应用于数字城市的数据挖掘方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种应用于数字城市的数据挖掘方法及系统。

背景技术：

1、数字城市（smart city）是指利用信息技术、物联网和大数据等先进技术手段，以提升城市管理效率、改善居民生活品质为目标的城市发展模式。数字城市通过收集、整合和分析城市各个领域的数据，实现智能化的城市规划、运营和服务。通过数字化和智能化的手段，数字城市可以实现资源的高效利用、环境的可持续发展和社会的智慧化运作。例如，通过对用户群体的群体行为进行挖掘，可以得到用户群体的群体需求，使得可以基于群体需求对用户群体进行资源推送和管控等。但是，在现有技术中，在挖掘用群体需求的过程中，存在着挖掘的可靠度相对不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种应用于数字城市的数据挖掘方法及系统，以改善需求挖掘的可靠度相对不高的问题。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种应用于数字城市的数据挖掘方法，提取到待挖掘群体的第一群体行为数据和第二群体行为数据，以及，将所述第一群体行为数据和所述第二群体行为数据分别进行挖掘，输出对应的第一群体行为向量和第二群体行为向量，所述第一群体行为数据和所述第二群体行为数据用于从两个维度对所述待挖掘群体的城市行为进行描述，所述第一群体行为向量和所述第二群体行为向量用于从两个维度对所述待挖掘群体的城市行为语义进行表征；

4、将所述第一群体行为向量和所述第二群体行为向量进行聚合，形成对应的初始多维度行为向量；

5、提取到行为需求关系向量，所述行为需求关系向量包括预先确定的行为需求关系图谱中多个群体行为需求信息各自对应的群体行为需求向量，对于每一个所述群体行为需求信息，该群体行为需求信息对应的群体行为需求向量包括该群体行为需求信息的语义向量和所述行为需求关系图谱中与该群体行为需求信息相关联的群体行为需求信息的语义向量；

6、分别将所述行为需求关系向量中的各群体行为需求向量和所述初始多维度行为向量进行聚合，输出每一个所述群体行为需求信息对应的目标多维度行为向量；

7、基于每一个所述群体行为需求信息对应的目标多维度行为向量，在所述多个群体行为需求信息中，筛选出与所述待挖掘群体适配的目标群体行为需求信息，所述目标群体行为需求信息用于反映所述待挖掘群体的需求。

8、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述提取到待挖掘群体的第一群体行为数据和第二群体行为数据，以及，将所述第一群体行为数据和所述第二群体行为数据分别进行挖掘，输出对应的第一群体行为向量和第二群体行为向量的步骤，包括：

9、提取到待挖掘群体的第一群体行为数据和第二群体行为数据；

10、获得第一数据挖掘网络，所述第一数据挖掘网络包括多个先后连接的梯度优化单元；

11、利用所述第一数据挖掘网络中的第一个梯度优化单元，将所述第一群体行为数据进行挖掘，输出对应的原始第一群体行为向量；

12、对于第一个迭代阶段以后的每一个迭代阶段，将该迭代阶段作为目前迭代阶段，并在所述第一数据挖掘网络中，确定出与所述目前迭代阶段相对应的目前梯度优化单元；

13、利用所述目前梯度优化单元，将前一个梯度优化单元对应的原始第一群体行为向量进行挖掘，输出对应的候选第一群体行为向量；

14、对所述前一个梯度优化单元对应的原始第一群体行为向量与所述候选第一群体行为向量进行相加运算，实现梯度优化，以形成所述目前梯度优化单元对应的原始第一群体行为向量；

15、基于最后一个迭代阶段形成的原始第一群体行为向量，得到所述第一群体行为数据对应的第一群体行为向量；

16、将所述第二群体行为数据进行挖掘，输出对应的第二群体行为向量。

17、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述将所述第二群体行为数据进行挖掘，输出对应的第二群体行为向量的步骤，包括：

18、针对所述第二群体行为数据中的每一个群体行为监控图像，将该群体行为监控图像作为待处理图像，以及，将该待处理图像的帧序号进行向量化处理，形成与所述待处理图像对应的图像帧序号向量，所述第二群体行为数据属于通过图像监控设备采集形成的图像数据；

19、针对所述待处理图像中的每一个图像块，将该图像块作为待处理图像块，并确定所述待处理图像块在所述待处理图像中的分布坐标，以及，将所述分布坐标进行向量化处理，形成与所述待处理图像块对应的分布坐标向量；

