【技术实现步骤摘要】
本申请涉及智能决策，尤其涉及一种基于多模态ai大模型的cim智能决策方法及系统。
技术介绍
1、在当今快速发展的城市环境中，城市管理面临着越来越多的挑战，特别是在交通管理、人群控制和环境监测等方面。随着城市规模的扩大和复杂性的增加，传统的城市管理方法已经难以应对日益增长的数据量和管理复杂性。例如，交通拥堵、人群密集区域的管理以及环境质量监控都需要实时、精准的数据分析和决策支持。然而，现有的城市管理系统往往缺乏有效整合和分析来自不同源的大量数据的能力，导致决策过程缓慢且效率不高。
2、此外，随着人工智能技术的迅速发展，其在城市管理中的应用潜力逐渐被认识到。然而，现有的人工智能解决方案常常局限于处理单一类型的数据，例如仅专注于交通流量或环境监测数据，缺乏对不同数据类型的综合分析和决策能力。这种单一模态的分析方法无法充分利用城市运行中产生的海量多模态数据，从而无法提供全面的决策支持。例如，交通管理决策需要同时考虑交通流量数据、环境数据和社会经济数据，但传统的ai模型往往难以有效融合和分析这些异质性数据。
技术实现思路
1、本申请提供了一种基于多模态ai大模型的cim智能决策方法及系统，用于采用多模态ai大模型提高了cim智能决策的准确率。
2、第一方面，本申请提供了一种基于多模态ai大模型的cim智能决策方法，所述基于多模态ai大模型的cim智能决策方法包括：
3、构建目标城市区域的三维城市模型，并获取三维城市模型的多源城市监控数据，并对所述多源城市监
4、分别对所述交通流量数据、所述人群分布数据及所述环境监测数据进行三维分布映射和特征点聚类分析，得到多个城市监控特征集合；
5、通过预置的时空多模式卷积神经网络模型，对所述多个城市监控特征集合进行监控特征距离计算和多维特征体系构建，生成多维城市特征防控体系；
6、通过预置的贝叶斯混合模型，对所述多维城市特征防控体系进行局部特征异常分析，得到多个城市局部特征异常子集；
7、分别对所述多个城市局部特征异常子集进行特征编码和向量转换，得到每个城市局部特征异常子集对应的城市局部特征编码向量；
8、将每个城市局部特征异常子集对应的城市局部特征编码向量输入预置的cim智能决策模型集进行cim智能决策分析，得到cim智能决策信息集合，并对所述cim智能决策信息集合进行三维可视化。
9、第二方面，本申请提供了一种基于多模态ai大模型的cim智能决策系统，所述基于多模态ai大模型的cim智能决策系统包括：
10、构建模块，用于构建目标城市区域的三维城市模型，并获取三维城市模型的多源城市监控数据，并对所述多源城市监控数据进行监控数据分割，得到交通流量数据、人群分布数据及环境监测数据；
11、映射模块，用于分别对所述交通流量数据、所述人群分布数据及所述环境监测数据进行三维分布映射和特征点聚类分析，得到多个城市监控特征集合；
12、计算模块，用于通过预置的时空多模式卷积神经网络模型，对所述多个城市监控特征集合进行监控特征距离计算和多维特征体系构建，生成多维城市特征防控体系；
13、分析模块，用于通过预置的贝叶斯混合模型，对所述多维城市特征防控体系进行局部特征异常分析，得到多个城市局部特征异常子集；
14、编码模块，用于分别对所述多个城市局部特征异常子集进行特征编码和向量转换，得到每个城市局部特征异常子集对应的城市局部特征编码向量；
15、决策模块，用于将每个城市局部特征异常子集对应的城市局部特征编码向量输入预置的cim智能决策模型集进行cim智能决策分析，得到cim智能决策信息集合，并对所述cim智能决策信息集合进行三维可视化。
16、本申请提供的技术方案中，通过整合来自多种城市监控数据源的信息，包括gis数据、三维图像扫描数据以及交通、人群和环境监测数据，从而提供了更全面的城市信息。通过构建目标城市的三维城市模型，可以更准确地模拟城市的空间结构和布局，有助于实时监测和决策。使用多模态ai大模型，能够同时分析交通、人群和环境等多个方面的信息，实现了全面的城市监控和分析。通过三维分布映射和特征点聚类分析，可以从原始数据中提取重要的城市监控特征，提高了数据的可理解性和可用性。通过预置的时空多模式卷积神经网络模型、贝叶斯混合模型以及决策树等模型，能够实现智能化的城市决策，快速检测异常情况，并提供决策建议。通过对多维城市特征防控体系进行局部特征异常分析，可以及时检测到城市中的异常情况，有助于采取及时的措施来处理问题。将决策信息以三维可视化方式呈现，使决策者能够更直观地理解城市状况，本专利技术采用多模态ai大模型提高了cim智能决策的准确率。
本文档来自技高网...【技术保护点】
1.一种基于多模态AI大模型的CIM智能决策方法，其特征在于，所述基于多模态AI大模型的CIM智能决策方法包括：
2.根据权利要求1所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述构建目标城市区域的三维城市模型，并获取三维城市模型的多源城市监控数据，并对所述多源城市监控数据进行监控数据分割，得到交通流量数据、人群分布数据及环境监测数据，包括：
3.根据权利要求1所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述分别对所述交通流量数据、所述人群分布数据及所述环境监测数据进行三维分布映射和特征点聚类分析，得到多个城市监控特征集合，包括：
4.根据权利要求3所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述通过预置的时空多模式卷积神经网络模型，对所述多个城市监控特征集合进行监控特征距离计算和多维特征体系构建，生成多维城市特征防控体系，包括：
5.根据权利要求1所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述通过预置的贝叶斯混合模型，对所述多维城市特征防控体系进行局部特征异常分析，
6.根据权利要求1所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述分别对所述多个城市局部特征异常子集进行特征编码和向量转换，得到每个城市局部特征异常子集对应的城市局部特征编码向量，包括：
7.根据权利要求6所述的基于多模态AI大模型的CIM智能决策方法，其特征在于，所述将每个城市局部特征异常子集对应的城市局部特征编码向量输入预置的CIM智能决策模型集进行CIM智能决策分析，得到CIM智能决策信息集合，并对所述CIM智能决策信息集合进行三维可视化，包括：
8.一种基于多模态AI大模型的CIM智能决策系统，其特征在于，所述基于多模态AI大模型的CIM智能决策系统包括：
...【技术特征摘要】
1.一种基于多模态ai大模型的cim智能决策方法，其特征在于，所述基于多模态ai大模型的cim智能决策方法包括：
2.根据权利要求1所述的基于多模态ai大模型的cim智能决策方法，其特征在于，所述构建目标城市区域的三维城市模型，并获取三维城市模型的多源城市监控数据，并对所述多源城市监控数据进行监控数据分割，得到交通流量数据、人群分布数据及环境监测数据，包括：
3.根据权利要求1所述的基于多模态ai大模型的cim智能决策方法，其特征在于，所述分别对所述交通流量数据、所述人群分布数据及所述环境监测数据进行三维分布映射和特征点聚类分析，得到多个城市监控特征集合，包括：
4.根据权利要求3所述的基于多模态ai大模型的cim智能决策方法，其特征在于，所述通过预置的时空多模式卷积神经网络模型，对所述多个城市监控特征集合进行监控特征距离计算和多维特征体系构建，生成多维城市特征防控体系，包括：
【专利技术属性】
技术研发人员：霍春望，
申请(专利权)人：深圳原世界科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。