[发明专利]一种基于深度学习的城市事件自动分类派发方法及装置

权利要求书

1.一种基于深度学习的城市事件自动分类派发方法，其特征在于，所述方法包括下述步骤：

步骤S1、收集城市事件数据并预处理；

步骤S2、根据收集处理的城市事件数据构建事件分类卷积神经网络模型；

步骤S3、计算城市事件发生地的标准地理编码；

步骤S4、构建城市事件派发卷积神经网络模型；

步骤S5、接收当前输入的城市事件数据，调用所述分类卷积神经网络模型输出分类类别，获取当前城市事件数据的标准地理编码，然后调用派发卷积神经网络模型，输出具体的城市事件派发部门；

其中所述步骤S1具体包括下述步骤：

步骤S1.1、收集历年城市事件文本数据，结合分词字典，对收集的文本数据进行分词过滤，得到适合于城市事件的分词字典；

步骤S1.2、获取城市的标准地名地址库，每个标准地名地址都包含唯一的地理编码，并且基于标准地名地址库制作地名地址字典；

步骤S1.3、根据所述分词字典和地名地址字典对所有城市事件文本数据进行分词，并统计词频，选取词频较低的词作为停用词，建立适用于城市事件的停用词字典；

步骤S1.4、对所有城市事件的类别按照名称进行编码，每个类别对应一个类别编号，并且增加一个其他的类别作为预留类别；

步骤S1.5、根据上述步骤S1.1-S1.3得到的分词字典、地名地址字典和停用词字典，对所有的城市事件文本数据逐条进行预处理，包括分词、去停用词、去地名地址处理，同时定义一个常量K，作为每个城市事件文本预处理后保留的最终单词数量；

对单条城市事件文本数据，若预处理完毕得到单词数量为0，则视该城市事件为无效城市事件进行剔除，否则视为有效城市事件；若预处理完毕得到的单词数量超过K，则保留前面的K个单词作为最终单词；若处理完毕的单词个数介于0到K之间，则以空值UNK填充，因此每条有效城市事件文本数据预处理后单词数量均为K，然后按照步骤S1.4的编码方式提取每条有效城市事件的类别编号，将类别编号和有效城市事件的预处理结果作为训练样本，统计样本数量；

步骤S1.6、对所有训练样本中的所有单词，每个单词赋予一个唯一词编码，其中填充的空值UNK统一用一个词编码，并建立对应关系词表；

步骤S1.7、对城市事件的处理部门进行数字化编码；

其中所述步骤S3具体包括下述步骤：

判断城市事件文本数据是否带有地理坐标信息，如果带有地理坐标信息，则通过计算地理坐标信息与标准地名地址库中的行政区划的空间关系，判断城市事件属于哪个行政区划，进而取得行政区划对应的标准地理编码；如果不带有地理坐标信息，首先根据步骤S1.2中的地名地址字典提取城市事件中的详细地址，将城市事件中的详细地址输入到标准地名地址库中做文本匹配，选取匹配最高的标准地址编码。

2.如权利要求1所述基于深度学习的城市事件自动分类派发方法，其特征在于，所述步骤S2中分类卷积神经网络模型为内嵌词向量训练的卷积神经网络分类模型，并分为以下部分：

输入层：输入一个城市事件的训练样本，即步骤S1.5中的类别编号和预处理后的K个单词；

嵌入层：对于输入层中的K个单词进行查表操作，从对应关系词表中查出对应的词编码，并将单词转为词向量形式；

特征提取层：构建3种过滤器，每种过滤器128个，每个过滤器包含卷积层和池化层，并在两层中间加入非线性激活函数处理，3种过滤器将同步对词向量进行卷积和池化操作；

全连接层：连接所有词向量经过过滤器池化后的特征值；

激活层：选用softmax函数归一化计算城市事件属于每个类别的概率；

输出层：输出概率最大的类别作为预测分类类别。