20、将所述待处理图像块进行向量化处理，形成与所述待处理图像块对应的图像块向量，以及，基于与所述待处理图像对应的图像帧序号向量、与所述待处理图像块对应的分布坐标向量、与所述待处理图像块对应的图像块向量，确定出与所述待处理图像块对应的图像块挖掘向量；

21、基于所述第二群体行为数据中各图像块分别对应的图像块挖掘向量，得到所述第二群体行为数据的第二群体行为向量。

22、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述基于每一个所述群体行为需求信息对应的目标多维度行为向量，在所述多个群体行为需求信息中，筛选出与所述待挖掘群体适配的目标群体行为需求信息的步骤，是利用群体行为需求分析网络执行的；所述应用于数字城市的数据挖掘方法还包括所述群体行为需求分析网络的网络更新步骤，该网络更新步骤包括：

23、提取到样本群体行为数据簇，所述样本群体行为数据簇包括多个训练第一群体行为数据、所述多个训练第一群体行为数据分别对应的训练第二群体行为数据和实际群体行为需求信息；

24、对于所述多个训练第一群体行为数据中的每一个训练第一群体行为数据，将该训练第一群体行为数据和相应的训练第二群体行为数据分别进行挖掘，输出对应的训练第一群体行为向量和训练第二群体行为向量；

25、将所述训练第一群体行为向量和训练第二群体行为向量进行聚合，形成对应的训练初始多维度行为向量；

26、提取到训练行为需求关系向量，所述训练行为需求关系向量包括训练行为需求关系图谱中多个训练群体行为需求信息分别对应的训练群体行为需求向量，对于每一个所述训练群体行为需求信息，该训练群体行为需求信息对应的训练群体行为需求向量包括该训练群体行为需求信息的语义向量和所述训练行为需求关系图谱中与该训练群体行为需求信息相关联的训练群体行为需求信息的语义向量；

27、分别将所述训练行为需求关系向量中各训练群体行为需求向量与所述训练初始多维度行为向量进行聚合，输出每一个所述训练群体行为需求信息对应的训练目标多维度行为向量；

28、基于每一个所述训练群体行为需求信息对应的训练目标多维度行为向量，在所述多个训练群体行为需求信息中，筛选出与所述训练第一群体行为数据相适配的估计群体行为需求信息；

29、基于所述估计群体行为需求信息和所述训练第一群体行为数据相对应的实际群体行为需求信息之间的区别，对所述群体行为需求分析网络的网络参数进行更新，形成更新后的群体行为需求分析网络。

30、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述群体行为需求分析网络包括第一数据挖掘网络，在所述对于所述多个训练第一群体行为数据中的每一个训练第一群体行为数据，将该训练第一群体行为数据和相应的训练第二群体行为数据分别进行挖掘，输出对应的训练第一群体行为向量和训练第二群体行为向量的步骤以前，所述应用于数字城市的数据挖掘方法还包括：

31、统计出所述样本群体行为数据簇的簇数据量和所述多个训练群体行为需求信息的信息数量；

32、基于所述多个训练群体行为需求信息的信息数量，分析出网络学习复杂度；

33、得到候选第一数据挖掘网络，并基于所述样本群体行为数据簇的簇数据量和所述网络学习复杂度，选择出所述候选第一数据挖掘网络中的非失活部分；

34、利用所述样本群体行为数据簇，将所述候选第一数据挖掘网络进行网络学习和更新，使得所述候选第一数据挖掘网络中非失活部分的网络参数得以更新，形成更新后的第一数据挖掘网络。

35、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述利用所述样本群体行为数据簇，将所述候选第一数据挖掘网络进行网络学习和更新，使得所述候选第一数据挖掘网络中非失活部分的网络参数得以更新，形成更新后的第一数据挖掘网络的步骤，包括：

36、对于所述样本群体行为数据簇中的每一个训练第一群体行为数据，确定该训练第一群体行为数据的实际群体行为需求信息，该实际群体行为需求信息为概率分布，所述概率分布中的每一个概率参数分别对应于一个训练群体行为需求信息，且用于反映该训练第一群体行为数据是否与对应的训练群体行为需求信息相适配；

37、基于所述概率分布中每一个概率参数的大小，得到每一个概率参数对应的概率参数更新规则；

38、基于每一个概率参数对应的概率参数更新规则，将所述概率分布中每一个概率参数进行更新，形成更新后的实际群体行为需求信息；

39、依据所述样本群体行为数据簇中每一个训练第一群体行为数据对应的更新后的实际群体行为需求信息，将所述候选第一数据挖掘网络进行网络学习和更新，使得所述候选第一数据挖掘网络中非失活部分的网络参数得以更新，形成更新后的第一数据挖掘网络。

