【技術實現步驟摘要】
本專利技術涉及環衛站規劃決策，更具體的說是涉及一種面向政府的環衛站規劃分布智慧決策方法及系統。
技術介紹
1、目前，環衛站的前期規劃都是根據街道現有用地決定，依賴于經驗和主觀判斷，缺少基于數據分析的決策過程，導致環衛站選址和布局無法科學化。導致環衛站規劃結果出現一定概率的覆蓋不足等缺陷，后期需要大量資源進行調配，使得后期造成運營成本高，響應速度慢等問題。
2、因此，如何設計一種基于數據驅動的環衛站規劃分布智慧決策方法及系統，是本領域技術人員亟需解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種面向政府的環衛站規劃分布智慧決策方法及系統，用于至少解
技術介紹
中的部分技術問題。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、本專利技術首先公開了一種面向政府的環衛站規劃分布智慧決策方法，包括以下步驟：
4、獲取與環衛站規劃相關的多類分布決策數據，所述分布決策數據包括：地理信息數據、國土資源規劃數據、人口統計數據、交通流量數據以及經濟數據；
5、獲取每一類分布決策數據與垃圾產生量之間的影響因子；
6、將所述影響因子輸入基于深度學習的環衛站規劃分布預測模型，得到待規劃區域中各位置設置為環衛站的概率；
7、根據各位置設置為環衛站的概率的數值大小得到待規劃區域的環衛站布局結果。
8、進一步地，獲取每一類分布決策數據與垃圾產生量之間的影響因子，具體包括以下步驟，
9、基于
10、根據回歸模型得到垃圾生產量與對應分布決策數據之間的關系值；
11、將每一類分布決策數據得到的關系值與該分布決策數據的權重值相乘作為每一類分布決策數據與垃圾產生量之間的影響因子。
12、進一步地，所述環衛站規劃分布預測模型通過keras深度學習框架構建。
13、進一步地，其特征在于，將所述影響因子輸入基于深度學習的環衛站規劃分布預測模型，得到待規劃區域中各位置設置為環衛站的概率，具體包括以下步驟：
14、通過線性變換層將環衛站規劃分布預測模型的輸出結果映射到概率空間，使用softmax層生成各位置設置為環衛站的概率。
15、進一步地，根據各位置設置為環衛站的概率的數值大小得到待規劃區域的環衛站布局結果，具體包括：
16、當待規劃區域某位置的概率數值大于等于設定的閾值，則該位置規劃規劃為環衛站；
17、當待規劃區域某位置的概率數值小于設定的閾值，則該位置不進行環衛站的規劃布局。
18、進一步地，上述方法還包括:使用模擬仿真技術對環衛站布局結果的垃圾收集過程進行模擬，以評估環衛站布局結果的效果。
19、進一步地，上述方法中，地理信息數據包括：所在區域已有的城市路網數據、建筑物分布數據、綠化空間數據、以及地形地貌數據；
20、國土資源規劃數據包括：土地利用規劃數據、交通規劃數據、以及政策法規與環保標準數據；
21、人口統計數據包括：所在區域的人口分布數據、人口數量數據、人口密度數據、以及人口流動數據；
22、交通流量數據包括：道路交通流量監測數據、以及公共交通線路數據；
23、經濟數據包括：建設成本數據、運營成本數據、垃圾處理與運輸成本數據、以及財政預算與資金分配數據。
24、進一步地，上述方法還包括：將待規劃區域的環衛站布局結果進行三維立體的可視化展示。
25、進一步地，上述方法還包括：基于待規劃區域的環衛站布局結果進行環衛站的實際布局，并實時遠程監測各環衛站的垃圾存儲狀態和垃圾分類特征，當環衛站的垃圾存儲量超出預設值時，發出提醒信息。
26、本專利技術還一種面向政府的環衛站規劃分布智慧決策系統，包括：
27、數據獲取模塊：用于獲取與環衛站規劃相關的多類分布決策數據，所述分布決策數據包括，地理信息數據、國土資源規劃數據、人口統計數據、交通流量數據以及經濟數據；
28、影響因子構建模塊：用于利用回歸分析模型獲取每一類分布決策數據與垃圾產生量之間的影響因子；
29、環衛站分布預測模塊：用于將所述影響因子輸入基于深度學習的環衛站規劃分布預測模型，得到待規劃區域中各位置設置為環衛站的概率；并根據各位置設置為環衛站的概率的數值大小得到待規劃區域的環衛站布局結果。
30、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了一種面向政府的環衛站規劃分布智慧決策方法及系統，具有以下有益效果：
31、本專利技術綜合考慮了多種分布決策數據對環衛站布局的影響，并且采用數據驅動的方式，利用基于深度學習的環衛站規劃分布預測模型對環衛站的分布結果進行預測，實現了環衛站的科學布局。
本文檔來自技高網...【技術保護點】
1.一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，獲取每一類分布決策數據與垃圾產生量之間的影響因子，具體包括以下步驟，
3.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，所述環衛站規劃分布預測模型通過Keras深度學習框架構建。
4.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，其特征在于，將所述影響因子輸入基于深度學習的環衛站規劃分布預測模型，得到待規劃區域中各位置設置為環衛站的概率，具體包括以下步驟：
5.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，根據各位置設置為環衛站的概率的數值大小得到待規劃區域的環衛站布局結果，具體包括：
6.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，還包括:使用模擬仿真技術對環衛站布局結果的垃圾收集過程進行模擬，以評估環衛站布局結果的效果。
7.根據權利要求1所述
8.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，還包括：將待規劃區域的環衛站布局結果進行三維立體的可視化展示。
9.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，還包括：基于待規劃區域的環衛站布局結果進行環衛站的實際布局，并實時遠程監測各環衛站的垃圾存儲狀態和垃圾分類特征，當環衛站的垃圾存儲量超出預設值時，發出提醒信息。
10.一種面向政府的環衛站規劃分布智慧決策系統，其特征在于，包括：
...【技術特征摘要】
1.一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，獲取每一類分布決策數據與垃圾產生量之間的影響因子，具體包括以下步驟，
3.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，所述環衛站規劃分布預測模型通過keras深度學習框架構建。
4.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，其特征在于，將所述影響因子輸入基于深度學習的環衛站規劃分布預測模型，得到待規劃區域中各位置設置為環衛站的概率，具體包括以下步驟：
5.根據權利要求1所述的一種面向政府的環衛站規劃分布智慧決策方法，其特征在于，根據各位置設置為環衛站的概率的數值大小得到待規劃區域的環衛站布局結果，具體...
【專利技術屬性】
技術研發人員：張雙雙，陳寧，彭越，李楷斌，李玨，
申請(專利權)人：廣州市智慧城市投資運營有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。