CN115049158A - 城市***运行状态的预测方法、***、存储介质及终端 - Google Patents
城市***运行状态的预测方法、***、存储介质及终端 Download PDFInfo
- Publication number
- CN115049158A CN115049158A CN202210965717.4A CN202210965717A CN115049158A CN 115049158 A CN115049158 A CN 115049158A CN 202210965717 A CN202210965717 A CN 202210965717A CN 115049158 A CN115049158 A CN 115049158A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- model
- simulation
- year
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 198
- 238000013523 data management Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims description 102
- 230000033228 biological regulation Effects 0.000 claims description 22
- 238000011161 development Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000011664 signaling Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 30
- 238000013439 planning Methods 0.000 description 21
- 229910052799 carbon Inorganic materials 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 230000001976 improved effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市***运行状态的预测方法、***、存储介质及终端，方法包括：根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；根据历史基准年数据和目标未来年确定模型迭代次数；若迭代次数为单次迭代，将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。本申请可以提升城市可量化模拟、可精准判断能力。
Description
技术领域
本发明涉及计算机软件技术领域，特别涉及一种城市***运行状态的预测方法、***、存储介质及终端。
背景技术
城市是个复杂巨大***，其构成要素多元且相互作用关系错杂，城市的运行与发展状态涉及社会经济、人口就业、用地演变、交通出行等方方面面。先进的城市***动态模拟预测技术能够实现对城市全面***的实时模拟感知，有利于及时识别和诊断城市问题，提高城市管理效率；同时，能够对当前的城市规划、建设、运营等重大决策在未来一段时期所产生的影响与后果进行精准的预测评估，根据预测评估的结论优化城市决策，避免不良后果，减少决策风险，节约城市资金、土地等资源。
当前普遍使用的城市***运行状态预测技术均来自国外，例如美国的UrbanSim模型技术，而我国在***化集成的城市模拟技术方面尚属空白，城市***模拟技术已成为“卡脖子”技术。
在现有技术中，进行城市***运行状态预测包括两个技术方案，第一个是UrbanSim的技术方案，第二个是基于动态约束的元胞自动机与复杂城市***的模拟。
UrbanSim技术是由美国加州大学伯克利分校的Paul Waddell教授带领其科研团队开发的城市***模型。该模型包括家庭和就业区位选择与流动模型、可达性模型、房地产发展模型和土地价格模型等子模型，基于随机效用理论与离散选择模型、微观区位选择模型、特征价格回归构建各子模型。所需要的数据主要为居民微观个体数据、就业微观个体数据、土地利用数据、规划数据、人口统计数据、就业统计数据、交通数据等; 决策输入变量主要包括了交通网络、家庭和就业总量或增长率控制、开发约束、空置率以及特定的开发项目等；决策结果输出变量涵盖了家庭、就业、能源消耗与环境保护等政策领域。UrbanSim最初的运行计算机语言为Java，后来软件架构更新为Python语言；其最初的结果可视化为二维平面展示，此后逐步构建了UrbanSim云平台以及基于浏览器的用户界面，增加了输入、输出和 3D Web地图展示功能。
元胞自动机（Cellular Automata，CA）是一个由大量元胞通过简单相互作用而构成的动态演化***，该方法在城市***模拟中进行了广泛应用，可基于历史发展趋势预测城市未来演化进程。其中，转换规则是CA模型的核心，模拟中需要根据投标地租理论等诸多因素确定土地转化的概率，这种概率可以通过多元Logistic回归模型表达，模型的变量参数值可通过历史数据校正。其主要输入数据为城市历史数据，包括元胞的土地利用类型，以及选取的Logistic回归变量数据，如坡度、距离市中心距离、距离交通设施距离等；决策输入变量包括规划土地政策等；决策结果输出变量为城市土地利用分布。这类城市***模拟技术主要是依托GIS软件进行计算和二维可视化，没有集成为成熟的软件产品。
现有技术中目前存在以下几个层面的缺陷，（1）在理论层面，已有城市***运行状态预测技术所构建的模型所涵盖的城市要素不完全，难以模拟和预测城市全要素运行状态。如以UrbanSim为代表的***模型在土地模块主要刻画了人口与就业活动的空间分布，而对城市用地分类以及用地演变无法预测，而以CA为代表的城市复杂***模型则缺少对城市社会经济层面的考虑，且二者对于城市交通***，如微观的交通流量分配、城市拥堵问题均响应不足。城市***模拟与预测技术需综合区域人口、经济、土地利用、交通等子***的相互作用，并加入对自然资源条件、政策影响等要素的考虑。（2）在模型架构方面，已有技术构建的城市***模拟模型对于子***内各要素变化的时间差异及其相互影响考虑仍相对粗糙。城市***模型内缺少对子模块之间时滞效应以及相互作用关系的分析，没有建立完备的动态反馈循环机制。（3）在数据方面，当前城市***运行状态预测技术主要运用统计数据，对城市微观层面模拟不足。目前已有的基于离散选择模型刻画微观个体行为的城市模型往往受限于数据的可得性，小颗粒度的数据获取难度大，难以实现对城市的实时精细模拟。（4）在政策响应方面，现有成熟城市***运行状态预测技术所构建的模型多应用于欧美国家的城市实践，没有考虑在中国的城市治理体系下，与国土空间规划以及政府决策的衔接问题。既有***模型无法模拟在国土空间规划条件以及政府决策干预下城市***的发展状态，对于政府规划目标和期望政策效果响应不足。（5）在模型易用性方面，当前技术构建的城市***模型主要面向科研人员以及规划从业者，需要其运用计算机编程或在GIS软件中进行地理处理才能计算出模型预测结果，对于政府决策者而言，模型操作门槛高、易用性不强，限制模型的推广和应用。
发明内容
本申请实施例提供了一种城市***运行状态的预测方法、***、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种城市***运行状态的预测方法，应用于科学计算平台，方法包括：
根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
根据历史基准年数据和目标未来年确定模型迭代次数；
若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；
