一种基于多任务神经网络的社区韧性评估方法

1.本发明属于社会治理领域的大数据挖掘与应用方向，涉及一种基于深度学习的社区韧性分类评价方法。


背景技术：

2.面对科技革新和人类生活的高度智能化，智慧社区的建设蓬勃发展，社区形态已经发生根本性变化。从传统被动地应对灾害风险的族群部落成长为当前满足生存发展所需的城市基本单元，正在向实现居民幸福差异化和城市治理精细化的未来社区转变。以大数据和人工智能为代表的新一代信息技术正在被越来越多人视为解决城市基层治理问题的有效手段。
3.对社区韧性进行精准评估，是推进社区韧性能力建设的基础。传统的韧性评估多结合韧性相关理论和专家意见筛选指标，在层次分析的基础上建立韧性社区评价模型，再通过熵值法、专家打分等方式求出各指标所占权重，最后运用模糊综合分析对韧性社区各个维度进行评估，划分社区韧性等级。
4.不同于传统的指标体系构建、层次分析、专家打分等流程，大数据的利用为社区韧性评估开辟了新的方向。


技术实现要素：

5.本发明将传统的基于指标赋权的社区韧性评价模式转变为基于大数据的评价模式，提供一种基于多任务神经网络的社区韧性评估方法。本发明基于大数据进行的社区韧性评估通过对数据的深度学习，将社区韧性的各级指标数值化后输入到神经网络中提取社区韧性特征，对社区韧性计算所需的各种数据进行处理和分析，实现对社区韧性的精准高效评估。技术方案如下：
6.一种基于多任务神经网络的社区韧性评估方法，具体包括以下步骤：
7.第1步,收集数据，获取社区韧性参考指标数据；
8.第2步，将收集的社区韧性参考指标数据传入预先设计好的社区韧性属性中，社区韧性属性包括社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性五个方面：
9.(1)社会韧性相关的社区韧性属性如下：
10.[0011][0012]
(2)经济韧性相关的社区韧性属性如下：
[0013][0014]
(3)制度韧性相关的社区韧性属性如下：
[0015][0016]
(4)生态韧性相关的社区韧性属性如下：
[0017][0018]
(5)基础设施韧性相关的社区韧性属性如下：
[0019][0020]
将社区韧性属性向量化，方法为：将不具有数据度量的二级指标的相关指标值进行one-hot编码，其余指标值进行归一化处理；将经过处理后的参考指标值按照五个基本维度拼接为一个向量，作为社区韧性评价的深度神经网络输入；
[0021]
第3步，数据人工标注：通过专家咨询方式标注部分数据，需要标注给定社区的综合韧性以及社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性的分类情况，即是优秀、良好和一般中的哪一类；
[0022]
第4步，按照人工标注划分训练集和测试集；
[0023]
第5步，将社区韧性指标数据嵌入到神经网络空间中，为每个社区学习一个高维的特征向量，并使用特征向量进行分类，所述的神经网络的如下：
[0024]
神经网络共包含五层，前四层结构相同，第五层的输出维度为18，该输出被分为6个部分：第1-3维代表神经网络将社区的综合韧性判定为优秀、良好和一般的置信度；其余的输出代表神经网络对社区各维度韧性判定的置信度，其中，第4-6维代表神经网络将社区的社会韧性判定为优秀、良好和一般的置信度；第7-9维代表神经网络将社区的经济韧性判定为优秀、良好和一般的置信度，依此类推；
[0025]
使用基于多任务学习的神经网络，在综合评估社区韧性的同时也对社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性进行评估；对于前四层神经网络，每一层均包含以下数据处理过程：
[0026]
(1)对于第k个训练集样本社区，将其在相应层的输入hk使用线性变换提取社区韧性特征zk；
[0027]
(2)将社区韧性特征zk进行非线性变换，以学习社区韧性指标数据与社区韧性之间的非线性关系，得到该层网络的输出h
k,out
；
[0028]
第五层神经网络输出社区的各项韧性评估置信度，包含以下数据处理过程：
[0029]
(1)对于第k个训练集样本社区，将其在第五层的输入hk使用线性变换进行降维，提取社区韧性特征zk；
[0030]
(2)将社区韧性特征zk的每三维为一组，使用softmax激活函数进行分类；
[0031]
第6步，迭代优化，训练神经网络模型，包含以下步骤：
[0032]
(1)初始化神经网络参数w
t
；
[0033]
(2)将训练集输入到神经网络中，获取输出结果h
k,i
；
[0034]
(3)计算多任务的交叉熵分类损失
[0035]
(4)计算模型总体损失
[0036][0037]
(5)根据模型总体损失执行梯度下降算法；
[0038]
(6)当模型总体损失收敛时停止训练；
[0039]
第7步，无标签社区韧性评估：将无标签数据输入神经网络中，获取网络输出，如果该输出的前三维中第1维数值最大，则该社区被评估为韧性优秀，如果第二维最大，则该社区被评估为韧性良好，如果第三维最大，则该社区被评估为韧性一般；
[0040]
输出的第4-18维为更细粒度的分类结果，获得被评估社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性评估情况。
[0041]
本发明可适用于社区韧性评估任务，对社区韧性进行综合评价并对社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性分别进行评价。本发明方法使用深度学习可以更好地提取社区韧性指标与社区韧性评价之间的非线性关系，从而提升社区韧性评估效果。
