数据、水电消费量大数据、通信量大数据、车辆保有量大数据，从而生成所述社区动态向量，上述大数据的时间分布范围为距离当前时刻1年之前。并且，针对当前时刻该历史样本社区的社区发展状态，采用一个社区发展状态参数给予量化的表征；具体来说，可以用1-10分的量化评分来作为社区发展状态参数，分数越高则社区发展状态越接近发达，相应地需要在政府公共服务、医疗、安保、教育、餐饮、物业、保洁、家政、水电通信银行网点等社区软环境方面配置更多的资源；可以采用比较量化评估的机制，对全部样本社区在当前时刻的发展状态给予分级评估计分，获得每个样本社区的社区发展状态参数，以及测算针对各个社区发展状态参数分值所配置的社区软环境资源的合理数量，从而将社区软环境资源配置量与社区发展状态参数的评分关联起来。进而，将大量的已知的样本社区的社区动态向量作将为输入，将已知的社区动态向量对应的社区发展状态参数作为输出，并利用反向传播传播算法根据已知的社区发展状态参数对被训练神经网络模型的各层的参数进行修正，直到输出的结果与已知的社区发展状态参数的匹配度满足预设条件。
关于该神经网络模型的结构及其训练的反向传播过程，可以采用bp式神经网络模型，将任何一个样本社区的社区动态向量表示为xp＝{xp1...xpn}，其中xp1，xp2，......xpn作为该社区动态向量在上述各个维度上的取值；代入到该bp神经网络模型，该bp神经网络模型的输入层具有n个输入神经元，隐藏层具有k个隐层神经元，输出层具有m个输出神经元，其中m＝1，则依次计算隐藏层和输出层的数值如下：
其中w1nk是输入层的第n个神经元与隐藏层的第k个神经元之间的权重，o1pk是隐藏层第k个神经元的输出；w2km是隐藏层第k个神经元与输出层第m个神经元之间的权重，o2pm是第m个输出层神经元的输出，激活函数
通过该神经网络单元对应的训练反馈单元执行反向计算：
其中学习率为μ，
-δpm(i)＝(tpm-o2pm(i))o2pm(i)(1-o2pm(i))，
更改权值如下：
w1nk(i+1)＝w1nk(i)+δw1nk(i+1)
w2km(i+1)＝w2km(i)+δw2km(i+1)
经过反复学习，不断调整神经元之间的权重值，直至偏差达到小于等于预定的允许偏差ε，则对bp神经网络模型训练完成。
这样，训练后的神经网络模型在输入当前社区的该社区动态向量{(r1，z1)，(r2，z2)…(rn，zn)，(j1，z1)，(j2，z2)…(jn，zn)，(h1，z1)，(h2，z2)…(hn，zn)，(s1，z1)，(s2，z2)…(sn，zn)，(e1，z1)，(e2，z2)…(en，zn)，(c1，z1)，(c2，z2)…(cn，zn)，(n1，z1)，(n2，z2)…(nn，zn)，(v1，z1)，(v2，z2)…(vn，zn)}之后，可以输出一个对应的社区发展状态参数的评分值。该评分值反映了未来一个发展时期(如1年后)该当前社区预期的社区发展状态，体现了社区发展与当前多源头的大数据之间潜在的客观规律性联系，故而可以作为社区软环境资源配置的依据。
数据发送模块205，用于将所述当前社区的社区发展状态参数发送至对应的管理部门。
在本实施例中，当确定当前社区的社区发展状态参数后，还可以将确定的当前社区的社区发展状态参数的评分值发送至社区相关的管理部门(例如居委会、业主委员会，社区物业公司、社区行政区划对应的政府机关)，由相关部门根据确定的当前社区的社区发展状态参数对所述当前社区的软环境的资源进行配置。
本申请实施例的应用城市超脑的智能社区软环境配置系统，能够准确有效地对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
如图3所示，是本申请实施例三的应用城市超脑的智能社区软环境配置方法的流程图，本申请实施例的应用城市超脑的智能社区软环境配置方法，可以包括以下步骤：
s301：从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据。
具体地，可以从公安系统的人口登记数据库获取对应的当前社区的人口动态大数据，从工商税务银行等经济部门的经济统计数据中获取所述当前社区的经济动态大数据，从卫生系统数据库中获取所述当前社区的健康医疗记录大数据，从安防系统数据库获取所述当前社区的治安环境大数据，从教育系统数据库取所述当前社区的就学入园登记大数据，从自来水公司和电网公司的业务数据库获取所述当前社区的水电消费量大数据，从通信公司的业务数据库获取所述当前社区的通信量大数据，从社区物业的车辆登记数据和物业服务数据中获取所述当前社区的车辆保有量大数据。
s302：对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度。
在获取到历史预设时间段内与当前社区相关联的对应的动态指标数据后，通过查找预先定义的映射表，确定所述每个类型的动态指标对应的类别以及该类别对应的置信度，将多个所述对应的类别以及该类别对应的置信度整合成归类集合。例如，对人口动态大数据中的人口数量变化率、人口性别比例和人口各年龄段占比，通过模糊量化后，输出的是归类集合{(r1，z1)，(r2，z2)…(rn，zn)}，其中rn表示该社区的一个人口动态归类，zn表示该社区人口动态归类为rn这一类型的置信度。