本發(fā)明涉及城市事件預(yù)警領(lǐng)域，且特別涉及一種基于moe架構(gòu)的智能城市中樞數(shù)據(jù)融合計(jì)算模型訓(xùn)練方法、預(yù)警方法及設(shè)備。

背景技術(shù)：

1、隨著城市化進(jìn)程的加速，傳統(tǒng)的城市管理方式已經(jīng)不能滿足日益復(fù)雜的城市管理需求。城市管理面臨著越來越多的管理挑戰(zhàn)和問題，如交通擁堵、環(huán)境污染、安全隱患等高頻多發(fā)的實(shí)踐問題嚴(yán)重影響了城市的運(yùn)行效率和居民的生活質(zhì)量。對(duì)這些多頻高發(fā)問題的監(jiān)測(cè)預(yù)警成為了城市管理的重點(diǎn)環(huán)節(jié)。

2、隨著智慧城市建設(shè)步伐加快，以語義識(shí)別為基礎(chǔ)的基于數(shù)據(jù)分類或風(fēng)險(xiǎn)等級(jí)劃分的預(yù)警方案也開始應(yīng)用于城市管理防控中。但現(xiàn)有的這些預(yù)警方法只能基于歷史城市事件中的關(guān)鍵詞和情緒值對(duì)于重點(diǎn)風(fēng)險(xiǎn)類型進(jìn)行劃分預(yù)警；很顯然的，這種重點(diǎn)風(fēng)險(xiǎn)類型的劃分和預(yù)警是非常片面的，其很難應(yīng)用于交通擁堵、環(huán)境污染等相對(duì)日常且普遍的城市管理問題上。因此，急需一種智能化的多模態(tài)事件數(shù)據(jù)融合監(jiān)測(cè)預(yù)警技術(shù)，實(shí)現(xiàn)對(duì)城市運(yùn)行中問題的及時(shí)發(fā)現(xiàn)、分析和應(yīng)對(duì)，以提高城市管理的水平和效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為了克服現(xiàn)有技術(shù)的不足，提供一種基于多模態(tài)事件數(shù)據(jù)融合監(jiān)測(cè)且以moe為架構(gòu)的城市事件預(yù)警模型訓(xùn)練方法、預(yù)警方法及設(shè)備。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于moe架構(gòu)的智能城市中樞數(shù)據(jù)融合計(jì)算模型訓(xùn)練方法，該方法包括：采集城市運(yùn)行管理中涉及的多維度原始數(shù)據(jù)并進(jìn)行預(yù)處理，基于預(yù)處理后的每一維度所包含的多個(gè)子維度數(shù)據(jù)構(gòu)建對(duì)應(yīng)的維度數(shù)據(jù)監(jiān)測(cè)網(wǎng)絡(luò)，所述多維度包括交通維度、環(huán)境維度以及安全維度；

3、獲取每一維度數(shù)據(jù)監(jiān)測(cè)網(wǎng)絡(luò)在設(shè)定歷史時(shí)間段內(nèi)的多個(gè)樣本的子維度數(shù)據(jù)以形成樣本數(shù)據(jù)；

4、對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，特征提取包括針對(duì)每一維度內(nèi)各樣本子維度數(shù)據(jù)的時(shí)序特征提取和空間特征提取，以及表征同一樣本在多個(gè)維度之間關(guān)聯(lián)關(guān)系的事件關(guān)聯(lián)特征提取，事件關(guān)聯(lián)特征指的是其中一個(gè)維度內(nèi)一個(gè)或多個(gè)子維度對(duì)該樣本在其它維度內(nèi)子維度的關(guān)聯(lián)關(guān)系；

5、構(gòu)建基于moe架構(gòu)的預(yù)警模型，預(yù)警模型包括與所提取特征相對(duì)應(yīng)的多個(gè)專家模型和基于每一專家模型的輸出為其動(dòng)態(tài)分配預(yù)測(cè)權(quán)重的門控網(wǎng)絡(luò)；

6、基于所提取的樣本數(shù)據(jù)的多個(gè)特征訓(xùn)練預(yù)警模型，確定各個(gè)專家模型的參數(shù)和門控網(wǎng)絡(luò)權(quán)重偏置參數(shù)以形成城市事件預(yù)警模型，預(yù)警模型的輸出為基于門控網(wǎng)絡(luò)所動(dòng)態(tài)分配的預(yù)測(cè)權(quán)重對(duì)多個(gè)專家模型進(jìn)行加權(quán)融合后的結(jié)果。

7、根據(jù)本發(fā)明的一實(shí)施例，在進(jìn)行空間特征提取時(shí)將城市劃分為網(wǎng)格或區(qū)域，通過基于歐式距離的樣本間相似性和基于空間自相關(guān)分析的樣本間聚集性在每個(gè)網(wǎng)格或區(qū)域內(nèi)進(jìn)行空間特征提取，所述空間特征包括表征交通維度的交通擁堵點(diǎn)空間位置數(shù)據(jù)和事故多發(fā)區(qū)空間位置數(shù)據(jù)，表征環(huán)境維度的污染源位置數(shù)據(jù)和空氣質(zhì)量監(jiān)測(cè)站點(diǎn)數(shù)據(jù)，以及表征安全維度的犯罪熱點(diǎn)位置數(shù)據(jù)和攝像頭監(jiān)控覆蓋范圍數(shù)據(jù)。

8、根據(jù)本發(fā)明的一實(shí)施例，基于歐式距離的樣本間相似性特征提取采用如下公式進(jìn)行計(jì)算：

9、

10、其中，xi,xj表示樣本點(diǎn)i和樣本點(diǎn)j在x這一子維度上的樣本數(shù)據(jù)；xi,k,xj,k表示樣本點(diǎn)i和樣本點(diǎn)j在空間維度k上的坐標(biāo)值；h表示空間維度數(shù)，d(xi,xj)值越小說明xi,xj兩個(gè)樣本數(shù)據(jù)在特征空間中的位置越接近，表示它們的相似度越高，d(xi,xj)值越大說明xi,xj兩個(gè)樣本數(shù)據(jù)在特征空間中的位置越遠(yuǎn)，表示它們的相似度越低。

11、根據(jù)本發(fā)明的一實(shí)施例，采用如下公式進(jìn)行空間自相關(guān)分析以判斷樣本數(shù)據(jù)在空間上的聚集或分散情況：

12、

13、其中，n表示樣本數(shù)據(jù)量；xi,xj表示樣本點(diǎn)i和樣本點(diǎn)j在x這一子維度上的樣本數(shù)據(jù)；表示x維度上所有樣本數(shù)據(jù)的均值；ωij表示空間權(quán)重，取值為0或1，非空間臨近取值0，空間臨近取值1；i表示莫蘭指數(shù)，取值范圍[-1,1]，|i|越接近1則表示空間相關(guān)性越明顯，|i|越接近0則表示空間相關(guān)性越不相關(guān)。

14、根據(jù)本發(fā)明的一實(shí)施例，在進(jìn)行事件關(guān)聯(lián)特征提取時(shí)：

15、獲取多個(gè)歷史預(yù)警事件，并在多個(gè)維度下提取每一歷史預(yù)警事件的子維度數(shù)據(jù)以構(gòu)建初始關(guān)聯(lián)項(xiàng)集；

16、基于多個(gè)歷史預(yù)警事件計(jì)算每一子維度的在初始關(guān)聯(lián)項(xiàng)集內(nèi)的支持度；

17、基于預(yù)設(shè)的置信度閾值掃描初始關(guān)聯(lián)項(xiàng)集以獲取支持度高于支持度閾值的子維度并進(jìn)行兩兩組合以形成新的候選關(guān)聯(lián)項(xiàng)集；

18、基于預(yù)設(shè)的支持度閾值掃描新的候選關(guān)聯(lián)項(xiàng)集以再次生成新的候選關(guān)聯(lián)項(xiàng)集，重復(fù)上述步驟直至不再產(chǎn)生新的候選關(guān)聯(lián)項(xiàng)集；

19、計(jì)算最后一個(gè)新的候選關(guān)聯(lián)項(xiàng)集內(nèi)的多個(gè)子維度之間的置信度，并基于預(yù)設(shè)置信度閾值確定最相關(guān)的一組關(guān)聯(lián)關(guān)系以形成表征子維度之間關(guān)聯(lián)關(guān)系的事件關(guān)聯(lián)特征。

20、根據(jù)本發(fā)明的一實(shí)施例，事件關(guān)聯(lián)特征提取還包括數(shù)據(jù)相關(guān)性分析，其計(jì)算公式如下：

21、

22、其中n表示樣本數(shù)據(jù)數(shù)量，xi表示樣本點(diǎn)i在x這一子維度上的樣本數(shù)據(jù)，表示x維度上所有樣本數(shù)據(jù)的均值；yi表示第i樣本在y這一子維度上的樣本數(shù)據(jù)，表示y維度上所有樣本數(shù)據(jù)的均值；r表示皮爾遜相關(guān)系數(shù)，r>0表示x、y兩個(gè)子維度正相關(guān)；r<0表示x、y兩個(gè)子維度負(fù)相關(guān)；|r|越接近1，表明x、y兩個(gè)子維度之間的線性關(guān)系越強(qiáng)，|r|越接近0，表明x、y兩個(gè)子維度之間的線性關(guān)系越弱。