[0042]
本发明可以应用于：
[0043]
(1)成长性分析：通过不同时间节点的韧性评估分析，可以清晰地展示出某个社区进入评估体系后的发展变化。
[0044]
(2)对比性分析：通过对某一时间节点的相邻地理位置的社区韧性得分进行分析，可得出韧性平均水平及相对优劣势。
[0045]
(3)韧性能力提升措施评价：对于社区实施的韧性能力提升措施，可通过分析该措施实施一段时间内多任务神经网络输出的韧性得分和评价等级，评价该措施的有效性。
附图说明
[0046]
图1为方法模型图。
[0047]
图2为实施步骤流程图。
具体实施方式
[0048]
本发明提供一种社区韧性评估方法，运用神经网络对多方面获取的韧性指标进行特征提取，融合多种社区韧性维度进行模型训练，最后将社区韧性分为优秀、良好和一般三类。下面对本发明进行说明。
[0049]
1)数据的获取和处理
[0050]
第一步，收集数据。通过专家访谈和相关文献挖掘分析确立社区韧性评价的五个基本维度：社会韧性、经济韧性、制度韧性、生态韧性、基础设施韧性。通过实地调研和社区工作人员询问等方式获取社区韧性参考指标数据。
[0051]
第二步，将收集的社区韧性参考指标数据传入预先设计好的社区韧性属性中，社区韧性属性主要包括社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性五个方面。
[0052]
(6)社会韧性相关的社区韧性属性如下：
[0053][0054]
(7)经济韧性相关的社区韧性属性如下：
[0055][0056]
(8)制度韧性相关的社区韧性属性如下：
[0057][0058]
(9)生态韧性相关的社区韧性属性如下：
[0059][0060][0061]
(10)基础设施韧性相关的社区韧性属性如下：
[0062][0063]
将社区韧性属性向量化。将不具有数据度量的二级指标，如有无公共企事业单位、有无危险源、最近一年是否更新燃气管道和最近几年是否更新供水管道等相关指标值进行one-hot编码，其余指标值进行归一化处理。这些处理后的参考指标值可以按照五个基本维度拼接为一个向量，作为社区韧性评价的深度神经网络输入。
[0064]
第三步，通过专家咨询方式标注50％的数据，给出被标注的社区的综合韧性为优秀、良好还是一般，并标出社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性属于优秀、良好还是一般。
[0065]
第四步，按照人工标注划分训练集和测试集，其比例为7:3。
[0066]
2)多指标评估神经网络构建
[0067]
神经网络共包含五层，每层的输出维度分别为256、1024、256、128、18。最后一层的输出维度为18，该输出可以被分为6个部分：第1-3维代表神经网络将社区的综合韧性判定为优秀、良好和一般的置信度；其余的输出代表神经网络对社区各维度韧性判定的置信度，其中，第4-6维代表神经网络将社区的社会韧性判定为优秀、良好和一般的置信度；第7-9维代表神经网络将社区的经济韧性判定为优秀、良好和一般的置信度，依此类推。
[0068]
本方法使用基于多任务学习的神经网络，在综合评估社区韧性的同时也对社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性进行评估。对于前四层神经网络均包含以下过程：
[0069]
第一步，对于第k个训练集样本社区，将其在该层的输入hk使用线性变换提取社区韧性特征，公式如下：
[0070]
zk＝w
thk
[0071]
其中，为全连接层的权重矩阵，d
in
为该层输入维度，d
out
为该层输出维度。
[0072]
第二步，将提取的特征进行非线性变换，以学习社区韧性指标与社区韧性之间的非线性关系，最后得到该层网络的输出h
k,out
，具体的公式如下：
[0073]hk,out
＝relu(zk)
[0074]
relu(zk)＝max(0,zk)
[0075]
其中，max()为取最大值操作。
[0076]
第五层神经网络需要输出社区的各项韧性评估置信度，其具体过程如下：
[0077]
第一步，对于第k个训练集样本社区，将其在该层的输入hk使用线性变换进行降维，提取社区韧性特征zk，公式与前四层相同。
[0078]
第二步，将社区韧性特征zk的每三维为一组，使用softmax激活函数进行分类，公式如下：
[0079]hk,i
＝softmax({z
k,3*i-2
,z
k,3*i-1
,z
k,3*i
})
[0080]
其中i∈{1,2,3,4,5,6}，h
k,i
为第i组输出，z
k,x
为zk的第x维。
[0081]
3)迭代优化
[0082]
第一步，初始化神经网络参数w
t
。
[0083]
第二步，将全部的训练集输入到神经网络中，获取输出结果h
k,i
。
[0084]
第三步，按以下公式计算多任务的分类损失
[0085][0086]
其中，y
k,i
代表训练集第k个数据在第i个维度上的标签，n是全部训练集的集合。
[0087]
第四步，计算模型总体损失
[0088][0089]
第五步，根据损失执行梯度下降算法。
[0090]
第六步，当损失收敛时停止训练。
[0091]
4)无标签社区韧性评估
[0092]
第一步，将无标签数据输入神经网络中，获取网络输出。
[0093]
第二步，如果该输出中第1维数值最大，则该社区被评估为韧性优秀，如果第二维最大，则该社区被评估为韧性良好，如果第三维最大，则该社区被评估为韧性一般。

