一种基于数字孪生技术的智慧城市管理系统及方法技术方案

本发明专利技术公开了一种基于数字孪生技术的智慧城市管理方法，涉及数字孪生技术领域，具体方法包括：在城市范围内安装和配置传感器网络，将采集到的城市管理数据根据不同领域划分为不同类别城市管理数据集；建立一个与实际传感器网络相对应的数字孪生模型，模拟传感器网络中各类别城市管理数据集的采集和传输过程；对各类别的城市管理数据集中选取一条城市管理数据进行安全属性因子的获取，对各类别的城市管理数据进行安全保护性评估，并确定安全保护等级；基于安全保护性评估的结果，为不同保护等级的城市管理数据分配对应的身份验证协议；通过不同保护等级的身份验证的用户，系统分配不同复杂程度的访问控制机制

【技术实现步骤摘要】
一种基于数字孪生技术的智慧城市管理系统及方法


[0001]本专利技术涉及数字孪生
，具体为一种基于数字孪生技术的智慧城市管理系统及方法
。

技术介绍

[0002]智慧城市数据管理系统是一个复杂而庞大的系统，它通过收集
、
分析和存储城市内不同领域的数据，如医疗
、
金融
、
环境
、
基础设施等，以实现城市的智能化管理和优化
。
数据的收集和分析为城市决策者提供了重要的信息，帮助他们更好地了解城市的运行状况，并做出相应的调整和决策
。
然而，与数据的大规模收集和处理相伴随的是数据隐私泄露和安全风险，当个人信息被未经授权的访问
、
使用或披露时，会造成个人隐私的侵犯
。
这可能导致身份盗窃
、
个人信息的商业利用，甚至导致个人生活的混乱和信任的破坏
。
因此，智慧城市数据管理系统在收集和传输数据时必须采取严格的安全措施，如数据加密
、
访问控制和身份认证，以确保数据的隐私和安全
。

技术实现思路

[0003]本专利技术的目的在于提供一种基于数字孪生技术的智慧城市管理系统及方法，以解决上述
技术介绍
中提出的问题
。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于数字孪生技术的智慧城市管理方法，方法包括：
S100
：在城市范围内安装和配置传感器网络，实时收集城市管理数据，将城市管理数据根据划分为个人身份管理数据集
、
研发成果管理数据集
、
医疗健康管理数据集
、
金融管理数据集
、
环境监测管理数据集
、
基础设施管理数据集；
S200
：建立一个与实际传感器网络相对应的数字孪生模型，并在数字孪生模型中模拟传感器网络中各类别城市管理数据集的采集和传输过程；
S300
：对数字孪生模型中各类别的城市管理数据集中选取一条城市管理数据进行安全属性因子的获取，通过逻辑回归算法和梯度下降法对各类别的城市管理数据进行安全保护性评估，并确定安全保护等级；
S400
：基于安全保护性评估的结果，为不同保护等级的城市管理数据分配对应的身份验证协议；
S500
：通过不同保护等级的身份验证的用户，系统分配不同复杂程度的访问控制机制
。
[0005]进一步的，将实际传感器网络中采集到的数据与数字孪生模型中相应传感器的数据进行关联的工作过程包括：
[0006]S210
：根据实际传感器网络的结构
、
布局和连接关系，在数字孪生模型内，为每个实际传感器创建相应的虚拟传感器；
[0007]S220
：根据实际传感器的测量标准
、
采样频率和数据传输协议信息，确定虚拟传感器采集和传输的参数和模型，模拟实际传感器的数据采集过程和传输行为
。
[0008]进一步的，通过逻辑回归算法和梯度下降法对各类别的城市管理数据进行安全保护性评估和确定安全保护等级的工作过程包括：
[0009]S310
：设定各类别的城市管理数据集中一共含有
n
条数据，对各类别的城市管理数
据集中的
n
条数据任意选取一条城市管理数据，进行安全属性因子的获取，分别得到对应各类别的城市管理数据的安全属性因子集合
{x1,x2,...,x
m
}
；其中，
x1,x2,...,x
m
分别表示各类别的城市管理数据的第
1、2、...、m
项安全属性因子；每一个所述安全属性因子对应一个安全属性因子值；
[0010]上述过程，各类别的城市管理数据中的安全属性因子
x
的数量不尽相同；
[0011]S320
：将各类别的城市管理数据中不同项的安全属性因子代入逻辑回归模型公式，逻辑回归模型公式为：
[0012]h(x)
＝
σ
(w1x1+w2x2+...+w
m
x
m
)
[0013]设定
z
＝
w1x1+w2x2+...+w
m
x
m
，通过公式
σ
(z)
＝
1/(1+e
(
‑
z)
)
，将
z
的结果映射到一个0到1之间的预测值，得到各类别的城市管理数据的安全保护性预测值
h(x)
；其中，
w1,w2,...,w
m
分别为每个安全属性因子
x1,x2,...,x
m
一一对应的模型参数，设定每一个模型参数为该模型参数对应的每一个安全属性因子的安全保护占比，安全保护占比表示每个安全属性因子对总体的安全保护性的贡献程度；
[0014]上述过程，模型参数对应的安全属性因子的安全保护占比根据专业人士设定得出；
[0015]S330
：设定每一个类别的城市管理数据都对应一个安全保护性目标阈值
Y
，安全保护性目标阈值
Y
根据历史经验设定得出；通过损失函数公式计算各类别的城市管理数据的安全保护性预测值
h(x)
与安全保护性目标阈值
Y
之间的差异，通过差异来衡量模型参数
w1,w2,...,w
m
的损失，损失函数公式如下：
[0016]J(w1,w2,
…
,w
m
)
＝
Ylog(h(x))+(1
‑
Y)log(1
‑
h(x))
[0017]S340
：通过梯度下降法调整模型参数
w1,w2,...,w
m
来最小化损失函数
J
，找到最优的模型参数的工作流程如下：
[0018](a)
计算损失函数值
J
关于
w1,w2,
…
,w
m
的偏导数；
[0019](b)
使用学习率
α
乘以梯度，并更新每个模型参数，梯度为损失函数值
J
对每一个模型参数的偏导数，根据公式：
[0020][0021]其中，表示损失函数对参数
w
j
的偏导数，
w
j
:
表示待更新的模型参数，
w
j
表示任意一个模型参数，
j∈[1
，
m]；参数更新的过程沿着梯度的反方向向损失函数的最小值迈进，学习率...