其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
可选的，确定待预测城市的历史基准年数据，包括：
连接数据管理平台预先提供的数据所存储的城市***模拟计量模型数据库；
确定城市***模拟计量模型数据库中指标数据的所属分区；
在指标数据的所属分区中提取历史基准年的基础地理信息数据、多元时空大数据以及统计数据；
将历史基准年的基础地理信息数据、多元时空大数据以及统计数据确定为历史基准年数据。
可选的，预先构建的城市***模拟预测模型包括城市用地模拟与演变模块、人口与就业分布模块、房地产价格模块、交通需求分布模块、交通方式分担与路径分配模块；
将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，包括：
城市用地模拟与演变模块集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合所述历史基准年数据进行城市用地演变模拟，得到土地利用模拟结果；
人口与就业分布模块利用区位选择模型和空间重力模型，并结合所述历史基准年数据、土地利用模拟结果对城市人口分布和就业岗位分布进行预测，得到人口就业总量与分布结果；
房地产价格模块建立纳入人口与就业预测结果以及交通成本的线性回归模型，并结合所述历史基准年数据、人口就业总量与分布结果模拟房价发展趋势，得到房价结果；
交通需求分布模块基于出行链模型，并结合所述历史基准年数据动态预测源点-终点矩阵、土地利用模拟结果、人口就业总量与分布结果、房价结果，得到交通OD分布结果；
交通方式分担与路径分配模块通过MNL模型和用户平衡分配模型，并结合所述历史基准年数据、交通OD分布结果，对交通方式选择与路径流量分配进行预测，得到居民出行交通方式划分以及交通流量路段分配结果；
将所述土地利用模拟结果、人口就业总量与分布结果、房价结果、交通OD分布结果、居民出行交通方式划分以及交通流量路段分配结果确定为所述目标未来年的预测结果。
可选的，所述方法还包括：
根据所述预先构建的城市***模拟预测模型，并结合所述目标未来年的预测结果计算决策感应输出指标；
根据预设预警阈值判断每个决策感应输出指标是否处于安全状态，并对处于危险状态的指标进行智能预警评估，得到评估结果。
可选的，所述方法还包括：
在接收到决策变量更新请求时，获取决策变量数据；
根据所述决策变量数据更新所述预先构建的城市***模拟预测模型的相应决策变量，得到更新后的预测模型；
将所述历史基准年数据输入更新后的预测模型中进行模拟预测，输出所述目标未来年的经过决策调控的城市***运行预测结果；
将所述目标未来年的预测结果与所述目标未来年的经过决策调控的预测结果进行比对分析，输出分析报告。
可选的，集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合历史基准年数据进行城市用地演变模拟，包括：
采用兴趣点用地识别算法在多元时空大数据以及统计数据中确定兴趣点数据和手机信令数据；
将兴趣点数据和手机信令数据以及基础地理信息数据输入Logistic-CA-Markov模型中进行城市用地演变模拟。
可选的，根据历史基准年数据和目标未来年确定模型迭代次数，包括：
确定模型运算周期；
计算历史基准年与目标未来年之间的总周期；
将总周期与模型运算周期的比值确定为模型迭代次数。
第二方面，本申请实施例提供了一种城市***运行状态的预测***，***包括：
数据管理平台、科学计算平台以及客户服务平台；其中，
数据管理平台、科学计算平台以及客户服务平台依次通信连接；
基础信息确定模块，用于通过数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
模型迭代次数确定模块，用于根据历史基准年数据和目标未来年确定模型迭代次数；
预测结果输出反馈模块，用于若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；
其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，城市***运行状态预测***首先根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年，然后根据历史基准年数据和目标未来年确定模型迭代次数，最后若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块间存在关联变量，关联变量用来模拟多个模块间的相互影响和反馈。由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态预测与预警，可作为集成性的模拟工具支撑城市规划、建设与治理政策制定，提升城市可量化模拟、可判断能力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种城市***运行状态预测方法的流程示意图；
图2是本申请实施例提供的一种城市***模拟预测模型结构设计图；
图3是本申请实施例提供的一种城市***模拟预测模型变量关系图；
图4是本申请实施例提供的一种城市***模拟预测模型技术路线图；
图5是本申请实施例提供的另一种城市***运行状态预测方法的流程示意图；
图6是本申请实施例提供的一种城市模拟与预测（CitySPS）应用平台架构；
图7是本申请实施例提供的一种城市***运行状态预测***的结构示意图；
图8是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种城市***运行状态预测方法、***、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态监测与预警，可作为集成性的模拟工具支撑城市规划、建设与治理的政策制定，提升城市可量化模拟、可精准判断能力，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图6，对本申请实施例提供的城市***运行状态预测方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的城市***运行状态预测***上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种城市***运行状态预测方法的流程示意图，应用于科学计算平台。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
其中，本申请的***由三个部分构成，分别是数据管理平台、科学计算平台、客户服务平台。数据管理平台，是数据从本地化存储进入服务器（数据库）存储的流程化工具，向科学计算平台提供数据，一般由平台运营方维护和使用，提供数据标准化校验和参数自动化计算两大主要功能。科学计算平台集成城市全***量化模拟模型的核心算法，通过高性能服务器软硬件环境支持，实现城市要素推演、决策模拟、智能预警等核心功能，向客户服务平台提供分析处理好的结果数据。客户服务平台，以SaaS（软件即服务）或DaaS（数据即服务）方式，通过浏览器端，向使用者提供服务。具有五大功能模块：城市要素推演（进行城市基准预测）、城市决策模拟（通过核心政策调控指标进行政策模拟）、城市动态监测（全部计算结果的可视化大屏展示）、城市智能预警（背离城市发展目标的要素项提前预警），城市数据服务（提供数据空间统计分析等功能）。
具体而言，在运行平台与开发语言方面：***平台整体采用B/S架构。服务器硬件方面，同时支持ARM芯片架构和X86芯片架构；服务器操作***方面，基于Linux操作***运行；数据库采用Vasebase数据库（基于open Gauss开源企业级数据库开发）；核心业务代码，主要基于python语言开发；用户端界面基于浏览器运行，主要采用HTML标记语言与javaScript语言开发。
