深入分析铁路和公司发展长江三角洲与深度学习

文摘

智能城市的协调发展已经成为世界城市发展的目标,和铁路网络中扮演一个重要的角色在这个进展。提出了一种解决方案,集数据采集、存储、GIS可视化,深入学习,统计相关分析来深入分析公司的分布数据收集在过去40年的长江三角洲。通过深入学习,我们预测公司的空间分布后的火车站。通过统计和相关分析公司的注册资本和数量、城市发展关系的影响下的铁路是探索。展望未来,这种分析可以进行测试的使用和应用程序和应用程序的上下文中使用的其他智能城市或特定方面的规模。

1。介绍

如今,智能城市的发展已成为一个新兴的模式和世界城市发展的关键目标1]。IBM将“智能城市”定义为使用信息和通信技术,分析和整合关键信息城市的核心系统操作(2]。据预测,60%以上的人口将生活在一个城市环境(3)到2030年,这张唱片将在2050年进一步达到68% (4]。概念和理论的“城市规划”和“智能城市”变得更加复杂5),需要更先进的技术支持(6]。目前,以数据为中心的(7,8)“智能城市”仍处于初级阶段,和它的发展是挑战无效的过程中大量的数据和限制提取数据值(9]。大数据等新技术(6,10,11)处理、数据挖掘、人工智能和深度学习是重要的工具来构建智能城市(6,12]。然而,许多发达城市的地理空间数据的分析忽略了一些重要的社会和经济管理元素。也就是说,有一个脱节和不对称信息采集、采集和应用程序。覆盖率和利用率的时间和空间不够全面,满足政府管理的需要13]。

作为世界上最重要的经济实体,中国吸引了全世界的关注。这些年来,中国一直在大力促进其城市化战略,努力实现世界上最高的城市化增长率和广阔的发展空间14]。作为中国的重要积极的经济中心,在长江三角洲城市群(15- - - - - -17)形成了五个层次的城市规模等级,显示“宝塔型”的特点18],是相互包容、相互整合和相互渗透。企业和经济数据的深入分析长江三角洲地区在许多方面是有意义的:它是有利于新技术的升级和城市经济发展规律的掌握。也就是说,随着技术的不断更新,这个分析过程可以帮助揭示经济发展固有的法律(19,20.人类的)。

本研究的目的是设计和开发一个解决方案,结合长期的公司注册信息在长江三角洲和新技术,使深入分析铁路和公司之间的关系演变。支持这项研究,公司登记信息(空间位置和营业时间等)在长江三角洲近四十年从互联网上收集。大数据、深卷积神经网络和数据相关性分析技术结合起来,用于实现有效存储、可视化、深入分析和预测的相互促进,铁路和公司的发展。和convolution-deconvolution混合深度学习网络提出了处理时空数据的314年长江三角洲火车站。通过充分利用这些数据和工具,我们已经对相关问题进行了研究:不同地区的贡献(如上海和苏州)整个长江三角洲的发展,不同地区的发展之间的相互作用和影响,不同的角色铁路周边和城市地区的发展,并使其可以预测公司的空间分布后的火车站通过深度学习方法。该技术解决方案可以作为一种有效的方法来解决复杂的问题与智能城市有关。

这项工作是有组织的如下。部分2显示相关的工作。部分3探讨了网络大数据的采集和存储方法,深度学习的数据分析网络模型,数据可视化,理论过程相关的算法。部分4介绍了可视化的结果、深度学习和相关分析。部分5讨论了部分结果4。最后,部分6总结了贡献,提出了未来的研究方向。

2。相关工作

有许多因素影响着城市群的经济发展。铁路建设的重要因素之一,有一个很大的影响在长江三角洲21]。以其巨大的社会效益和经济效益,已成为一个重要的意思是发展城市经济,改善产业结构和当地居民的生活水平22]。交通系统的存在是一个生存的本质区别系统和市场经济23,24]。有很多的数据分析和应用研究铁路运输经济,智能城市。有些文献只研究智能交通(25和聪明的经济发展26)或探索交通运输和经济发展的影响27]。然而,仍然有一些缺陷的全面深入分析这三个方面利用新兴的深度学习和大数据工具。

智能城市的研究数据中心,整个过程包括数据采集、整理、存储、处理、可视化和分析。得到的数据智能城市是第一的。近年来,大数据在互联网上数据分析已经成为一个重要的来源,如各种社会媒体、电子布告栏系统(BBS),新闻,和其他网站28]。大数据是巨大的数据集的项有大,更多样,存储困难的和复杂的结构,为进一步分析和可视化过程或结果(10]。这些数据量大的特点,广泛,和高价值和金融做出了巨大的贡献,经济、资源、能源、城市发展和旅游业需要(25,27,29日,30.]。森等(31日)使用谷歌位置数据从世界各地收集走来自五大洲25个城市的信息。它还显示这些数据在城市分析的有用的应用程序,比如城市的不同区域比较的可访问性和城市的哪些领域最得益于最少的干预。阿尔贝托et al (32使用网络工具来自动化数据收集,整理,复杂的医疗研究和可视化,包括社会网络分析。

一旦数据被获取和组织、相关工具可用于初始可视化和分析。Afaneh和Shahrour33]介绍了使用地理信息数据管理和可视化智能城市项目(日出,智能城市)里尔大学科技园。它使用智能传感器收集水和能源网络的运营数据和使用地理信息系统(GIS)来管理和可视化智能城市项目的资产和运营数据。Yamamura et al (34)提出了一个“GIS-BIM”的城市能源规划系统,包括GIS数据库建设和分析来获得优化的技术和政策调整城市基础设施解决方案。然而,这些数据的管理和可视化过于依赖软件本身,如ArcGIS等。依赖这些软件、数据接口和算法修改优化可能有问题,导致内部机制,不能灵活而高效地探索数据。

深入学习和挖掘大数据,尤其是地理数据,现在的机器学习(ML) [35)技术已经在这项工作中发挥了关键作用36]。毫升是一门学科集中在两个相互关联的问题。ML算法可以看作是通过大空间搜索候选人的计划,培训经验的指导下,找到一个程序,优化性能指标(37]。它能够提取尽可能多的有用的信息,并从这些数据中获得新的见解,模拟,两者之间的相互作用。Tarutani et al。38]毫升回归模型技术应用于预测在数据中心中温度分布,减少空调能耗约30%。下巴等。39]研究了四个著名的ML分类算法(贝叶斯网络(BN),朴素贝叶斯(NB) J48树分类器,和最近邻算法(NN))在相关气象数据(尤其是降雨和气温的影响在伦敦的短途旅行骑自行车)。通过评估的准确性、可信度和速度,结论是决策树J48算法执行的准确性,而资讯IBK最快的算法建立模型。

与传统ML方法相比,深度学习可以深入研究高维数据的不同结构特点,探索该类数据的概率分布(40]。多级表示深度学习方法学习方法表示,这是通过结合简单但非线性模块,每个水平(从原始输入)转换成更高,略高于抽象级别(41,42]。Balchandani et al。43)提出了一种深度学习框架分析街道照片和检测如果街道脏通过检测垃圾对象。框架更好分析的自动化框架街道清洁问题,通过分析,发现,有效地调度清洁剂领域,需要更多的关注。城东街et al。44)实现高精度的检测定位器基于快R-CNN模型,具有较高的工程应用价值。他们还利用霍夫变换检测骨骼轮廓定位器和过滤的最佳拟合直线定位器通过过滤行机制,进行了非接触精确测量的定位器的斜率。Camero et al。45)提出了一种基于深度学习新技术和回归神经网络解决停车问题的入住率的预测。29日在伯明翰停车场的入住率,是英国在11周的数据进行测试。结果表明,该方法是准确的在日常生活中人们使用的方式和优于现有的竞争对手。

总之,我们发现网络有巨大的和有价值的数据,需要获得和存储使用有效的工具。面对如此庞大的数据,传统的关系数据库无法满足大规模和高并发性动态查询也不能有效地支持深度学习和后续数据研究。目前,智能城市大数据研究仍处于起步阶段。传统的人工智能算法(如神经网络、遗传算法、人工蜜蜂殖民地,粒子群优化,布谷鸟搜索算法、花授粉算法,鸡群优化,和蝙蝠算法)理论上仍然可以被使用,但主要是限于较小的数据集的计算,不为智能城市大数据分析46]。和当前研究进展还没有产生足够的价值和贡献47]。有效的可视化和大数据处理和有效的深度学习和分析,需要有机结合。

3所示。材料和方法

本文的实现过程如图1。首先,充分利用互联网资源获得既定的时间,地点,纬度和经度,所有公司注册的类型和注册资本从1980年到2018年,长江三角洲和相关的开放时间为314火车站铁路(15)。接下来,通过开发GIS软件,数据显示在地图上。之后,根据每个铁路线的开放时间和地点,公司登记数据筛选来计算公司的分布密度矩阵。这些密度矩阵导入设计的深度学习模型。通过这个模型,预测分布训练三年之后的铁路将找出深入进行铁路对经济的影响。新成立的铁路公司注册的历史数据将被导入到训练模型来预测未来的分布。

3.1。数据采集

本文使用Scrapy [48)开发分布式框架网站数据采集。这些数据来自中国企业黄页,包括基础信息的公司我们需要和社会和公众都是免费的。因此,没有法律和道德问题(49]。通过分析网站的特点和位置,以广度优先的方式收集到的数据是有效的。纬度和经度位置信息的转换是通过结合百度地图API实现的。

正则表达式(50)方法在实际页面提取数据时使用。然而,当提取所需的数据网页,只有使用这种方法不能灵活地确定数据特性基于页面内容。此外,由于不同的内容不同的web页面(特别是有类似的标签代码的网页),很容易抓住错误的数据错误的位置,甚至无法正确获取任何信息。根据网页的树结构特点,分析了数据的子页和节点树结构的网页,使用XPath (51)方法提取数据的相对路径。该方法可以准确、高效地提取相应的数据,然后精心处理获得的数据通过正则表达式的方法。最后,数据存储和保存为JSON文件导入到数据库中。

3.2。数据存储

关系数据库是反应迟钝到大型,高并发的动态查询。和它也是低效当面对大数据存储方法。通过分析,发现没有其他关系数据在这些非结构化数据在长江三角洲。但大的数据量,需要更好地支持大量的快速访问工具,如GIS。使用这些数据,平台需要存储一次,并多次查询,没有进一步的处理和对数据更新操作。在互联网领域,NoSQL数据库(52,53)基于非关系数据库技术已成功应用。它打破了传统数据库的关系模型,使数据存储在一个更自由的方式,而不依赖于固定的表结构和数据之间的关系。这是伟大的存储大数据。

NoSQL数据库分为键-值数据库,柱状数据库、文档数据库和图形数据库(54]。通过比较每个数据库的优点和缺点,本文最终采用面向文档的MongoDB数据库(55,56),基于分布式文件存储的数据库。MongoDB的查询语言是非常强大的,它使用二进制文档的json (bjson)形式存储,可以储存更多的复杂数据类型。这个数据库也很容易被部署和使用。李等人。56)提出了一个混合空间大数据分布式存储策略,MongoDB数据库作为引擎的分布式空间数据,以满足大数据存储的需求,传统的GIS应用程序的需求。

本文将两种类型的数据存储,公司数据和火车站数据。公司的数据,我们收购了1921973年的数据,包括所有类型的公司在中国的长江三角洲地区40年了。每个数据包括公司的完成时间,注册资本,类型,产品生产的类型,详细地址,和相对应的经度和纬度公司的地址。和火车站的数据,长江三角洲铁路的信息包括314火车站铁路(15)。这些铁路包括北侧宁启铁路、新长铁路、母鸡铁路、Suhuai铁路、沪昆铁路、沪宁铁路、高速铁路、Nanjing-Hangzhou小雨铁路、杭甬高速铁路、京沪高铁和京沪铁路。

3.3。数据可视化

数据可视化中起着非常重要的作用在智能城市57]。常见的可视化工具是GIS,可以以各种视觉的方式显示数据在相应的地图。然而,单纯依赖专用GIS软件,很难实现更多的自由的数据计算与分析。因此,在编写相关处理程序时,我们利用ArcGIS引擎嵌入到c#编程构造一个特殊的GIS应用程序来帮助我们实现空间数据的可视化,如图2。接口实现各种免费的控制方式和可以调整显示时间范围,区域范围,还和公司类型由用户范围和执行区域统计数据。

我们优化计算和基于聚类的数据k——(58,59聚类算法和简单线性迭代聚类(SLIC) [60算法的聚类算法可以平衡的空间位置数据和每个公司的注册资本。有趣的是,集群的发展的结果确实是当前的“三省,一个城市”(江苏、安徽、浙江、上海),而“一城”区域占比真正的上海地区。长江三角洲的经济中心,上海地理位置驱动整个长江三角洲发展经济和商业61年]。

3.4。数据准备

通过比较各种铁路的完成的时间和40000×40000 m的地理范围^∧2主要集中在火车站,我们使用了构建了可视化应用程序提取前后的铁路铁路的完成。通过将空间数据划分为200×200的空间,我们可以得到公司的2 d数据,为每个站点密度矩阵。

为了防止过度拟合(过度拟合62年)是一个发生在一个函数的建模错误太密切配合一组有限的数据点,可以减轻通过增加有效的样本大小)的数据和增加样本容量,我们进行了对称和旋转获得密度数据矩阵,样本大小增加了6倍,最后获得2198(314∗7)数据。根据4:1,数据分为1758(2198∗0.8)训练数据和440(2198∗0.2)测试数据集。由于输入公司的时空分布状态信息积累了10年或20年完成火车站之前,信息自动进行道路交通信息,繁荣水平信息,信息在铁路和政府政策支持。

3.5。深入学习网络

深入学习网络是常见的人工神经网络的扩展,许多隐藏层,所以它具有强大的非线性映射能力41),如图3。它可以执行独立的深度学习和特征提取的数据,从而实现良好的模型性能(63年]。其中,反褶积是一个卷积反演的过程,广泛应用于图像恢复(64年)和一代恢复清晰的图像从相关数据65年]。此外,由于过渡层图像的大小是由小利用卷积层,反褶积恢复图像的原始大小,甚至使其更大。

在本文中,一个新的深卷积和反褶积层组成的神经网络模型设计,如图4。它是用来学习和预测的密度矩阵40000×40000^∧2区域集中在火车站之前和之后的铁路线。输入数据是公司现有的注册资本数量密度矩阵和密度矩阵在火车站前。输出标签数据是公司新添加的数量密度矩阵网站打开后三年。

模型由3卷积层和3 deconvolutional层。学习速率是0.0001和批量大小是16。每一层的激活函数是一个Relu函数。利用剩余的概念网络(66年的输出),第二层和第四层的输出是加在一起,由Relu函数计算,然后发送到第五层反褶积层。这使得它更容易损失函数的误差传递给网络的深层,帮助网络加速训练。同时,正则化函数添加到损失,防止过度拟合函数,并使用GPU加速的操作。

3.6。损失函数

领域的深度学习,最小均方误差(MMSE) [67年)和交叉熵(68年)函数一般是已知的,作为损失函数。然而,他们都是用于训练网络只有数值差异作为损失值,所以它缺乏的特点,在二维的空间分布数据。如图5,如果真正的分布如图5(一个)两个可能的预测分布,从深入学习网络获得数据5 (b)和5 (c)。如果只计算数值的差异,那么损失值减去获得的图5(一个)从图5 (b)会一样的损失值减去获得的图吗5(一个)从图5 (c)。但实际情况是,图5 (b)更接近实际分布的图吗5(一个)从图,所以损失的价值5 (b)应该小于一个从图5 (c)。因此,考虑到数量和位置数据的二维空间分布的特点,本文形成的损失函数形式的各种组合的患者,二维离散傅里叶变换(2 d-dft),和余弦相似度(69年]。