【技术保护点】

【技术特征摘要】
1.
一种基于数字孪生技术的智慧城市管理方法，其特征在于，所述方法包括：
S100
：在城市范围内安装和配置传感器网络，实时收集城市管理数据，将所述城市管理数据根据划分为个人身份管理数据集
、
研发成果管理数据集
、
医疗健康管理数据集
、
金融管理数据集
、
环境监测管理数据集
、
基础设施管理数据集；
S200
：建立一个与实际传感器网络相对应的数字孪生模型，并在数字孪生模型中模拟传感器网络中各类别城市管理数据集的采集和传输过程；
S300
：对数字孪生模型中各类别的城市管理数据集中选取一条城市管理数据进行安全属性因子的获取，通过逻辑回归算法和梯度下降法对各类别的城市管理数据进行安全保护性评估，并确定安全保护等级；
S400
：基于安全保护性评估的结果，为不同保护等级的城市管理数据分配对应的身份验证协议；
S500
：通过不同保护等级的身份验证的用户，系统分配不同复杂程度的访问控制机制
。2.
根据权利要求1所述的一种基于数字孪生技术的智慧城市管理方法，其特征在于：在步骤
S200
中，将实际传感器网络中采集到的数据与数字孪生模型中相应传感器的数据进行关联的工作过程包括：
S210
：根据实际传感器网络的结构
、
布局和连接关系，在数字孪生模型内，为每个实际传感器创建相应的虚拟传感器；
S220
：根据实际传感器的测量标准
、
采样频率和数据传输协议信息，确定虚拟传感器采集和传输的参数和模型，模拟实际传感器的数据采集过程和传输行为
。3.
根据权利要求2所述的一种基于数字孪生技术的智慧城市管理方法，其特征在于：在步骤
S300
中，通过逻辑回归算法和梯度下降法对各类别的城市管理数据进行安全保护性评估和确定安全保护等级的工作过程包括：
S310
：设定各类别的城市管理数据集中一共含有
n
条数据，对各类别的城市管理数据集中的
n
条数据任意选取一条城市管理数据，进行安全属性因子的获取，分别得到对应各类别的城市管理数据的安全属性因子集合
{x1,x2,...,x
m
}
；其中，
x1,x2,...,x
m
分别表示所述各类别的城市管理数据的第
1、2、...、m
项安全属性因子；每一个所述安全属性因子对应一个安全属性因子值；
S320
：将各类别的城市管理数据中不同项的安全属性因子代入逻辑回归模型公式，所述逻辑回归模型公式为：
h(x)
＝
σ
(w1x1+w2x2+...+w
m
x
m
)
设定
z
＝
w1x1+w2x2+...+w
m
x
m
，通过公式
σ
(z)
＝
1/(1+e
(
‑
z)
)
，将
z
的结果映射到一个0到1之间的预测值，得到各类别的城市管理数据的安全保护性预测值
h(x)
；其中，
w1,w2,...,w
m
分别为每个安全属性因子
x1,x2,...,x
m
一一对应的模型参数，设定每一个模型参数为该模型参数对应的每一个安全属性因子的安全保护占比，所述安全保护占比表示每个安全属性因子对总体的安全保护性的贡献程度；
S330
：设定每一个类别的城市管理数据都对应一个安全保护性目标阈值
Y
，所述安全保护性目标阈值
Y
根据历史经验设定得出；通过损失函数公式计算各类别的城市管理数据的安全保护性预测值
h(x)
与安全保护性目标阈值
Y
