数字城市全项支撑系统、计算机及数字城市全项支撑设备

1.本发明属于数字技术领域，尤其涉及一种数字城市全项支撑系统、计算机及数字城市全项支撑设备。


背景技术：

2.数字城市是指利用空间信息构筑虚拟平台，将包括城市自然资源、社会资源、基础设施、人文、经济等有关的城市信息，以数字形式获取并加载上去，从而为政府和社会各方面提供广泛的服务，数字城市能实现对城市信息的综合分析和有效利用，通过先进的信息化手段支撑城市的规划、建设、运营、管理及应急，能有效提升政府管理和服务水平，提高城市管理效率、节约资源，促进城市可持续发展。但是现有技术并不可以实现对城市的现有资源可以全面掌握并合理利用的技术措施。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.现有技术中，尚没有相应措施可用以实现对城市现有资源的全面掌握和合理利用。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种数字城市全项支撑系统、计算机及数字城市全项支撑设备。
6.本发明是这样实现的，一种数字城市全项支撑系统包括：数据采集模块、数据清洗模块、数据分析模块、城市定位模块、规划设计模块、综合开发模块和辅助决策模块；
7.所述数据采集模块，用于获取社会资源、基础设施、人文、经济等要素有关的数据；
8.所述数据清洗模块，与数据采集模块连接，用于对数据采集模块采集的数据的重复数据和干扰数据进行清洗；
9.所述数据分析模块，与数据清洗模块连接，用于利用贝叶斯网络机器学习算法对采集的数据进行对比、分析、计算和处理，输出各要素等级；
10.所述城市定位模块，与数据分析模块连接，用于根据数据分析模块输出各要素等级，进行城市定位；
11.所述规划设计模块，与城市定位模块连接，用于根据城市定位模块和辅助决策模块输出的城市定位结果做出相应的规划设计；
12.所述综合开发模块，与规划设计模块连接，用于根据相应的规划设计进行相应的综合开发；
13.所述辅助决策模块，与规划设计模块连接，用于为城市定位结果提供了辅助，为规划设计模块规划设计提供依据。所述为城市定位结果提供辅助，为规划设计模块规划设计提供依据包括：
14.在多数据辅助服务决策中，确定影响决策结果的指标决策集c
j’(j＝1，2，...m)，定备选决策集a
i’(i＝1，2，...n)；
15.对辅助在决策集上的满足程度给出相应的值，所述相应的值用区间直觉模糊数表示，得到区间直觉模糊矩阵r
ij
＝(r
ij
)m×n；
16.结合决策矩阵，根据改进的区间直觉模糊熵，求得各个指标辅助cj的权重wj(j＝1，2，...m)；
17.集成决策矩阵中第i行所有元素，得到关于方案ai的综合区间直觉模糊值αi(i＝1，2，...，n)；
18.利用区间直觉模糊数计算各方案的最终得分值d(αi)，根据得分值对决策集排序；根据得分值从大到小得出最终优劣辅助方案。
19.进一步，求得辅助cj的权重wj(j＝1，2，...m)的公式如下，有n个备选方案，m个决策辅助，若第i个方案的第j个辅助值其中i＝1，2，...，n；j＝1，2，...，m，则第j个辅助值的区间直觉模糊熵为：
[0020][0021]
其中，e(a)表示第j个指标辅助值的区间直觉模糊熵，其大小反映了辅助j满足决策集的模糊程度，分别表示隶属度的下区间和上区间，分别表示非隶属度的下区间和上区间；
[0022]
第j个辅助的权重表示为：
[0023][0024]
其中，wj表示第j个指标辅助的权重，ej表示计算出第j个指标辅助的区间直觉模糊熵；
[0025]
令区间直觉模糊数α＝([a，b]，[c，d])，得分函数s(α)＝[a+pδ
1-c+(1-p)δ2](1+δ1+δ2)；
[0026]
对于p的取值，当隶属度区间大于非隶属度区间，p＝0.6；相等时，p＝0.5；当隶属度区间小于非隶属度区间时，p＝0.4；s(α)写成如下分段函数：
[0027][0028]
精确函数为：
[0029][0030]
其中，δ1＝b-a，δ2＝d-c，其排序规则是当s(α)越大，区间直觉模糊数越优，当s(α)相等时，h(α)越大，区间直觉模糊数越优。
[0031]
进一步，所述数据采集模块通过互联网和大数据平台获取社会资源、基础设施、人
