1.一種基于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，其特征在于，包括：
2.根據(jù)權(quán)利1所述的基于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，其特征在于，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)。
3.根據(jù)權(quán)利要求2所述的基于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，其特征在于，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：
4.根據(jù)權(quán)利要求2所述的基于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，其特征在于，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：
5.根據(jù)權(quán)利1所述的基于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，其特征在于，在進(jìn)行事件關(guān)聯(lián)特征提取時(shí)：
6.根據(jù)權(quán)利要求5所述的基于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，其特征在于，所述事件關(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：
7.根據(jù)權(quán)利1所述的基于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，其特征在于，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)測輸出ei(x)進(jìn)行如下線性變換：
8.根據(jù)權(quán)利要求1所述的基于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，其特征在于，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。
9.一種基于moe架構(gòu)的城市事件預(yù)警方法，其特征在于，所述方法包括：
10.一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至9中任一項(xiàng)所述方法的步驟。