一种应用于未来社区综合数据智能分析方法和系统

摘要

本发明提供了一种应用于未来社区综合数据智能分析方法和系统，所述方法包括：获取当前社区每个房子的属性数据，并获取当前社区整体布局和属性数据；根据当前社区每个房子的属性数据、社区整体布局和属性数据分别进行房子风险类型预测和社区风险类型预测；根据预测的结果预先设置动态安全风险分值，获取当前社区内发生的安全风险事件和住户的投诉事件对所述动态安全风险分值进行增减；根据实际增减后的动态安全风险分值对社区进行动态维护。所述方法和系统通过物联网系统获取当前社区的相关房子属性数据，并结合所述房子属性数据进行数据分析，预测当前社区的房子是否存在相关的风险类型，根据预测的房子安全风险类型执行相关措施进行补救。

权利要求

1.一种应用于未来社区综合数据智能分析方法，其特征在于，所述方法包括：

获取当前社区每个房子的属性数据，并获取当前社区整体布局和属性数据；

根据当前社区每个房子的属性数据、社区整体布局和属性数据分别进行房子风险类型预测和社区风险类型预测；

根据预测的结果预先设置动态安全风险分值，获取当前社区内发生的包括安全风险事件、住户的投诉事件和维护修缮事件对所述动态安全风险分值进行增减；

根据实际增减后的动态安全风险分值和预设对应类型风险阈值对社区进行动态维护；

所述每个房子的属性数据包括：房子房龄、房子主要材质，房子装修材质、房子自身年平均温度和湿度、房子自身布局，房子在社区中的位置以及房子内部线路老化和燃气管老化数据；

对所述房子进行风险类型预测的方法包括：将上述每个房子的属性数据转化为分类的房子属性矩阵数据，矩阵中每个数值代表着一个属性维度的数值数据，将上述房子属性矩阵数据输入到训练好深度学习模型中进行训练，其中通过调整所述深度学习模型的超参数训练后得到训练好的房子风险预测模型，通过所述房子风险预测模型输出对应房子的风险个数和风险类型后，执行相关的风险处理操作；

所述社区整体布局和属性数据包括：社区每个通道的宽度数据，社区容积率、社区平均房龄、社区主干道宽度和路况、社区绿化率，社区年平均温度和湿度，社区卫生数据、社区公共线路和燃气管老化数据；

对所述社区整体布局和属性数据进行风险类型预测方法包括：上述社区布局和属性数据转化为分类的社区布局和属性矩阵数据，矩阵中每个数值代表着一个属性或布局维度的数值数据，将上述社区布局和属性矩阵数据输入到训练好的深度学习模型中进行预测，其中通过调整所述深度学习模型的超参数并训练后得到训练好的社区风险预测模型，通过所述社区风险预测模型输出当前社区的风险个数和风险类型后，执行相关的风险处理操作；

所述动态安全风险分值的构建方法包括：获取每个房子被预测的风险类型，将每个房子被预测的风险类型进行预先定值，统计所述社区内所有房子被预测到的风险类型，将存在相同风险类型房子进行风险类型进行相同定值并求和，获取社区被预测的风险类型，将所述社区预测的风险类型进行定值，并具有相同分险类型的房子和社区进行加权求和，得到社区整体上每个分险类型的动态安全风险分值。

2.根据权利要求1所述的一种应用于未来社区综合数据智能分析方法，其特征在于，所述动态安全风险分值的增减方法包括：获取一段时间内社区发生的安全风险事件和业主投诉事件，并判断所述社区内安全风险事件和业主投诉事件的风险类型，并根据风险类型的严重程度进行对应风险类型动态安全风险分值的动态减分操作；若当前社区内执行过相关风险类型的维护修缮行为，则在执行所述维护修缮行为后将对应风险类型的的动态安全风险分值进行动态加分操作。

3.根据权利要求2所述的一种应用于未来社区综合数据智能分析方法，其特征在于，所述方法包括：设置每个风险类型的动态安全风险阈值，若经过对对应风险类型的所述动态安全风险分值进行增减操作后，使得对应风险类型的动态安全风险分值超出了对应的动态安全风险阈值，则自动生成对应的维护修缮任务。

4.一种应用于未来社区综合数据智能分析系统，其特征在于，所述系统执行权利要求

1‑3中任意一项所述的一种应用于未来社区综合数据智能分析方法。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行以实现上述一种应用于未来社区综合数据智能分析方法。

说明书

一种应用于未来社区综合数据智能分析方法和系统

技术领域

[0001] 本发明涉及智慧社区技术领域，特别涉及一种应用于未来社区综合数据智能分析方法和系统。

背景技术

[0002] 目前现有的社区管理，其存在诸多问题，随着社区年限的增加，社区管理的疏忽，就会导致社区火灾等风险系数增加，而社区又存在车辆乱停乱放的情况，最终导致火灾不可挽救的情况比比皆是。也就是说现有社区管理还是基于传统的人工为主的管理方式，缺乏科学安全有效的管理模式，不利于社区的安全管理。

发明内容

[0003] 本发明其中一个发明目的在于提供一种应用于未来社区综合数据智能分析方法和系统，所述方法和系统通过物联网系统获取当前社区的相关房子属性数据，并结合所述房子属性数据进行数据分析，预测当前社区的房子是否存在相关的风险类型，根据预测的房子安全风险类型执行相关措施进行补救。

[0004] 本发明另一个发明目的在于提供一种应用于未来社区综合数据智能分析方法和系统，所述方法和系统在获取到当前社区相关房子属性后，并进一步获取社区整体属性布局数据，根据所述社区整体属性布局数据后，预测当前社区存在的安全风险类型，并进一步根据安全风险类型进行社区整体的安全综合管理。

[0005] 本发明另一个发明目的在于提供一种应用于未来社区综合数据智能分析方法和系统，所述方法和系统通过建立社区维护的动态安全风险分值制度，根据当前社区用户的反馈和安全事故进行动态增减，根据增减的动态安全分值进行动态的安全风险管理操作。

[0006] 为了实现至少一个上述发明目的，本发明进一步提供一种应用于未来社区综合数据智能分析方法，所述方法包括：

[0007] 获取当前社区每个房子的属性数据，并获取当前社区整体布局和属性数据；

[0008] 根据当前社区每个房子的属性数据、社区整体布局和属性数据分别进行房子风险类型预测和社区风险类型预测；

[0009] 根据预测的结果预先设置动态安全风险分值，获取当前社区内发生的安全风险事件和住户的投诉事件对所述动态安全风险分值进行增减；

[0010] 根据实际增减后的动态安全风险分值对社区进行动态维护。

[0011] 根据本发明其中一个较佳实施例，所述每个房子的属性数据包括：房子房龄、房子主要材质，房子装修材质、房子自身年平均温度和湿度、房子自身布局，房子在社区中的位置以及房子内部线路老化和燃气管老化数据。

[0012] 根据本发明另一个较佳实施例，对所述房子进行风险类型预测的方法包括：将上述每个房子的属性数据转化为分类的房子属性矩阵数据，矩阵中每个数值代表着一个属性维度的数值数据，将上述房子属性矩阵数据输入到训练好的深度学习模型中进行预测，通过调整所述深度学习模型的超参数并训练后得到训练好的房子风险预测模型，通过所述房子风险预测模型输出对应房子的风险个数和风险类型后，执行相关的风险处理操作。

[0013] 根据本发明另一个较佳实施例，所述社区整体布局和属性数据包括：社区每个通道的宽度数据，社区容积率、社区平均房龄、社区主干道宽度和路况、社区绿化率，社区年平均温度和湿度，社区卫生数据、社区公共线路和燃气管老化数据。

