王欣然 米新新 王艷 李赫

摘? 要：隨著京津冀協(xié)同發(fā)展規(guī)劃的逐步深化，京津冀三地在整體規(guī)劃中戰(zhàn)略地位愈發(fā)突出，服務職能愈發(fā)清晰。面對京津冀協(xié)同發(fā)展中新興的服務內(nèi)容，將人工智能神經(jīng)網(wǎng)絡理論應用于區(qū)域智能服務內(nèi)容中，通過收集和分析企業(yè)數(shù)據(jù)，建立動態(tài)神經(jīng)網(wǎng)絡，生成行業(yè)動態(tài)和發(fā)展預測數(shù)據(jù)，從而形成協(xié)調(diào)京津冀三省市的整體服務匹配系統(tǒng)。隨著大數(shù)據(jù)技術和機器學習算法的成熟，基于人工神經(jīng)網(wǎng)絡的京津冀區(qū)域智能服務匹配系統(tǒng)框架設計逐步實現(xiàn)，為京津冀區(qū)域政府和企業(yè)的協(xié)調(diào)發(fā)展奠定基礎。

關鍵詞：智能服務? 人工神經(jīng)網(wǎng)絡? 京津冀協(xié)同發(fā)展

Abstract： With the gradual progress of Beijing-Tianjin-Hebei coordinated development planning， the strategic position of Beijing-Tianjin-Hebei in the overall planning has become more prominent and the service functions have become clearer. Faced with the service content of the new and emerging service in the coordinated development of Beijing-Tianjin-Hebei， the theory of artificial intelligence neural network is applied to the regional intelligent service content， which using collecting and analyzing enterprise data， establishing dynamic neural network， generating industry dynamic and developing forecast datas，so as to form an integrated service matching system to coordinate the three provinces and cities in Beijing-Tianjin-Hebei.With the maturity of big data technology and machine learning algorithm， the framework design of Beijing Tianjin Hebei regional intelligent service matching system based on artificial neural network is gradually realized， which lays the foundation for the coordinated development of Beijing Tianjin Hebei regional government and enterprises.

Key Words： Intelligent services; Artificial neural network; The coordinated development of Beijing-Tianjin-Hebei

2014年3月5日，國務院總理李克強同志作政府工作報告時提出了京津冀一體化方案，其目的是為了加強環(huán)渤海地區(qū)及京津冀地區(qū)的經(jīng)濟協(xié)作能力。2014年2月26日，總書記習近平同志在聽取京津冀協(xié)同發(fā)展工作匯報時強調(diào)，實現(xiàn)京津冀協(xié)同發(fā)展是一個重大國家戰(zhàn)略，要做到優(yōu)勢互補、互利共贏、扎實推進，加快走出一條科學持續(xù)的協(xié)同發(fā)展路子。

2015年4月30日，中共中央政治局召開會議，審議通過了《京津冀協(xié)同發(fā)展規(guī)劃綱要》。在京津冀一體化的進程中有著諸多的資源與服務的協(xié)調(diào)和整合工作，而如何合理高效的完成這些整合工作，就成為擺在我們面前的一個重要課題。

1? 亟待解決的問題

在三地下一階段的產(chǎn)業(yè)發(fā)展方向中，如何進行合理的產(chǎn)業(yè)分工和融合，是三地協(xié)同發(fā)展的重要研究方向，京津冀地區(qū)21.6萬平方公里的土地面積，1.2億消費人口，如果沒有合理的產(chǎn)業(yè)資源結(jié)構和高效的配套服務體系作為支撐，想要達到協(xié)同發(fā)展的目標將困難重重[1]。