23、根據(jù)本發(fā)明的一實(shí)施例，在基于所提取的樣本數(shù)據(jù)的多個(gè)特征訓(xùn)練預(yù)警模型時(shí)，將各專家模型的預(yù)測(cè)輸出ei(x)進(jìn)行如下線性變換：

24、zi＝wgei(x)+bg

25、其中，wg為門控網(wǎng)絡(luò)權(quán)重矩陣，其第i個(gè)專家模型的預(yù)測(cè)輸出ei(x)映射到權(quán)重空間以決定每個(gè)專家模型的選擇概率；bg表示門控網(wǎng)絡(luò)偏置向量，其用于調(diào)節(jié)線性變換的輸出zi以使其適應(yīng)預(yù)測(cè)輸出ei(x)的分布；在進(jìn)行門控網(wǎng)絡(luò)訓(xùn)練時(shí)優(yōu)化門控網(wǎng)絡(luò)權(quán)重矩陣wg和門控網(wǎng)絡(luò)偏置向量bg；

26、在訓(xùn)練確定門控網(wǎng)絡(luò)權(quán)重矩陣wg和門控網(wǎng)絡(luò)偏置向量bg后通過softmax激活函數(shù)計(jì)算門控網(wǎng)絡(luò)權(quán)重；計(jì)算公式如下：

27、

28、其中，gi(x)表示第i個(gè)專家模型門控網(wǎng)絡(luò)權(quán)重，zi表示第i個(gè)專家模型預(yù)測(cè)輸出的線性變換結(jié)果，n表示專家模型的數(shù)量。

29、根據(jù)本發(fā)明的一實(shí)施例，采用移動(dòng)平均算法和/或自回歸移動(dòng)平均模型提取每一維度內(nèi)各樣本子維度數(shù)據(jù)的時(shí)序特征。

30、另一方面，本發(fā)明還提供一種基于moe架構(gòu)的城市事件預(yù)警方法，其方法包括：

31、獲取各維度數(shù)據(jù)監(jiān)測(cè)網(wǎng)絡(luò)內(nèi)多個(gè)子維度的待預(yù)測(cè)數(shù)據(jù)；

32、利用上述基于moe架構(gòu)的智能城市中樞數(shù)據(jù)融合計(jì)算模型訓(xùn)練方法所訓(xùn)練得到的預(yù)警模型對(duì)獲取到的各維度數(shù)據(jù)監(jiān)測(cè)網(wǎng)絡(luò)內(nèi)多個(gè)子維度的待預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，以得到多維度的網(wǎng)絡(luò)預(yù)警結(jié)果。

33、另一方面，本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述基于moe架構(gòu)的智能城市中樞數(shù)據(jù)融合計(jì)算模型訓(xùn)練方法或預(yù)測(cè)方法的步驟。

34、綜上所述，本發(fā)明提供的基于moe架構(gòu)的智能城市中樞數(shù)據(jù)融合計(jì)算模型訓(xùn)練方法、預(yù)警方法及設(shè)備通過多源多模態(tài)數(shù)據(jù)融合技術(shù)，融合城市運(yùn)行管理中產(chǎn)生的各種數(shù)據(jù)包括但不限于交通數(shù)據(jù)、環(huán)境數(shù)據(jù)、安全等多維度的結(jié)構(gòu)化數(shù)據(jù)或非結(jié)構(gòu)化數(shù)據(jù)，構(gòu)建城市中樞數(shù)據(jù)多源多模態(tài)融合數(shù)據(jù)湖平臺(tái)。進(jìn)一步的，基于預(yù)測(cè)數(shù)據(jù)的多模態(tài)、多維度特性，為避免不同維度特征間差異所帶來的預(yù)測(cè)干擾，設(shè)置預(yù)測(cè)模型為基于moe(mixtureofexperts)架構(gòu)構(gòu)建的城市中樞多模態(tài)事件數(shù)據(jù)監(jiān)測(cè)預(yù)警模型，該模型內(nèi)的門控網(wǎng)絡(luò)可實(shí)現(xiàn)基于輸入數(shù)據(jù)動(dòng)態(tài)地調(diào)整各專家模型的權(quán)重，大大提高模型預(yù)測(cè)的準(zhǔn)確性和其在多模態(tài)數(shù)據(jù)上的通用性。

35、為讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合附圖，作詳細(xì)說明如下。