基于网格化管理事件大数据的上海市气象与城市运行体征关联规则挖掘

杨辰; 王强; 金诚; 李海宏; 任洪润

doi:10.13249/j.cnki.sgs.20230103

PDF(3351 KB)

地理科学 ›› 2024, Vol. 44 ›› Issue (5) : 874-882. DOI: 10.13249/j.cnki.sgs.20230103

基于网格化管理事件大数据的上海市气象与城市运行体征关联规则挖掘

作者信息 +

Mining of association rules between meteorological and urban operation signs based on grid management events big data in Shanghai City

Author information +

文章历史 +

摘要

基于时空特征分析、共现词项特征分析、相关性分析及频繁模式挖掘方法对城市运行管理大数据进行分析研究，得到触发网格化管理事件发生的典型气象条件，并构建涵盖气象条件的典型网格化管理事件知识图谱。结果表明，网格化管理件发生时间与工作时间高度吻合，发生区域也与城市人员密集区相重合，类别上存在“头部集中、长尾分布”的现象，网格化管理事件分词上可以形成较为清晰的聚类结构，形成以市民活动为主体的共现词项关系网络。结合气象资料分析，市政设施、环卫等小类与气温相关性较为明显，风易损结构受风力影响较大，并且在降水、低温、高温和大风等特定天气情况下基坑、纠纷类、高空抛物和河道绿化等事件将呈现高发趋势。此外，通过采用知识图谱技术归纳和表达气象与城市运行之间的关联，从而有利于城市运行管理人员在特定天气条件的提前应对和处置。

Abstract

Refinement governance is the future governance direction of the city, and it is also an important challenge for Shanghai to build an outstanding global city. Most of the existing research is based on the innovative mode and management mechanism of urban grid management, but the analysis and mining of grid management event data are still insufficient, and there is a lack of regular analysis of meteorological conditions on the occurrence of events. From the meteorological perspective, this paper uses spatiotemporal feature analysis and natural language processing methods to analyze the features of grid management event data, and uses correlation analysis and frequent pattern mining algorithms to obtain the association rules between meteorological conditions and urban management events. On this basis, the typical meteorological conditions that trigger grid management events are obtained, and the typical event knowledge graph covering meteorological conditions is constructed. The results show that the events are highly correlated with the characteristics of residents’ activities, the occurrence time of events is highly consistent with the working time, and the occurrence area also coincides with the densely populated areas of the city. There is a phenomenon of “concentrated head and long tail distribution” in the category, and a clear clustering structure can be formed in the event word segmentation, forming a co-occurrence term relation network with citizen activities as the main body. Analysis with meteorological data, municipal facilities and sanitation categories have obvious correlations with air temperature, wind-vulnerable structures are greatly affected by wind, and some illegal behaviors are also highly correlated with meteorological conditions. In addition, under specific weather conditions, some events will show an obvious tendency to occur easily. For example, events such as foundation pits, disputes, high-altitude parabolas, and river greening occur under specific weather conditions such as precipitation, low temperature, high temperature and strong wind, and strong winds will also have an amplified effect on environmental problems such as river pollution, open burning and the distribution of leaflet. On this basis, the knowledge graph technology is used to summarize and express the relationship between meteorology and urban operation, so as to form a knowledge framework for urban operation signs triggered by meteorological conditions, which is beneficial for urban operation managers to respond and deal with specific weather conditions in advance, and provide certain decision-making references for Shanghai to improve refined management measures and optimize the urban governance system.

导出引用

杨辰, 王强, 金诚, 李海宏, 任洪润. 基于网格化管理事件大数据的上海市气象与城市运行体征关联规则挖掘[J]. 地理科学, 2024, 44(5): 874-882 https://doi.org/10.13249/j.cnki.sgs.20230103

Yang Chen, Wang Qiang, Jin Cheng, Li Haihong, Ren Hongrun. Mining of association rules between meteorological and urban operation signs based on grid management events big data in Shanghai City[J]. SCIENTIA GEOGRAPHICA SINICA, 2024, 44(5): 874-882 https://doi.org/10.13249/j.cnki.sgs.20230103

中图分类号： P429

精细化治理代表着城市未来的治理方向，也是上海建设卓越全球城市面临的重要挑战。根据上海市人民政府印发的《上海市城市网格化管理办法》（https://www.shanghai.gov.cn/nw31294/20200820/0001-31294_36964.html），当前城市网格化管理通过细分城市管理单元、设立专门机构、统一工作标准、委派网格巡查员等，对责任网格内的事项进行巡查，将发现的问题通过特定的信息系统传送至处置部门予以处置，已成为强化基层建设、完善社区治理、实现社会治理“社会化、法治化、智能化、专业化”的重要实践手段^[1]。这种新型的城市管理模式，将社会治理的重心真正下移到基层社区，以“管理下沉、资源整合、块状细分”的方式大大提升了治理的精细化程度和及时响应程度^[2]。