產(chǎn)業(yè)的合理分工和融合是梳理京津冀地區(qū)產(chǎn)業(yè)資源結(jié)構的首要之舉，京津冀三地擁有各自的產(chǎn)業(yè)資源優(yōu)勢，同時劣勢也相當明顯[2]。北京作為我國的政治經(jīng)濟文化中心，有地位高、體量大、實力強、變化快、素質(zhì)高等特點，但也存在著人口過多、交通擁堵、生態(tài)環(huán)境等問題[3]。天津作為我國北方重要的港口城市，具有現(xiàn)代制造、科技教育等優(yōu)勢，但重工業(yè)比重大，本地民營企業(yè)、中小型企業(yè)不活躍等問題也使其未來發(fā)展缺少后勁[4]。河北其空間優(yōu)勢在三地毋庸置疑，其港口優(yōu)勢并不亞于天津而且還具備豐富的生態(tài)和旅游資源，但經(jīng)濟水平較低、傳統(tǒng)重化工業(yè)比重過大，工業(yè)污染與生態(tài)環(huán)境矛盾加劇、城鎮(zhèn)化水平不高也限制了河北的快速發(fā)展[5]。

在京津冀協(xié)同發(fā)展整體規(guī)劃中，最受矚目無疑是京津冀三地的功能定位，這一點在2015年4月30日頒布的《京津冀協(xié)同發(fā)展規(guī)劃綱要》中有明確的指出[6]。將北京打造為全國政治中心、文化中心、國際交往中心、科技創(chuàng)新中心。將天津打造為全國先進制造研發(fā)基地、北方國際航運核心區(qū)、金融創(chuàng)新運營示范區(qū)、改革開放先行區(qū)。將河北打造為全國現(xiàn)代商貿(mào)物流重要基地、產(chǎn)業(yè)轉(zhuǎn)型升級試驗區(qū)、新型城鎮(zhèn)化與城鄉(xiāng)統(tǒng)籌示范區(qū)、京津冀生態(tài)環(huán)境支撐區(qū)。

結(jié)合京津冀三地的定位來看，京津冀三地在未來都有很多的需要協(xié)調(diào)整合的資源與服務內(nèi)容，在不造成資源浪費的前提下，合理高效的完成這些協(xié)調(diào)整合工作，依托于大數(shù)據(jù)的人工智能服務匹配系統(tǒng)就成為這項工作中必不可少的信息支撐平臺。

2? 智能服務匹配系統(tǒng)

現(xiàn)在的人們對于服務的需求越來越多也越來越細化，就交通出行而言目前市場上提供的服務種類就分有公交巴士、出租車、網(wǎng)約車、共享單車等，人們可在需要出行時選擇自己需要的服務類型，但對于服務提供者來說則需要不間斷的提供服務才能滿足被服務者的出行需求，這在一定程度上造成了資源浪費。

而智能服務匹配系統(tǒng)旨在通過人工神經(jīng)網(wǎng)絡節(jié)點處理和大數(shù)據(jù)匯集，從而建立事物之間的關聯(lián)，產(chǎn)生協(xié)同數(shù)據(jù)，再經(jīng)由迭代反饋算法[7]對協(xié)同數(shù)據(jù)進行處理，再將處理結(jié)果反饋給服務提供者，這樣可以避免同類型服務分配不合理所造成的資源浪費。

要解決這個看似矛盾的問題，智能服務匹配系統(tǒng)首先要做的是匯總各運營企業(yè)的需求數(shù)據(jù)、使用數(shù)據(jù)和調(diào)度數(shù)據(jù)，在將歷史數(shù)據(jù)和實時數(shù)據(jù)綜合起來分析，動態(tài)產(chǎn)生最優(yōu)的調(diào)整方法，然后將調(diào)整方法生成為新的調(diào)度計劃數(shù)據(jù)反饋給各運營商，最終由各運營商通過自己的服務系統(tǒng)進行單車的調(diào)度，這樣就可以通過同類型服務產(chǎn)生相同的數(shù)據(jù)模型，并對該模型所產(chǎn)生的數(shù)據(jù)進行匹配，從而提高用戶體驗，同時也可以在一定程度上避免了由于服務冗余而衍生出的其他問題。

微軟公司的實時數(shù)據(jù)質(zhì)量監(jiān)控平臺就是非常典型的“模型匹配”[8]系統(tǒng)。該平臺的數(shù)據(jù)端配備了人工智能的機器學習算法，通過對歷史數(shù)據(jù)和實時數(shù)據(jù)的分析，所產(chǎn)生的數(shù)據(jù)與微軟創(chuàng)建的風險模型進行動態(tài)匹配，可以監(jiān)控數(shù)據(jù)質(zhì)量并發(fā)出預警信息。結(jié)合目前已經(jīng)明確的京津冀三地的定位，下一步就要是通過智能匹配的方式解決其中所蘊含的資源和服務的協(xié)調(diào)與整合問題。