在计算性能与时长方面：以典型场景，低碳城市政策场景为例，一次完整的政策模拟推演运算，须依序运行城市用地模拟与演变模块、人口与就业分布模块、房地产价格模块、交通需求分布模块、交通方式分担与路径分配模块、格式转化模块、政策感应指标输出模块、政策评分模块等计算环节，在典型的计算环境下（主要配置为鲲鹏920-32核心芯片，芯片频率为2.6GHz;内存为256GB），计算耗时约15-20小时。
平台具备灵活可再开发性能，体现在如下方面：核心算法采用模块化组织方案，方便增加新的功能模块；依据决策需求，可开发新的政策模拟场景，或灵活组织现有的核心调控指标构成新的决策路径方案；支持针对同一城市计算场景引入新的实现算法，以形成相互校验，或针对不同城市或地区选择匹配性更高的技术方法。
在本申请实施例中，在确定待预测城市的历史基准年数据时，首先连接数据管理平台预先提供的数据所存储的城市***模拟计量模型数据库，然后确定城市***模拟计量模型数据库中指标数据的所属分区，其次在指标数据的所属分区中提取历史基准年的基础地理信息数据、多元时空大数据以及统计数据，最后将历史基准年的基础地理信息数据、多元时空大数据以及统计数据确定为历史基准年数据。
具体的，本申请构建城市***模拟计量模型数据库，为空间数据类型、空间索引和空间函数提供良好支持。数据库将***支撑数据与指标数据进行分区管理，***支撑数据包括平台用户、项目管理等相关数据，指标数据包括城市模型计算相关的输入数据，过程数据以及结果数据。指标数据是本申请数据库的核心部分，由指标元数据（属性相关数据）与指标内容数据共同构成。指标数据中的输入数据包括基础地理信息数据（城市底图、道路网、公交线、轨道网等）、多元时空大数据（手机信令数据、POI数据等）、统计数据（统计年鉴、经济普查、交通出行调查数据等），过程数据为模型运算的中间结果，结果数据包括子模块预测结果、决策感应指标输出结果。
具体的，本发明在基础地理信息数据、统计数据的基础上应用了时空大数据，可实现千米网格尺度的微观模拟预测。
第一类时空大数据为POI（兴趣点）数据。本发明中，POI数据主要用于城市现状土地功能识别。通过对各类POI设施进行显著度的权重赋值，计算用地网格POI频数密度，将频数密度最高的POI对应的用地功能识别为该网格的主导用地功能。POI数据数量大、分类精细、易获取，可实现250米网格尺度的城市用地功能模拟。
第二类为手机信令大数据。本发明中，手机信令大数据经过提取、清洗、处理，为预测模型提供千米网格尺度人口、就业、交通生成分布的基准年数据。包括①城市分类别常住人口及就业分布和迁移数据，包括年龄、性别、驻留信息、居住地网格编号、网格居住人口数量、网格就业人口数量；②城市网格间OD数据，包括起点网格、终点网格、性别分组、年龄分组、扩样人口数；③城市交通出行链数据，包括起点网格、驻留点轨迹、终点网格、人口流量。
同时手机信令数据用于对土地功能识别进行校正。通过机器学习模型对基于手机信令大数据的居民出行活动与城市用地功能之间的映射关系进行训练，进而对通过POI数据识别出的用地功能分布进行较正。
S102，根据历史基准年数据和目标未来年确定模型迭代次数；
在本申请实施例中，在根据历史基准年数据和目标未来年确定模型迭代次数时，首先确定模型运算周期，然后计算历史基准年与目标未来年之间的总周期，最后将总周期与模型运算周期的比值确定为模型迭代次数。
S103，若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；
其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
通常，本申请构建的城市***模拟预测模型包含城市用地模拟与演变、人口与就业分布、房地产价格、交通需求分布、交通方式分担与路径分配五个模块，涵盖城市***中人口、产业、土地、交通等关键要素。
例如图2所示，由于城市土地利用模式会影响房地产价格，从而影响人口迁移决策，人口分布以及职住关系直接影响交通出行需求的产生，城市交通***的运行水平又通过改变交通可达性对土地利用模式产生反馈。因此，模型将房地产价格、用地混合度、职住关系系数、交通出行成本、区位可达性作为子模块间重要关联变量，模拟子模块间的相互作用。一方面，构建子模块量化模型模拟各子***内部的演变过程，另一方面，设置子模块间关联变量模拟子***间的相互影响和反馈。
在本申请实施例中，城市用地模拟与演变模块集成POI用地识别、Logistic-CA-Markov模型，进行城市用地演变模拟；人口就业分布模块利用区位选择模型和空间重力模型，对城市人口分布和就业岗位分布进行预测；房地产价格模块建立纳入人口与就业预测结果以及交通成本的线性回归模型，模拟房价发展趋势；交通需求分布模块基于出行链模型，动态预测OD矩阵；交通方式分担与路径分配模块通过MNL模型和用户平衡分配模型实现交通方式选择与路径流量分配预测。
在一种可能的实现方式中，首先城市用地模拟与演变模块集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合所述历史基准年数据进行城市用地演变模拟，得到土地利用模拟结果，然后人口与就业分布模块利用区位选择模型和空间重力模型，并结合所述历史基准年数据、土地利用模拟结果对城市人口分布和就业岗位分布进行预测，得到人口就业总量与分布结果，其次房地产价格模块建立纳入人口与就业预测结果以及交通成本的线性回归模型，并结合所述历史基准年数据、人口就业总量与分布结果模拟房价发展趋势，得到房价结果，以及交通需求分布模块基于出行链模型，并结合所述历史基准年数据动态预测源点-终点矩阵、土地利用模拟结果、人口就业总量与分布结果、房价结果，得到交通OD分布结果，再者交通方式分担与路径分配模块通过MNL模型和用户平衡分配模型，并结合所述历史基准年数据、交通OD分布结果，对交通方式选择与路径流量分配进行预测，得到居民出行交通方式划分以及交通流量路段分配结果，最后将所述土地利用模拟结果、人口就业总量与分布结果、房价结果、交通OD分布结果、居民出行交通方式划分以及交通流量路段分配结果确定为所述目标未来年的预测结果。
具体的，在集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合历史基准年数据进行城市用地演变模拟时，首先采用兴趣点用地识别算法在多元时空大数据以及统计数据中确定兴趣点数据和手机信令数据，然后将兴趣点数据和手机信令数据以及基础地理信息数据输入Logistic-CA-Markov模型中进行城市用地演变模拟。
进一步地，当模型迭代次数不是单次迭代时，可将当前迭代后生成的预测结果作为下一次迭代的输入继续迭代，例如以已知的基准年数据作为初始输入，对选定的未来年进行预测，模型运算一次的时间周期为1年或5年，采用多轮迭代运算的方式。即模型若以2020年为基准年，以5年为时间间隔，预测2035年城市发展状态，将经过2020-2025、2025-2030、2030-2035三次迭代，2025年的部分输出结果将作为预测2030年的输入数据，以此类推。
进一步地，在输出目标未来年的预测结果之后，首先根据预先构建的城市***模拟预测模型，并结合目标未来年的预测结果计算决策感应输出指标，根据预设预警阈值判断每个决策感应输出指标是否处于安全状态，并对处于危险状态的指标进行智能预警评估，得到评估结果。在土地利用模拟结果、人口就业总量与分布结果、房价结果、交通OD分布结果以及交通流量路段等预测结果的基础上，模型建立决策感应输出指标，计算决策感应输出指标结果，综合评价城市的社会宜居、经济高效与生态文明水平。进一步，通过对输出指标设置阈值，对超出阈值指标进行智能预警评估。