虽然当前网格化管理具备实时监控的机制优势，侧重于城市管理中社会治安突发事件的预置与处理，但其使用效率与事后管理效用还存在一定的不足^[3]。近年来，涌现了不少关于城市网格化管理创新模式和管理机制方面的研究^[4-6]，随着上海城市数字化转型的不断深化，城市数字体征愈发完善，如何利用好海量的城市运行数据以赋能城市精细化管理是当前急需研究的方向。在这样的背景下，不少学者开展了基于网格化管理和“12345”市民热线的特征分析和趋势预测^[3,7-8]。由于气象条件对于人员活动和城市相关部件都有着较大的影响^[9-10]，但现有研究大多只分析了网格化管理事件（以下简称事件）本身的规律，对于气象条件的触发效应和叠加作用鲜有报道，已有的气象影响分析也主要围绕气象致灾^[10-14]、交通出行^[15-17]、能源消耗^[18-20]等领域，尚缺乏气象条件对城市运行的影响分析。因此本研究从气象视角出发，首先采用时空分析和自然语言处理方法对网格管理事件数据进行特征分析，在此基础上，分别采用相关性分析和频繁模式挖掘算法开展了气象条件与事件发生的关联规则挖掘，为特定天气条件下的城市运行管理提供了更为全面和定量的问题处置清单。此外，研究还构建了涵盖气象条件的典型事件知识图谱，形成气象条件触发该事件类型的图形知识库。本研究通过识别气象与事件数据的关联特征，实现城市运行大数据与气象大数据的深度融合，以期为上海提升精细化管理举措，优化城市治理体系提供一定的技术支撑和决策参考，同时进一步促进上海城市精细化管理，实现从事中事后为重点的应急管理向事前预知预判为重点的精准预防升级。

1 研究资料与方法

1.1 数据选取及来源

数据资料主要包括2021年的上海市网格巡查数据及同期气象观测数据。网格巡查数据来源于全市网格巡查员的发现和上报，通过网格化平台归集后经由住建部门提供的数据接口实时获取，根据《上海市城市网格化综合管理标准》（https://zjw.sh.gov.cn/csyx/20220928/685586bbd7914d0a9dc07db5218b2c1d.html ），数据共包含15大类和183小类。考虑到2020年和2022年受新冠疫情影响，数据特征存在较大偏差，而2021年上海疫情基本稳定，因此研究选用2021年全年共计9 674 104条数据记录进行分析处理，数据字段包括事件ID、发现日期时间、事件描述、事件大类、小类、子类、所属区及街镇、地址和经纬度等信息。气象观测数据来源于上海市气象局（http://sh.cma.gov.cn/）布设在全市范围的共257个自动气象观测站，要素包含时间、站号、降水量、气温、气压、相对湿度、风向、风速、能见度等信息，时间分辨率为1 h。由于相对湿度与气温以及降水的相关性较强，并且能见度观测站点数量较为有限，无法满足研究需要，因此本文主要选取了降水量、气温、风向、风速这4种气象要素参与分析。

1.2 数据处理

本文以上海市各个自动气象站的经纬度为基准，在python环境下将经纬度转换为平面坐标，并提取自动气象站周边3 km缓冲区内的事件作为分析目标，并对其进行气象要素赋值，选取的气象要素包括6h、12h和24 h的累积降水、最高气温、平均气温、最低气温、最大风速和平均风速，从而得到融合事件类型与各气象条件组合的分析数据集。

1.3 研究方法

由于网格巡查数据具备较为完整的信息描述和位置记录，因此本文基于网格巡查及气象观测数据，在R和python语言环境下，进行了事件的时空特征分析和类型特征分析，并且通过事件描述信息，采用Jieba中文分词引擎^①(①基于jieba分词的R语言版本（https://github.com/qinwf/jiebaR）)和TF-IDF关键词提取方法^[21]构建关键词共现词项网络。在此基础上，通过将事件与气象信息的时间和位置匹配，进一步利用FP-Growth算法^[22]进行气象条件与典型事件发生的关联规则挖掘，得到相应的匹配规则，并通过知识图谱进行图形化表达。

1）中文分词及停用词处理。中文分词就是将中文语料按照一定规则重新组合成词序列的过程。目前常用的中文分词工具有ICTCLAS、SegmentCN、Jieba等，本文选用R语言环境下的JiebaR分词包进行网格描述文本的分词处理，并采用混合分词引擎，即结合最大概率法^[23]和隐式马尔科夫模型^[24]的方式进行。由于该分词方法的效果与分词词典、停用词处理有很大关系，因此本文以JiebaR自带的分词词典为基础，针对网格描述信息的特点进行了停用词的添加，并基于该停用词词典进行分词处理。

2） TF-IDF关键词提取。在对网格描述信息进行分词的基础上，采用词频−逆文档频率（Term Frequency-Inverse Document Frequency，TF-IDF）算法提取事件对应的关键词，TF-IDF可以识别在网格描述信息中出现次数较多并且很少出现在其他文本语料中的词项，从而突出事件所对应的关键词信息。