之间的差异，通过差异来衡量模型参数
w1,w2,...,w
m
的损失，损失函数公式如下：
J(w1,w2,
…
,w
m
)
＝
Ylog(h(x))+(1
‑
Y)log(1
‑
h(x))S340
：通过梯度下降法调整模型参数
w1,w2,...,w
m
来最小化损失函数
J
，找到最优的模型参数的工作流程如下：
(a)
计算损失函数值
J
关于
w1,w2,
…
,w
m
的偏导数；
(b)
使用学习率
α
乘以梯度，并更新每个模型参数，所述梯度为损失函数值
J
对每一个模型参数的偏导数，根据公式：其中，表示损失函数对参数
w
j
的偏导数，
w
j
:
表示待更新的模型参数，
w
j
表示任意一个模型参数，
j∈[1
，
m]
；参数更新的过程沿着梯度的反方向向损失函数的最小值迈进，所述学习率
α
根据专业人士设定得出，决定了每次迭代的步长大小；
(c)
返回步骤
S330
，将更新后的模型参数代入损失函数公式，得到迭代后的损失函数值
J
’
；
(d)
当迭代后的损失函数值
J
’
≥
模型停止更新的条件阈值
G
时，重复执行
(a)
‑
(c)
步骤直到满足模型停止更新的条件；当迭代后的损失函数值
J
’
＜模型停止更新的条件阈值
G
时，满足模型停止更新的条件，损失函数值
J
’
停止迭代；此时，损失函数值
J
’
收敛到一个较小的水平，进一步的迭代，损失函数值
J
’
不会有显著的改善；所述条件阈值
G
根据历史经验取值；
(e)
当损失函数值
J
’
满足停止迭代要求时，此时的模型参数为最优模型参数，记为
w1’
,w2’
,
…
,w
m
’
，将最优模型参数
w1’
,w2’
,
…
,w
m
’
代入安全保护性预测值
h(x)
中，得到安全保护性的最优值
h
’
(x)
；
S350
：将各类别的城市管理数据的安全保护性的最优值
h
’
(x)
进行安全保护等级的分类，当安全保护性的最优值
h
’
(x)
＜
U
时，将各类别的城市管理数据对应的安全保护等级定义为低保护级，当安全保护性的最优值
U
＜
h
’
(x)
＜
H
时，将各类别的城市管理数据对应的安全保护等级定义为中保护级，当安全保护性的最优值
h
’
(x)
＞
H
时，将各类别的城市管理数据对应的安全保护等级定义为高保护级，所述
U、H
根据历史经验设定得出
。4.
根据权利要求3所述的一种基于数字孪生技术的智慧城市管理方法，其特征在于：在步骤
S400
中，基于安全保护性评估的结果，为不同保护等级的城市管理数据分配不同的身份验证协议的工作过程如下：
S410
：系统对读取不同保护等级的城市管理数据的用户，进行用户名和身份证号码的验证；用户将输入的用户名和身份证号码提交至系统后，系统对用户输入的用户名和身份证号码与云平台库中预存的用户名和身份证号码进行比对，比对成功后系统生成验证信息发送给用户绑定的手机号或者邮箱，提示用户输入验证码，用户输入验证码后，系统对用户输入的验证码进行验证，验证成功后进入用户的面部识别功能；将验证用户名和身份证号码的过程设为所述身份验证协议第一验证集；系统对读取不同保护等...

【专利技术属性】
技术研发人员：江晖，王凯，郭鑫，
申请(专利权)人：江苏井初科技有限公司，
类型：发明
国别省市：