进一步地，在得到目标未来年的预测结果后，在接收到决策变量更新请求时，首先获取决策变量数据，然后根据决策变量数据更新预先构建的城市***模拟预测模型的相应决策变量，得到更新后的预测模型，其次将历史基准年数据输入更新后的预测模型中进行模拟预测，输出所述目标未来年的经过决策调控的城市***运行预测结果，最后将目标未来年的预测结果与目标未来年的决策调控预测结果进行比对分析。***模型在递归预测过程中，在每一个预测周期，可依托决策实施方案对城市***的部分决策变量进行更新，从而实时模拟政策效果。在没有决策变量更新的情况下，***模型将顺应现有趋势递归变化，即进行基准预测，而在决策变量更新时，模型将按照决策变量设定的情况运行。可更新的决策变量涵盖宏观社会经济、空间管控、交通规划管理三大领域，作为***模型的核心决策调控变量，用以反映城市发展或特定决策的期望值。
具体的，在将预测结果反馈至客户服务平台进行展示时，用户操作界面，是使用者获取城市模拟与预测（CitySPS）应用平台服务的主要方式。授权用户可通过浏览器端，访问和使用SaaS与DaaS两种服务。SaaS服务主要包括城市要素推演、城市决策模拟、城市动态监测、城市智能预警等功能。DaaS服务，可以获取包含城市人口、土地、住房、交通及公共服务设施等城市子***的各个门类数据集结果，满足不同行业的数据应用需求。
本申请开发的城市模拟与预测（CitySPS）应用平台提供可视化功能，以如下三种方式实现：①控制台数据图表可视化，对于描述性统计结果，综合运用多种图表方式，如柱状图、散点图、折线图、箱线图等方式，进行数据可视化表达；②控制台数据空间可视化，对于携带空间信息的数据，提供空间可视化方法，支持二维和三维地图可视化；③数据可视化大屏，从功能定位上，主要分为“全***综合大屏”和“子***分项大屏”。全***综合大屏，用于向城市综合管理部门，提供城市最重要的运行状态数据与监测预警信息。全***综合大屏，具有板块定制化功能，使用者可以自行选择综合大屏展示的内容和位置。子***分项大屏，包括城市用地模拟与演变、人口与就业分布、房地产价格、交通需求分布、交通方式分担与路径分配板块。
例如图3所示，图3是本申请提供的一种城市***模拟预测模型变量关系图，图3中包括输入变量体系、模型计算体系、输出变量体系以及决策调控体系，输入变量体系中的数据包括基础地理信息数据（城市底图、道路网、公交线、轨道网等）、多元时空大数据（手机信令数据、POI数据等）、统计数据（统计年鉴、经济普查、交通出行调查数据等）以及输出变量体系反馈的数据，将以上数据输入模型计算体系的每个模型中进行预测，得到预测年的预测结果，该预测结果可根据决策调控体系中的决策变量进行影响，以得到决策调控下的预测结果。
城市***中相互联系的各要素处于动态、非均衡的状态中，因此，***模型存在高度的复杂性以及非线性特征。如何对城市***结构、机制通过量化的方式进行描述和表征是本发明的关键。
例如图4所示，图4是本申请提供的一种城市***模拟预测模型技术路线图，图4详细阐释了本发明构建的城市***量化模拟模型各子模块的模型设计、核心内生变量以及外生输入变量在模型中的作用关系。模型按照“城市用地模拟与演变——人口与就业分布——房地产价格——交通需求分布——交通方式分担与路径分配”的顺序遍历各子模块。城市用地模拟与演变作为启动模块仅依靠基期年的外部输入数据进行计算。此后的四个模块计算变量包括基期年的外部输入数据以及前序模块预测结果两大部分。前序模块预测结果作为子模块间关联预测变量体现城市子***间的相互影响。其中，房地产价格、用地混合度、职住关系系数、交通出行成本、区位可达性，作为子模块间重要关联变量，同时作为下一轮迭代的核心输入变量，反映各子***间相互影响的时滞效应。
在本申请实施例中，城市***运行状态预测***首先根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年，然后根据历史基准年数据和目标未来年确定模型迭代次数，最后若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块间存在关联变量，关联变量用来模拟多个模块间的相互影响和反馈。由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态预测与预警，可作为集成性的模拟工具支撑城市规划、建设和治理政策制定，提升城市可量化模拟、可精准判断能力。
请参见图5，为本申请实施例提供了另一种城市***运行状态预测方法的流程示意图，应用于科学计算平台。如图5所示，本申请实施例的方法可以包括以下步骤：
S201，根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
S202，根据历史基准年数据和目标未来年确定模型迭代次数；
S203，若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
S204，根据所述预先构建的城市***模拟预测模型，并结合所述目标未来年的预测结果计算决策感应输出指标；例如表1，表2，表3所示；表1，表2，表3所示的内容可以统一拼凑为最终决策感应输出指标；
表1决策感应输出指标
表2 决策感应输出指标
表3决策感应输出指标
S205，据预设预警阈值判断每个决策感应输出指标是否处于安全状态，并对处于危险状态的指标进行智能预警评估，得到评估结果；
S206，在接收到决策变量更新请求时，获取决策变量数据；
本申请通过预留的决策输入接口，可根据决策或规划目标更新核心决策调控变量，其余条件保持基准条件不变，实现决策情境的模拟。可更新的核心决策调控变量，涵盖宏观社会经济、空间管控、交通规划管理三大领域，其按照子模块整理的清单见表4。核心决策调控变量经过组合，可形成针对某一特定城市战略的调控组合，模型内部默认设置八种城市战略的政策调控变量组合（表5，表6）；表5，表6的内容可以拼凑为最终的八大城市战略政策调控变量组合，用户也可进行自定义决策调控变量组合，以满足个性化需求。
表4核心决策调控变量清单
表5八大城市战略政策调控变量组合
表6八大城市战略政策调控变量组合
S207，根据决策变量数据更新预先构建的城市***模拟预测模型的相应决策变量，得到更新后的预测模型；
S208，将历史基准年数据输入更新后的预测模型中进行模拟预测，输出目标未来年的决策调控预测结果；
S209，将目标未来年的预测结果与目标未来年的决策调控预测结果进行比对分析，输出分析报告。
本申请的平台由 “数据管理”、“科学计算”、“客户服务”三大平台构成。其中，数据管理平台用于处理标准化数据和参数，并将其输入科学计算平台。科学计算平台集成城市全***动态模拟与预测模型的核心算法，通过高性能服务器，提供核心的空间分析与计算服务。客户服务平台基于浏览器运行，以SaaS（软件即服务）或DaaS（数据即服务）方式，向使用者提供服务。
例如图6所示，SaaS服务平台由四个服务板块构成：①城市要素推演：基准预测平台。评估城市多种核心要素在预测时段的发展演化态势，为城市规划提供科学支撑。
②城市决策模拟：政策场景的调控平台。针对城市未来政策调整与重大项目规划等，通过修改外部输入的调控指标和动态更新规划方案，及时响应新政策与规划实施。③城市状态监测：对于基准预测及政策场景输出的城市状态评价指标结果，进行大屏可视化展示。④城市数据服务：提供数据浏览、数据分析与报告、数据接口（对接CIM平台等）等服务。DaaS服务平台，可以获取包含城市人口、土地、住房、交通及公共服务设施等城市子***的各个门类数据集结果，满足不同行业的数据应用需求。
本申请具有以下几点具体的效果：
（一）本发明技术具有良好的模拟预测效果。
应用本发明技术以2015年为基年，对北京市2020年进行预测，将预测结果与人口普查、北京市交通发展年报等真实值比较：在城市用地模拟与演变方面，北京市预测总体精度达88.16%；在居住人口方面，北京市全局网格居住人口分布量预测精度71.3%；在就业岗位分布方面，北京市全局就业岗位分布量预测精度为83.03%；在房地产价格预测方面，总体精度84%；在居民出行模式划分方面，私家车私人出行模式准确率达81.4%，公共交通出行模式预测准确率达94.5%。模型预测精度高，模拟效果好。