3）气象与网格化管理事件关联规则挖掘。频繁模式增长（Frequent Pattern Growth，FP-Growth）算法是数据挖掘技术在关联规则发现领域的重要应用，其通过采用分治策略，将项集满足最小支持度的数据库事务压缩到1棵频繁模式树（FP-Tree），相同事务间保留关联联系，根据项头表中的每一个频繁1项集来找出对应的条件FP-Tree，并挖掘出频繁项集，直到把所有的条件FP-Tree挖掘完毕^[25-26]。相比于其他关联规则挖掘算法，FP-Growth算法的显著特征是高效性能^[27-28]，可以高效发现数据集合中的频繁项集以及数据间隐藏的关联规则^[29]。由于该算法旨在挖掘特定气象条件与特定事件中频繁出现的一种模式，可以一定程度上消除随机发生的非气象因素造成的干扰^[25]。因此本文在挖掘气象条件与事件相关规则时，采用该算法对气象和事件进行分析。

研究中选取6 h、12 h和24 h的累积降水、最高气温、平均气温、最低气温、最大风速和平均风速等统计值构建气象特征，并将气象特征划分为不同的区间，同时还引入是否节假日（周末）、季节、时间段等非气象特征进行特征构造，通过FP-Growth算法挖掘气象条件与所发生事件之间的频繁模式，分析出与某些气象条件相关度较高、发生数量较多以及增量较明显的事件类型，根据频繁模式挖掘气象条件和这些事件数据中存在的潜在规则，并采用支持度和置信度对规则进行量化。

4）气象与网格化管理事件知识图谱表达。知识图谱通过采用图形结构来描述知识和事物及事物间的关系，可将信息表达成更接近人类认知的形式，提供一种组织、管理和认识理解海量信息的能力^[30]，现已被应用于多个行业领域^[31]。本研究通过引入知识图谱技术，基于FP-Growth频繁模式挖掘结果，并通过对子集超集进行处理，完成知识图谱规则库，从而可以更好地呈现气象与事件之间的链接关系。

2 结果与分析

2.1 网格化管理事件基本特征分析

1）网格化管理事件时序特征分析。全市网格化管理事件时间序列总体呈现稳定波动的趋势（图1），月网格化管理事件数量在（6.0~9.3 ）万起，其中以1月份、2月份和10月份为最低，以8月份为最高。日网格化管理事件大多在（1.5~3.5）万起，其中部分日期由于数据缺失，事件数量异常偏低。通过拟合趋势线可以看到，事件数量总体在4—10月份较高，在1—3月及11—12月份较低。

图1 上海市网格化管理事件全年分布

深灰色曲线为局部加权回归拟合趋势线；灰色条带表示95%置信区间

Fig. 1 Yearly distribution of grid management events in Shanghai City

Full size|PPT slide

事件在1周中的数量分布如图2a所示，以1个星期为周期，从周一至周日，呈现出明显的周期分布，且工作日和非工作日差异明显，周末的日均事件数仅为工作日的65%。以1 d为周期时，事件主要分布在6:00—17:00，这一时间段的事件数占到事件总量的95%，同时可见事件在9时和14时形成2个明显的高峰，在11时前后存在低谷（图2b），这与日常工作时段高度吻合。

图2 上海市网格化管理事件逐日和逐时分布

Fig. 2 Daily and hourly distribution of grid management events in Shanghai City

Full size|PPT slide

2）网格化管理事件空间特征分析。空间分布上，事件密度以中心城区为最高，其事件密度超过20 000个/km²，其次为紧邻中心城区的内中环区域以及各区的城市副中心，并且可以看到事件密度从中心城区向郊区呈现出逐步降低的趋势（图3）。总体上，事件高度集中的区域都与城市人员密集区相重合。

图3 上海市网格化管理事件核密度

Fig. 3 Kernel density of grid management events in Shanghai City

Full size|PPT slide

3）网格化管理事件类别特征分析。上海网格数据在类别上呈现出“头部集中、长尾分布”的特点，在去除了新冠疫情防控、医学隔离人员管控、专项整治排查、创全类事件、各区自设的部分事件类型以及数量小于1000的子类后，共包含31个大类和108个小类。事件大类中市容环卫类占比超过50%，其中以暴露垃圾和乱涂写−乱张贴−乱刻画数量为最多，分别达到筛选后全部事件数量的32.0%和17.1%；大类中街面秩序、垃圾分类和路面文明监督数量上分列第2至第4，占比分别为18.8%，5.1%和4.8%，对应的主要小类类别为机动车乱停放−非机动车乱停放、居住区分类实效不到位和非机动车不文明交通行为。

4）网格化管理事件共现词项分析。通过事件共现词项分析可以识别出成对出现的词项，并且形成一些清晰的聚类，如乱停车问题（涉及词项为机动车、非机动车、共享单车、停放等）、交通不文明行为（涉及词项为骑、佩戴、顺路、头盔、路口等）、市容问题（涉及词项为市容、乱涂、广告、张贴、晾晒等）、垃圾投放问题（涉及词项为垃圾、暴露、生活、建筑、街头、混投、外溢、平方等）、市政设施损坏问题（涉及词项为市政、立杆、分隔、设施、损坏、护栏等）、雨水井盖缺失移位问题（涉及词项为雨水、井盖、篦子、缺失、移位、侧石等）和疫情核查隔离问题等（涉及词项为测温、观察、居家、隔离、楼层、消毒、疫情、核查等），此外具有明显聚类特征的事件还包括消防栓设施、行道树及盖板损坏、广告牌乱设、毁绿占绿等城市治理问题。分析表明事件描述中的关键词均存在较强的共现情况，可以形成较为清晰的聚类结构，同时以上聚类均集中于道路和小区楼道等词项周边，形成以市民活动为主体的共现词项关系网络。

2.2 气象与网格化管理事件的规则挖掘

1）气象条件与网格化管理事件的相关性分析。在事件分析的基础上，本文基于同期自动气象观测数据，开展了气象条件与事件的相关性分析。研究中根据气象观测数据分别加工得到事件发生前6 h、12 h和24 h的累积降水、最高气温、平均气温、最低气温、最大风速和平均风速，并将其作为特征量分段统计落入不同区间的平均事件数量，在此基础上，分别计算网格小类与不同气象特征的皮尔逊相关系数（图4）。结果表明，部分事件与气象条件存在一定的关联，事件中市政设施相关小类（包括雨水井盖、污水井盖、消火栓、绿地护栏、电力设施（设备）等）与气温相关性较为明显，表明夏季相关设施设备的使用维护更为频繁，设施损坏或未归位的情况更为高发；同时绿化环卫类（包括道路保洁、沿街店铺分类实效不到位、河道污染、小区绿化等）事件同样随着气温升高而呈现出高发的趋势，表明随着气温升高，更容易出现绿化保洁和垃圾分类等问题。与风相关的事件主要集中在立杆、花架、行道树树穴盖板等风易损结构上（包括交通立杆、电力杆、花架花钵、树穴盖板损坏等），同时河道污染、河道绿化、小区环境、农业垃圾乱处置等环境类事件也随着风力增大有所增多。此外，一些违法违规行为（例如违规处置渣土、行人不文明交通行为、乱涂写−乱张贴−乱刻画、共享单车不在规定区域停放、高空抛物等）也与气象条件存在较高的相关性，表明在温度较高、下雨、大风等天气条件下，相关事件发生的可能性更高。

图4 上海市气象条件与网格化管理事件的相关性

^**、^*表示相关性在0.01、0.05水平上显著

Fig. 4 Correlation plot of meteorological conditions and grid management events in Shanghai City

Full size|PPT slide

相关系数图中还可以看到在某些气象条件下，部分事件数量呈现出比较明显的下降趋势，如乱涂写−乱张贴−乱刻画在雨天发生数量较少，同时消防栓、污水井盖、道路保洁、乱涂写−乱张贴−乱刻画等事件也会随着风速增大数量趋于减少。

2）气象条件与典型网格化管理事件的频繁模式挖掘。频繁模式（Frequent Pattern）是频繁地出现在数据集中的模式（如项集、子序列或子结构）^[24]。本文通过将气象条件划分不同的区间，并与该区间下发生的事件类型进行组合，采用FP-Growth算法对气象和事件进行频繁模式挖掘，并构建典型事件的知识图谱。结果表明以上事件发生的气象条件大多为无降水、平均风速2~3级的静稳天气。此外，交通立杆、电力杆、河道污染、河道绿化、树穴盖板损坏、农业垃圾乱处置和高空抛物等事件类型多发于最大风速4~5级的大风天气下；小区绿化、河道污染、河道绿化、沿街商铺分类实效不到位、树穴盖板损坏、高空抛物等事件类型多发于的20~30℃的气温区间中。总体上，通过FP-Growth进行频繁模式挖掘的结果与相关性分析结论较为一致。

相较于相关性分析方法，FP-Growth还可用于特定天气条件下易发事件的分析和挖掘，有利于针对特定天气条件的提前应对和处置。根据FP-Growth挖掘结果（表1），在降水条件下，可以得到基坑、违规占用地下公共人行通道、路面积水、污水冒溢、粪便冒溢等事件；温度较低时，可以得到纠纷类、市场经营、流浪乞讨、自来水管破裂等事件；温度较高时，可以得到维稳重点点位管理、高空抛物和小区内垃圾等事件；而在风力较大时，挖掘结果数量较多，以风易损结构受灾为主，此外也会对诸如河道污染、露天焚烧以及散发小广告等造成的环境问题产生放大效应。

表1 基于24 h统计特征的上海市特定天气条件易发网格化管理事件的频繁模式挖掘结果

Table 1 Frequent patterns of specific weather-condition-prone grid management events based on 24-hour statistical features in Shanghai City

