一种基于机器学习的市政设备设施智能管理方法及系统技术方案

本申请适用于数据处理技术领域，提供一种基于机器学习的市政设备设施智能管理方法及系统，该方法包括：获取市政设施设备的各相关数据作为基础数据；对基础数据进行处理，得到标准数据；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

【技术实现步骤摘要】
一种基于机器学习的市政设备设施智能管理方法及系统


[0001]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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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

[0005]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
。
[0006]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：
[0007]获取市政设施设备的各相关数据作为基础数据；
[0008]对基础数据进行处理，得到标准数据；
[0009]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：
[0010]通过相异度计算将标准数据分成若干类；
[0011]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
。
[0012]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：
[0013]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；
[0014]处理模块，用于对基础数据进行处理，得到标准数据；
[0015]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：
[0016]通过相异度计算将标准数据分成若干类；
[0017]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
。
[0018]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
。
[0019]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
。
[0020]由上可见，本申请与现有技术相比，至少存在以下优点：
[0021]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
。
[0022]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
。
[0023]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
。
[0024]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
。
附图说明
[0025]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0026]图1是本申请实施例提供的一种基于机器学习的市政设备设施智能管理方法的流程示意图；
[0027]图2是本申请实施例提供的一种基于机器学习的市政设备设施智能管理系统的结构示意图；
[0028]图3是本申请实施例提供的一种电子设备的结构示意图
。
具体实施方式
[0029]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构
、
技术之类的具体细节，以便透彻理解本申请实施例
。
然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请
。
在其它情况中，省略对众所周知的系统
、
装置
、
电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述
。
[0030]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征
、
整体
、
步骤
、
操作
、
元素和
/
或组件的存在，但并不排除一个或多个其它特征
、
整体
、
步骤
、
操作
、
元素
、
组件和
/
或其集合的存在或添加
。
[0031]还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请
。
如在本申请说明书和所附权利要求书中所使用的那样，除非上
下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式
。
[0032]还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和
/
或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合
。
[0033]如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当
...
时”或“一旦”或“响应于确定”或“响应于检测到”。
类似地，短语“如果确定”或“如果检测到
[
所描述条件或事件
]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：获取市政设施设备的各相关数据作为基础数据；对基础数据进行处理，得到标准数据；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：通过相异度计算将标准数据分成若干类；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
。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：对基础数据进行降维处理，以得到标准数据
。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：将基础数据按列组成
N
行
M
列矩阵
X
；对矩阵
X
的每一行进行零均值化；计算出均值化矩阵
X
的协方差矩阵
C
；求出协方差矩阵
C
的特征值及对应的特征向量；将特征向量按对应特征值大小从上到下按行排列成矩阵，取前
k
行组成矩阵
P
；计算出降维到
k
维后的标准数据
Y
＝
PX。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：对基础数据进行平滑处理，以得到标准数据
。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：
v
t
＝
β
v
t
‑1+(1
‑
β
)
θ
t
上式中，
θ
t<...

【专利技术属性】
技术研发人员：俞伟良，杨海，朱思晨，黄银霞，
申请(专利权)人：杭州中微感联信息技术有限公司，
类型：发明
国别省市：