表7城市***动态模拟预测模型预测精度
（二）本发明技术搭建了用户服务平台
本发明技术搭建了用户服务平台，通过SaaS（软件即服务）与DaaS（数据及服务）两种方式提供服务。授权用户可通过本地浏览器，访问和使用以上两种服务。SaaS服务，包括城市要素推演、城市决策模拟、城市智能预警、城市动态监测、城市数据服务等相关功能。DaaS服务，可以向授权用户提供城市人口、土地、住房、交通及公共服务设施等城市子***各门类基础与分析数据集，满足不同行业的数据应用需求。
（三）本发明实现决策调控模拟的实时响应
本技术通过对外生输入变量的调控实现了对政策模拟的实时响应。以模型设置的低碳城市政策情境为例，该情境支持用户模拟设定预测年的土地利用结构目标、绿色建筑覆盖率目标、实行调控机动车保有量政策、降低公交票价政策等规划和政策路径下的城市碳排放量的预测结果，并进行智能预警判别。从而帮助决策者实时判断所制定的政策对预期目标的响应情况。
（2）本发明优点
与背景技术（城市***模拟技术）对比的优点：
第一，本发明创新了城市***的动态模拟与预测技术。相对于背景技术，本发明的技术建立了城市***动态量化模拟模型，真实模拟城市全貌，提高了模型量化预测城市未来发展趋势的准确性和科学性。本技术在既有城市***模型基础上纳入更多的要素，反映城市整体***：在土地和交通两个核心子模块的前项因素维度，向区域人口、经济和自然资源条件等要素拓展；在后项效应维度，纳入能源消耗、碳排放影响等，并增加政策感应模块。本技术通过设计子模块的运算流程，将前序模块预测结果作为子模块间关联预测变量，体现城市子***间的相互影响；通过设置核心内生变量，反映子***间相互影响的时滞效应；通过模型迭代，实现更长期的预测功能，形成了一套完整的、科学的城市***运行状态模拟与预测技术。
第二，本发明基于多源时空大数据，实现了网格级的精细化城市模拟与预测，对于城市用地模拟达到250米网格尺度，对于人口分布模拟可达到1千米网格尺度，对于交通出行模式划分和流量分配模拟可精确到路段尺度。此外，时空大数据的数据资源覆盖面广、成本低、易采集，提高了本技术的经济实用性以及可推广性。
第三，本发明支持多种决策模拟与优化方案选择。本发明的模型设计中为决策者提供了多种决策调控接口，可对城市经济、人口、土地、交通等方面的未来发展目标、政策愿景等进行模拟，并作出预警判别，从而评估决策的合理性和总体效益。
第四，本发明构建城市模拟与预测（CitySPS）应用平台，在城市***模拟技术集成上实现创新。本技术研发的城市***动态模拟与预测模型基于CitySPS数据管理平台输入、处理数据，基于计算平台进行高性能计算，基于客户服务平台进行结果可视化查询与实时交互的决策模拟。应用平台的开发实现城市***模拟从数据处理到模型计算到可视化展示的全流程运行，构建起功能完整、实时交互、技术集成的城市***模拟技术。
第五，本技术构建的城市模拟与预测（CitySPS）应用平台具备易落地、易使用、可扩展等特点。易落地体现在：采用标准化数据及算法设计，适用于不同地区不同类型城市，数据可获得性强，算法适配性高。易使用体现在：平台采用数据选择自动化、连续迭代自动化、策略选择最优化、调参范围合理化、分析报告一键化等技术手段，有效降低了平台使用门槛；学***台进行操作。可扩展性强体现在：平台功能采用模块化组织方式，可根据应用需求，灵活增加新的功能模块；同时，业务场景可灵活组织可用参数，形成新的决策方案；同一计算场景，可灵活增加不同的技术路径方法；在功能提供方面，通过运营方对服务器后端代码和浏览器前端代码的优化调整，使用方可实现平台功能“无感式”升级。
在一种可行的实施例中，例如对北京市展开实例应用，具体内容如下：
（1）数据准备
表8数据来源及简要信息
（2）操作平台
城市全***动态量化模拟模型在本技术构建的CitySPS应用***的数据管理和科学计算平台运行。首先，选定模型运行的城市：北京，推演时间颗粒度：五年，基准年：2015年，之后设置模型运行基本条件，最后输入模型运行所需要的所有输入数据。
输入数据首先经过数据导入与清洗模块，将输入数据处理为各子模块所需格式，包括对路网的拓扑统计、对格网级、街道级数据的转化等，接下来，根据预测城市输入的历史数据进行地域性参数的自动标定运算，得到模型运行中各模型的标定参数。
将经前置模块处理后的输入数据导入计算平台，计算平台将按照“城市用地模拟与演变——人口与就业分布——房地产价格——交通需求分布——交通方式分担与路径分配”的顺序遍历各子模块进行计算，得到2020年基准情境下的预测结果，该结果在城市要素推演模块进行可视化展示。
同时，在客户服务端的城市决策模拟模块，可通过改变由用户外生给定并输入的预期规划政策条件（其余条件保持基准情境不变），得到不同组合政策情境下的预测结果，并在应用***的SaaS服务平台进行预测结果的可视化展示与对比分析。以低碳城市为例，可调节的政策调控变量在上方，点击提高绿色建筑覆盖率项目，即可对公共建筑、商业建筑、居住建筑的绿色建筑比例进行加减的调节。
（3）模拟预测
首先，在结果的展示方面，所有模拟预测结果可在网页端的CitySPS平台进行可视化展示，包括指标展示、在线地图展示等。
在预测准确性方面，将预测结果与人口普查、北京市交通发展年报等真实值比较：在城市用地模拟与演变方面，北京市预测总体精度达88.16%；在居住人口方面，北京市全局网格居住人口分布量预测精度71.3%；在就业岗位分布方面，北京市全局就业岗位分布量预测精度为83.03%；在房地产价格预测方面，总体精度84%；在居民出行模式划分方面，私家车私人出行模式准确率达81.4%，公共交通出行模式预测准确率达94.5%。模型预测精度高，模拟效果好。
在政策模拟方面，实现根据用户设定政策的预期目标进行预测并判断目标实现与否的决策支持模拟。低碳场景模拟了在调整土地利用结构目标、绿色建筑覆盖率目标、公交地铁票价等预期政策下的城市碳排放结果，模型预测当城市工业用地与居住用地在自然演变结果基础上减少10%时，城市用地碳排放可降低5.39%，城市总碳排放可降低2.74%；当公共建筑与住宅建筑的绿色建筑覆盖率提高至50%时，城市建筑碳排放可降低6.2%,城市总碳排放可降低4.36%。因此，根据用户设定的碳排放降低目标10%，该政策路径未能达到预期效果。用户可进一步在结果可视化页面查询与浏览调控前后各街道单元的碳排放变化情况。政策模拟结果对于城市减排政策的制定提供了有力的数据支撑。
在本申请实施例中，城市***运行状态预测***首先根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年，然后根据历史基准年数据和目标未来年确定模型迭代次数，最后若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块间存在关联变量，关联变量用来模拟多个模块间的相互影响和反馈。由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态预测，可作为集成性的模拟工具支撑城市的规划、建设与治理政策制定，提升城市可量化模拟、可判断能力。
下述为本发明***实施例，可以用于执行本发明方法实施例。对于本发明***实施例中未披露的细节，请参照本发明方法实施例。
请参见图7，其示出了本发明一个示例性实施例提供的城市***运行状态预测***的结构示意图。该城市***运行状态预测***可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该***包括数据管理平台、科学计算平台以及客户服务平台；其中，
数据管理平台、科学计算平台以及客户服务平台依次通信连接；
科学计算平台1包括基础信息确定模块10、模型迭代次数确定模块20以及预测结果输出反馈模块30。
基础信息确定模块10，用于通过数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
模型迭代次数确定模块20，用于根据历史基准年数据和目标未来年确定模型迭代次数；
预测结果输出反馈模块30，用于若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；
其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
需要说明的是，上述实施例提供的城市***运行状态预测***在执行城市***运行状态预测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的城市***运行状态预测***与城市***运行状态预测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，城市***运行状态预测***首先根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年，然后根据历史基准年数据和目标未来年确定模型迭代次数，最后若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块间存在关联变量，关联变量用来模拟多个模块间的相互影响和反馈。由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态预测，可作为集成性的模拟工具支撑城市的规划、建设与治理政策制定，提升城市可量化模拟、可判断能力。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的城市***运行状态预测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的城市***运行状态预测方法。
请参见图8，为本申请实施例提供了一种终端的结构示意图。如图8所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储***。如图8所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及城市***运行状态预测应用程序。
在图8所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的城市***运行状态预测应用程序，并具体执行以下操作：
根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
根据历史基准年数据和目标未来年确定模型迭代次数；
若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并将预测结果反馈至客户服务平台；
其中，预先构建的城市***模拟预测模型包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
在一个实施例中，处理器1001在执行确定待预测城市的历史基准年数据时，具体执行以下操作：
连接数据管理平台预先提供的数据所存储的城市***模拟计量模型数据库；
确定城市***模拟计量模型数据库中指标数据的所属分区；
在指标数据的所属分区中提取历史基准年的基础地理信息数据、多元时空大数据以及统计数据；
将历史基准年的基础地理信息数据、多元时空大数据以及统计数据确定为历史基准年数据。
在一个实施例中，处理器1001在执行将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果时，具体执行以下操作：
城市用地模拟与演变模块集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合所述历史基准年数据进行城市用地演变模拟，得到土地利用模拟结果；
人口与就业分布模块利用区位选择模型和空间重力模型，并结合所述历史基准年数据、土地利用模拟结果对城市人口分布和就业岗位分布进行预测，得到人口就业总量与分布结果；
房地产价格模块建立纳入人口与就业预测结果以及交通成本的线性回归模型，并结合所述历史基准年数据、人口就业总量与分布结果模拟房价发展趋势，得到房价结果；
交通需求分布模块基于出行链模型，并结合所述历史基准年数据动态预测源点-终点矩阵、土地利用模拟结果、人口就业总量与分布结果、房价结果，得到交通OD分布结果；
交通方式分担与路径分配模块通过MNL模型和用户平衡分配模型，并结合所述历史基准年数据、交通OD分布结果，对交通方式选择与路径流量分配进行预测，得到居民出行交通方式划分以及交通流量路段分配结果；
将所述土地利用模拟结果、人口就业总量与分布结果、房价结果、交通OD分布结果、居民出行交通方式划分以及交通流量路段分配结果确定为所述目标未来年的预测结果。
在一个实施例中，处理器1001还执以下操作：
根据所述预先构建的城市***模拟预测模型，并结合所述目标未来年的预测结果计算决策感应输出指标；
根据预设预警阈值判断每个决策感应输出指标是否处于安全状态，并对处于危险状态的指标进行智能预警评估，得到评估结果。
在一个实施例中，处理器1001还执行以下操作：
在接收到决策变量更新请求时，获取决策变量数据；
根据所述决策变量数据更新所述预先构建的城市***模拟预测模型的相应决策变量，得到更新后的预测模型；
将所述历史基准年数据输入更新后的预测模型中进行模拟预测，输出所述目标未来年的经过决策调控的城市***运行预测结果；
将所述目标未来年的预测结果与所述目标未来年的经过决策调控的预测结果进行比对分析，输出分析报告。
在一个实施例中，处理器1001在执行集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合历史基准年数据进行城市用地演变模拟时，具体执行以下操作：
采用兴趣点用地识别算法在多元时空大数据以及统计数据中确定兴趣点数据和手机信令数据；
将兴趣点数据和手机信令数据以及基础地理信息数据输入Logistic-CA-Markov模型中进行城市用地演变模拟。
在一个实施例中，处理器1001在执行根据历史基准年数据和目标未来年确定模型迭代次数时，具体执行以下操作：
确定模型运算周期；
计算历史基准年与目标未来年之间的总周期；
将总周期与模型运算周期的比值确定为模型迭代次数。
在本申请实施例中，城市***运行状态预测***首先根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年，然后根据历史基准年数据和目标未来年确定模型迭代次数，最后若迭代次数为单次迭代，则将历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出目标未来年的预测结果，并反馈至客户服务平台；预先构建的城市***模拟预测模型包括多个模块，多个模块间存在关联变量，关联变量用来模拟多个模块间的相互影响和反馈。由于本申请通过预先构建的城市***模拟预测模型，该模型中包括多个模块，多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈，从而在多个模块的互相配合下可实现高精度、高空间分辨率的城市***运行状态预测与预警，可作为集成性的模拟工具支撑城市的规划、建设与治理政策制定，提升城市可量化模拟、可判断能力。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，城市***运行状态预测的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种城市***运行状态的模拟预测方法，其特征在于，应用于科学计算平台，所述方法包括：
根据数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
根据所述历史基准年数据和所述目标未来年确定模型迭代次数；
若所述迭代次数为单次迭代，则将所述历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出所述目标未来年的预测结果，并将所述预测结果反馈至客户服务平台；
其中，所述预先构建的城市***模拟预测模型包括多个模块，所述多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
2.根据权利要求1所述的方法，其特征在于，所述确定待预测城市的历史基准年数据，包括：
连接数据管理平台预先提供的数据所存储的城市***模拟计量模型数据库；
确定所述城市***模拟计量模型数据库中指标数据的所属分区；
在指标数据的所属分区中提取历史基准年的基础地理信息数据、多元时空大数据以及统计数据；
将历史基准年的基础地理信息数据、多元时空大数据以及统计数据确定为历史基准年数据。
3.根据权利要求1或2所述的方法，其特征在于，所述预先构建的城市***模拟预测模型包括城市用地模拟与演变模块、人口与就业分布模块、房地产价格模块、交通需求分布模块、交通方式分担与路径分配模块；
所述将所述历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出所述目标未来年的预测结果，包括：
城市用地模拟与演变模块集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合所述历史基准年数据进行城市用地演变模拟，得到土地利用模拟结果；
人口与就业分布模块利用区位选择模型和空间重力模型，并结合所述历史基准年数据、土地利用模拟结果对城市人口分布和就业岗位分布进行预测，得到人口就业总量与分布结果；
房地产价格模块建立纳入人口与就业预测结果以及交通成本的线性回归模型，并结合所述历史基准年数据、人口就业总量与分布结果模拟房价发展趋势，得到房价结果；
交通需求分布模块基于出行链模型，并结合所述历史基准年数据动态预测源点-终点矩阵、土地利用模拟结果、人口就业总量与分布结果、房价结果，得到交通OD分布结果；
交通方式分担与路径分配模块通过MNL模型和用户平衡分配模型，并结合所述历史基准年数据、交通OD分布结果，对交通方式选择与路径流量分配进行预测，得到居民出行交通方式划分以及交通流量路段分配结果；
将所述土地利用模拟结果、人口就业总量与分布结果、房价结果、交通OD分布结果、居民出行交通方式划分以及交通流量路段分配结果确定为所述目标未来年的预测结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述预先构建的城市***模拟预测模型，并结合所述目标未来年的预测结果计算决策感应输出指标；
根据预设预警阈值判断每个决策感应输出指标是否处于安全状态，并对处于危险状态的指标进行智能预警评估，得到评估结果。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
在接收到决策变量更新请求时，获取决策变量数据；
根据所述决策变量数据更新所述预先构建的城市***模拟预测模型的相应决策变量，得到更新后的预测模型；
将所述历史基准年数据输入更新后的预测模型中进行模拟预测，输出所述目标未来年的经过决策调控的城市***运行预测结果；
将所述目标未来年的预测结果与所述目标未来年的经过决策调控的预测结果进行比对分析，输出分析报告。
6.根据权利要求3所述的方法，其特征在于，所述集成兴趣点用地识别算法和Logistic-CA-Markov模型，并结合所述历史基准年数据进行城市用地演变模拟，包括：
采用兴趣点用地识别算法在所述多元时空大数据以及统计数据中确定兴趣点数据和手机信令数据；
将所述兴趣点数据和手机信令数据以及所述基础地理信息数据输入Logistic-CA-Markov模型中进行城市用地演变模拟。
7.根据权利要求1所述的方法，其特征在于，所述根据所述历史基准年数据和所述目标未来年确定模型迭代次数，包括：
确定模型运算周期；
计算所述历史基准年与所述目标未来年之间的总周期；
将所述总周期与所述模型运算周期的比值确定为模型迭代次数。
8.一种城市***运行状态的预测***，其特征在于，所述***包括：
数据管理平台、科学计算平台以及客户服务平台；其中，
所述数据管理平台、科学计算平台以及客户服务平台依次通信连接；
基础数据确定模块，用于通过数据管理平台预先提供的数据确定待预测城市的历史基准年数据和所预测的目标未来年；
模型迭代次数确定模块，用于根据所述历史基准年数据和所述目标未来年确定模型迭代次数；
预测结果输出反馈模块，用于若所述迭代次数为单次迭代，则将所述历史基准年数据输入预先构建的城市***模拟预测模型中进行模拟预测，输出所述目标未来年的预测结果，并将所述预测结果反馈至客户服务平台；
其中，所述预先构建的城市***模拟预测模型包括多个模块，所述多个模块内部与模块间存在关联变量和数学关系，关联变量和数学关系用来模拟多个模块内部与模块间的相互影响和反馈。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965717.4A CN115049158B (zh) | 2022-08-12 | 2022-08-12 | 城市***运行状态的预测方法、***、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965717.4A CN115049158B (zh) | 2022-08-12 | 2022-08-12 | 城市***运行状态的预测方法、***、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049158A true CN115049158A (zh) | 2022-09-13 |
| CN115049158B CN115049158B (zh) | 2022-12-09 |
Family
ID=83167206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210965717.4A Active CN115049158B (zh) | 2022-08-12 | 2022-08-12 | 城市***运行状态的预测方法、***、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049158B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862071A (zh) * | 2023-07-18 | 2023-10-10 | 杭州博晟科技有限公司 | 基于混频模型的城市运行指标数据预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040088392A1 (en) * | 2002-03-18 | 2004-05-06 | The Regents Of The University Of California | Population mobility generator and simulator |
| CN104361255A (zh) * | 2014-12-01 | 2015-02-18 | 武汉大学 | 一种改进元胞自动机城市扩张模拟方法 |
| CN107665376A (zh) * | 2017-08-10 | 2018-02-06 | 杭州师范大学 | 一种湿地空间分布变化格局模拟与预测方法 |
| CN110889562A (zh) * | 2019-12-09 | 2020-03-17 | 杨阳 | 一种基于情景规划的动态城市模型*** |
| CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
| CN111080070A (zh) * | 2019-11-19 | 2020-04-28 | 同济大学 | 一种基于空间误差的城市土地利用模拟元胞自动机方法 |
