有关离散选择模型在智慧社区中的应用毕业论文写作资料-论文写作网

简介:大学硕士与本科智慧社区毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写智慧社区方面论文范文。

智慧社区论文范文

摘要随着信息科学基础的大力发展, “智慧城市”已成为我国各个城市探索与发展的趋势,作为“智慧城市”重要内容的“智慧社区”探索与建设也成为一种必然.大数据挖掘技术为智慧社区的实现提供了关键性技术支撑,让社区管理与服务智能化、信息化成为了可能.本文通过离散选择模型技术在社区智慧旅游套餐产品的应用为案例,详细阐述了大数据技术在智慧社区中的实际应用,有效证实了大数据技术应用的可行性.

关键词智慧社区,SP调研,大数据,离散选择模型,智慧旅游

doi:10.3969/j.issn.1674-7933.2016.04.006

作者简介：姚薇,女,1974年生,博士研究生,高级工程师,主要从事及研究领域：大数据建模、大数据分析,Email:yaowei@yaoweigroup.com.

0引言

随着信息科学基础的大力发展, “智慧城市”已成为我国各个城市探索与发展的趋势,作为“智慧城市”重要内容的“智慧社区”探索与建设也成为一种必然.大数据挖掘技术为智慧社区的实现提供了关键性技术支撑,让社区管理与服务智能化、信息化成为了可能.

近年来,我国许多城市逐渐开展“智慧城市”建设,以解决城市发展中的难题,探索城市可持续发展道路.建设智慧城市已成为当今世界城市发展不可逆转的历史潮流,我国各个城市探索与开展“智慧城市”建设将是一种历史潮流和趋势.社区作为城市的细胞,智慧城市的体现离不开一个个社区的智能化与信息化.因此, “智慧社区”是“智慧城市”的重要组成部分,建设智慧社区是智慧城市建设的必要任务.

智慧社区是指充分利用物联网、云计算、移动互联网等论文范文信息技术的集成应用,为社区居民提供一个安全、舒适、便利的现代化、智慧化生活环境,从而形成基于信息化、智能化社会管理与服务的一种新的管理形态的社区.基于物联网、云计算、大数据挖掘等高新技术的“智慧社区”是一个以人为本的智能管理系统,为社区居民提供一个安全、舒适、便利的现代化、智慧化生活环境,使得居民工作和生活更为便捷、舒适、高效.

1大数据挖掘支撑技术

大数据挖掘和分析技术是智慧社区实现“智慧化”的关键性支撑技术,其作用越来越在人民生活中体现,可以说“智慧社区”的建设离不开数据挖掘技术.建设智慧社区,是智慧社区乃至智慧城市发展的新范式和新战略.大数据将遍布智慧社区的方方面面,从政府决策与服务,到社区居民衣食住行的生活方式,再到社区的服务布局和整体规划,直到政府的管理方式,都将在大数据支撑下走向“智慧化”,大数据成为智慧社区的智慧引擎.

数据挖掘(Data Mining)又称数据库中的知识发现(KDD),是目前人工智能和数据库领域研究的热点问题.数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的决策支持过程.

数据挖掘技术主要包括分类、估计、预测、相关性分组或关联规则、聚类、复杂数据类型挖掘等的技术与方法.目前,主要应用在智慧社区建设中的大数据技术有：K_Means聚类算法、关联规则挖掘算法、隐马尔科夫预测模型(HMM)、线性回归(Logistic LinearRegression)算法、主成分分析(PCA)算法等.

2智慧社区的大数据及应用

智慧社区平台通常是一个综合性的服务平台,整合了政府社区政务平台、社区生活和便民服务平台以及社区居民信息等海量社区的相关数据信息.通过数据挖掘与分析技术获取有价值的信息,可以为政府、商家、社区居民做决策或参与社区服务提供信息参考.

2.1政府信息服务

利用关联规则挖掘方法,为政府提供居民未来的生活需求信息建议,帮助政府科学、合理布局社区周边商业网点和生活配套设施规划设计,提高政府服务提供的科学性与有效性；通过对社区居民的医、食、住、行等数据分析并结合某些疾病与生活和饮食习惯的关联,从而指导地方政府提前预防某些传染病和慢性疾病的形成.

2.2商家信息服务

针对居民在智慧社区平台的消费信息和记录数据进行挖掘,帮助平台上的商家实现精准营销.例如：通过分析不同类型居民消费产品和服务的关联性,然后形成组合销售战略,把产品与服务捆绑促销推送给居民,提升商家销售的成功率.各种数据挖掘与分析可以得到各类详细的消费行为分析报告,为商户准制定确市场战略提供了依据与参考.

2.3社区居民信息服务

根据社区居民的个人饮食消费信息、出行信息和文体锻炼信息等数据信息,结合个人健康档案数据进行交互分析,对某种疾病的发生做出预测,从而指导居民改变饮食、增强锻炼和生活习惯以提前预防疾病的发生；通过聚类和关联分析每个居民的偏好和行为活动,向居民个性化推送其“适当”和“合适”的便民服务和消费产品；基于属性相似度高的居民群体通过协同分析推送同一种产品或服务.

3离散模型在智慧社区中的应用案例

本案例利用离散选择模型法数据挖掘工具,选取智慧社区产品设计中智慧旅游套餐的设计作为对象,运用显示性偏好(SP)调研出方法搜集数据资料,通过构建离散选择模型,挖掘出有用的规则,了解社区居民对旅游套餐的选择倾向,从而为居民推出较适宜的旅游套餐,提升旅游产品套餐的销售量.

3.1 SP数据搜集方式

数据挖掘技术在旅游产业中的应用已经得到证实,为智慧旅游的实现提供了技术支撑.何曼(2002)等结合旅游数据库的特点,利用决策树分类方法对旅游数据进行挖掘；罗成奎(2002)给出了大数据技术在智慧旅游中的应用概况.然而,以往应用与研究较少在数据资料搜集方式和详细挖掘技术应用上进行探索.本案例将显示性偏好调查(SP)调研方法应用在旅游数据资料搜集上,并通过构离散选择模型方法进行数据挖掘与分析.

3.1.1 SP调研定义

SP调研是对某一选择状态,了解被调查者在这一选择状态下的选择结果.例如,有时需要了解被调查者在未来提供了某些旅游套餐时,将如何选择等.SP调研的最大的特点在于调查的内容是尚未发生的事情.SP调研可根据未来的情况,任意设定选择条件的优点,因而克服了以往预测方法中的外插性.这一点对于在分析对象区域内建立过去没有的选择方案的分析十分有利.另外,由于可以调查相同条件下的许多人的反应,因而可以研究由于个人属性的不同而产生的选择结果的差异,计算在每个选择条件下特定的选择方案概率并由此进行集计型分析.

SP调研是一种验证假设式的探索式研究方法,调研问卷的设计需要依据一定的理论基础,构建数据搜集与分析模型.本案例依据经济学中的显示性偏好理论,依据离散选择模型的数据分析方法设计调研问卷.

3.1.2 SP调研问卷设计

本案例主要是为了探求社区居民在旅游套餐选择的倾向性信息,分别从影响旅游的论文范文、旅游信息及旅游产品套餐信息三个方面设计问卷.问卷的主要内容：①旅客的旅游情况,包括旅客的出游时间、出游地点、出游天数及每次出游所花论文范文等；②旅客的个人资料,如性别、年龄、学历、职业、收入等；③旅客对于我们推荐的关于千岛湖旅游中不同等级住宿、不同景点安排以及不同论文范文组合成3因素4水平,总共8个选择方案的优先选择排序,见表1.其中①、②表示的是RP调研(RevealedPreference Survey)内容,③是SP调研(StatedPreference Survey)内容.

在实施调查过程中,将会对各种不同的住宿等级、景点安排以及所需论文范文的组合问题进行提问,例如套餐A:住宿条件是三星级、景点是千岛湖漂流+森林氧吧、同时所需论文范文为360元；套餐B：住宿条件是四星级、景点是千岛湖中心湖+千岛湖漂流+森林氧吧、同时所需论文范文为620元.