文、经济等要素有关的数据。
[0032]
进一步，所述数据清洗模块，用于对数据采集模块采集的数据的重复数据和干扰数据进行清洗具体包括：
[0033]
s1：基于触发器的触发节点和当前动作节点的数据过滤需求，配置对应的数据过滤规则，并指定触发节点和当前动作节点执行数据过滤规则的触发字段；配置所述数据过滤规则包括选择匹配规则、选择过滤值类型、设置过滤值；
[0034]
s2：基于预先配置的数据过滤规则，执行所述触发器的对应节点的数据过滤规则时，先根据过滤值类型和过滤值得到匹配规则的参数，再通过匹配规则对触发字段的数据进行匹配。
[0035]
进一步，所述匹配规则用于指定匹配的算法；所述过滤值类型用于指定将过滤值转化为匹配规则的参数的方法；所述过滤值用于获取匹配规则的参数。
[0036]
进一步，所述数据分析模块，对采集的数据利用贝叶斯网络机器学习算法进行对比、分析、计算和处理具体包括：
[0037]
(1)分类级别的定义：包含a，b，c，d，e五种等级，其中a等级所代表的要素等级最低，e等级所代表的要素等级最高，根据贝叶斯定理可知，所采集的信息属于某一等级的概率为：
[0038][0039]
其中，向量x为某一环境下所采集的事件集合，变量c以及k为某一特定风险等级，具体而言，p(c＝c|x＝x)为所采集事件集合的风险等级的条件概率，p(c＝c)为风险等级的先验概率，p(x＝x|c＝c)为根据所采集事件计算的不同等级的概率，分母为所采集事件本身的先验概率；
[0040]
(2)借助朴素贝叶斯的思想，对特征向量x进行假设：即假设x中每一维的特征都是相互独立的，特征与特征之间不存在任何联系，得到如下公式：
[0041][0042]
其中，向量x为所采集所有事件的集合，xk为具体某一事件元素，n为所有元素的数量；
[0043]
(3)将步骤(1)中的公式代入到步骤(2)中的公式中，得拥有特征向量x的未知样本所属等级概率，且公式表示如下：
[0044][0045]
其中，拥有特征向量x的未知样本的所属等级即为各要素的等级。
[0046]
进一步，所述城市定位模块，用于根据数据分析模块输出各要素等级，进行城市定位具体包括：
[0047]
步骤1：结合城市定位分析评估的各相关要素等级，获取相应的基础数据、指标数据，并进行评估相关要素的统计计算；
[0048]
步骤2：依据评估数据对相应的评价指标进行权重参数设定；
[0049]
步骤3：根据设定的权重参数，对城市定位效果进行分析运算，生成定位评估结果。
[0050]
进一步，所述分析运算通过要素指标、基本指标、综合指标三个层次依次进行运算。
[0051]
进一步，所述基本指标包括：经济指标、社会人文指标、资源生态指标、规划及绩效指标。
[0052]
本发明另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述数字城市全项支撑系统。
[0053]
本发明另一目的在于提供一种数字城市全项支撑设备，所述基于大数据的金融风险跟踪管理设备用于实现所述的数字城市全项支撑系统。
[0054]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0055]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0056]
本发明使用利用贝叶斯网络机器学习算法对数字城市有关的各要素数据进行分级，可有效的明确该城市的准确定位，从而进行针对性的规划设计和综合开发。
[0057]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0058]
本发明为数字城市的建设提供了大数据平台，在进行数据采集和分析的过程中，减小了分析人员和开发人员的劳动量，为数字城市提供服务，推动大数据产业的蓬勃发展，具有重要的经济效益和社会效益。
[0059]
在本发明中，所述为城市定位结果提供辅助，为规划设计模块规划设计提供依据包括：
[0060]
在多数据辅助服务决策中，确定影响决策结果的指标决策集c
j’(j＝1，2，...m)，定备选决策集a
i’(i＝1，2，...n)；
[0061]