类型	气象条件	易发网格化管理事件	置信度	支持度
降水	0.1~10 mm	基坑	1.00	0.41
		违规占用地下公共人行通道	1.00	0.33
		路面积水、污水冒溢、粪便冒溢	1.00	0.32
		街头座椅	1.00	0.32
		架空线隐患	1.00	0.31
最低气温	0~10 ℃	纠纷类	0.61	0.44
		市场经营	0.84	0.42
		公共场所消防安全隐患	1.00	0.41
		灭火器	0.85	0.41
		综合杆	0.87	0.33
		流浪乞讨	0.98	0.32
		违法搭建	0.89	0.31
		老人关怀	0.83	0.31
		自来水管破裂	1.00	0.30
最高气温	30~35 ℃	维稳重点点位管理	0.96	0.41
		高空抛物	0.90	0.32
		居住区设施设备不规范	0.98	0.31
		小区内垃圾	0.86	0.31
最大风速	（5.4~ 10.7）m/s	公安井盖	1.00	0.49
		树穴盖板损坏	0.74	0.49
		路灯井盖	0.77	0.47
		河道污染	0.74	0.47
		景观灯光设施	1.00	0.46
		露天焚烧	0.79	0.46
		消防井盖	0.76	0.46
		乱设摊	0.72	0.46
		雨水篦子	1.00	0.45
		跨门营业	0.81	0.45
		渣土车管理	0.80	0.45
		交通立杆	0.78	0.45
		街面秩序	0.74	0.45
		无障碍标牌	0.69	0.45
		非机动车安全管理	1.00	0.44
		机非分隔设施	1.00	0.44
		灭火器	0.89	0.44
		架空线隐患	0.79	0.44
		农业垃圾乱处置	0.76	0.44
		河道绿化	0.73	0.44
		河道护栏	0.68	0.44
		综合杆	0.68	0.44
		市政立杆	1.00	0.43
		小区绿化	1.00	0.43
		高空抛物	0.85	0.43
		路中分隔设施	0.82	0.43
		交通信号灯	0.80	0.43
		电力杆	0.79	0.43
		违法搭建	0.73	0.43
		公益广告损坏	0.67	0.43
		垃圾箱房	1.00	0.42
		电力井盖	0.81	0.42
		路名牌	0.81	0.42
		污水井盖	0.86	0.41
		街头散发小广告	0.83	0.41
		道路指示牌	0.8	0.41
		架空线坠落	0.77	0.41
		小区环境	1.00	0.40
		花架花钵	1.00	0.40
		宣传栏（亭）	0.82	0.40
		路灯	0.81	0.40

综上，本文以交通立杆和河道污染为例，构建涵盖气象条件和城市运行态势的典型事件知识图谱，通过归纳和表达气象与城市运行之间的关联，形成气象条件触发城市运行体征的知识框架。图5的每一个节点分别代表通过FP-Growth挖掘得到的多种气象及非气象条件。图5可以看到不同节点通过线条相连并且最终指向事件名称，形成气象条件触发该事件类型的图形知识库。知识图谱通过图形化的方式高效表达关联信息，从而有助于不同气象条件下城市运行态势的快速辨识、提前预判以及预先处置。

图5 以交通立杆和河道污染为例的上海市气象条件与典型网格化管理事件发生的知识图谱

相连的线条表示同时存在关联规则；线条深浅代表支持度高低

Fig. 5 Knowledge graph of meteorological conditions and typical grid management events occurrence in Shanghai City: Taking traffic poles and river pollution as examples

Full size|PPT slide

3 结论与讨论

3.1 结论

本文基于R和Python语言环境，以2021年网格化管理数据作为研究资料，采用时空特征分析、共现词项特征分析、相关性分析及频繁模式挖掘方法对城市运行管理大数据进行了分析研究，并构建了涵盖气象条件的典型事件知识图谱，进一步揭示了气象条件对城市运行的影响规律。主要结论如下：

1）网格化管理事件与居民活动特征高度相关。事件发生时间与工作时间高度吻合，发生区域也与城市人员密集区相重合，类别上存在“头部集中、长尾分布”现象，事件分词上可形成较清晰的聚类结构，形成以市民活动为主体的共现词项关系网络。

2）气象条件与部分类型网格化管理事件存在较强的相关性，事件中市政设施、绿化环卫等小类与气温相关性较为明显，立杆等风易损结构受风力影响较大。一些违法违规行为也与气象条件存在较高的相关性，并且特定天气条件下部分事件会呈现出明显的易发态势。降水、低温、高温和大风等天气条件分别可以挖掘得到基坑、纠纷类、维稳重点点位管理、河道绿化等事件类型，此外大风也会对诸如河道污染、露天焚烧以及散发小广告等造成的环境问题产生放大效应。

3）本研究还进一步引入知识图谱技术，构建涵盖气象条件和城市运行态势的典型事件知识图谱，通过归纳和表达气象与城市运行之间的关联，形成气象条件触发城市运行体征的知识框架，从而有助于不同气象条件下城市运行态势的提前预判和预先处置，可以为上海提升精细化管理举措，优化城市治理体系提供一定的决策参考。

3.2 讨论

提高城市治理现代化水平，走出一条符合超大城市特点和规律的治理现代化新路是中央对上海的厚望，“城市是生命体、有机体，要敬畏城市、善待城市”。随着上海城市数字化转型的不断深化，数字孪生及城市感知体系不断完善，大量数据的流入为城市数字化转型带来了新的机遇和挑战，而如何更好地应用这些数据提升城市的治理能级是当前急需研究的方向。本文从气象视角出发，分析和揭示了气象条件对城市运行的影响规律，一方面支持了传统经验认知，另一方面针对城市管理专业领域提供更全面和定量的问题处置清单，为城市运行管理和应急指挥提供了一定的决策参考。此外，由于当前城市网格化管理大多面向事件发生后的应急处置，而基于本研究，通过结合精细化的气象要素预报，可在降水、低温、高温和大风等特定天气发生前，提前预估可能对城市运行造成的影响和风险，从而促进上海城市精细化管理实现从事中事后为重点的应急管理向事前预知预判为重点的精准预防升级。

以气象为视角，揭示气象对城市运行的影响规律，得到一些有意义的结论，但仍存在一定不足。城市作为一个开放复杂的“巨系统”，城市问题的发生受多种因素的综合影响，气象作为其中的一个“自变量”固然可以反映一定的运行规律，但总体解释程度仍然偏低。未来的相关研究可以通过融合多源数据，结合各类动态呈现的城市运行管理特征，通过机器学习方法刻画各要素对城市运行影响，在特征工程的基础上构建机器学习模型，进一步开展针对城市运行管理特定领域的预测和验证。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

[1]

叶岚. 城市网格化管理的制度化进程及其优化路径[J]. 上海行政学院学报, 2018, 19(4): 27-38.

https://doi.org/10.3969/j.issn.1009-3176.2018.04.003

Ye Lan. Institutionalization process of grid management and its optimized path. The Journal of Shanghai Administration Institute, 2018, 19(4): 27-38.

https://doi.org/10.3969/j.issn.1009-3176.2018.04.003

本文引用 [1]

[2]

吴青熹. 基层社会治理中的政社关系构建与演化逻辑——从网格化管理到网络化服务[J]. 南京大学学报(哲学·人文科学·社会科学), 2018, 55(6): 117-125.

Wu Qingxi. The construction and evolution logic of government-social relations in grassroots social governance—From grid management to grid service. Journal of Nanjing University (Philosophy, Humanities and Social Sciences), 2018, 55(6): 117-125.

本文引用 [1]

[3]

常燕军, 周向红. 基于ARIMA模型的城市网格化管理预测与仿真[J]. 统计与决策, 2016(1): 54-57.

https://doi.org/10.13546/j.cnki.tjyjc.2016.01.014

Chang Yanjun Zhou Xianghong. Prediction and simulation of urban grid management based on ARIMA model. Statistics & Decision, 2016(1): 54-57.

https://doi.org/10.13546/j.cnki.tjyjc.2016.01.014

本文引用 [2]

[4]

刘伟, 王柏秀. 国内学界的网格化管理研究: 回顾、反思与展望[J]. 公共管理与政策评论, 2022, 11(1): 157-168.

https://doi.org/10.3969/j.issn.2095-4026.2022.01.019

Liu Wei, Wang Baixiu. Grid management research in China: Review, reflection and prospect. Public Administration and Policy Review, 2022, 11(1): 157-168.

https://doi.org/10.3969/j.issn.2095-4026.2022.01.019

本文引用 [1]

[5]	王雪竹. 基层社会治理: 从网格化管理到网络化治理[J]. 理论探索, 2020(2): 76-80. Wang Xuezhu. Grassroots social governance: From grid management to grid governance. Theoretical Exploration, 2020(2): 76-80.

[6]

董幼鸿. 大城市基层综合治理机制创新的路径选择——以上海城市网格化管理和联动联勤机制建设为例[J]. 上海行政学院学报, 2015, 16(6): 31-37.

https://doi.org/10.3969/j.issn.1009-3176.2015.06.004

Dong Youhong. The path choices of the innovation of basic comprehensive governance mechanism in big cities. The Journal of Shanghai Administration Institute, 2015, 16(6): 31-37.

https://doi.org/10.3969/j.issn.1009-3176.2015.06.004

本文引用 [1]

[7]

彭晓, 梁艳, 许立言, 等. 基于“12345”市民服务热线的城市公共管理问题挖掘与治理优化途径[J]. 北京大学学报(自然科学版), 2020, 56(4): 721-731.

https://doi.org/10.13209/j.0479-8023.2020.041

Peng Xiao, Liang Yan, Xu Liyan et al. An approach for discovering urban public management problem and optimizing urban governance based on ''12345''citizen service hotline. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(4): 721-731.

https://doi.org/10.13209/j.0479-8023.2020.041

本文引用 [1]

[8]	王杰艺. 城市网格管理事件模式挖掘与预测[D]. 上海: 上海交通大学, 2018. Wang Yijie. Urban grid management incidents pattern mining and prediction. Shanghai: Shanghai Jiao Tong University, 2018. 本文引用 [1]

[9]

张良, 秦雪. 基于气象的特大城市运行风险治理多层次联动响应体系研究——以上海市徐汇区为例[J]. 风险灾害危机研究, 2020(1): 169-188.