MMSE可以更好的约束预测密度矩阵映射的数量。2 d-dft可以帮助更好地约束预测数据的分布,甚至实现图像重建(70年]。余弦相似度可以更好的约束分布的相似性71年)和测量不同对象的相似性来实现图像分类(72年]。考虑到患者的太小的损失由于输入数据的规范化,我们不把广场的差异之和除以整个矩阵的元素的数量,但只有除以矩阵的滑动长度。余弦相似度的公式 ,值分布(−1,- 1),其中1表示最大的相关性和−1意味着最低的相关性。我们相似的值映射到0到2(0代表最大相关性和最低的损失值)来实现网络培训。每个损失函数的公式和总损失函数公式如下: 在方程(1)是MMSE和损失函数公式n的边长是密度矩阵。方程(2)的傅里叶变换公式是密度的二维矩阵,和方程(3)2 d-dft的损失函数。方程(4)是余弦相似度的损失函数公式,方程(5)MC的损失函数公式的组合MMSE和余弦相似性,和方程(6)MF的损失函数公式的组合MMSE和2 d-dft。方程(7)CF是一个损失函数公式的组合余弦相似性和2 d-dft。方程(8)MCF组合的损失函数的三个公式。总共有7损失函数,所有重量系数是通过多个试验。

3.7。数据相关性分析

相关系数可以用来发现数据之间的相关性,帮助分析数据如经济学(73年)、运输(74年,75年),和生活76年为人类服务。每年通过获取新数据之前和之后的完成铁路、我们可以用皮尔逊系数获得各个地区的发展和相关程度。皮尔森系数计算如下: 在哪里和代表越来越多的年的序列我th和jth地区,和代表序列的均值,是这两个地区的相关性。相关系数范围从−1 - 1,+ 1表示正相关和−1表明负相关。

然而,仅仅计算增加的价值不能充分反映每个地区的数量的变化。由于公司的数量在每个地区总是正的或零增长,可能不够明显的歧视当比较不同地区之间的相关系数值。因此,本文进一步结合每个区域的数据增长价值的变化(即增长的一阶导数值)和重量新的相关系数矩阵。新的相关系数计算公式如下: 在哪里代表原始数据的一阶导数x, 。

4所示。结果

4.1。深度学习

比较了七种不同的损失函数通过使用他们的深度学习网络模型设计。如图6分开,我们完成了培训和评估损失函数值曲线的测试集。这七个损失函数训练图所示6。红色曲线是训练数据的价值损失,绿色曲线是培训测试集的曲线,横坐标单位是每一批的大小(值:16)。

可以看出,这些损失函数与MMSE训练达到最佳值。的损失值测试集也减少培训数量的增加,和最终的趋势是平的。深层神经网络的训练似乎是非常成功的。但2 d-dft损失函数的最糟糕的训练效果和甚至不能训练网络。的损失函数,余弦相似性可以帮助培训,但效果很差。和损失值的变化更紧张,不够稳定。因此,MMSE是最好的损失函数,帮助它们之间的网络有效地训练。

然而,如前所述,MMSE只能限制结果的相似度值,不能实现有效的分布预测。表1显示了测试集的三个例子。我们将MMSE值(这是不同的损失函数,结果是矩阵元素的数量的平均值)和余弦相似度值(不同于损失函数,结果的相似系数 ,其中1表示完全相似,−1代表完全相反)。第一行的数量分布铁路完成之前,第二行是新公司的数量的分布经过三年的建设,和下一个7行,分别预测的7个不同的损失函数。为方便显示,只显示密度矩阵。在这些数据中,黄颜色,密度值越低(最低为0),和红颜色,密度值越大(我们选择的最高价值是10。如果该值大于10,将纯红色)。预测的结果也可以反映该地区存在的可能性。

本文也统计平均的MMSE和余弦相似度的测试数据集,如图7。

4.2。统计和相关分析

为了进一步分析之前和之后的公司数量火车站的完成,公司的详细统计数据所示8和9(统计值为0意味着没有这方面的数据在统计数据)。

从这些数据中,我们可以看到,在火车站建设的影响下,这并不是说该地区将有更多新成立公司当地区更多的人口公司站之前完成。双峰分布结果,他们甚至可能有负面影响在一个特定区域。

这地区最有助于长江三角洲地区的发展吗?我们统计的数据阜阳、合肥、南京、镇江、苏州、上海、陆,无锡、宣城、杭州、绍兴、宁波、台州、温州、丽水、义乌、南昌、福州、伊春,衢州,安庆,常州,苏州,怀安,盐城,徐州,和其他地方。如图10,有22个城市和年度发展变化。上海是发展最快的城市整个长江三角洲地区。南京和杭州、温州和上海名列其后。

与此同时,我们比较上述三种不同的相关系数矩阵图。如图11,第一行和第一列的统计是整个长江三角洲。通过比较相关系数矩阵和导数相关系数矩阵,我们可以看到几个城市,从整个长江三角洲地区有很大的不同,比如上海和丽水。相关系数的范围,0.8 - -1.0意味着有一个很强的相关性之间的两个地方,0.6 - -0.8意味着两个地方之间有很强的相关性,0.4 - -0.6意味着两个地方有一个温和的相关性,0.2 - -0.4意味着两个地方有弱相关,和0.0 - -0.2意味着两个地方非常弱相关或不相关。

2007年,中国的火车加速第六次(77年,78年],它在促进经济发展发挥了重要作用,协调和城市之间的相互作用(验证了把时间图曲线的变化10)。以2007年为时间分割点,我们计算相关系数统计2007年5年,5年后(结合相关系数统计使用第三个组合导数)。如图12系数矩阵,通过比较,可以清楚地发现,铁路的建设有很大的对城市的发展和变化的影响。

同样,由于京沪高速铁路于2011年开业,Ningbo-Hangzhou高速铁路于2013年竣工。如图13,我们比较2013年前后五年相关系数矩阵。

5。讨论

convolution-deconvolution通过新技术的应用,本文采用混合深度学习网络处理时空数据的公司314年在长江三角洲火车站。网络实现了密度矩阵的预测和火车站周围的分布,如图4。通过七种不同类型的损失函数,我们得到不同的培训深入学习模型(图的结果6)。从表1和图8,我们可以看到网络训练的分布与损失函数的重要性。在这些损失函数,我们可以看到,尽管MMSE损失值的差异很小,分配结果很穷,甚至公司的人口分布地区的结果将丢失。我们还发现,2 d-dft在实际的训练结果也表现的很糟糕。培训的结果只能反映近似分布形状。当结合其他损失函数,结合MMSE可以改善相似的结果,但仍相对较低,结合余弦相似度更差。的损失函数,余弦相似性,尽管个人培训结果不是很满意,他们只能掌握的形状和特征分布。结合患者的过程中,网络训练不仅是小错误,但也更相似的分布。结果最符合密度矩阵。

统计的过程中公司的新增注册资本规模在火车站建于三年后(图9),我们发现的数量统计显示双峰形状,这就意味着一个特定城市的经济规模增长线性初始阶段的号码。公司增长达到最高时前完成项目的数量达到45 k - 50 k,平均达到24489 .33点;我们可以认为这个阶段增长时期。然而,在这个阶段,铁路的影响迅速下降。数量达到85 k时,它显示了一个跳跃,然后保持稳定增长。我们可以认为这个阶段发展的成熟阶段。比较注册资本的统计图在图9,我们发现结果是相似的,但他们更突出45 k - 50 k的部分。和平均注册资本达到1944758200元。其次是5159.8万元从35 k到40 k。注册资本中添加其他相应区域很小。

最后,从经济的角度关系,时间和空间演化的23个地区(包括22个城市和整个长江三角洲)在过去的40年计算和分析(图10)。结果表明,整体增长速度相对缓慢的在2007年之前,但在那之后,整个长江三角洲快速增长势头(这个时候,中国也进行了第六次列车速度增加(77年,78年]),上海是增长最快的城市整个长江三角洲。上海公司的数量显示飞跃增长。这个结果非常类似于国内生产总值(GDP)中国国家统计局(National Bureau of Statistics)的结果(79年]。它也证实了上海的领先地位和上海之间的巨大差异和整个长江三角洲(图11)。

通过进一步的观察11,我们发现在2007年之前,每个城市的发展不仅不同,而且与整个差相关。2007年之后,尽管新变化很大,城市之间的差异逐渐减小。通过比较矩阵的第一列,每个城市逐渐保持了整个长江三角洲的发展势头。这表明,铁路的建设或加速有很大的相关性与城市的发展变化。它发现,在5年之后2013(图13),长江三角洲的城市之间的关系得到进一步加强。尤其是之间的关系杭州、绍兴、宁波、台州、温州、丽水,义乌,衢州密切加强。其他主要城市也进一步发展。可以看出,高速铁路的快速发展有着重要影响的空间再分配经济活动和增强核心城市的地位。(21]。

6。结论和未来的研究方向

根据最新的研究进展在大数据领域,人工智能,智能城市、时空分布和注册公司在长江三角洲的经济规模在最近40年进行了分析。以车站为中心,公司之前和之后的变化分布的铁路进行了分析通过深入学习,和城市发展之间的关系的铁路通过统计分析和相关分析进行了探讨。利用ArcGIS engine和c#可视化大数据,空间聚类的结果三个省和一个城市在长江三角洲(图显示2)。

本文中的结果充分说明,大数据等新技术,人工智能,深度学习在智慧城市领域的应用前景广阔。实现经济发展预测铁路建设前后甚至可以揭示城市群协调发展的内在规律,为城市规划和建设提供数据支持。本文的使用和应用这种分析可以进行使用和测试应用程序的上下文中其他智能城市或特定方面的规模。

本文主要是两个方面的局限性。一个是文本的深入分析,主要是基于数据统计和计算的结果,缺乏明确的数据解释和有效使用由相关领域的专家。另一个限制是由深度学习模型预测结果。由于本文是第一个应用程序的数据,缺乏比较标准,只有深入学习算法的有效性可以从的角度考虑数据损失值的范围。展望未来,我们可能会进一步邀请相关领域的专家来使用数据更加完整和全面的方式来实现智能城市服务的终极目标。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(批准号61271351和61271351)。

引用

1. r·k·r·Kummitha和n . Crutzen”我们如何理解智能城市?进化的角度来看,“城市卷。67年,43-52,2017页。视图:出版商的网站|谷歌学术搜索
2. 苏k, l·杰,h·傅“智能城市和应用程序”《2011年国际会议上电子、通信和控制(ICECC)宁波,页1028 - 1031年,中国,2011年9月。视图:谷歌学术搜索
3. 白肢野牛,b . Scotney g·帕尔,s . Mcclean“智能城市体系结构和基于物联网的应用程序,“Procedia计算机科学52卷,第1094 - 1089页,2015年。视图:出版商的网站|谷歌学术搜索
4. 联合国,68%的世界人口将居住在城市,到2050年,联合国说美国,联合国,纽约,纽约,2018年,https://www.un.org/development/desa/en/news/population/2018-revision-of-world-urbanization-prospects.html。
5. 美国埃克曼,“智能城市规划”,国际E-Planning研究杂志》上,7卷,不。3、21、2018页。视图:出版商的网站|谷歌学术搜索
6. 森古普塔,c .娃娃,a Gasparatos et al .,“智能城市可持续发展:应用复杂性科学实现城市可持续发展,“UNU-IAS政策简报系列,12卷,p。2017。视图:谷歌学术搜索
7. 答:朱,“以数据为中心的智能城市的调查研究”信息系统工程,51卷,第259 - 239页,2018年。视图:谷歌学术搜索
8. c . j . Wang, z Xiong, z,“以数据为中心的智能城市的调查中,计算机研究与发展》杂志上,卷2,页239 - 259。视图:谷歌学术搜索
9. m·穆罕默迪和a . Al-Fuqaha”,使认知智能城市使用大数据和机器学习:方法和挑战,”IEEE通讯杂志卷,56号2、94 - 101年,2018页。视图:出版商的网站|谷歌学术搜索
10. Sagiroglu和d . Sinanc“大数据:一个评论,”《2013年国际会议上协作技术和系统(CTS)圣地亚哥,页42-47 CA,美国,2013年5月。视图:谷歌学术搜索
11. 谢z、x, z郑et al .,“使用多源地理空间大数据建模多中心城市化”,遥感,11卷,不。3,p。310年,2019年。视图:出版商的网站|谷歌学术搜索
12. b·p·l·刘,s . h . Marakkalage y周et al .,”的调查数据融合在智能城市应用程序中,“信息融合52卷,第374 - 357页,2019年。视图:出版商的网站|谷歌学术搜索
13. f .赵”思想在上海的对策为智能城市测绘地理信息服务,“上海土地资源,38卷,第95 - 93页,2017年。视图:谷歌学术搜索
14. d·t·t·有限,超级智能City-Happier社会更高的质量德勤,纽约,纽约,美国https://www2.deloitte.com/cn/en/pages/public-sector/articles/super-smart-city.html。
15. z Miao-Xi”,网络和空间结构的演变在长江三角洲,”地理研究,30卷,不。2、119 - 131年,2011页。视图:谷歌学术搜索
16. 问:Shui-Tu和j . f .焦”结构、产业集聚和区域经济增长:基于长江三角洲面板数据从2000年到2007年,“商业经济学杂志1卷,第74 - 67页,2010年。视图:谷歌学术搜索
17. d .壮族y杨、美国金和r·汉“长江三角洲的城市网络的进化基于战略性新兴产业,“Scientia Geographica中央研究院37卷,第553 - 546页,2017年。视图:谷歌学术搜索
18. h . Yu“战略概念的整合上海市区到长江三角洲城市群的发展,“上海城市管理,卷2,20,2018页。视图:谷歌学术搜索
19. j·李,“中国的经济性能的内在规律及其未来的发展趋势,“理论期刊,卷1,46 - 54岁,2014页。视图:谷歌学术搜索
20. c . c .程”的总体框架和战略长江经济区的协调均衡发展,”南通大学学报,卷1,1 - 8,2015页。视图:谷歌学术搜索
21. x李、黄,r·李和张y,“探索的影响高速铁路的空间再分配经济activities-Yangtze河三角洲城市群为例,“交通地理杂志57卷,第206 - 194页,2016年。视图:出版商的网站|谷歌学术搜索
22. h .长富和x元”,研究城市轨道交通在促进经济发展的作用,“Procedia工程21卷,第525 - 520页,2011年。视图:出版商的网站|谷歌学术搜索
23. r·d·马龙“运输和经济发展,”经济消化,3卷,8日至13日,1960页。视图:谷歌学术搜索
24. y·t·莫赫曼德,a . Wang和a·赛义德”交通基础设施对经济增长的影响:来自巴基斯坦的经验证据,”交通信,9卷,不。2、63 - 69年,2017页。视图:出版商的网站|谷歌学术搜索
25. p . f . Bangwayo-Skeete和r w••”可以谷歌数据改善游客数量的预测性能?混合数据抽样方法。”旅游管理,46卷,第464 - 454页,2015年。视图:出版商的网站|谷歌学术搜索
26. t . m . v . Kumar和b闹市区Dahiya (智能经济智能城市施普林格,新加坡,2017年。
27. j . Chan“大学教育不耐受的影响:来自谷歌搜索数据的证据,”应用经济学的信,26卷,不。2、83 - 86年,2018页。视图:谷歌学术搜索
28. r .吴俊和l . i鑫”旅游需求分析基于互联网大数据:怀柔的情况下,北京,“系统工程理论与实践,38卷,不。2、437 - 443年,2018页。视图:谷歌学术搜索
29. H.-W。小王和D.-R。陈,“经济衰退和与肥胖相关的互联网搜索行为在台湾:谷歌趋势分析数据,”JMIR公共卫生和监测,4卷,不。2,p . e37 2018。视图:出版商的网站|谷歌学术搜索
30. m . Scriney m·f·奥康纳和m . Roantree“从智能城市的网络数据,生成多维数据集”澳大拉西亚的计算机科学周Multiconference学报》上,页1 - 8,吉朗,澳大利亚,2017年1月。视图:谷歌学术搜索
31. r·森d Quercia, k . p . Gummadi“可伸缩的城市从网络数据收集,”《AAAI美国,旧金山,CA, 2017年2月。视图:谷歌学术搜索
32. b·j·阿尔贝托·l·j·埃米利奥问:Enedina et al .,“一个基于web的工具,自动数据收集、管理和可视化复杂的医疗调查研究包括社会网络分析,“计算和数学方法在医学卷,2017篇文章ID 2579848、8页,2017。视图:出版商的网站|谷歌学术搜索
33. a . Afaneh和i Shahrour”,使用GIS日出智能城市项目,大型智能城市的示威者,”《2017个传感器网络智能和新兴技术(SENSET),页1 - 4,贝鲁特,黎巴嫩,2017年9月。视图:出版商的网站|谷歌学术搜索
34. 美国Yamamura、l .风扇和y铃木“城市能效评估通过的BIM和GIS集成智能城市规划,“Procedia工程卷,180年,第1472 - 1462页,2017年。视图:出版商的网站|谷歌学术搜索
35. m·马卢夫,机器学习和数据挖掘的一些基本概念,”计算机安全的机器学习和数据挖掘施普林格,伦敦,英国,2006年。视图:出版商的网站|谷歌学术搜索
36. 卑尔根k·j·p·a·约翰逊,m . v . de箍g . c . Beroza和g·c . Beroza“机器学习在地球固体地球科学数据驱动的发现,“科学,卷363,不。6433,p . eaau0323 2019。视图:出版商的网站|谷歌学术搜索
37. 约旦和t·m·米切尔,“机器学习:趋势、视角和前景,”科学,卷349,不。6245年,第260 - 255页,2015年。视图:出版商的网站|谷歌学术搜索
38. y Tarutani k .桥本,长谷川g . et al .,“温度分布预测的数据中心由机器学习减少功耗,”诉讼IEEE国际会议上的云计算技术和科学加拿大温哥华,页635 - 642,2015年11月。视图:出版商的网站|谷歌学术搜索
39. j .下巴,诉卡拉汉,林,“理解和使用机器学习个性化智能城市服务,物联网、大数据”学报2017年IEEE 26日工业电子(ISIE)国际研讨会英国爱丁堡,页2050 - 2055,,2017年6月。视图:出版商的网站|谷歌学术搜索
40. n . Lei z罗,s . t .瑶族和d x顾,“几何深度学习的理解,”2018年,https://arxiv.org/abs/1805.10451。视图:谷歌学术搜索
41. y Lecun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
42. y Kai, j . Lei c . Yuqiang x,和百度,“深度学习:昨天、今天和明天,”计算机研究与发展》杂志上,20卷,不。6,1349年,页2013。视图:谷歌学术搜索
43. c . Balchandani r·k·Hatwar p . Makkar医生y Shah和m . Eirinaki“智能清扫街道的深度学习框架”学报2017年IEEE第三大数据计算国际会议服务和应用程序(BigDataService),页112 - 117年,旧金山,美国,2017年4月。视图:出版商的网站|谷歌学术搜索
44. c城东街,z .分析师Wensheng, y,“检测和识别的高速铁路接触网定位器基于深度学习,”中国科技大学学报47卷,第327 - 320页,2017年。视图:谷歌学术搜索
45. a . Camero t·贾马尔·d·h·,史托非等和e·阿尔巴,“进化深度学习停车场占用预测智能城市”第12届国际研讨会论文集,狮子2019年6月,卡拉,希腊,。视图:谷歌学术搜索
46. 中情局t·哈西姆诉Chang: b Anuar et al .,“智能城市大数据的角色,”国际信息管理杂志》上,36卷,不。5,748 - 758年,2016页。视图:出版商的网站|谷歌学术搜索
47. 夏姆斯,美国他,:k·李,美国,和美国j .公园,“对分布式计算机的使用大数据和深度学习技术,智能城市”学报2018年IEEE 38分布式计算系统国际会议(ICDCS),第1283 - 1276页,维也纳,奥地利,2018年7月。视图:出版商的网站|谷歌学术搜索
48. d·迈尔斯和j·w·McGuffee“选择scrapy,”计算科学学院杂志》上31卷,第89 - 83页,2015年。视图:谷歌学术搜索
49. c . Stephanidis g . Salvendy m . Antona et al .,“七HCI重大挑战,”国际期刊的人机交互,35卷,不。14日,第1269 - 1229页,2019年。视图:出版商的网站|谷歌学术搜索
50. a . b . a . p .迪克”,很难匹配正则表达式模式?“在学报2016年IEEE第57届研讨会上计算机科学的基础(foc)新布伦瑞克,页457 - 466年,新泽西,美国,2016年10月。视图:谷歌学术搜索
51. z Guojun, j·W。,S. Jihui, S. Fan, Z. Hao, and L. Jiang, “Design and application of intelligent dynamic crawler for web data mining,” in学报2017年第32青年学术年会的中国自动化协会(YAC)合肥,页1098 - 1105年,中国,2017年5月。视图:出版商的网站|谷歌学术搜索
52. f . Gessert w . Wingerath, s·弗里德里希·n·里特,“NoSQL数据库系统:一项调查和决策指导,”计算机科学研究和发展,32卷,不。3 - 4、353 - 365年,2017页。视图:出版商的网站|谷歌学术搜索
53. h .京e . Haihong l .关,d .剑“NoSQL数据库,调查”普适计算国际会议的程序和应用程序伊丽莎白港,页363 - 366年,南非,2011年10月。视图:出版商的网站|谷歌学术搜索
54. 和j·j .朱j . Wang,“大数据查询技术的研究和应用基于NoSQL数据库”中国铁道科学,35卷,不。1,第141 - 135页,2014。视图:谷歌学术搜索
55. y s Kang i . h .公园,j . Rhee黄懿慧李,“MongoDB-based库设计IoT-generated RFID /传感器大数据,”IEEE传感器杂志,16卷,不。2、485 - 497年,2015页。视图:出版商的网站|谷歌学术搜索
56. 李,h·杨,黄y和周,“地理空间大数据存储基于NoSQL数据库”,武汉大学的测绘学和信息科学,42卷,第169 - 163页,2017年。视图:谷歌学术搜索
57. m . Panagiotopoulou和a . Stratigea”空间数据管理和可视化工具和技术加强参与式E-planning智能城市”智能城市在地中海施普林格,可汗,瑞士,2017。视图:谷歌学术搜索
58. j·a·哈和m . a . Wong”算法是136k——聚类算法”,应用统计学,28卷,不。1,第108 - 100页,1979。视图:出版商的网站|谷歌学术搜索
59. t . Kanungo d·m·山:美国内塔尼亚胡,c, d . Piatko r·西尔弗曼和a . y .吴”有效k——聚类算法:分析和实现。”IEEE模式分析与机器智能,24卷,0 - 892年,2002页。视图:出版商的网站|谷歌学术搜索
60. a . Radhakrishna s Appu美国凯文,l . Aurelien f·帕斯卡和s . Sabine”SLIC superpixels先进的superpixel方法相比,“IEEE模式分析与机器智能34卷,第2282 - 2274页,2012年。视图:出版商的网站|谷歌学术搜索
61. 林x, h . Q。,H. Zhang, and Y. Huang, “The 5I model of smart city: a case of Shanghai, china,” in学报2015年IEEE第一次国际会议上大数据计算服务和应用程序雷德伍德城,页329 - 332年,CA,美国,2015年3月。视图:出版商的网站|谷歌学术搜索
62. d·m·霍金斯“过度拟合的问题,”化学信息和计算机科学杂志》上,44卷,不。44岁的1 - 12页。视图:出版商的网站|谷歌学术搜索
63. z . e .罗斯M.-A。迈耶,大肠Hauksson,这点“PWave到来挑选和电影极性与深度学习决心,”地球物理学研究杂志:固体地球,卷123,不。6,5120 - 5129年,2018页。视图:出版商的网站|谷歌学术搜索
64. j·格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al .,“生成敌对的网,”学报》国际会议神经信息处理系统加拿大蒙特利尔,页2672 - 2680,,2014年12月。视图:谷歌学术搜索
65. p . Mainali和r . Wittebrood机器学习反褶积滤波图像恢复的内核方法相比,贝灵汉,佤邦,2015年美国。
66. k . x张,他任美国,j .太阳,“深残余学习图像识别,”2015年,https://arxiv.org/abs/1512.03385。视图:谷歌学术搜索
67. 黄j·李,y, y锣,“改善cepstra最小均方误差降噪算法鲁棒语音识别,”IEEE国际会议上声学学报》上新奥尔良,页4865 - 4869年,洛杉矶,美国,2017年3月。视图:出版商的网站|谷歌学术搜索
68. t·庞、c·杜和j .朱“健壮的深度学习培训和阈值测试,通过反向叉”2017年,https://arxiv.org/abs/1706.00633。视图:谷歌学术搜索
69. h . v .阮和l .呗,”余弦相似性度量学习面对验证,”计算机视觉的亚洲会议昆士城,页709 - 720年,新西兰,2010年11月。视图:谷歌学术搜索
70. 卡拉,s . Nalesh b·r·穆和j·马修,“使用新颖的二维傅里叶变换,图像重建”先进的软计算在图像处理和机器学习a . e . Hassanien d·a·奥利瓦,Eds。,pp. 699–718, Springer International Publishing, Cham, Switzerland, 2018.视图:谷歌学术搜索
71. 陆h . d . Wang, c . Bo,“通过加权局部余弦相似性,视觉跟踪”IEEE控制论,45卷,不。45岁,1838 - 1850年,2015页。视图:出版商的网站|谷歌学术搜索
72. z道,h·刘,傅h . y .傅,“图像通过saliency-guided cosegmentation约束与余弦相似性聚类,”美国31日AAAI人工智能会议(AAAI-17)美国,旧金山,CA, 2017年2月。视图:谷歌学术搜索
73. 条件相关系数r . Siedlecki和d . Papla”作为分析工具蔓延的金融市场和实体经济指标的基础上,合成率,”Procedia-Social和行为科学卷,220年,第461 - 452页,2016年。视图:出版商的网站|谷歌学术搜索
74. z Haoqiang f .姗姗z, Di, m .哲”使用贝叶斯网络的风险分析内河运输系统考虑环境影响,”《交通信息与安全国际会议武汉,页689 - 694年,中国,2015年6月。视图:出版商的网站|谷歌学术搜索
75. z Guang-Yuan, d .天主教徒,l . Gong-Yuan,杨和y,“Anexperimental analysison铁路货运周转时间基于冲击强度的因素,”重庆大学学报(英文版)》16卷,第123 - 113页,2017年。视图:谷歌学术搜索
76. s·t·j·s·刘,c . Li Li h . m .香港和英国,“预测智能电表生命周期基于相关系数的分析,“应用力学和材料卷,313 - 314,629 - 633年,2013页。视图:出版商的网站|谷歌学术搜索
77. y胡,”第六火车速度的影响增加地处长江三角洲,”长江三角洲5卷,12 - 13,2007页。视图:谷歌学术搜索
78. 问:j .宗庆后t . Liu锣,b . Wang”动态响应研究速度增加现有铁路的路基,”中国铁道科学卷28日,7 - 11,2007页。视图:谷歌学术搜索
79. 中国,n . b . o . s . o,http://data.stats.gov.cn/ks.htm?cn=E0103&zb=A0101®=3100002019。

版权

版权©2020 Renzhou Gui et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。