智慧城市網格管理事件模式挖掘與預測

吳 俊 王杰藝 金耀輝 WU Jun, WANG Jieyi, JIN Yaohui

0 引言

工業革命以后，城市化的速度呈指數形式的增長，城市中每天都有數以千計的新住宅建成，全球范圍內每周有數百萬的人口遷入城市。快速城市化帶來了經濟發展的同時出現了許多問題，例如城市人口密度過高、交通堵塞、嚴重的環境污染等。

原有的人工管理方式已經無法覆蓋飛速增加的城市面積與城市問題，需要引入更加智能化的方式對城市進行管理，智慧城市的概念應運而生。智慧城市是城市使用先進的信息與通信手段采集多種數據，通過對數據進行分析處理以對城市管理與資源配置提供有效的支持[1]。

智慧城市的主要應用領域集中在城市公共安全、城市基礎設施、城市交通、能源及公共事業、環境保護、智慧治理等方面。本文的研究內容屬于智慧治理范疇。政府推進信息通信技術的構建，提高公民決策的參與程度，提高公共社會服務的效率，實現透明治理，更加有效的管理城市資源，這就是“智慧治理”[2]。考慮到城市管理的重要性以及各利益相關方協作以達到理想的城市發展水平、經濟增長率以及城市的宜居性，智慧治理是智慧城市研究發展的重要方向之一[3]。

當前在智慧城市和智慧治理領域國內外已有了一系列的研究工作，網格化管理是城市管理的電子化平臺，將整個城市分區按照一定的規則劃分成網格，由專門的網格中心監管人員對所管轄范圍內的網格進行巡查，當發現所管轄區域內出現問題后上報網格中心。同時，網格中心也收集來自于市民的投訴或建議，并統一上報處置。網格化管理的核心功能主要包括：基礎數據的采集與存儲、各類數據的智能化匯總統計與分析、各組織機構績效的考核與評比等。

表1 時間序列分析算法比較

城市各類問題事件都在不同程度上影響了人們的正常生活或財產安全，導致城市各類問題發生的影響因素可能眾多而復雜。本文主要圍繞時空行為信息學，充分利用互聯網、大數據等創新技術，基于網格化管理系統中采集得到的各類投訴數據，重點挖掘城市中各類問題事件的發生規律、可能的影響因素，全面、精確、實時地掌握各類風險動態，同時基于挖掘結果建立預測與預警模型。一方面能夠對各類事件在未來一段時間內最可能發生的時間進行預測，提前預防、控制可能發生的危險事故和突發事件。另一方面能夠對各類事件發生和演化過程進行監控和預警，因此能夠在危機事件發生后，做到有效的信息共享和協調聯動。核心目標是基于城市網格化管理數據，旨在推進智慧城市與智慧治理建設過程中，從城市與社區管理角度出發，有效地掌握數據采集、分析、預測的方法，實現人與技術的充分融合，在危機發生前及發生后均能做出有效的決策或行動，使城市與社區的管理更智慧、更高效、更安全。

本文研究包含了數據采集、數據分析、事件預測與預警等整套挖掘過程。從網格化管理系統中采集相應數據，并對包含居民投訴建議及各類基礎設施的基本信息建立多級數據倉庫，對多源數據進行數據關聯與融合；針對各類問題相關事件，結合基礎設施基本信息等多源數據，詳細分析導致每類事件發生的觸發因素，以及導致各類事件嚴重程度增加的演化因素；基于觸發因素關聯分析結果，建立多維度融合預測模型，對各類事件在未來一段時間的發展進行預測；基于演化因素關聯分析結果，對各類事件在發生和演化過程進行監控，并在事件急速惡化之前及時預警。

1 國內外研究現狀

1.1 智慧治理

巴布爾[4]認為市政府對解決全球性問題至關重要，并指出“市長統治世界”。目前，對城市智慧治理的行政重視已經與學術關注相平行。城市治理已經發展成為一個相對成熟的學術領域[5]。但是最近，電子政務和創新研究正在與它聯系起來，制定可使城市更加智能的方法[6]。吉爾[7]指出，智慧治理是一種新型電子治理形式，其利用先進的信息技術互聯和整合信息、流程、機構和物質基礎設施，使政府可以更好地為公民和社區服務。

KORTUEM G等[8]研究了智慧治理中公共服務以及社會管理方面的內容，在日常生活中，對于群眾的投訴、求助、社會事務等方面的處理可以鑲嵌在全市智慧管理和市場運作的社會服務體系之中，并在此基礎上為城市綜合規劃、應急響應、社區管理提供基礎平臺服務，實現政府一站式服務體系。在這種情況下，政府可以收集和分析城市各個地區的實時數據，為公眾提供更快捷、更靈活的服務。公眾可以通過手機、個人電腦等方式上傳信息，實現對事件的實時查詢。

1.2 時間序列模型

現有的大多數時間序列預測方法是不考慮不同城市事件之間關系的單一模型。小波變換、傅立葉變換和AutoPlait[9]可以檢測季節性，但是它們不能預測未來的事件。AR、ARIMA++、PLif[10]和Trimine[11]能夠挖掘時間序列的發展模式和預測未來的發展情況，但是由于它們使用線性模型，因此無法處理非線性情況。FUNNEL[12]、TBATS[13]可以捕獲單變量時間序列方法的所有模式，但是它們不能捕捉不同時間序列事件之間的關系。EcoWeb[14]是一種多元時間序列方法，但它只能處理競爭關系，而不能處理其他類型的關系。深度學習算法如LSTM等模型不具有可解釋性，無法解釋時間序列發展的內在原因，對實踐應用的幫助不大。表1展現了RBTA模型與其他時間序列分析模型的對比結果。

2 案例：上海市徐匯區網格中心

上海市徐匯區網格中心打造了具有徐匯特色的城區綜合治理體系，即1+13+X體系。1個區級平臺：在網格化管理的基礎上，融入12345市民服務熱線、聯動聯勤、應急處置等職能，拓展社會管理和公共服務事項，構建一體化運行的綜合樞紐。13個街鎮中心：通過重心下移、資源下沉和權力下放，讓最靠近服務對象的管理主體真正有職有權有人有物，使街道鎮成為城區管理和社會治理的重要平臺。延伸X個工作站：306個居民區、5個園區、1個地下軌交設立工作站，做到管理空間全覆蓋。徐匯區通過上述的體系標準，形成了一套行之有效的城市綜合管理方法，配套信息化手段，提升了智慧城市的能力水平。在推進過程中發現，傳統的信息化手段能夠提高網格化工作的效率，起到了事中事后監管的作用，但是把握不準城市管理事件發展的基本趨勢、周期性、異常事件和不同事件之間關系，僅能通過個人經驗對一些問題進行預測，存在較大的錯誤率。

本文使用徐匯區網格中心的實際業務數據來評估我們提出的模型RBTA，本次使用的徐匯區網格中心業務數據跨度從2016年1月1日到2016年12月31日，事件記錄93萬條，事件記錄數據包括發生的時間、事件所

圖1 公共設施損壞在全年內的發生次數資料來源：作者自繪。

圖2 RBTA時間序列分析模型框架資料來源：作者自繪。

表2 城市問題事件的分類及其所占比例

資料來源：作者自制。歸屬的類別、事件發生的地點（城建地理坐標系、所在街道、所在社區）等。

圖1描述了公共設施損壞這一問題事件在全年內的發生發展情況，橫軸是以天為單位的時間變化，縱軸是公共設施損壞發生的歸一化次數。

徐匯區的網格數據被人工分為6個一級分類和46個小類，表2描述了6個一級分類以及他們所占的比例。從中我們可以看出，市容市貌所占的比例最高，達到了50%以上，說明上海市徐匯區所受的最大困擾是市容市貌問題。

3 管理事件的模式挖掘及預測

3.1 模式挖掘

本文提出名為RBTA的多元時間序列模型，其框架如圖2所示。RBTA是基于一元時間序列模型TBATS，增加了不同事件間相互影響的因子。該模型背后的直覺邏輯是，不同的問題事件并不是相互獨立的，它們會影響一些事件的發生，同時受到其他事件的影響。例如，垃圾問題和涂鴉問題經常同時出現在一些整潔程度較差的街道上。同時一些事件之間存在競爭性的關系，比如街邊的違法設攤和非法停車，街邊的位置有限，當違法設攤被清除后會出現非法停車的情況。如圖3所示的事件間的競爭關系。

RBTA通過對來自于上海市徐匯區網格中心的實際數據進行評估，結果表明RBTA具有以下優點：

（1）該算法可以很好地獲取單個事件時間序列發展的全部規律，包括其發展的基本趨勢，即共同演化的非線性動態、季節性和特異事件，以及不同事件間的相互影響。算法所提取的時間序列發展規律是符合人類理解和邏輯的，相對于其他深度學習算法如LSTM等算法具有很強的可解釋性，強大的算法可解釋性可以為業務部門帶來對數據更深入的理解。算法的擬合均方根誤差是0.12，比現存的其他算法的誤差小。

（2）該算法可用于時間序列的長期預測，結果準確度相對于其他算法有明顯的提升。預測的均方誤差為0.15，比現有的最好算法準確率提高4.9%。

本文模型RBTA的數學公式如下所示[13]。

3.1.1 基本趨勢

在圖4中，觀測數據（圖中紅色的線條）是原始數據經過Box-Cox變換后的結果，Box-Cox變換的主要作用是將非穩態數據標準化以方便處理。圖中黑色的線條為RBTA模型從問題事件中所提取出的發展趨勢，綜合觀測數據和基本趨勢圖，可以看出RBTA模型很好地捕獲了問題事件協同演化發展中的長期和短期趨勢，從圖中可以看出在上半年問題事件出現小的波動但整體變化不劇烈，下半年問題事件發生的次數出現指數式增長。

3.1.2 季節性和特殊情況

圖3 事件間的相互影響資料來源：作者自繪。

圖5 問題事件的季節性和特異事件資料來源：作者自繪。

圖4 問題事件的原始數據和基本趨勢資料來源：作者自繪。

圖6 不同事件間的相互關系資料來源：作者自繪。

圖5 中，綠色線條描述了RBTA模型從問題事件中所提取出的季節性特征，可以看出該季節性特征是以7天為周期，受工作日劃分的影響較大，在工作日時問題事件的發生較多而非工作日時問題事件發生的數目較少。圖中紅色線條描述了問題事件發生的特異情況，相對于其他時間序列模型假設誤差服從高斯白噪聲分布，RBTA模型描述了噪聲的ARMA過程。

3.1.3 事件間的耦合關系

圖6描述了不同問題事件間的相互關系，由于問題事件的種類過多，為方便展示這里只選取了9類問題事件研究它們之間的相互影響，并設時間窗口l=1。圖中的c1對應于環衛環保類事件，c2對應于園林綠化類事件，c3對應于廢棄車輛類事件，c4對應于暴露垃圾類事件，c5對應于道路保潔類事件，c6對應于亂設戶外設施類事件，c7對應于墻面污損類事件，c8對應于跨門營業類事件，c9對應對于亂晾曬類事件。

圖6中橫軸的事件是受影響事件，縱軸的事件是影響因素，顏色越深表示縱軸的事件對橫軸事件的正向促進作用越大，即縱軸事件發生會很大程度上導致橫軸事件發生，顏色越淺說明兩個事件間的影響關系很小，當顏色淺至白色時說明縱軸事件對橫軸事件的抑制作用越大，即縱軸事件的發生會抑制橫軸事件的發生。從圖中可以看出，顏色并不是呈對稱分布的，這說明在多數情況下事件間的相互影響并不是堆成的。事件a會促進事件b的發生，但事件b并不能促使事件a發生。圖中對角線上的顏色也并不都呈現深色，這是因為一個事件的發展受其他事件影響的程度多于其自身過去的發展。這也是合理的，當今社會是一個十分復雜的結構，一個事件的發展受眾多因素的影響，不同事件間的關系呈現復雜的分布。

圖7 RBTA模型擬合結果資料來源：作者自繪。

圖9 RBTA預測模型資料來源：作者自繪。

圖8 擬合結果對比資料來源：作者自繪。

圖10 RBTA擬合結果資料來源：作者自繪。

另外，還可以看出c8對c1有促進作用，即跨門營業類事件會促使環衛環保類問題的出現，跨門營業是占用經營場所外的公共空間進行擺攤、放置貨物的行為，街道上如果很多商家都跨門經營，會在公共空間產生很多垃圾，并且因為街道被商家占用很難及時清理，在一段時間后會演化成嚴重的環衛環保類問題。c5對c7也有促進作用，即道路保潔問題會對墻面污損問題有促進，可以理解為當城市某條街道的道路保潔出現問題，即該街道整體干凈衛生情況較差，會繼續催生街道墻面的污損情況。c3、c7、c8是受其他事件影響較大，但自身過去的發展影響較小的事件，對于這一類事件未來發展情況的預測需要投入更多的精力研究其他事件的發展情況，而調低其自身過去發展的權重。c8對c7的發生發展存在抑制作用，而c7的發生對c8的影響作用不大。

3.1.4 擬合

圖7展示了RBTA模型的擬合結果，擬合的均方誤差（RMSE）是0.094，圖中淺色的線條是原始數據，深色的線條是RBTA的擬合結果，可以看出RBTA模型很好的抓住了原始數據的基本趨勢、季節性和特異情況，擬合的結果和原始數據相差很小。

為了證明RBTA算法的擬合結果強于現有的其他算法，我們將RBTA與其他算法進行比較，比較的算法包括TBATS算法、SARIMA算法以及Holt-Winters算法（圖8）。對比試驗的數據集在上海市徐匯區的網格數據中選取6個類型的數據作為展示，并在所有的共計46種類型的數據上進行擬合，將結果取平均值作為最終的結果。6個作為展示的問題事件類型分別是c1公共設施損壞事件，c2道路交通問題事件，c3園林綠化問題事件，c4垃圾問題事件，c5道路保潔問題事件，c6墻面亂涂寫問題事件。可以看出RBTA在這6類事件以及所有事件的均值結果上的均方擬合誤差都最小，擬合效果比TBATS、SARIMA和Holt-Winters的結果都好。

3.2 預測

預測算法的框架如圖9所示，在獲取RBTA的各項參數后，我們可以對不同的城市管理事件未來的發展情況進行預測。

圖11 預測結果對比資料來源：作者自繪。

圖10 展示了問題事件發展的預測結果，其中淡紅色的線條是真實數據，深紅色的線條是RBTA模型的預測結果，綠色的線條是TBATS模型的預測結果，橙色的線條是SARIMA模型的預測結果。可以看出，相對于其他算法的預測結果，RBTA模型的預測結果與真實數據最接近，預測誤差較小。且RBTA模型很好地捕獲了問題事件未來發展的趨勢、季節性以及特異情況，達到了很好的預測結果。TBATS模型在建模期間獲取了單個事件的發展規律，但對之后的發展趨勢預測有誤，導致預測結果與真實數據相差較大。SARIMA算法對于這種波動性較大的非平穩序列，傾向于使用最近幾次觀測值的平均值作為預測值以消除噪聲，尤其在預測時間較長時，SARIMA的預測誤差會更差。

圖11展現了不同時間序列預測模型對于上海市徐匯區網格中心的問題事件數據預測的均方誤差，我們將RBTA與其他算法的預測結果進行比較，比較的算法包括TBATS算法、SARIMA算法以及Holt-Winters算法。與擬合實驗類似，對比試驗的數據集在上海市徐匯區的網格數據中選取6個類型的數據作為展示，并在所有的共計46種類型的數據上進行擬合，將結果取平均值作為最終的結果。6個作為展示的問題事件類型分別是c1公共設施損壞事件，c2道路交通問題事件，c3園林綠化問題事件，c4垃圾問題事件，c5道路保潔問題事件，c6墻面亂涂寫問題事件。可以看出RBTA在這6類事件以及所有事件的均值結果上的預測誤差都最小，預測效果比TBATS、SARIMA和Holt-Winters的結果都好。

4 結語

本文研究了時間序列的模式挖掘與預測問題，創新性的提出了一個新的時間序列挖掘與預測的模型RBTA，該模型是在TBATS模型的基礎上引入不同時間序列相互影響的因素。RBTA具有很強的可解釋性，可以完整地獲取時間序列發展的基本趨勢、季節性、特異情況以及不同時間序列間的相互關系，并根據這些獲取的模式進行準確的擬合和預測，準確度優于現存的時間序列分析模型。本文用上海市徐匯區網格中心的真實業務數據對我們提出的模型RBTA進行評估，擬合與預測的誤差都小于現存的其他算法，預測的均方誤差為0.15，比現存最好的算法準確率提高了4.9%。

參考文獻 References

[1]HAMBLEN M. Just what is a smart city?[EB/OL]. (2015-10-01) [2018-03-06]. https://www.computerworld.com/article/2986403/internet-ofthings/just-what-is-a-smart-city.html.

[2]GIFFINGER R, FERTNER C, KRAMAR H, et al.City-ranking of European medium-sized cities[R].2014.

[3]DEAKIN M. Smart cities: governing, modeling,and analyzing the transition[M]. Oxford: Routledge,2013.

[4]BARBER B R. If mayors ruled the world:dysfunctional nations, rising cities[M]. New Haven:Yale University Press, 2013: 186.

[5]PIERRE J. Models of urban governance: the institutional dimension of urban politics[J]. Urban Affairs Review, 1999, 34(3): 372-396.

[6]NAM T, PARDO T A. Smart city as urban innovation:focusing on management, policy, and context[C]//Proceedings of the International Conference on Theory and Practice of Electronic Governance.Tallinn, Estonia, September, 2011: 185-194.

[7]GIL-GARCIA J R. Enacting electronic government success: an integrative study of governmentwide websites, organizational capabilities, and institutions[J]. Integrated, 2012, 22(21): 3144-3150.

[8]KORTUEM G, KAWSAR F, SUNDRAMOORTHY V, et al. Smart objects as building blocks for the Internet of things[J]. IEEE Internet Computing, 2009,14(1): 44-51.

[9]MATSUBARA Y, SAKURAI Y, FALOUTSOS C. AutoPlait: automatic mining of co-evolving time sequences[C]//ACM SIGMOD International Conference on Management of Data. 2014: 193-204.

[10]LI L, PRAKASH B A, FALOUTSOS C.Parsimonious linear fi ngerprinting for time series[J].Proceedings of the Vldb Endowment, 2010, 3(1-2):385-396.

[11]MATSUBARA Y, SAKURAI Y, FALOUTSOS C,et al. Fast mining and forecasting of complex timestamped events[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2012: 271-279.

[12]MATSUBARA Y, SAKURAI Y, PANHUIS W G V, et al. FUNNEL: automatic mining of spatially coevolving epidemics[C]//Proceedings of the 20th ACM SIGKDD Conference, New York City, August 24-27, 2014: 105-114.

[13]LIVERA A M D, HYNDMAN R J, SNYDER R D. Forecasting time series with complex seasonal patterns using exponential smoothing[J]. Monash Econometrics & Business Statistics Working Papers,2011, 106(496): 1513-1527.

[14]MATSUBARA Y, SAKURAI Y, FALOUTSOS C.The web as a jungle: non-linear dynamical systems for co-evolving online activities[J]. 2015, 24(3): 721-731.