对于当前社区的经济动态大数据，按照上述方法，输出的归类集合为{(j1，z1)，(j2，z2)…(jn，zn)}，其中jn表示该社区的一个经济动态归类，zn表示该社区经济动态归类为jn这一类型的置信度；对于当前社区的健康医疗记录大数据，按照上述方法，输出的归类集合为{(h1，z1)，(h2，z2)…(hn，zn)}，其中hn表示该社区的一个健康医疗动态归类，zn表示该社区健康医疗动态归类为hn这一类型的置信度；对于当前社区的治安环境大数据，按照上述方法，输出的归类集合为{(s1，z1)，(s2，z2)…(sn，zn)}，其中sn表示该社区的一个治安动态归类，zn表示该社区治安动态归类为sn这一类型的置信度；对于当前社区的就学入园登记大数据，输出的归类集合为{(e1，z1)，(e2，z2)…(en，zn)}，其中en表示该社区的一个就学入园动态归类，zn表示该社区就学入园动态归类为en这一类型的置信度；对于当前社区的水电消费量大数据，输出的归类集合为{(c1，z1)，(c2，z2)…(cn，zn)}，其中cn表示该社区的一个水电消费量动态归类，zn表示该社区水电消费量动态归类为cn这一类型的置信度；对于当前社区的通信量大数据，输出的归类集合为{(n1，z1)，(n2，z2)…(nn，zn)}，其中nn表示该社区的一个通信量动态归类，zn表示该社区通信量动态归类为nn这一类型的置信度；对于当前社区的车辆保有量大数据，输出的归类集合为{(v1，z1)，(v2，z2)…(vn，zn)}，其中vn表示该社区的一个车辆保有量动态归类，zn表示该社区车辆保有量动态归类为vn这一类型的置信度。通过上述过程，可以对确定当前社区的每个类型的动态指标对应的归类集合。
s303：根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量。
将每个类型的动态指标对应的归类集合中的每个归类类别作为一个向量维度，该归类类别对应的置信度作为该向量维度的取值，生成当前社区的社区动态向量，即将归类集合{(r1，z1)，(r2，z2)…(rn，zn)}、{(j1，z1)，(j2，z2)…(jn，zn)}、{(h1，z1)，(h2，z2)…(hn，zn)}、{(s1，z1)，(s2，z2)…(sn，zn)}、{(e1，z1)，(e2，z2)…(en，zn)}、{(c1，z1)，(c2，z2)…(cn，zn)}、{(n1，z1)，(n2，z2)…(nn，zn)}和{(v1，z1)，(v2，z2)…(vn，zn)}组合成一个总的社区动态向量{(r1，z1)，(r2，z2)…(rn，zn)，(j1，z1)，(j2，z2)…(jn，zn)，(h1，z1)，(h2，z2)…(hn，zn)，(s1，z1)，(s2，z2)…(sn，zn)，(e1，z1)，(e2，z2)…(en，zn)，(c1，z1)，(c2，z2)…(cn，zn)，(n1，z1)，(n2，z2)…(nn，zn)，(v1，z1)，(v2，z2)…(vn，zn)}。
s304：利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
将社区动态向量{(r1，z1)，(r2，z2)…(rn，zn)，(j1，z1)，(j2，z2)…(jn，zn)，(h1，z1)，(h2，z2)…(hn，zn)，(s1，z1)，(s2，z2)…(sn，zn)，(e1，z1)，(e2，z2)…(en，zn)，(c1，z1)，(c2，z2)…(cn，zn)，(n1，z1)，(n2，z2)…(nn，zn)，(v1，z1)，(v2，z2)…(vn，zn)}输入到预先训练的神经网络模型中，输出对应的社区发展状态参数。在本实施例中，所述预先训练的神经网络模型是通过以下方式训练得到的：将大量的已知的社区动态向量作为样本输入，将已知的社区动态向量对应的社区发展状态参数作为输出，并利用反向传播传播算法根据已知的社区发展状态参数对被训练神经网络模型的各层的参数进行修正，直到输出的结果与已知的社区发展状态参数的匹配度满足预设条件。
本申请实施例的应用城市超脑的智能社区软环境配置方法，能够准确有效地对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
如图4所示，是本申请实施例四的应用城市超脑的智能社区软环境配置方法的流程图。本实施例的应用城市超脑的智能社区软环境配置方法，包括以下步骤：
s401：从多个目标数据源获取历史预设时间段内与当前社区相关联的对应的动态指标数据。
s402：对每个类型的所述动态指标数据进行模糊量化，确定每个类型的动态指标对应的归类集合，所述归类集合包括对应的类别以及该类别对应的置信度。
s403：根据每个类型的动态指标对应的归类集合生成当前社区的社区动态向量。
s404：利用预先训练的神经网络模型对所述社区动态向量与社区发展状态参数的关联关系进行学习仿真，并输入当前社区的所述社区动态向量，根据所述神经网络模型的输出结果确定当前社区的社区发展状态参数。
本实施例的步骤s401到s404与实施例三中的步骤s301到s304相类似，这里不再赘述，此外，本实施例的方法还可以包括：
s405：将所述当前社区的社区发展状态参数发送至对应的管理部门，从而根据当前社区的社区发展状态参数进行与社区软环境相关资源的配置。
当确定当前社区的社区发展状态参数后，还可以将确定的当前社区的社区发展状态参数发送至社区相关的管理部门(例如居委会、业主委员会，社区物业公司、社区行政区划对应的政府机关)，由相关部门根据确定的当前社区的社区发展状态参数对所述当前社区的软环境的资源进行配置。
本申请实施例的应用城市超脑的智能社区软环境配置方法，能够利用经过训练的神经网络模型准确有效地利用当前多源头的大数据对未来一个发展时期社区发展状态参数进行预测性仿真，进而基于发展状态对社区软环境的资源进行配置，从而有利于智能社区的构建和发展。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。