[發明專利]一種大數據分析方法、系統、電子設備及存儲介質

在審

• 申請號: 202310104090.8
• 申請日: 2023-02-13
• 公開（公告）號: CN116307840A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 周韶甫;王景虎
• 申請（專利權）人: 中共赤峰市紀律檢查委員會;內蒙古金泰中威科技有限責任公司
• 主分類號: G06Q10/0639
• 分類號: G06Q10/0639;G06Q50/26
• 代理公司: 佛山知正知識產權代理事務所(特殊普通合伙) 44483
• 代理人: 李亞婷

1.一種大數據分析方法，其特征在于，所述方法包括：

通過物聯網采集目標區域在歷史時間段內的環境數據，將所述環境數據輸入預設的環境質量卷積模型得到所述目標區域的非期望產出指標；所述環境質量卷積模型為添加了BN批標準化層的一維卷積神經網絡；

獲取所述目標區域在歷史時間段內的經濟數據，根據所述經濟數據計算所述目標區域在歷史時間段內的投入指標和期望產出指標；

將所述非期望產出指標、所述投入指標和所述期望產出指標輸入預設的環境經濟DEA數據包絡分析模型，得到所述目標區域的環境經濟效率。

2.根據權利要求1所述的一種大數據分析方法，其特征在于，所述環境質量卷積模型的結構依次包括輸入層、卷積層、池化層、所述BN層、全連接層、sigmoid分類器和輸出層；所述環境質量卷積模型分析所述環境數據得到所述目標區域的非期望產出指標的過程包括：

通過所述輸入層輸入所述環境數據；所述環境數據包括風速、風向、溫度、濕度、噪聲、氣壓、光照強度、PM2.5濃度、CO₂濃度中的至少一種；

利用所述卷積層提取所述環境數據的第一特征，通過所述池化層的下采樣操作提取所述環境數據的第二特征；

通過所述BN層特征對所述第一特征和所述第二特征進行重構變換，得到第三特征和第四特征，使所述第三特征和所述第四特征與測試集樣本具有相同的分布；

使用全連接層將所述第三特征和所述第四特征進行合成，通過si?gmo?id分類器和所述輸出層輸出預測結果，作為所述目標區域的非期望產出指標。

3.根據權利要求2所述的一種大數據分析方法，其特征在于，在通過所述BN層特征對所述第一特征和所述第二特征進行重構變換之前，所述方法還包括：

計算訓練集樣本的平均值和方差；所述訓練集樣本為所述第一特征或所述第二特征；

根據所述平均值和方差計算所述訓練集樣本的平均差：

其中，y_i為所述平均差，x_i為所述訓練集樣本中的任意一個單樣本、μ和σ²為所述平均值和所述方差、α為預設參數；

根據所述平均差和可學習參數構建轉化方程：

z_i＝εy_i+f

其中，z_i為測試集樣本中的任意一個單樣本、ε和f為可學習參數；

將可學習參數與原始網絡模型一起訓練，使所述訓練集樣本的數據特征域轉化為測試樣本的數據特征域，更新ε和f。

4.根據權利要求1所述的一種大數據分析方法，其特征在于，所述投入指標包括固定資本投入、勞動力投入和能源投入；所述期望產出指標為所述目標區域在歷史時間段內的GDP。

5.根據權利要求1所述的一種大數據分析方法，其特征在于，將所述非期望產出指標、所述投入指標和所述期望產出指標輸入預設的環境經濟DEA數據包絡分析模型，得到所述目標區域的環境經濟效率，包括：

所述環境經濟DEA模型獲取所述目標區域在歷史時間段內的規劃指標；所述規劃指標包括規劃非期望產出指標、規劃投入指標和規劃期望產出指標；

根據所述規劃指標和輸入的所述非期望產出指標、所述投入指標和所述期望產出指標，計算輸入冗余量、非期望產出冗余和期望產出冗余；

將所述輸入冗余量、所述非期望產出冗余和所述期望產出冗余代入所述環境經濟DEA模型的約束條件方程，得到經濟效率值和環境效率值；

使用所述經濟效率值和所述環境效率值所述目標區域的環境經濟效率。