本申请属于数据分析与处理,尤其涉及一种基于机器学习的市政设备设施智能管理方法及系统。
背景技术:
1、市政设施设备作为城市发展和建设的重要组成部分,包括道路、路灯、桥梁等,其在国民经济建设中的地位日益突出,近年来,随着城市的不断发展壮大,市政设施设备的数量也在不断增加。
2、目前,对于市政设施设备的管理主要采取人工巡查、发现问题、派单解决的管理模式。
3、显然,上述的市政设施设备的管理方法,难以提前发现设施设备的异常情况,并进行预警,导致应急响应能力不足。
技术实现思路
1、鉴于此,本申请实施例提供了一种基于机器学习的市政设备设施智能管理方法及系统,以解决上述技术问题。
2、本申请第一方面提供了一种基于机器学习的市政设备设施智能管理方法,包括:
3、获取市政设施设备的各相关数据作为基础数据;
4、对基础数据进行处理,得到标准数据;
5、根据标准数据构建决策树,进而对市政设施设备进行运行态势预警,其中,决策树构建,包括:
6、通过相异度计算将标准数据分成若干类;
7、从所有类中选择相异度值最小的两类进行训练构建一个支持向量机,生成一个非叶结点,并且,对这两个类进行合并构成新类,新类和剩下的类再次进行相异度计算,以再次选择相异度值最小的两类进行训练构建另一个支持向量机,生成另一个非叶结点,不断重复本步骤,直至遍历所有类,完成基于支持向量机的决策树的构建。
8、本申请第二方面提供了一种基于机器学习的市政设备设施智能管理系统,包括:
9、获取模块,用于获取市政设施设备的各相关数据作为基础数据;
10、处理模块,用于对基础数据进行处理,得到标准数据;
11、决策模块,用于根据标准数据构建决策树,进而对市政设施设备进行运行态势预警,其中,决策树构建,包括:
12、通过相异度计算将标准数据分成若干类;
13、从所有类中选择相异度值最小的两类进行训练构建一个支持向量机,生成一个非叶结点,并且,对这两个类进行合并构成新类,新类和剩下的类再次进行相异度计算,以再次选择相异度值最小的两类进行训练构建另一个支持向量机,生成另一个非叶结点,不断重复本步骤,直至遍历所有类,完成基于支持向量机的决策树的构建。
14、本申请第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
15、本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
16、由上可见,本申请与现有技术相比,至少存在以下优点:
17、1.本申请由于基于市政设施设备的各相关数据进行大数据分析,并通过构建决策树,对市政设施设备进行运行态势预警,因此,能够提前发现设施设备的异常情况,并进行预警,有效应急响应能力,进而显著提高城市设施管理的效率和准确度,优化市政管理的流程和决策,使城市更智能化、高效化和宜居化。
18、2.本申请由于采用自底向上构建决策树的模式,因此,使得每个类都只有一条分类路径,所以,不但使得训练时间减少,节约时间成本,而且能够确保决策树预测结果的准确性、快速性、可靠性。
19、3.本申请由于基础数据进行降维处理,因此,不但能够减少数据维度和需要的存储空间,而且能够节约训练计算时间,进而有效提高市政设施设备运行态势预测的效率。
20、4.本申请由于对数据进行平滑处理,因此,能够消除噪声干扰并将数据的周期趋势进行显现。
1.一种基于机器学习的市政设备设施智能管理方法,其特征在于,所述方法包括:
2.根据权利要求1所述方法,其特征在于,其中,各相关数据包括市政设施设备的属性数据、地理位置数据、运行数据、维护管理数据。
3.根据权利要求1所述方法,其特征在于,所述对基础数据进行处理,以得到标准数据,包括:
4.根据权利要求3所述方法,其特征在于,所述对基础数据进行降维处理,以得到标准数据,包括:
5.根据权利要求1所述方法,其特征在于,所述对基础数据进行处理,以得到标准数据,包括:
6.根据权利要求5所述方法,其特征在于,其中,通过如下公式进行平滑处理:
7.根据权利要求1所述方法,其特征在于,所述根据标准数据构建决策树,进而对市政设施设备进行运行态势预警,其中,决策树构建,包括:
8.根据权利要求1所述方法,其特征在于,所述根据标准数据构建决策树,进而对市政设施设备进行运行态势预警,包括:
9.根据权利要求8所述方法,其特征在于,其中,预警指标包括设备隐患指标、生产环境隐患指标、管理隐患指标和人的行为隐患指标。
10.一种基于机器学习的市政设备设施智能管理系统,其特征在于,所述系统包括: