申请/专利权人：广州筑鼎建筑与规划设计院有限公司

申请日：2024-01-24

公开（公告）日：2024-06-18

公开（公告）号：CN118211920A

主分类号：G06Q10/10

分类号：G06Q10/10;G06N3/0464;G06N3/094;G06Q10/04;G06F18/10;G06F18/22;G06F18/2413;G06F30/27

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明公开了一种智慧城市进度预测方法及系统，方法包括数据采集、数据预处理、建立插补模型、建立城市进度预测模型和城市进度预测。本发明属于数据处理技术领域，具体是指一种智慧城市进度预测方法及系统，本方案通过构建预训练CNN层、多度量学习层和基于嵌入学习的生成对抗网络层完成插补模型的建立，通过将深度指标学习和插补GAN集成到一个多任务学习方案中，使得嵌入学习和不完全数据插补同时学习和增强；在隐含层中加入一些实测数据，以增加神经网络的空间分布特征，从而设计损失函数，在损失函数中加入随着损失残差变化的损失加权系数，提高模型收敛速度。

主权项：1.一种智慧城市进度预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：建立插补模型；步骤S4：建立城市进度预测模型；步骤S5：城市进度预测；在步骤S3中，所述插补模型由三部分组成：预训练CNN层、多度量学习层和基于嵌入学习的生成对抗网络层；首先，从预训练CNN层中提取主要特征；然后将主要特征输入到多度量学习层和基于嵌入学习的生成对抗网络层中；多度量学习层用于通过相似性函数提高类间可分性和类内紧密性；基于嵌入学习的生成对抗网络层生成逼真的样本数据，以增加新的标记训练数据，并评估学习特征的质量；具体包括以下步骤：步骤S31：预训练CNN层设计，包括：步骤S311：预训练CNN层由带有一定权重集和多个未固定权重的全连接层组成；输入样本x经过卷积层Fx进行处理；在训练过程中，将训练数据顺序输入到预训练CNN层中，提取特征为u（0）；表示如下： ；其中，y是输出即u（0），是Relu激活函数；步骤S312：预训练网络的第二部分由多个全连接层组成，其中更改全连接层的参数以提高精度；提取的特征u（0）作为输入，通过全连接层来获取各种提取的特征，每一层输出的特征被送入多度量学习层中，用于确定训练样本数据特征之间的距离；最后一层输出的特征被馈入基于嵌入学习的生成对抗网络层中，以生成完整的样本并评估所学习特征的质量；表示如下： ；其中，ul是第l层的输出，ul-1是第l-1层的输出，l是层数索引；是第l层的权重矩阵，是第l层的偏置向量；·是全连接乘法；步骤S32：多度量学习层设计，多度量学习层利用多层感知器网络进行非线性特征转换，学习嵌入特征和非线性表示，包括：步骤S321：计算类内紧密度和类间可分性，类内紧密度是衡量同一类别内样本之间的相似性和紧密程度的指标，类间可分性是衡量不同类别之间样本之间差异和分离程度的指标，所用公式如下： ； ；式中，和分别表示第l层中的第I个和第j个样本的特征表示；是L2范数的平方；uI表示已标记的样本集中的第I个样本；是样本的类内紧密度，是样本的类间可分性，ns是标记数据集的数量，t1表示特征矩阵中与查询样本xI的最近的305个近邻中属于t1类内的近邻数，t2表示特征矩阵中与查询样本xI的最近的t2类间近邻数；PIj是一个指示变量，如果查询样本xj属于xI的最近的t1类内近邻，则PIj等于1，否则PIj为零；QIj是另一个指示变量，如果xj属于xI的最近的t2类间近邻，则QIj等于1，否则QIj为零；xI表示查询样本，即待分类的样本；步骤S322：计算并总结从预训练CNN层派生的每个特征在训练数据特征之间的相关边界限制；多层度量学习层表示如下： ；式中，是多度量学习层的输出，同时也是多度量学习层的损失函数，若样本之间的相似性低，缺失数据会无法准确填充；L是总层数，是样本的类内紧密度，是样本的类间可分性，α是可调参数，是Frobenius范数的平方，γ是正则化参数；步骤S33：基于嵌入学习的生成对抗网络层设计，基于嵌入学习的生成对抗网络层被用于生成逼真的样本并评估特征的质量；基于嵌入学习的生成对抗网络层使用三组生成器-判别器，分别用于数据、掩码和插补；缺失数据通过插补器GI进行插补，然后由相关的判别器DI进行评估；插补器GI被定义为一个函数，输入是向量x，m，ω，m是掩码向量，用于指示样本数据x中的缺失值，ω是噪声向量；输出是带有保留观测部分的完成样本；所有生成器是彼此独立的，包括：步骤S331：定义掩码操作符，表示如下； ；式中，fτ·是掩码操作符，是逐元素乘法，是向量m的补集；τ是超参数，代表对缺失值进行填充时使用的常数值；步骤S332：定义插补器，表示如下： ；式中，GI·是插补器函数；是生成器，是一个具有与输入相同维度的深度神经网络生成带有噪声的插补结果；步骤S333：定义损失函数，分别为掩码损失Lm·、数据损失Lx·和插补损失LI·，表示如下： ； ； ；式中，Dm、Dx和DI分别是计算掩码损失、计算数据损失和计算插补损失的鉴别器，Gm、Gx和GI是对应的生成器；是期望；是给定的数据分布pD，计算括号内在数据样本x，m上的期望；Dmm和DmGmε分别是控制输入掩码m和生成掩码Gmε的分类器Dm的输出值；pD是数据分布概率密度函数；uL、ε和ω都是用于潜变量空间的随机噪声，分别服从概率分布puL、pε和pω，都是预定义的分布中随机采样得到的；步骤S334：定义目标函数，表示如下： ； ； ；式中，FI、Fx和Fm分别是控制插补掩码、控制数据和控制输入掩码的判别器集合；λ、β和α1是超参数，分别用于平衡度量学习损失、GAN损失和数据损失的权重。

全文数据：

权利要求：

百度查询： 广州筑鼎建筑与规划设计院有限公司 一种智慧城市进度预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD