CN116662466B - 通过大数据进行土地全生命周期维护*** - Google Patents
通过大数据进行土地全生命周期维护*** Download PDFInfo
- Publication number
- CN116662466B CN116662466B CN202310562066.9A CN202310562066A CN116662466B CN 116662466 B CN116662466 B CN 116662466B CN 202310562066 A CN202310562066 A CN 202310562066A CN 116662466 B CN116662466 B CN 116662466B
- Authority
- CN
- China
- Prior art keywords
- land
- data
- land data
- actual
- change
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种通过大数据进行土地全生命周期维护***,包括如下步骤:S1,通过大数据平台获取土地规划建设基础数据,对基础数据进行收集分类,通过聚类算法进行土地数据聚类修正;S2,根据土地数据集合的聚类修正,执行完毕标准化后,对土地数据聚类数据进行异常调整,提高数据质量;S3,通过土地数据得分函数中的偏差系数的调节,提高土地数据实际变化和预期变化的差异度得分;S4,计算得分后的土地数据进行准确率和召回率评估,并根据评估结果进行对应的土地数据维护操作。
Description
技术领域
本发明涉及地图信息分析领域,尤其涉及一种通过大数据进行土地全生命周期维护***。
背景技术
针对土地全生命周期维护管理,需要对储备状态下的土地进行全方位的监管操作,在监管过程中获取土地规划,土地用途,土地建设,土地维护的全方位数据,进行后期的优化和管理,针对海量数据如何进行土地精细化的管理,如何针对土地全生命周期进行数据维护,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种通过大数据进行土地全生命周期维护***。
为了实现本发明的上述目的,本发明提供了一种通过大数据进行土地全生命周期维护***,包括如下步骤:
S1,通过大数据平台获取土地规划建设基础数据,对基础数据进行收集分类,通过聚类算法进行土地数据聚类修正;
S2,根据土地数据集合的聚类修正,执行完毕标准化后,对土地数据聚类数据进行异常调整,提高数据质量;
S3,通过土地数据得分函数中的偏差系数的调节,提高土地数据实际变化和预期变化的差异度得分;
S4,计算得分后的土地数据进行准确率和召回率评估,并根据评估结果进行对应的土地数据维护操作。
上述技术方案优选的,所述S1包括:
S1-1,进行土地规划建设数据预处理,依据土地供应时间和供应用途进行分类,对土地规划建设数据形成初始数据集;
S1-2,根据初始数据集的内容进行聚类操作,由于历史时间阶段土地数据的聚类算法为
其中,i为土地数据集中元素的数量,k为数据集的随机点,ai为数据集中的簇,bi为簇ai的均值,μ为异常调节系数,F为聚类算法表达字符。
上述技术方案优选的,所述S1还包括:
S1-3,对于土地数据集的中数量为i的元素,其异常调节系数μ∈[0,1],计算公式为:
其中为土地数据集I中第i个元素对应的特征向量,上标Di为实际土地数据的特征向量数,上标Dint为初始土地数据的特征向量数,上标·T表示转置,为sigmoid激活函数,神经网络学习得到的实际土地数据异常权重和初始土地数据异常权重/>是土地数据集中特征向量的线性变换,初始土地数据偏置项/>以及实际土地数据偏置项AB∈I用于修正土地数据异常量;Di×Dint为Φi的权重维度;每个异常调节系数的输出值是输入特征向量Ci与实际土地数据异常权重Φi和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正。
上述技术方案优选的,所述S2包括:
S2-1,确定土地全生命周期维护中的特征向量分析目标,对于监测土地利用变化根据不同的目标,选择得分函数进行分析,
S2-2,由于聚类算法将土地数据的初期变化特征进行相应的运算,将新获取的土地数据集中的特征向量进行得分函数计算;
由于土地数据涉及到地理坐标,在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移,通过得分函数进行获取土地数据的变化得分;
得分函数为
其中,σ为实际土地变化数据权重,为预期土地变化数据权重,SF为聚类算法F计算后实际土地数据变化面积,S'F为预期土地数据变化面积,αi为土地数据集中第i个元素的实际偏移系数,βi为土地数据集中第i个元素的预期偏移系数。
上述技术方案优选的,所述S3包括:
S3-1,逐步调整参数,直到获得最优参数,通过确定参数范围:进行验证和应用土地数据集来验证模型的泛化性能,
S3-2,根据实际土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的实际偏移系数αi进行计算,
其中,c为土地数据集中第i个元素实际变化值,Sc为土地数据实际建设值,ΔT为土地数据实际偏移量。
上述技术方案优选的,所述S3包括:
S3-3,根据预期土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的预期偏移系数αi进行计算,
其中,c为土地数据集中第i个元素预期变化值,S‘c为土地数据预期建设值,ΔT′为土地数据预期偏移量。
上述技术方案优选的,所述S4包括:
对于需要监测的土地数据获取的聚类算法的整体获取的e是总的聚类簇数,eJ是经过得分函数计算后的聚类样本在推荐阈值内,经过得分函数计算后在推荐阈值之外dJ,设定为准确率和召回率定义为:
综上所述,由于采用了上述技术方案,本发明的有益效果是:
通过对土地全生命周期的维护管理,能够评估土地的最佳用途,利用大数据分析土地的资源利用情况,管理土地资源,确保土地资源得到合理利用,而且在大数据分析土地全生命周期过程中对于制定土地保护方案,确保土地利用效率最大化,同时保证土地资源得到充分保护。通过利用大数据技术进行土地使用计划的优化,可以帮助决策者制定科学、合理的土地利用方案,提高土地利用效率,促进经济、社会和环境的可持续发展。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明公开一种通过大数据进行土地全生命周期维护***,包括如下步骤:
S1,通过大数据平台获取土地规划建设基础数据,对基础数据进行收集分类,通过聚类算法进行土地数据聚类修正;
S2,根据土地数据集合的聚类修正,执行完毕标准化后,对土地数据聚类数据进行异常调整,提高数据质量;
S3,通过土地数据得分函数中的偏差系数的调节,提高土地数据实际变化和预期变化的差异度得分;
S4,计算得分后的土地数据进行准确率和召回率评估,并根据评估结果进行对应的土地数据维护操作。
该评估方法能够更准确地评估土地预期使用场景。在实践中,可以结合多个参数来评估模型的性能,以确保评估结果的准确性和可靠性。
基于大数据技术,建立土地利用环境预警***,对可能对环境产生不良影响的土地使用行为进行实时监测和预警,及时采取应对措施。
采用适合的数据分析模型,可以更全面、更深入地了解土地利用对环境的影响,并有效地监测和管控土地使用的环境风险,从而实现土地使用的可持续发展。
对土地建设用地面积进行分类,按照相应的土地使用规范进行要素合并,删除为进行土地规划建设用地,获得规划建设用地数据;根据规划建设用地分类的内容进行分类指标管理,将空缺的规划建设用地面积以及规划建设用地特征分类的对应关系进行分析。
上述技术方案优选的,所述S1包括:
S1-1,进行土地规划建设数据预处理,依据土地供应时间和供应用途进行分类,对土地规划建设数据形成初始数据集;每个土地数据元素包含了在相应时间阶段土地数据的内容,包括:根据土地预期规划分为,规划建设用地和公共绿地,根据土地实际使用情况分为:闲置土地,实际建设用地和未批先建土地;
S1-2,根据初始数据集的内容进行聚类操作,由于历史时间阶段土地数据的聚类算法为
其中,i为土地数据集中元素的数量,k为数据集的随机点,ai为数据集中的簇,bi为簇ai的均值,μ为异常调节系数,F为聚类算法表达字符;
通过聚类算法进行历史时间阶段土地数据的聚类评价,由于使用异常调节系数对土地数据进行修正操作;完成异常调节处理,以提高土地数据质量,避免因数据质量不佳而导致的分类和聚类结果不准确的问题,提高聚类的准确性和稳定性。
根据时间的延续形成的土地数据变化,需要通过聚类算法进行初步的土地数据计算,从而能够从土地数据的实时变化中发现数据偏移和数据异常;
参数选择:对于聚类算法,需要选择合适区间的异常调节系数、对土地数据实现优化聚类的效果。
S1-3,对于土地数据集的中数量为i的元素,其异常调节系数μ∈[0,1],计算公式为:
其中为土地数据集I中第i个元素对应的特征向量,上标Di为实际土地数据的特征向量数,上标Dint为初始土地数据的特征向量数,上标·T表示转置,为sigmoid激活函数,神经网络学习得到的实际土地数据异常权重和初始土地数据异常权重/>是土地数据集中特征向量的线性变换,初始土地数据偏置项/>以及实际土地数据偏置项AB∈I用于修正土地数据异常量;Di×Dint为Φi的权重维度;每个异常调节系数的输出值是输入特征向量Ci与实际土地数据异常权重Φi和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正;
通过数据预处理、聚类特征提取、参数调节的优化方法,有效提高聚类的准确性和稳定性,为土地使用方案的模拟和对比分析提供有力的支持和指导。
上述技术方案优选的,所述S2包括:
S2-1,确定土地全生命周期维护中的特征向量分析目标,对于监测土地利用变化根据不同的目标,选择得分函数进行分析,
S2-2,由于聚类算法将土地数据的初期变化特征进行相应的运算,将新获取的土地数据集中的特征向量进行得分函数计算;
由于土地数据涉及到地理坐标,在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移,通过得分函数进行获取土地数据的变化得分;
得分函数为
其中,σ为实际土地变化数据权重,为预期土地变化数据权重,SF为聚类算法F计算后实际土地数据变化面积,S'F为预期土地数据变化面积,αi为土地数据集中第i个元素的实际偏移系数,βi为土地数据集中第i个元素的预期偏移系数,
由于在进行土地数据得分计算时,参数的赋值对结果的准确性和稳定性有重要影响,根据实际土地数据经验指导:在选择参数时,借助领域专家的经验和知识,了解相应的权重和系数对于土地得分的重要性。由于本发明是根据初期土地数据的聚类算法进行数据预处理,通过将实际规划数据与预期规划数据进行得分计算,识别土地全生命周期的变化情况,从而对于后期进行土地规划以及监管起到全方位维护的作用。
可以看出得分函数的计算过程需要根据具体土地数据和预期土地数据特点进行分析。通过基于模型的参数配置方法获得更好的数据分析结果。
上述技术方案优选的,所述S3包括:
S3-1,逐步调整参数,直到获得最优参数,通过确定参数范围:进行验证和应用土地数据集来验证模型的泛化性能,
S3-2,根据实际土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的实际偏移系数αi进行计算,
其中,c为土地数据集中第i个元素实际变化值,Sc为土地数据实际建设值,ΔT为土地数据实际偏移量,
S3-3,根据预期土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的预期偏移系数αi进行计算,
其中,c为土地数据集中第i个元素预期变化值,S‘c为土地数据预期建设值,ΔT′为土地数据预期偏移量,
上述技术方案优选的,所述S4包括:
评估模型性能是数据分析中非常重要的一步,通过对评估指标进行准确率(accuracy)、召回率(recall)的计算,从而验证数据结模型性能。
由于对土地数据实际变化值与预期变化值之间存在一定的偏差,需要通过评价指标进行区间数值检测,评价结果中超过设定的区间数值范围的将不予考虑。
Table The describe of city land data
对于需要监测的土地数据获取的聚类算法的整体获取的c是总的聚类簇数,cJ是经过得分函数计算后的聚类样本在推荐阈值内,经过得分函数计算后在推荐阈值之外dJ,设定为准确率和召回率定义为:
对于聚类计算的土地数据中得分算法所设定的推荐阈值存在重合,通过得分函数检测的实际建设土地数据与预期土地变化数据中重合度,计算结果在推荐阈值中为cJ,其中针对土地数据维护的目标检测评价指标中通常给定推荐阈值大于等于65%,如果计算得到的重合度小于给定的阈值,此时检测结果被认为是土地规划数据是有风险的,需要重点监控聚类的土地数据。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解,在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种通过大数据进行土地全生命周期维护***,其特征在于,包括如下步骤:
S1,通过大数据平台获取土地规划建设基础数据,对基础数据进行收集分类,通过聚类算法进行土地数据聚类修正;
S2,根据土地数据集合的聚类修正,执行完毕标准化后,对土地数据聚类数据进行异常调整,提高数据质量;
S2-1,确定土地全生命周期维护中的特征向量分析目标,对于监测土地利用变化根据不同的目标,选择得分函数进行分析,
S2-2,由于聚类算法将土地数据的初期变化特征进行相应的运算,将新获取的土地数据集中的特征向量进行得分函数计算;
由于土地数据涉及到地理坐标,在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移,通过得分函数进行获取土地数据的变化得分;
得分函数为
其中,σ为实际土地变化数据权重,为预期土地变化数据权重,SF为聚类算法F计算后实际土地数据变化面积,S'F为预期土地数据变化面积,αi为土地数据集中第i个元素的实际偏移系数,βi为土地数据集中第i个元素的预期偏移系数;
S3,通过土地数据得分函数中的偏差系数的调节,提高土地数据实际变化和预期变化的差异度得分;
S4,计算得分后的土地数据进行准确率和召回率评估,并根据评估结果进行对应的土地数据维护操作。
2.根据权利要求1所述的通过大数据进行土地全生命周期维护***,其特征在于,所述S1包括:
S1-1,进行土地规划建设数据预处理,依据土地供应时间和供应用途进行分类,对土地规划建设数据形成初始数据集;
S1-2,根据初始数据集的内容进行聚类操作,由于历史时间阶段土地数据的聚类算法为
其中,i为土地数据集中元素的数量,k为数据集的随机点,ai为数据集中的簇,bi为簇ai的均值,μ为异常调节系数,F为聚类算法表达字符。
3.根据权利要求2所述的通过大数据进行土地全生命周期维护***,其特征在于,所述S1还包括:
S1-3,对于土地数据集的中数量为i的元素,其异常调节系数μ∈[0,1],计算公式为:
其中为土地数据集I中第i个元素对应的特征向量,上标Di为实际土地数据的特征向量数,上标Dint为初始土地数据的特征向量数,上标·T表示转置,/>为sigmoid激活函数,神经网络学习得到的实际土地数据异常权重/>和初始土地数据异常权重/>是土地数据集中特征向量的线性变换,
初始土地数据偏置项以及实际土地数据偏置项AB∈I用于修正土地数据异常量;Di×Dint为Φi的权重维度;
每个异常调节系数的输出值是输入特征向量Ci与实际土地数据异常权重Φi和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正。
4.根据权利要求1所述的通过大数据进行土地全生命周期维护***,其特征在于,所述S3包括:
S3-1,逐步调整参数,直到获得最优参数,通过确定参数范围:进行验证和应用土地数据集来验证模型的泛化性能,
S3-2,根据实际土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的实际偏移系数αi进行计算,
其中,c为土地数据集中第i个元素实际变化值,Sc为土地数据实际建设值,ΔT为土地数据实际偏移量。
5.根据权利要求1所述的通过大数据进行土地全生命周期维护***,其特征在于,所述S3包括:
S3-3,根据预期土地数据变化的土地数据集中形成的离散误差,对土地数据集中第i个元素的预期偏移系数βi进行计算,
其中,c为土地数据集中第i个元素预期变化值,/>为土地数据预期建设值,ΔT′为土地数据预期偏移量。
6.根据权利要求1所述的通过大数据进行土地全生命周期维护***,其特征在于,所述S4包括:
对于需要监测的土地数据获取的聚类算法的整体获取的e是总的聚类簇数,eJ是经过得分函数计算后的聚类样本在推荐阈值内,经过得分函数计算后在推荐阈值之外dJ,设定为准确率和召回率定义为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562066.9A CN116662466B (zh) | 2023-05-18 | 2023-05-18 | 通过大数据进行土地全生命周期维护*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562066.9A CN116662466B (zh) | 2023-05-18 | 2023-05-18 | 通过大数据进行土地全生命周期维护*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662466A CN116662466A (zh) | 2023-08-29 |
CN116662466B true CN116662466B (zh) | 2023-12-19 |
Family
ID=87718337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562066.9A Active CN116662466B (zh) | 2023-05-18 | 2023-05-18 | 通过大数据进行土地全生命周期维护*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662466B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022834A (zh) * | 2016-05-24 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 广告反作弊方法及装置 |
CN109165219A (zh) * | 2018-08-08 | 2019-01-08 | 重庆拓土地理信息有限公司 | 一种用于土地规划修编的数据库及其管理*** |
CN110705449A (zh) * | 2019-09-27 | 2020-01-17 | 佛山科学技术学院 | 一种土地利用变化遥感监测分析方法 |
CN112183916A (zh) * | 2019-07-09 | 2021-01-05 | 浙江时空智子大数据有限公司 | 土地储备生命周期管理*** |
WO2022266382A1 (en) * | 2021-06-17 | 2022-12-22 | Vibrant Planet Pbc | Land management and restoration |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11966993B2 (en) * | 2019-10-22 | 2024-04-23 | International Business Machines Corporation | Land use planning recommendations using heterogeneous temporal datasets |
-
2023
- 2023-05-18 CN CN202310562066.9A patent/CN116662466B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022834A (zh) * | 2016-05-24 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 广告反作弊方法及装置 |
CN109165219A (zh) * | 2018-08-08 | 2019-01-08 | 重庆拓土地理信息有限公司 | 一种用于土地规划修编的数据库及其管理*** |
CN112183916A (zh) * | 2019-07-09 | 2021-01-05 | 浙江时空智子大数据有限公司 | 土地储备生命周期管理*** |
CN110705449A (zh) * | 2019-09-27 | 2020-01-17 | 佛山科学技术学院 | 一种土地利用变化遥感监测分析方法 |
WO2022266382A1 (en) * | 2021-06-17 | 2022-12-22 | Vibrant Planet Pbc | Land management and restoration |
Non-Patent Citations (3)
Title |
---|
Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper Imagery;Congcong Li等;《Remote Sensing》;第6卷(第2期);全文 * |
基于正态云模型的三峡库区土地利用生态风险评价;周启刚;张晓媛;王兆林;;农业工程学报(第23期);全文 * |
海南岛东北部土地利用与生态***服务价值空间自相关格局分析;雷金睿;陈宗铸;吴庭天;李苑菱;杨琦;陈小花;;生态学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662466A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及*** | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN117611015B (zh) | 一种建筑工程质量实时监测*** | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及*** | |
CN117391499A (zh) | 光伏电站可靠性评价方法及其装置 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN113112188B (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
CN113033910B (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的***和方法 | |
CN116628519B (zh) | 一种生态脆弱区识别方法及*** | |
CN116662466B (zh) | 通过大数据进行土地全生命周期维护*** | |
CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
CN116633608A (zh) | 一种网络安全的风险预测方法及*** | |
CN115994427B (zh) | 一种基于寿命评估的gis开关柜制造优化方法及*** | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN115270140B (zh) | 一种软件安全漏洞管理方法及*** | |
CN118094259A (zh) | 基于数据分析的燃气管道失效风险预测方法及*** |
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 |