对辅助在决策集上的满足程度给出相应的值，所述相应的值用区间直觉模糊数表示，得到区间直觉模糊矩阵r
ij
＝(r
ij
)m×n；
[0062]
结合决策矩阵，根据改进的区间直觉模糊熵，求得各个指标辅助cj的权重wj(j＝1，2，...m)；
[0063]
集成决策矩阵中第i行所有元素，得到关于方案ai的综合区间直觉模糊值αi(i＝1，2，...，n)；
[0064]
利用区间直觉模糊数计算各方案的最终得分值s(αi)，根据得分值对决策集排序；根据得分值从大到小得出最终优劣辅助方案。为智能服务提供依据，而且准确率高。
附图说明
[0065]
图1是本发明实施例提供的一种数字城市全项支撑系统结构示意图；
[0066]
图2是本发明实施例提供的数据清洗模块，用于对数据采集模块采集的数据的重
复数据和干扰数据进行清洗方法流程图；
[0067]
图3是本发明实施例提供的城市定位模块，用于根据数据分析模块输出各要素等级，进行城市定位方法流程图；
[0068]
图中：1、数据采集模块；2、数据清洗模块；3、数据分析模块；4、城市定位模块；5、规划设计模块；6、综合开发模块；7、辅助决策模块。
具体实施方式
[0069]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0070]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0071]
如附图1所示，一种数字城市全项支撑系统，其特征在于，该系统具体包括：
[0072]
数据采集模块1、数据清洗模块2、数据分析模块3、城市定位模块4、规划设计模块5、综合开发模块6和辅助决策模块7；
[0073]
所述数据采集模块1，用于获取社会资源、基础设施、人文、经济等要素有关的数据；
[0074]
所述数据清洗模块2，与数据采集模块1连接，用于对数据采集模块1采集的数据的重复数据和干扰数据进行清洗；
[0075]
所述数据分析模块3，与数据清洗模块2连接，用于利用贝叶斯网络机器学习算法对采集的数据进行对比、分析、计算和处理，输出各要素等级；
[0076]
所述城市定位模块4，与数据分析模块3连接，用于根据数据分析模块3输出各要素等级，进行城市定位；
[0077]
所述规划设计模块5，与城市定位模块4连接，用于根据城市定位模块4和辅助决策模块7输出的城市定位结果做出相应的规划设计；
[0078]
所述综合开发模块6，与规划设计模块5连接，用于根据相应的规划设计进行相应的综合开发；
[0079]
所述辅助决策模块7，与规划设计模块5连接，用于为城市定位结果提供了辅助，为规划设计模块5规划设计提供依据。所述为城市定位结果提供辅助，为规划设计模块规划设计提供依据包括：
[0080]
在多数据辅助服务决策中，确定影响决策结果的指标决策集c
j’(j＝1，2，...，m)，定备选决策集a
i’(i＝1，2，...n)；
[0081]
对辅助在决策集上的满足程度给出相应的值，所述相应的值用区间直觉模糊数表示，得到区间直觉模糊矩阵r
ij
＝(r
ij
)m×n；
[0082]
结合决策矩阵，根据改进的区间直觉模糊熵，求得各个指标辅助cj的权重wj(j＝1，2，...m)；
[0083]
集成决策矩阵中第i行所有元素，得到关于方案ai的综合区间直觉模糊值αi(i＝1，2，...，n)；
[0084]
利用区间直觉模糊数计算各方案的最终得分值s(αi)，根据得分值对决策集排序；
根据得分值从大到小得出最终优劣辅助方案。
[0085]
在本发明优选实施例中，求得辅助cj的权重wj(j＝1，2，...m)的公式如下，有n个备选方案，m个决策辅助，若第i个方案的第j个辅助值其中i＝1，2，...，n；j＝1，2，...，m，则第j个辅助值的区间直觉模糊熵为：
[0086][0087]
其中，e(a)表示第j个指标辅助值的区间直觉模糊熵，其大小反映了辅助j满足决策集的模糊程度，分别表示隶属度的下区间和上区间，分别表示非隶属度的下区间和上区间；
[0088]
第j个辅助的权重表示为：
[0089][0090]
其中，wj表示第j个指标辅助的权重，ej表示计算出第j个指标辅助的区间直觉模糊熵；
[0091]
令区间直觉模糊数α＝([a，b]，[c，d])，得分函数s(α)＝[a+pδ
1-c+(1-p)δ2](1+δ1+δ2)；
[0092]
对于p的取值，当隶属度区间大于非隶属度区间，p＝0.6；相等时，p＝0.5；当隶属度区间小于非隶属度区间时，p＝0.4；s(α)写成如下分段函数：
[0093][0094]
精确函数为：
[0095][0096]
其中，δ1＝b-a，δ2＝d-c，其排序规则是当s(α)越大，区间直觉模糊数越优，当s(α)相等时，h(α)越大，区间直觉模糊数越优。
[0097]
进一步，所述数据采集模块1通过互联网和大数据平台获取社会资源、基础设施、人文、经济等要素有关的数据。
[0098]
进一步，所述数据清洗模块2，用于对数据采集模块1采集的数据的重复数据和干扰数据进行清洗具体包括：
[0099]
s101：基于触发器的触发节点和当前动作节点的数据过滤需求，配置对应的数据过滤规则，并指定触发节点和当前动作节点执行数据过滤规则的触发字段；配置所述数据过滤规则包括选择匹配规则、选择过滤值类型、设置过滤值；
[0100]
s102：基于预先配置的数据过滤规则，执行所述触发器的对应节点的数据过滤规则时，先根据过滤值类型和过滤值得到匹配规则的参数，再通过匹配规则对触发字段的数据进行匹配。
[0101]
进一步，所述匹配规则用于指定匹配的算法；所述过滤值类型用于指定将过滤值转化为匹配规则的参数的方法；所述过滤值用于获取匹配规则的参数。
[0102]
进一步，所述数据分析模块3，对采集的数据利用贝叶斯网络机器学习算法进行对比、分析、计算和处理具体包括：
[0103]
(1)分类级别的定义：包含a，b，c，d，e五种等级，其中a等级所代表的要素等级最低，e等级所代表的要素等级最高，根据贝叶斯定理可知，所采集的信息属于某一等级的概率为：
[0104][0105]
其中，向量x为某一环境下所采集的事件集合，变量c以及k为某一特定风险等级，具体而言，p(c＝c|x＝x)为所采集事件集合的风险等级的条件概率，p(c＝c)为风险等级的先验概率，p(x＝x|c＝c)为根据所采集事件计算的不同等级的概率，分母为所采集事件本身的先验概率；
[0106]
(2)借助朴素贝叶斯的思想，对特征向量x进行假设：即假设x中每一维的特征都是相互独立的，特征与特征之间不存在任何联系，得到如下公式：
[0107][0108]
其中，向量x为所采集所有事件的集合，xk为具体某一事件元素，n为所有元素的数量；
[0109]
(3)将步骤(1)中的公式代入到步骤(2)中的公式中，得拥有特征向量x的未知样本所属等级概率，且公式表示如下：
[0110][0111]
其中，拥有特征向量x的未知样本的所属等级即为各要素的等级。
[0112]
进一步，所述城市定位模块4，用于根据数据分析模块3输出各要素等级，进行城市定位具体包括：
[0113]
s201：结合城市定位分析评估的各相关要素等级，获取相应的基础数据、指标数据，并进行评估相关要素的统计计算；
[0114]
s202：依据评估数据对相应的评价指标进行权重参数设定；
[0115]
s203：根据设定的权重参数，对城市定位效果进行分析运算，生成定位评估结果。
[0116]
进一步，所述分析运算通过要素指标、基本指标、综合指标三个层次依次进行运算。
[0117]
进一步，所述基本指标包括：经济指标、社会人文指标、资源生态指标、规划及绩效指标。
[0118]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0119]
本发明将数字城市全项支撑系统应用于一种计算机设备，所述计算机设备包括存
储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述数字城市全项支撑系统。
[0120]
本发明将数字城市全项支撑系统应用于一种数字城市全项支撑设备，所述基于多因子认证的安全防护设备用于实现所述基于数字城市全项支撑系统。
[0121]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0122]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。