| CN112035584A (zh) * | 2020-08-28 | 2020-12-04 | 北京清华同衡规划设计研究院有限公司 | 空间规划情景模拟方法及*** |
| CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
-
2022
- 2022-08-12 CN CN202210965717.4A patent/CN115049158B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040088392A1 (en) * | 2002-03-18 | 2004-05-06 | The Regents Of The University Of California | Population mobility generator and simulator |
| CN104361255A (zh) * | 2014-12-01 | 2015-02-18 | 武汉大学 | 一种改进元胞自动机城市扩张模拟方法 |
| CN107665376A (zh) * | 2017-08-10 | 2018-02-06 | 杭州师范大学 | 一种湿地空间分布变化格局模拟与预测方法 |
| CN111080070A (zh) * | 2019-11-19 | 2020-04-28 | 同济大学 | 一种基于空间误差的城市土地利用模拟元胞自动机方法 |
| CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
| CN110889562A (zh) * | 2019-12-09 | 2020-03-17 | 杨阳 | 一种基于情景规划的动态城市模型*** |
| CN112035584A (zh) * | 2020-08-28 | 2020-12-04 | 北京清华同衡规划设计研究院有限公司 | 空间规划情景模拟方法及*** |
| CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杜萌等: "基于元胞自动机复合模型的土地利用演化模拟――以北京市海淀区为例", 《测绘学报》 * |
| 荣月静等: "基于Logistic-CA-Markov与InVEST模型对南京市土地利用与生物多样性功能模拟评价", 《水土保持研究》 * |
| 赵鹏军等: "城市交通与土地利用一体化模型的核心算法进展及技术创新", 《地球信息科学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862071A (zh) * | 2023-07-18 | 2023-10-10 | 杭州博晟科技有限公司 | 基于混频模型的城市运行指标数据预测方法 |
| CN116862071B (zh) * | 2023-07-18 | 2024-02-13 | 杭州博晟科技有限公司 | 基于混频模型的城市运行指标数据预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049158B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moghadam et al. | Urban energy planning procedure for sustainable development in the built environment: A review of available spatial approaches | |
| Monteiro et al. | An urban building database (UBD) supporting a smart city information system | |
| Yang et al. | Hotel location evaluation: A combination of machine learning tools and web GIS | |
| Long et al. | Mapping block-level urban areas for all Chinese cities | |
| Manganelli et al. | Using geographically weighted regression for housing market segmentation | |
| García et al. | Calibration of an urban cellular automaton model by using statistical techniques and a genetic algorithm. Application to a small urban settlement of NW Spain | |
| KR101167653B1 (ko) | 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
| Dahal et al. | An agent-integrated irregular automata model of urban land-use dynamics | |
| CN105898762A (zh) | 基站优化及部署方法和装置 | |
| CN115049159B (zh) | 人口分布预测方法和装置、存储介质及电子设备 | |
| Kumar et al. | Mixed integer linear programming approaches for land use planning that limit urban sprawl | |
| CN107506433A (zh) | 城市发展空间格局情景模拟*** | |
| CN104732301A (zh) | 一种物流信息分析建模方法 | |
| CN115049158B (zh) | 城市***运行状态的预测方法、***、存储介质及终端 | |
| CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
| CN115668265A (zh) | 为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量的风险转移配置器和模拟引擎及其方法 | |
| CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
| CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和*** | |
| Madadi et al. | Multi-stage optimal design of road networks for automated vehicles with elastic multi-class demand | |
| CN114693351A (zh) | 信息预测方法、装置以及电子设备 | |
| KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
| CN113159416B (zh) | 一种公交单次刷卡下车站点的推算方法及智能终端 | |
| Bocz et al. | Etraffic–an Open Access Transportation Model | |
| Pawar et al. | Analysis of Residential Location Choices of Different Socio-Economic Groups and Their Impact on the Density in a City Using Agent Based Modelling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |