大数据可视化系统在智慧城市领域的设计与应用

李宇　陈丹红　巩震　李科慧

科技在发展，社会在进步，各类智能产品层出不穷，人们对生活质量的便捷舒适度要求也越来越高，智慧城市的建设已成为大势所趋，对于数据的自主学习和可视化的城市运行全景图也逐渐成为主流。无论对企业还是居民个人，直观的数据展示为城市居民提供了清晰的认知，调动全民为城市建设作出积极的行动，提高其“主人翁”意识，发挥群众自主性，共同为城市的发展做出贡献和努力，这也是智慧城市大数据可视化的魅力所在。随着人类社会的不断地发展，未来城市面对的大数据处理将会越来越多。大数据可视化系统在智慧城市领域的应用，不仅有利于解决城市发展中存在的问题，还可以拉动国民经济和产业发展结构战略性调整，提高人们生活的效率，促进社会快速的发展，最终实现企业的可持续发展。本文运用信息通信技术手段构建智慧城市大数据可视化系统，将政府、企业和居民感兴趣的信息三维化呈现在大众视野，从而达到对城市的智能管理。

首先，构建智慧城市大数据可视化系统网络时，本文选择使用注意力机制。注意力机制来源于人的视觉系统，人在注意一样事物时是有选择性的，一般来说，会先提取关键词来进行处理，基于注意力机制的智慧城市大数据可视化平台可以以端到端的方式自动学习，更多关注计算中的重点问题。其次，对于可视化的图片成像来说，编码和解码是必不可少的任务。在初始阶段，输入一个初始向量，用卷积神经网络进行编码，解码可以采用注意力机制的循环神经网络，提高机器自主学习能力。智慧城市大数据可视化系统网络的一个详细运行过程见图1。

（一）矩阵分解算法

矩阵分解算法的意义在于提高计算速度。本文对城市中每个居民和项目构建一个向量因子模型，由k维向量表示，其中每个分量代表居民在一个因子上的偏好程度或者项目在一个因子上的侧重程度。而在矩阵分解中，评分矩阵是很重要的，为此本文可以构建：

图1 系统网络结构设计图

用户对项目的评分矩阵是M，用户因子矩阵是U，项目因子矩阵V，则矩阵分解算法可表示为：M=UV

实现该矩阵分解，转变为解下面的最优化问题：

（三）交替下降算法

交替下降算法的實质就是先固定一个变量，使函数对另外一个变量求偏导，更新其变量，接着对更新后的变量进行固定，使函数对另一变量求偏导，再更新。如此反复交替

大数据可视化决策系统在智慧城市领域进行实验与应用。本文采用动态权重平均法，获得表1的结果。

从表格中可以看出，利用动态加权平均算法可以很好地适用于各种前馈型神经网络。从这个结果可以看出，动态加权平均算法会是未来智慧城市可视化发展的一个很好的趋势。

表1 动态权重平均实验结果

随着人类社会的不断地发展，未来城市面对的大数据处理将会越来越多。大数据可视化系统在智慧城市领域进行应用，不仅有利于解决城市发展中存在的问题，也可以拉动国民经济和产业发展结构战略性调整，提高人们生活效率、促进社会快速发展以及实现企业的可持续发展。智慧城市大数据可视化系统是运用信息通信技术手段，对一个城市内部运行的各项关键信息进行统计计算进而整合信息，从而对政府、企业和居民的各项需求作出便捷的响应。其实质是利用先进的信息技术，将二维数据三维化呈现在大众视野，从而达到对城市的智能管理，为城市中生活的人创造更高效美好的生活，促进城市的可持续发展。