40、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，在所述基于所述估计群体行为需求信息和所述训练第一群体行为数据相对应的实际群体行为需求信息之间的区别，对所述群体行为需求分析网络的网络参数进行更新，形成更新后的群体行为需求分析网络的步骤以后，所述应用于数字城市的数据挖掘方法还包括：

41、提取到验证群体行为数据簇，以及，利用更新后的群体行为需求分析网络，将所述验证群体行为数据簇中的验证群体行为数据进行群体行为需求信息的估计，形成对应的群体行为需求估计数据，所述验证群体行为数据包括验证第一群体行为数据和验证第二群体行为数据；

42、在所述群体行为需求估计数据的估计匹配程度小于预先确定的参考匹配程度的时候，对所述样本群体行为数据簇中的训练第二群体行为数据和所述验证群体行为数据簇中的测试第二群体行为数据进行图像块分析，输出多个普遍性图像块，每一个所述普遍性图像块，属于在所述样本群体行为数据簇和所述验证群体行为数据簇中出现次数大于预先确定的参考次数的图像块；

43、在配置的多个行为数据库中，提取到所述多个普遍性图像块各自适配的相关群体行为数据，并作为扩展的训练第一群体行为数据，所述相关群体行为数据与所述训练第一群体行为数据的数据维度一致，在所述训练第二群体行为数据属于图像数据的时候，所述训练第一群体行为数据的数据维度包括文本；

44、依据所述样本群体行为数据簇和所述扩展的训练第一群体行为数据，将所述更新后的群体行为需求分析网络进行更新。

45、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，在所述提取到行为需求关系向量的步骤以前，所述应用于数字城市的数据挖掘方法还包括：

46、提取到行为需求关系图谱，所述行为需求关系图谱包括多个群体行为需求信息，且具有相关关系的群体行为需求信息之间配置有连接边；

47、基于所述行为需求关系图谱，确定出对应的需求信息参数分布和相关性参数分布，所述需求信息参数分布包括所述多个群体行为需求信息各自对应的需求信息表征向量，所述相关性参数分布用于反映所述多个群体行为需求信息之间的相关关系信息；

48、对所述相关性参数分布和所述需求信息参数分布进行聚合，形成对应的第一个迭代阶段的聚合参数分布；

49、对于第一个迭代阶段以后的每一个迭代阶段，将前一个迭代阶段形成的聚合参数分布和所述相关性参数分布进行聚合，形成目前迭代阶段对应的聚合参数分布；

50、基于最后一个迭代阶段形成的聚合参数分布，得到行为需求关系向量。

51、在一些优选的实施例中，在上述应用于数字城市的数据挖掘方法中，所述需求信息参数分布中的行分布参数与所述群体行为需求信息之间具有一一对应的关系，所述相关性参数分布中的行分布参数与所述群体行为需求信息之间具有一一对应的关系，在所述需求信息参数分布和所述相关性参数分布中，同一行数目的行分布参数对应的群体行为需求信息一样；

52、所述对所述相关性参数分布和所述需求信息参数分布进行聚合，形成对应的第一个迭代阶段的聚合参数分布的步骤，包括：

53、对所述相关性参数分布和所述需求信息参数分布进行相乘运算，输出对应的第一参数分布；

54、对所述第一参数分布和所述需求信息参数分布相加运算，输出对应的第二参数分布；

55、将所述第二参数分布进行参数映射处理，形成第一个迭代阶段的聚合参数分布。

56、本发明实施例还提供一种应用于数字城市的数据挖掘系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于数字城市的数据挖掘方法。

57、本发明实施例提供的应用于数字城市的数据挖掘方法及系统，提取到第一群体行为数据和第二群体行为数据，将第一群体行为数据和第二群体行为数据分别进行挖掘，输出第一群体行为向量和第二群体行为向量；将第一群体行为向量和第二群体行为向量进行聚合，形成初始多维度行为向量；提取到行为需求关系向量；分别将行为需求关系向量中的各群体行为需求向量和初始多维度行为向量进行聚合，输出目标多维度行为向量；基于每一个群体行为需求信息对应的目标多维度行为向量，在多个群体行为需求信息中，筛选出目标群体行为需求信息。基于前述的内容，由于群体行为需求信息对应的群体行为需求向量包括该群体行为需求信息的语义向量和行为需求关系图谱中与该群体行为需求信息相关联的群体行为需求信息的语义向量，使得群体行为需求向量的语义表征能力能够加强，即需要挖掘的依据语义更丰富，使得可以改善需求挖掘的可靠度相对不高的问题。

58、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。