市政績(jī)效評(píng)估數(shù)據(jù)聚類與均衡性的應(yīng)用研究.pdf

1、隨著城市規(guī)模的不斷拓展，城市管理要求的不斷提高，提高城市管理的現(xiàn)代化水平迫在眉睫，智慧城市應(yīng)運(yùn)而生。然而，智慧城市要落地，數(shù)字城管是基礎(chǔ)。目前，國(guó)內(nèi)不少城市的數(shù)字城管已基本建成并運(yùn)營(yíng)了不少時(shí)間，也極大提高了城市管理水平，積累了一定的數(shù)據(jù)量。如何利用這些數(shù)據(jù)，進(jìn)一步提高數(shù)字城管的管理效率，建立科學(xué)、合理的績(jī)效評(píng)估體系，構(gòu)建一個(gè)基于數(shù)字城管歷史數(shù)據(jù)的科學(xué)決策方法，具有重要意義。這就是本論文的產(chǎn)生背景。
　　論文首先介紹了數(shù)字城管國(guó)內(nèi)外

2、的研究現(xiàn)狀，分析了目前數(shù)字城管存在的問題，概述了論文將使用的相關(guān)技術(shù)；其次，綜述了聚類算法、聚類相似性度量、聚類有效性評(píng)估方法，分析了K-means聚類算法，針對(duì)其對(duì)初始簇心的選取敏感，需要人工指定聚類個(gè)數(shù)的問題，引用Kruskal算法和輪廓系數(shù)法對(duì)其進(jìn)行了改進(jìn)，利用UCI數(shù)據(jù)集當(dāng)中的Glass Identification數(shù)據(jù)集驗(yàn)證了改進(jìn)的K-means聚類算法的可靠性和自適應(yīng)性；再次，綜述了均衡性、離群點(diǎn)檢測(cè)，分析了LOF離群點(diǎn)檢測(cè)

3、算法，針對(duì)其檢測(cè)集體離群點(diǎn)效果差的問題，引用DBSCAN算法對(duì)其進(jìn)行了改進(jìn)，利用UCI數(shù)據(jù)集當(dāng)中的Iris數(shù)據(jù)集驗(yàn)證了改進(jìn)的LOF離群點(diǎn)檢測(cè)算法能夠從全局和局部檢測(cè)出點(diǎn)離群點(diǎn)和集體離群點(diǎn)。
　　論文以重慶市某區(qū)數(shù)字城管為應(yīng)用案例。首先，分析了該區(qū)數(shù)字城管的應(yīng)用場(chǎng)景，設(shè)計(jì)了改進(jìn)的數(shù)字城管的軟件結(jié)構(gòu)、軟件功能結(jié)構(gòu)、數(shù)據(jù)結(jié)構(gòu)；其次，根據(jù)該區(qū)數(shù)字城管的數(shù)據(jù)特征，采用 ETL技術(shù)對(duì)數(shù)據(jù)抽取、清洗、轉(zhuǎn)換并加載到數(shù)據(jù)倉(cāng)庫(kù)中；最后，利用OLAP技