技术特征：
1.一种基于多任务神经网络的社区韧性评估方法，包括以下步骤：第1步,收集数据，获取社区韧性参考指标数据；第2步，将收集的社区韧性参考指标数据传入预先设计好的社区韧性属性中，社区韧性属性包括社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性五个方面：(1)社会韧性相关的社区韧性属性如下：(2)经济韧性相关的社区韧性属性如下：(3)制度韧性相关的社区韧性属性如下：(3)制度韧性相关的社区韧性属性如下：(4)生态韧性相关的社区韧性属性如下：
(5)基础设施韧性相关的社区韧性属性如下：将社区韧性属性向量化，方法为：将不具有数据度量的二级指标的相关指标值进行one-hot编码，其余指标值进行归一化处理；将经过处理后的参考指标值按照五个基本维度拼接为一个向量，作为社区韧性评价的深度神经网络输入；第3步，数据人工标注：通过专家咨询方式标注部分数据，需要标注给定社区的综合韧性以及社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性的分类情况，即是优秀、良好和一般中的哪一类；第4步，按照人工标注划分训练集和测试集；第5步，将社区韧性指标数据嵌入到神经网络空间中，为每个社区学习一个高维的特征向量，并使用特征向量进行分类，所述的神经网络的如下：神经网络共包含五层，前四层结构相同，第五层的输出维度为18，该输出被分为6个部分：第1-3维代表神经网络将社区的综合韧性判定为优秀、良好和一般的置信度；其余的输出代表神经网络对社区各维度韧性判定的置信度，其中，第4-6维代表神经网络将社区的社会韧性判定为优秀、良好和一般的置信度；第7-9维代表神经网络将社区的经济韧性判定为优秀、良好和一般的置信度，依此类推；
使用基于多任务学习的神经网络，在综合评估社区韧性的同时也对社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性进行评估；对于前四层神经网络，每一层均包含以下数据处理过程：(1)对于第k个训练集样本社区，将其在相应层的输入h
k
使用线性变换提取社区韧性特征z
k
；(2)将社区韧性特征z
k
进行非线性变换，以学习社区韧性指标数据与社区韧性之间的非线性关系，得到该层网络的输出h
k,out
；第五层神经网络输出社区的各项韧性评估置信度，包含以下数据处理过程：(1)对于第k个训练集样本社区，将其在第五层的输入h
k
使用线性变换进行降维，提取社区韧性特征z
k
；(2)将社区韧性特征z
k
的每三维为一组，使用softmax激活函数进行分类；第6步，迭代优化，训练神经网络模型；第7步，无标签社区韧性评估：将无标签数据输入神经网络中，获取网络输出，如果该输出的前三维中第1维数值最大，则该社区被评估为韧性优秀，如果第二维最大，则该社区被评估为韧性良好，如果第三维最大，则该社区被评估为韧性一般；输出的第4-18维为更细粒度的分类结果，获得被评估社区的社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性评估情况。2.根据权利要求1所述的基于多任务神经网络的社区韧性评估方法，其特征在于，第6步包含以下步骤：(1)初始化神经网络参数w
t
；(2)将训练集输入到神经网络中，获取输出结果h
k,i
；(3)计算多任务的交叉熵分类损失(4)计算模型总体损失(4)计算模型总体损失(5)根据模型总体损失执行梯度下降算法；(6)当模型总体损失收敛时停止训练。

技术总结
本发明涉及一种基于多任务神经网络的社区韧性评估方法，包括以下步骤：获取社区韧性参考指标数据；将收集的社区韧性参考指标数据传入预先设计好的社区韧性属性中，社区韧性属性包括社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性五个方面；将社区韧性属性向量化，作为社区韧性评价的深度神经网络输入；数据人工标注：通过专家咨询方式标注部分数据，需要标注给定社区的综合韧性以及社会韧性、经济韧性、制度韧性、生态韧性和基础设施韧性的分类情况，即是优秀、良好和一般中的哪一类；将社区韧性指标数据嵌入到多任务神经网络空间中，为每个社区学习一个高维的特征向量，并使用特征向量进行分类。用特征向量进行分类。用特征向量进行分类。


技术研发人员：何兰萍 孙越恒 杨泽 王溱禧
受保护的技术使用者：天津大学
技术研发日：2023.05.16
技术公布日：2023/8/21