[0014] 根据本发明另一个较佳实施例，对所述社区整体布局和属性数据进行风险类型预测方法包括：上述社区布局和属性数据转化为分类的社区布局和属性矩阵数据，矩阵中每个数值代表着一个属性或布局维度的数值数据，将上述社区布局和属性矩阵数据输入到训练好的深度学习模型中进行预测，其中通过调整所述深度学习模型的超参数并训练后得到训练好的社区风险预测模型，通过所述社区风险预测模型输出当前社区的风险个数和风险类型后，执行相关的风险处理操作。

[0015] 根据本发明另一个较佳实施例，所述动态安全风险分值的构建方法包括：获取每个房子被预测的风险类型，将每个房子被预测的风险类型进行预先定值，统计所述社区内所有房子被预测到的风险类型，将存在相同风险类型房子进行风险类型进行相同定值并求和，获取社区被预测的风险类型，将所述社区预测的风险类型进行定值，并具有相同分险类型的房子和社区进行加权求和，得到社区整体上每个分险类型的动态安全风险分值。

[0016] 根据本发明另一个较佳实施例，所述动态安全风险分值的增减方法包括：获取一段时间内社区发生的安全风险事件和业主投诉事件，并判断所述社区内安全风险事件和业主投诉事件的风险类型，并根据风险类型的严重程度进行对应风险类型动态安全风险分值的动态减分操作；若当前社区内执行过相关风险类型的维护修缮行为，则在执行所述维护修缮行为后将对应风险类型的的动态安全风险分值进行动态加分操作。

[0017] 根据本发明另一个较佳实施例，所述方法包括：设置每个风险类型的动态安全风险阈值，若经过对对应风险类型的所述动态安全风险分值进行增减操作后，使得对应风险类型的动态安全风险分值超出了对应的动态安全风险阈值，则自动生成对应的维护修缮任务。

[0018] 为了实现至少一个上述发明目的，本发明进一步提供一种应用于未来社区综合数据智能分析系统，所述系统执行上述一种应用于未来社区综合数据智能分析方法。

[0019] 本发明进一步提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行以实现上述一种应用于未来社区综合数据智能分析方法。

附图说明

[0020] 图1显示的是本发明一种应用于未来社区综合数据智能分析方法流程示意图。

具体实施方式

[0021] 以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

[0022] 可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

[0023] 请结合图1，本发明公开了一种应用于未来社区综合数据智能分析方法和系统，其中所述方法主要包括如下步骤：首先通过相关的物联网系统获取当前社区内每个房子自身的属性数据，其中所述房子属性数据包括但不仅限于房子房龄、房子主要材质，房子装修材质、房子自身年平均温度和湿度、房子自身布局，房子在社区中的位置以及房子内部线路老化和燃气管老化数据。其中上述房子属性数据中房龄、房子在社区中的位置和房子自身布局可以通过接通房管局数据获取；或者采用包括但不仅限于问卷调查的方式获取上述每个房子的属性数据。在获取到每个房子属性类型后，进行风险类型判断输入数据的构建，其中所述风险类型判断输入数据需要将上述属性数据中的状态数据转化为数值数据xi,其中i下标表示将对应的属性类型，比如定义房子主材料可以是木质、泥质、钢筋混凝土质等，将所述房子主材料定义为x2，其中所述x2∈(1,2,3)，数值1、2和3分别表示主材料是木质、泥质、钢筋混凝土质。其中x2为房子主材料属性的一个维度，该维度体现在矩阵中的位置。并进一步获取所述社区布局和属性数据，所述社区布局和属性数据采用包括但不仅限于问卷调查的方式获取，所述社区布局和属性数据包括但不仅限于社区每个通道的宽度数据，社区容积率、社区平均房龄、社区主干道宽度和路况、社区绿化率，社区年平均温度和湿度，社区卫生数据、社区公共线路和燃气管老化数据。进一步将上述社区布局和属性数据中的状态数据转化为数值数据，得到社区布局和属性数据的数值数据yj，其中j下标表示社区布局和属性数据的维度。因此在通过上述数据预处理后，得到相对干净的输入数据，其中所述输入数据可以以矩阵的方式存设置，即矩阵每个位置表示对应维度，矩阵值为该维度下具体分类值。本发明通过预先训练深度学习模型，分别得到用于上述输入数据进行对应房子风险类型辨别的房子风险预测模型和社区风险预测模型。分别利用上述训练好的两个模型判断每个房子的风险数目和类型，以及社区风险数目和类型后，执行对该社区整体上的不同类型风险的判定，进一步执行对应的社区维护工作。

[0024] 其中针对所述房子风险预测模型的构建方法，本发明将上述房子房龄、房子装修材质、房子自身年平均温度、房子自身年平均湿度、房子自身布局，房子在社区中的位置，房子内部线路老化和房子内部燃气管老化数据分别进行数值化定义，可以得到对应的x1、x2、x3、x4、x5、x6、x7、x8,等8维数据，上述8维数据作为所述房子属性提取的特征数据，需要说明的是，上述8维数据仅仅是作为举例说明，针对房子属性的特征维度可以不仅限于8个维度，本发明对此不再详细赘述，将上述8维数据进行数据清洗后得到8维房子风险输入矩阵[x1,Tx2,x3,x4,x5,x6,x7,x8] ，其中所述数据清洗的操作包括但不仅限于去除0和负值、缺失值的插值补充等操作，其中所述8维房子风险输入矩阵可以进行归一化处理。所述房子风险预测模型的训练数据可以采集该社区或其它社区的历史数据构建初始样本集，将所述初始样本集按照上述输入数据形式进行数据预处理得到样本集，将所述样本集分成训练集和测试集，采用包括但不仅限于CNN、R‑CNN深度学习模型进行上述训练集的训练，激活函数可采用包括但不仅限于sigmoid函数，通过调整超参数调整模型训练的结果，直到模型训练满足损失函数的收敛要求。通过测试集测试模型的训练结果，进一步得到训练好的所述房子风险预测模型。需要说明的是针对上述房子风险预测模型的训练和测试本身为深度学习模型训练的现有技术，本发明并未对深度学习训练方法进行改进，因此本发明不再对深度学习训练过程细节不再详细赘述。当利用当前社区历史数据或其它社区历史数据训练得到上述房子风险预测模型后，进一步收集当前社区当前一定时间段内的每个房子风险输入数据，构建8维房子风险输入矩阵。该输入矩阵输入到所述训练好的房子风险预测模型后，输出当前每个房子预测到的风险类型和风险数目。

[0025] 进一步的，针对所述社区风险预测模型的构建方法，本发明将上述社区每个通道的宽度数据，社区容积率、社区平均房龄、社区主干道宽度和路况、社区绿化率，社区年平均温度和湿度，社区卫生数据、社区公共线路和燃气管老化数据分别进行特征提取，将非数值数据的状态数据转化为对应维度的数值数据，比如社区卫生数据可以转化为好(3)、一般(2)、差(1)的数值数据，对应的数值型数据可以经过数据的归一化处理后得到对应维度的数值数据。其中上述社区每个通道的宽度数据，社区容积率、社区平均房龄、社区主干道宽度、社区主干道路况、社区绿化率、社区年平均温度、社区年平均湿度、社区卫生数据、社区公共线路老化数据和社区公共燃气管老化数据等转化为11维特征数据，依次为y1、y2、y3、y4、y5、y6、y7、y8、y9、y10、y11。并进一步将上述11维特征数据进行数据清洗后得到基于社区布局和属性的11维特征矩阵[y1、y2、y3、y4、y5、y6、y7、y8、y9、y10、y11],需要说明的是，上述维度数在本发明中仅仅是举例说明，本发明可以根据社区实际需要进行特征维度的增减，本发明对此不再详细赘述。社区风险预测模型的训练数据可以采集该社区或其它社区的历史数据构建初始样本集，将所述初始样本集按照上述输入数据形式进行数据预处理得到样本集，将所述样本集分成训练集和测试集，采用包括但不仅限于CNN、R‑CNN深度学习模型进行上述训练集的训练，激活函数可采用包括但不仅限于sigmoid函数，通过调整超参数调整模型训练的结果，直到模型训练满足损失函数的收敛要求。通过测试集测试模型的训练结果，进一步得到训练好的所述房子风险预测模型。需要说明的是针对上述社区风险预测模型的训练和测试本身为深度学习模型训练的现有技术，本发明并未对深度学习训练方法进行改进，因此本发明不再对深度学习训练过程细节不再详细赘述。当利用当前社区历史数据或其它社区历史数据训练得到上述社区风险预测模型后，进一步收集当前社区当前一定时间段内的社区特征输入数据，构建11维社区风险输入矩阵。该社区风险输入矩阵输入到所述训练好的社区风险预测模型后，输出当前社区预测到的风险类型和风险数目。需要说明的是，本发明不仅限于用深度学习模型仅限预测，还可以直接从获得的布局属性数据中进行直接的分析得到预测结果。本发明对此不再详细赘述。

[0026] 在完成了上述房子风险预测模型对每个房子的风险预测后，进一步统计每个房子的风险类型和数目，并对每个房子风险类型进行赋值，定义当前房子风险为S1,当前房子预测到的风险类型可能为房屋火灾风险p1、房屋倒塌风险p2、急救安全风险p3,盗窃风险p4,卫生传染病风险p5。假设当前房子S1预测到的风险为火灾风险p1和急救安全风险p3,本发明中针对每个预测存在的风险均赋值为1，比如预测到存在火灾风险p1，此时火灾风险p1＝1，若未预测到火灾，此时p1＝0。因此针对每个房子风险Si其对应的风险类别统计值为Si＝[p1i,p2i,p3i,p4i,p5i],i为房子标识。进一步统计该社区内所有房子的不同风险类型统计值：n为统计预测到的社区房子总数，因此可以得
到社区内所有房子不同风险的类型的总数值。

[0027] 进一步通过所述社区风险模型预测当前社区的风险类型V1，其中风险类型可以是社区火灾险q1、社区房屋倒塌风险q2、社区急救安全风险q3，盗窃风风

[0028] 险q4,卫生传染病风险q5。此时通过上述社区风险模型预测风险类型统计值为：V1＝[q1,q2,q3,q4,q5]，其中上述社区风险类型值在本发明中的定义方式为：若通过所述社区风险模型存在相关的风险类型，则该风险类型值为1，否则该风险类型值为0。

[0029] 在完成上述每个房子的风险类型预测和社区风险类型预测后，进一步执行所述社区整体上的动态安全风险分值U的计算，由于本发明中社区风险预测模的风险类型设置和房屋风险模型设置风险类型相同，因此本发明可以针对每个风险类型进行社区整体风险的计算，所述计算方法包括：分别设置社区和房子风险的权值 γ 和μ，其中 γ+μ＝1，进一步设置每个风险类型阈值，定义定义U1y为U1风险阈值； 定义U2y为U2风险阈值；
定义U3y为U3风险阈值； 定义U4y为U4风险阈值；
定义U5y为U5风险阈值。在完成基于社区整体的上述不同风险类型总
数值统计后作为动态安全风险分值[U1,U2,U5,U4,U5,]，根据社区出现的安全事件、业主投诉和维护修缮任务动态调整上述不同风险类型的动态安全风险分值。并将调整后的动态安全风险分值和对应的风险类型阈值进行对比，并生成对比后的任务。

[0030] 具体而言，若当前社区内存在食物中毒或传染病等卫生安全事件，则对应的卫生传染病风险U5值将根据严重程度进行加分，比如最重的加分为100分，最轻的加分为10分，此时需要判断加分后的卫生传染病风险U5和对应的风险阈值U5y进行比较，若加分后的卫生传染病风险U5大于所述风险阈值U5y，则自动生成卫生管理任务，所述卫生管理任务可以通过互联网平台传送到指定的监管部门，对应监管部门执行相应的卫生管理任务。上述举例仅以一种实施例子说明，本发明针对不同风险类型生成不同的社区管理任务。从而实现社区高效安全的管理效果。

[0031] 本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质如上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。

[0032] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0033] 本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。