Zhang Liang, Qin Xue. Research on multi-level linkage response system for operational risk management of megacities based on meteorology: Taking Xuhui district of Shanghai as an example. Journal of Risk, Disaster & Crisis Research, 2020(1): 169-188.

本文引用 [1]

[10]

杨辰, 潘顺, 严岩. 基于自然语言识别的上海市报警灾情数据识别及其气象灾害特征分析研究[J]. 自然灾害学报, 2021, 30(3): 142-150.

https://doi.org/10.13577/j.jnd.2021.0316

Yang Chen, Pan Shun, Yan Yan. Research on recognition of alarm disaster data and analysis of meteorological disaster features in Shanghai based on natural language recognition algorithm. Journal of Natural Disaster, 2021, 30(3): 142-150.

https://doi.org/10.13577/j.jnd.2021.0316

本文引用 [2]

[11]	杨辰, 王强, 李海宏, 等. 基于频繁模式挖掘的上海市气象灾害致灾因子识别[J]. 灾害学, 2023, 38(2): 141-149. Yang Chen, Wang Qiang, Li Haihong et al. Identification of meteorological disasters factors in Shanghai based on frequent pattern mining. Journal of Catastrophology, 2023, 38(2): 141-149.

[12]	Wang Y, Wang T, Ye X et al. Using social media for emergency response and urban sustainability: A case study of the 2012 Beijing Rainstorm[J]. Sustainability, 2016, 8(1): 25.

[13]

林筱妍, 吴升. 基于语义规则和词向量的台风灾害网络情感分析方法[J]. 地球信息科学学报, 2022, 24(1): 114-126.

https://doi.org/10.12082/dqxxkx.2022.210575

Lin Xiaoyan, Wu Sheng. Typhoon disaster network emotion analysis method based on semantic rules and word vector. Journal of Geo-information Science, 2022, 24(1): 114-126.

https://doi.org/10.12082/dqxxkx.2022.210575

[14]

高雁鹏, 陈文俊. 1984—2020年辽宁省极端气温时空变化及粮食产量响应研究[J]. 地理科学, 2021, 41(11): 2052-2062.

https://doi.org/10.13249/j.cnki.sgs.2021.11.018

Gao Yanpeng, Chen Wenjun. Spatial and temporal variation of extreme temperature and grain yield response in Liaoning Province from 1984 to 2020. Scientia Geographica Sinica, 2021, 41(11): 2052-2062.

https://doi.org/10.13249/j.cnki.sgs.2021.11.018

本文引用 [1]

[15]	Bi H, Ye Z, Zhu H. Data-driven analysis of weather impacts on urban traffic conditions at the city level[J]. Urban Climate, 2022, 41: 101065. https://doi.org/10.1016/j.uclim.2021.101065 本文引用 [1]

[16]	Park J, Choi Y, Chae Y. Heatwave impacts on traffic accidents by time-of-day and age of casualties in five urban areas in South Korea[J]. Urban Climate, 2021, 39: 100917. https://doi.org/10.1016/j.uclim.2021.100917

[17]

李莹, 高歌, 程驰. 影响中国高速铁路运行的暴雨危险性特征研究[J]. 地理科学, 2021, 41(10): 1843-1851.

https://doi.org/10.13249/j.cnki.sgs.2021.10.016

Li Ying, Gao Ge, Cheng Chi. Hazard intensity of rainstorm affecting high-speed railway operation in China. Scientia Geographica Sinica, 2021, 41(10): 1843-1851.

https://doi.org/10.13249/j.cnki.sgs.2021.10.016

本文引用 [1]

[18]	任永建, 熊守权, 洪国平, 等. 气象因子对夏季最大电力负荷的敏感性分析[J]. 气象, 2020, 46(9): 1245-1253. Ren Yongjian, Xiong Shouquan, Hong Guoping et al. Sensitivity analysis of meteorological factors to summer maximum power load. Meteorological Monthly, 2020, 46(9): 1245-1253. 本文引用 [1]

[19]

薛阳, 张宁, 吴海东, 等. 基于UTCI-MIC与振幅压缩灰色模型的用户侧微电网短期负荷预测方法[J]. 电网技术, 2020, 44(2): 556-563.

https://doi.org/10.13335/j.1000-3673.pst.2019.1870

Xue Yang, Zhang Ning, Wu Haidong et al. Short-term load forecasting method for user side microgrid based on UTCI-MIC and amplitude compression grey model. Power System Technology, 2020, 44(2): 556-563.

