论文部分内容阅读
随着国内电子政务的高速发展，城市网格管理系统作为智慧城市的一部分，每天收集了大量由网格员和市民上报的城市管理案事件数据。从这些海量数据中获取有价值的潜在信息应用于城市管理过程中，可以帮助管理者解决公共安全、公共卫生、资源分配等城市问题，提高城市管理效率和服务水平。
本文面向城市管理案事件数据管理和智能分析的需求，建立数据仓库模型，实现智能分析与应用业务的快速集成。在此基础上，进一步实现了案事件时序预测和时空聚类分析，以便洞察城市各区域的案事件在时空上的变化规律和未来趋势。本文主要工作如下：
1、深入分析城市管理领域需求及案事件的特性，建立案事件数据仓库模型。研究开源商业智能平台与应用业务的集成方法，根据不同的应用开发需求实现了2种集成接口。开发了案事件商业智能分析原型系统，实现了案事件多维分析、案事件仪表板分析、案事件时序预测分析、案事件时空点聚类分析。
2、针对每天统计的城市管理案事件发生的数量，发现案事件在时间上具有周期性、爆发性特征。引入时序分析预测模型SARIMA，基于归一化处理后的3组案事件数据，创建了适用于案事件数据的季节性时序预测模型 SARIMA(1,0,2) × (1,1,1)?，对未来 2 周时间内的案事件数据进行预测，得到贝叶斯信息准则(BIC)为-4.902，决定系数(R-SQUARE)为 86.5%，平均相对误差为 15%，实验结果证明SARIMA模型能有效地处理案事件时序数据，实现时序数据趋势拟合与预测。预测的数据显示案事件未来存在周期性增长趋势，为城市管理提供工作人员安排的理论依据，以便在出现突发性事件时制定及时、合理的应急预案。
3、针对具有时间、空间属性的案事件时空点数据，本文研究了原有的Delaunay四面体层次凝聚时空聚类算法，以Delaunay四面体的邻接距离为条件，提出了权值聚类算法。引入 Delaunay 四面体单边约束条件，提出了改进的时空聚类算法。基于3种算法实验结果表明，本文提出的邻接距离与单边约束聚类算法的聚类效果高于权值聚类算法，能有效地处理案事件时空点数据。通过聚类分析发现案事件在时空上存在3大聚类中心，聚类结果为城市资源分配和治理规划提供数据支持。
本文面向城市管理案事件数据管理和智能分析的需求，建立数据仓库模型，实现智能分析与应用业务的快速集成。在此基础上，进一步实现了案事件时序预测和时空聚类分析，以便洞察城市各区域的案事件在时空上的变化规律和未来趋势。本文主要工作如下：
1、深入分析城市管理领域需求及案事件的特性，建立案事件数据仓库模型。研究开源商业智能平台与应用业务的集成方法，根据不同的应用开发需求实现了2种集成接口。开发了案事件商业智能分析原型系统，实现了案事件多维分析、案事件仪表板分析、案事件时序预测分析、案事件时空点聚类分析。
2、针对每天统计的城市管理案事件发生的数量，发现案事件在时间上具有周期性、爆发性特征。引入时序分析预测模型SARIMA，基于归一化处理后的3组案事件数据，创建了适用于案事件数据的季节性时序预测模型 SARIMA(1,0,2) × (1,1,1)?，对未来 2 周时间内的案事件数据进行预测，得到贝叶斯信息准则(BIC)为-4.902，决定系数(R-SQUARE)为 86.5%，平均相对误差为 15%，实验结果证明SARIMA模型能有效地处理案事件时序数据，实现时序数据趋势拟合与预测。预测的数据显示案事件未来存在周期性增长趋势，为城市管理提供工作人员安排的理论依据，以便在出现突发性事件时制定及时、合理的应急预案。
3、针对具有时间、空间属性的案事件时空点数据，本文研究了原有的Delaunay四面体层次凝聚时空聚类算法，以Delaunay四面体的邻接距离为条件，提出了权值聚类算法。引入 Delaunay 四面体单边约束条件，提出了改进的时空聚类算法。基于3种算法实验结果表明，本文提出的邻接距离与单边约束聚类算法的聚类效果高于权值聚类算法，能有效地处理案事件时空点数据。通过聚类分析发现案事件在时空上存在3大聚类中心，聚类结果为城市资源分配和治理规划提供数据支持。