3.2数据预处理

数据搜集是通过线下调查问卷和线上调查问卷实现的,数据总共有5 021条数据（剔除了84条测试数据）,受访者中,男女比例相差不大,女48.89%,男51.11%.超过85%的受访者每次的出游天数在3天以上,年龄在25~ 50岁之间者占55.31%,学历在大专以上者占66.92%.

不同收入水平和每次出游花费关系如图1所示,大部分人均可接受每次出游论文范文在1 000元以上,并且月收入越高的人接受的论文范文也越高.

不同年龄段和每次出游天数关系如图2所示,从图中可以清晰看出每个年龄段每次出游的时间大都在3天以上.利用这些知识,运用聚类算法,在多次试验后根据年龄和收人情况将数据分为6类人群,后面将分别对这6类人群建模.

在挖掘工作之前,要对数据进行预处理.主要工作包括：

1)处理数据丢失.这一预处理可以有效地减少学习过程中可能出现的问题,一个常用的做法就是在个体X需要检查属性A并且A值缺失,则令A值等于所有样本中属性A的众数.

2)数据范化.如在年龄这个属性中,数据变化范围很大,需要将数据进行离散化,分别划分为18岁以下、18-25岁、26-35岁、36-50岁、51-70岁、70岁以上6类.这样可以使数据更加简洁,也可以使人们在更容易理解的层次上对数据进行分析挖掘.

3.3离散选择模型建模

离散选择模型( Discrete choice model)通过（特定个体的或者特定类别的）协变量解释所观察到的在离散对象中进行的抉择,运用多元回归方法进行分析,可以分析多元对象选择不同类别对象的关系.模型选择第k种类型的概率如公式1所示.

其中置表示第i个因素的取值,βk表示方案k关于第i个因素的权重.

多元回归方程建立后,需要进行显著性检验,确认建立的多元回归方程是否有效拟合了原来的数据,检验建立的方程是否有效.一般会用残差分析,对各自的变量进行分析,假设总体方程的自变量系数或常数为0,从而对系数进行了有效的标准化,更好检验方程的可用性.

运用离散选择模型分别对6类人群进行分析挖掘,通过计算不同人群种类对于不同类别的住宿、景点以及论文范文组合选择的数量,利用极大似然估计,通过SAS软件计算每个决策人对每个组合的效用,从而得到相应的选择概率,然后估计出公式1中的βk,k=l,2,3,进而可以得出如表2所示的每类人群最可能选择的旅游套餐.

基于表2,可以向不同类型社区居民提供他们最偏好的套餐服务.如：向类别1居民,即向年龄在26-35岁、收入在1万元以上的居民,推荐住宿为五星级,景点为森林氧吧、千岛湖漂流、千岛湖中心湖,论文范文为720元的套餐；向类别3,即年龄在70岁以上、收入在2 000~4 000元之间的居民推荐住宿为三星级,景点为森林氧吧,论文范文为370元的套餐；以此类推.该结果在社区中也做了推广实验,得到了广大居民的一致认可.

4大数据技能在智慧社区中的应用前景

本案例将大数据挖掘技术中离散选择模型,应用在智慧旅游套餐产品设计上,为社区旅游套餐的推广提供了有效的信息参考,证明了数据挖掘技术在智慧社区应用的有效性.然而,因为本案例数据量的不够庞大,且设计的影响因素未经过深入研究,无法进一步给出更精确的结果,所以在精细设计基础上获得更大量的数据基础上的研究仍需要进一步探索.

通过大数据处理技术的分析、挖掘、应用、管理,才能从海量、复杂、实时的信息中发现有用信息、提升应用,真正释放智慧的价值和能量.大数据挖掘技术是“智慧社区”各个领域都能够真正实现“智慧化”的关键性支撑技术.数据挖掘将始终伴随着“智慧社区”的发展,具有广阔的市场前景.