https://doi.org/10.13335/j.1000-3673.pst.2019.1870

[20]

何春蕾, 段言志, 邬宗婧, 等. 基于气温的城市燃气短期日负荷预测模型——以四川省成都地区为例[J]. 天然气工业, 2013, 33(4): 131-134.

https://doi.org/10.3787/j.issn.1000-0976.2013.04.024

He Chunlei, Duan Yanzhi, Wu Zongjing et al. A short-term forecasting model of city gas daily load based on air temperature. Natural Gas Industry, 2013, 33(4): 131-134.

https://doi.org/10.3787/j.issn.1000-0976.2013.04.024

本文引用 [1]

[21]	Salton G, Buckley C. Term-weighting approaches in automatic text retrieval[J]. Information Processing & Management, 1988, 24(5): 513-523. 本文引用 [1]

[22]

Han J, Pei J, Yin Y. Mining frequent patterns without candidate generation[C]//Maggie D, Jeffrey F. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, May 16-18, 2000, Dallas, Texas, USA, ACM. New York: Association for Computing Machinery, 2000. DOI:10.1145/342009.335372.

本文引用 [1]

[23]	来斯惟,徐立恒,陈玉博,等.基于表示学习的中文分词算法探索[J].中文信息学报,2013,27(5):8-14. Lai Siwei, Xu Liheng, Chen Yubo et al. Chinese word segment based on character representation learning. Journal of Chinese Information Processing, 2013, 27(5): 8-15. 本文引用 [1]

[24]	Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Proceedings of the IEEE, 1989, 77(2): 257-286. https://doi.org/10.1109/5.18626 本文引用 [2]

[25]	Han J W, Kamber M, Pei J. 数据挖掘: 概念与技术( 第3版)[M]. 范明, 等译. 北京: 机械工业出版社, 2017. Han J W, Kamber M, Pei J. Data mining: Concepts and techniques (Third Edition). Translated by Fan Ming et al. Beijing: China Machine Press, 2017. 本文引用 [2]

[26]	Han J, Pei J, Yin Y et al. Mining frequent patterns without candidate generation: A frequent-pattern tree approach[J].Data Mining and Knowledge Discovery, 2004, 8: 53-87.DOI: 10.1023/B:DAMI.0000005258.31418.83. 本文引用 [1]

[27]	杜梦欣. 基于FP-Growth的关联规则算法研究及其在高校教育大数据中的应用[D]. 长春: 吉林大学, 2019. Du Mengxin. Research on association rules algorithm based on FP-Growth and its application in university education big data. Changchun: Jilin University, 2019. 本文引用 [1]

[28]

顾军华, 武君艳, 许馨匀, 等. 基于Spark的并行FP-Growth算法优化及实现[J]. 计算机应用, 2018, 38(11): 3069-3074.

https://doi.org/10.11772/j.issn.1001-9081.2018041219

Gu Junhua, Wu Junyan, Xu Xinyun et al. Optimization and implementation of parallel FP-Growth algorithm based on Spark. Journal of Computer Applications, 2018, 38(11): 3069-3074.

https://doi.org/10.11772/j.issn.1001-9081.2018041219

本文引用 [1]

[29]

周强明, 姜盛波, 鲁鸿毅, 等. 基于FP-Growth算法的大电网关键线路辨识方法[J]. 电力自动化设备, 2018, 38(4): 89-95.

https://doi.org/10.16081/j.issn.1006-6047.2018.04.013

Zhou Qiangming, Jiang Shengbo, Lu Hongyi et al. Critical line identification method based on FP-Growth algorithm for large power grid. Electric Power Automation Equipment, 2018, 38(4): 89-95.

https://doi.org/10.16081/j.issn.1006-6047.2018.04.013

本文引用 [1]

[30]	肖仰华. 知识图谱概念与技术[M]. 北京: 电子工业出版社, 2020. Xiao Yanghua. Knowledge graph: Concepts and techniques. Beijing: Publishing House of Electronics industry, 2020. 本文引用 [1]

[31]

马昂, 于艳华, 杨胜利, 等. 基于强化学习的知识图谱综述[J]. 计算机研究与发展, 2022, 59(8): 1694-1722.

https://doi.org/10.7544/issn1000-1239.20211264

Ma Ang, Yu Yanhua, Yang Shengli et al. Survey of knowledge graph based on reinforcement learning. Journal of Computer Research and Development, 2022, 59(8): 1694-1722.

https://doi.org/10.7544/issn1000-1239.20211264

本文引用 [1]

基金

上海市2020年度“科技创新行动计划”社会发展科技攻关定向项目资助(20DZ1200403)

版权

PDF(3351 KB)

1996

Accesses

Citation

Detail

段落导航

收稿日期	修回日期	接受日期	出版日期
2023-02-20	2023-07-07	2023-10-19	2024-05-30
录用日期	发布日期
2024-05-20	2024-06-04