3? 整體設計

要建立整個京津冀地區(qū)的智能服務匹配系統(tǒng)可以使用服務匹配的架構方法，以三地的功能定位為核心需求，首先以三地中各企業(yè)的經(jīng)營范圍、注冊資本、所提供的服務內(nèi)容和運營情況為基礎建立各企業(yè)的歷史數(shù)據(jù)檔案，形成基于歷史數(shù)據(jù)獨立神經(jīng)元的基礎模型，并依托于這些企業(yè)的信息化平臺抽取其中的實時運營服務數(shù)據(jù)，同時以實時數(shù)據(jù)對基礎神經(jīng)元模型進行訓練，形成獨立的動態(tài)神經(jīng)元[9]

其次在動態(tài)神經(jīng)元的基礎上將服務內(nèi)容、經(jīng)營范圍、產(chǎn)業(yè)規(guī)模相同或近似的企業(yè)進行梳理，形成行業(yè)大數(shù)據(jù)信息。并根據(jù)大數(shù)據(jù)的存儲和分析技術對動態(tài)神經(jīng)元所產(chǎn)生的實時數(shù)據(jù)進行處理。再由機器學習算法實時進行分析，生成本行業(yè)的動態(tài)行業(yè)數(shù)據(jù)

最后將各行業(yè)數(shù)據(jù)進行定期統(tǒng)計，統(tǒng)計周期可根據(jù)需要自行定義，并將統(tǒng)計結(jié)果以可視化數(shù)據(jù)圖表的形式進行展現(xiàn)，以便于監(jiān)管部門可以人為監(jiān)控各行業(yè)發(fā)展狀況。也可由京津冀三地規(guī)劃各行業(yè)的業(yè)模型，將統(tǒng)計結(jié)果與各行業(yè)的產(chǎn)業(yè)模型進行動態(tài)匹配，以比較各行業(yè)發(fā)展預測情況與規(guī)劃中的產(chǎn)業(yè)模型是否產(chǎn)生偏差，形成行業(yè)發(fā)展大數(shù)據(jù)。也可設立各行業(yè)預警機制，將統(tǒng)計結(jié)果與預警機制進行實時匹配，形成行業(yè)發(fā)展預警系統(tǒng)，從而實現(xiàn)對各行業(yè)實時發(fā)展動態(tài)進行自動監(jiān)控，以起到避免行業(yè)資源浪費或產(chǎn)能過剩的效果。

4? 系統(tǒng)設計重點

本系統(tǒng)旨在通過企業(yè)數(shù)據(jù)的統(tǒng)計和分析形成規(guī)范化的神經(jīng)元數(shù)據(jù)，經(jīng)由機器學習算法對神經(jīng)元數(shù)據(jù)進行自動化分析，從而形成行業(yè)動態(tài)數(shù)據(jù)和發(fā)展預測數(shù)據(jù)，再與產(chǎn)業(yè)模型和預警機制進行匹配，從而達到預測行業(yè)發(fā)展和預警行業(yè)風險的效果。經(jīng)過對各行業(yè)數(shù)據(jù)不斷的采集和積累，最終實現(xiàn)給予管理者整體行業(yè)發(fā)展狀況和預測全行業(yè)發(fā)展趨勢的預測目的。

5? 系統(tǒng)功能描述

第一部分：建立企業(yè)動態(tài)神經(jīng)元

通過對同類型企業(yè)的歷史數(shù)據(jù)進行提煉，生成企業(yè)檔案，并結(jié)合對企業(yè)運營數(shù)據(jù)的采集形成實時企業(yè)數(shù)據(jù)，再經(jīng)由企業(yè)神經(jīng)元模型進行數(shù)據(jù)匹配，使其更準確更有效率，從而得到企業(yè)動態(tài)神經(jīng)元數(shù)據(jù)。

（1）建立企業(yè)數(shù)據(jù)檔案

根據(jù)企業(yè)的基礎信息建立數(shù)據(jù)檔案，基礎信息內(nèi)容主要由工商注冊信息和過往年度的運營數(shù)據(jù)兩部分構成。

（2）搭建數(shù)據(jù)采集模塊

數(shù)據(jù)采集系統(tǒng)是整個智能服務匹配系統(tǒng)中數(shù)據(jù)價值的保障[10]，智能高效的采集系統(tǒng)可以大幅度降低企業(yè)運營數(shù)據(jù)的更新成本。

（3）更新企業(yè)實時運營數(shù)據(jù)

通過數(shù)據(jù)的自動化采集，實現(xiàn)企業(yè)運營數(shù)據(jù)的實時（定期）匯總。

（4）建立同類型企業(yè)神經(jīng)元模型

根據(jù)同類型企業(yè)共通的運營指標，建立該類型企業(yè)的數(shù)據(jù)神經(jīng)元模型，用于對采集到的數(shù)據(jù)進行智能過濾。

（5）生成企業(yè)動態(tài)神經(jīng)元

用過濾后的數(shù)據(jù)生成企業(yè)動態(tài)神經(jīng)元，企業(yè)神經(jīng)元包含兩部分內(nèi)容，企業(yè)歷史數(shù)據(jù)和企業(yè)實時數(shù)據(jù)。

第二部分：生成行業(yè)動態(tài)和發(fā)展預測數(shù)據(jù)

通過將同類型企業(yè)的神經(jīng)元數(shù)據(jù)進行動態(tài)匯總，形成精準的動態(tài)行業(yè)大數(shù)據(jù)，再將行業(yè)數(shù)據(jù)用于機器學習算法的訓練，強化對行業(yè)動態(tài)數(shù)據(jù)分析能力，進而得到行業(yè)發(fā)展預測數(shù)據(jù)。

（1）建立數(shù)據(jù)控制節(jié)點

數(shù)據(jù)控制節(jié)點的功能是將企業(yè)動態(tài)神經(jīng)元中的數(shù)據(jù)進行智能梳理，以經(jīng)營范圍為基礎，以企業(yè)的規(guī)模和成本管控能力為坐標對企業(yè)進行分類[11]。

（2）企業(yè)大數(shù)據(jù)的存儲

將經(jīng)過分類的企業(yè)數(shù)據(jù)進行合理的存儲[12]，確保數(shù)據(jù)全生命周期的真實性有效性，并在確保歷史數(shù)據(jù)響應速度的前提下，提高實時數(shù)據(jù)的存儲速度[13]。

（3）生成行業(yè)動態(tài)數(shù)據(jù)

以同行業(yè)企業(yè)的實時數(shù)據(jù)為依據(jù)，將該類數(shù)據(jù)進行匯總整合形成本行業(yè)實時動態(tài)數(shù)據(jù)。

（4）搭建數(shù)據(jù)分析模型

以同行業(yè)企業(yè)的數(shù)據(jù)為基礎，抽取其中重要的指標和參數(shù)（交易成本、收支情況等），搭建該行業(yè)的數(shù)據(jù)模型。

（5）建立機器學習算法

以并行算法、想進算法為基礎解決大數(shù)據(jù)分類、聚類和關聯(lián)問題[14]。

（6）生成行業(yè)發(fā)展預測數(shù)據(jù)

將搭載了行業(yè)數(shù)據(jù)模型的機器學習算法應用于該行業(yè)的真實數(shù)據(jù)中，進而生成行業(yè)發(fā)展預測數(shù)據(jù)。

第三部分：行業(yè)動態(tài)數(shù)據(jù)應用

通過對行業(yè)動態(tài)數(shù)據(jù)的統(tǒng)計生成即時的可視化行業(yè)動態(tài)報告，并通過行業(yè)發(fā)展預測數(shù)據(jù)與產(chǎn)業(yè)模型和預警機制進行匹配，形成行業(yè)發(fā)展大數(shù)據(jù)和行業(yè)發(fā)展預警系統(tǒng)。

（1）生成行業(yè)動態(tài)大數(shù)據(jù)統(tǒng)計

通過將各類動態(tài)行業(yè)數(shù)據(jù)進行匯總，以行業(yè)總產(chǎn)量（值）、銷售情況和時間等維度生成行業(yè)大數(shù)據(jù)統(tǒng)計。

（2）生成行業(yè)可視化數(shù)據(jù)統(tǒng)計

將統(tǒng)計結(jié)果以可視化圖表的形式展現(xiàn)，根據(jù)不同的需要生成不同形式的統(tǒng)計專題圖[15]。

（3）行業(yè)發(fā)展預測數(shù)據(jù)統(tǒng)計

通過將各行業(yè)發(fā)展預測數(shù)據(jù)進行統(tǒng)計，以預計產(chǎn)量（值）、預計銷售情況和時間等維度生成行業(yè)發(fā)展大數(shù)據(jù)。

（4）設置行業(yè)數(shù)據(jù)預警機制

通過過往行業(yè)歷史數(shù)據(jù)設置風險預警機制，通過風險辨識、預警模型兩個方面在風險為發(fā)生前加以辨識，以達到預警的效果。

（5）生成行業(yè)發(fā)展預警系統(tǒng)

在風險出現(xiàn)時快速的進行預警評估、生成評估報告，并給出決策列表幫助決策者進行決策選擇，以此設立全流程風險預警機制[16]。

6? 系統(tǒng)可行性

企業(yè)角度：當今社會，信息化技術不斷進步，企業(yè)信息資源逐步向數(shù)字化、云端化改進，但信息資源共享尚在起步階段。如果只對企業(yè)進行分析，雖然可以知道某個企業(yè)的經(jīng)營和財務狀況，但不能知道其他同類企業(yè)的狀況，無法通過比較知道該企業(yè)在同行業(yè)中的位置，更無法得知該行業(yè)在地區(qū)經(jīng)濟發(fā)展中的位置。而這在充滿著高度競爭的現(xiàn)代經(jīng)濟中是至關重要的。另外，行業(yè)所處生命周期的位置制約著或決定著企業(yè)的生存和發(fā)展。所以應用本系統(tǒng)加強企業(yè)信息利用率，推動本系統(tǒng)的運行可以助力企業(yè)運營信息數(shù)據(jù)化云端化發(fā)展。

技術角度：本系統(tǒng)通過采集企業(yè)歷史數(shù)據(jù)和實時節(jié)點數(shù)據(jù)建立神經(jīng)元模型，在利用機器學習算法對神經(jīng)元數(shù)據(jù)進行自動化分析，從而預測企業(yè)生產(chǎn)數(shù)據(jù)?；诖髷?shù)據(jù)技術的京津冀政府治理能力建設的研究和應用早就出現(xiàn)過[17]。作為最近三十年新興起的科研學科，機器學習已經(jīng)在現(xiàn)代信息生活尤其是互聯(lián)網(wǎng)生活中實現(xiàn)了較為廣泛的應用[18]。本系統(tǒng)的技術支持相對成熟，難點在于數(shù)據(jù)庫的建設與信息收集。

政府角度：本系統(tǒng)主要為京津冀三地政府和企業(yè)提供服務，同時以企業(yè)的基本信息為基礎，動態(tài)經(jīng)營數(shù)據(jù)為依托，經(jīng)由大數(shù)據(jù)技術和機器學習算法，在實現(xiàn)行業(yè)數(shù)據(jù)統(tǒng)計的同時，還可以大大降低政府經(jīng)濟的測算和規(guī)劃成本，直接緩解甚至解決產(chǎn)能過剩情況的發(fā)生，有效的推動地區(qū)經(jīng)濟進步，最終通過經(jīng)濟發(fā)展預測和風險預警，直接助力政府做下一階段的經(jīng)濟決策。

7? 結(jié)語

行業(yè)數(shù)據(jù)的預測一直是經(jīng)濟發(fā)展中的一項難題，以往的行業(yè)預測大多依托于數(shù)據(jù)上報和人為測算，數(shù)據(jù)收集及時性低且測算周期長，導致測算結(jié)果與經(jīng)濟發(fā)展情況存在一定偏差，但隨著大數(shù)據(jù)技術和機器學習算法的成熟，解決了數(shù)據(jù)收集和測算周期的問題，從而使測算結(jié)果更為精準，對整體的經(jīng)濟發(fā)展預測起到了良好的輔助作用。京津冀協(xié)同發(fā)展規(guī)劃不僅僅是自身的發(fā)展，其建設關系到如何帶動我國北方經(jīng)濟與社會的全面發(fā)展，是歷史賦予的機遇，為實現(xiàn)中華民族的偉大復興，就要抓住機遇。用發(fā)展的眼光來看，基于大數(shù)據(jù)和機器學習算法的智能服務匹配系統(tǒng)，可以有效解決京津冀一體化資源整合和系統(tǒng)配置時出現(xiàn)的以下問題。

（1）極大程度解決了京津冀三地政府和企業(yè)等數(shù)據(jù)收集及時性和準確性低的問題。

（2）極大程度解決了京津冀三地政府和企業(yè)等測算周期長和測算內(nèi)容與現(xiàn)實情況脫節(jié)問題。

（3）有效解決了京津冀三地政府和企業(yè)等行業(yè)發(fā)展數(shù)據(jù)預測困難的問題。

（4）有助于解決京津冀三地政府和企業(yè)等資源配置困難和產(chǎn)能過剩的問題。

參考文獻

[1] 趙彥蘭.京津冀一體化戰(zhàn)略背景下的產(chǎn)業(yè)發(fā)展協(xié)調(diào)機制研究[D].天津師范大學，2015.

[2] 周畢文，陳慶平.京津冀一體化中的產(chǎn)業(yè)轉(zhuǎn)移[J].經(jīng)濟與管理，30，250（3）：9-12.

[3] 林曉娟，房世峰，杜加強，等.基于綜合承載力的北京市適度人口研究[J].地球信息科學學報，2017，19（11）：1495-1503.

[4] 《天津經(jīng)濟》課題組.京津冀一體化的綜述與借鑒[J].天津經(jīng)濟，2014（4）.

[5] 張丹，朱鳳戰(zhàn)，黃坤明.京津冀一體化進程中河北發(fā)展戰(zhàn)略研究綜述[J].滄州師范學院學報，2015，31（1）：105-107.

[6] 國土資源局，京津冀協(xié)同發(fā)展規(guī)劃綱要，2015.

[7] 顧軍華，任超，譚慶.基于正反饋機制的遺傳算法[J].計算機工程與應用，2007，43（14）：73-74.

[8] 姚明臣.機器學習和神經(jīng)網(wǎng)絡學習中的若干問題研究[D].2016.

[9] 方幼林，楊冬青，唐世渭，等.數(shù)據(jù)倉庫中數(shù)據(jù)質(zhì)量控制研究[J].計算機工程與應用，2003，39（13）：1-4.

[10] 張繼棟，許鵬.大數(shù)據(jù)采集系統(tǒng)的設計與應用[J].大觀：東京文學，2017.

[11] 黃志奮.我國工業(yè)企業(yè)成本管理的現(xiàn)狀和對策[J].會計師，2009，100（1）：80-81.

[12] 周愛武，李孫長，ZHOUAi-wu，etal.基于Web服務數(shù)據(jù)集成框架的設計與應用[J].計算機技術與發(fā)展，2010，20（11）：246-249.

[13] 歐陽靜，李蘭友.面向經(jīng)營分析系統(tǒng)的數(shù)據(jù)倉庫架構設計與存儲研究[J].計算機與現(xiàn)代化，2011，2011（12）：103-105.

[14] 紀思捷，胡豪杰.基于機器學習算法的大數(shù)據(jù)處理[J].電子技術與軟件工程，2015（23）：202-202.

[15] 馬洪波，陳志泊，陸守一.數(shù)據(jù)庫可視化技術在統(tǒng)計數(shù)據(jù)管理領域中的應用[J].河北林果研究，2004（2）.

[16] 李慧，黎明梅，LiHui，等.全面風險管理視角下的企業(yè)風險預警機制研究[J].區(qū)域金融研究，2013（12）：63-66.

[17] 馬林藝，劉暢.大數(shù)據(jù)驅(qū)動下的政府治理能力建設研究——以京津冀協(xié)同發(fā)展為例[J].產(chǎn)業(yè)與科技論壇，2018，17（9）：234-235.

[18] 余殷博.基于人工智能下的機器學習歷史及展望[J].電子技術與軟件工程，2017（4）：129-129.