System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及政务大数据,特别涉及低收入人口动态监测量化模型。
技术介绍
1、随着信息化技术的在政务领域的不断应用实践,相关政务部门积累了大量的数据资产。但政务部门对积累的低收入人口数据的应用更多是侧重于数据展示,即通过对数据加工处理后在应用系统前端做展示。这种应用方式存在以下不足:
2、1)、不能够让沉淀的低收入人口数据资产价值得到充分利用;
3、2)、无法让使用者快速定位到低收入人口重要的数据;
4、3)、无法加强低收入人口动态监测,从而无法更加精准、及时、有效做好社会救助工作。
5、当前有企业提出了解决上述低收入人口问题的一些方法。这些解决方案要么片面,只局限于某一个点,比如只针对已经认定为低收入人口的异常情况进行分析处理;要么无法做到精准识别帮扶低收入人口,比如基于手机信令数据预测低收入人群的方法,只能识别到某个区域范围的人群的特征,无法精准识别到每个家庭的特征,从而无法实现精准扶贫。
6、如何构建了一个更加全面化、体系化、精准化的低收入人口动态监测模型是政务领域必须认真研究解决的技术难题。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的缺陷,公开了一种基于量化模型的低收入人口动态监测与救助方法和系统,解决低收入人口量化模型不精确,并实现对低收入人口的动态监测和救助。
2、为了解决上述技术问题,本专利技术提供了如下的技术方案:
3、本专利技术揭示了低收入人口动态监测量化模型,数
4、s101:从政务部门信息中心采集家庭历史数据记录;
5、s102:对家庭历史数据记录进行清洗处理;
6、s103:剔除不满足低收入人口政策法规设定条件的数据记录;
7、s104:确定家庭困难程度的特征因素;
8、s105:构建多元线性回归模型,构建的多元线性回归模型如下:
9、y=β0+β1x1+…+βjxj+βnxn;
10、其中,y表示家庭困难程度的得分值,xj表示第j个特征因素,βj表示第j个特征因素对应的回归系数,j=1,2,…n,n表示影响因素的个数;
11、s106:从家庭历史数据记录中抽样,并给样本按家庭困难程度打分,具体为:
12、正常家庭对应分数区间(-∞,0];
13、低保边缘家庭对应分数区间为(0,1.5];
14、低保家庭对应分数区间为(1.5,3];
15、特困家庭对应分数区间为(3,+∞);
16、s107:对所述抽样样本数据记录进行预处理,预处理主要是构建样本矩阵后,对样本值进行标准化处理;
17、s108:把预处理的样本按8:2的比例划分为训练集和测试集,划分方式是随机划分;
18、s109:通过训练集对多元线性回归模型求回归系数,将训练集代入到多元线性回归模型中;
19、s110:通过测试集对所述多元线性回归进行拟合度检验;
20、s111:把回归系数代入回归模型得到低收入人口量化模型。
21、作为本专利技术的一种优选技术方案,对家庭历史数据记录进行清洗加工,具体为:
22、(1)对单条数据记录存在空值的数据,用均线高频值来填充或者直接删除;
23、(2)在做多数据源融合时,列数据单位不统一时,需要转换为统一;
24、(3)对于不合理的数据记录进行删除或修正;
25、(4)对于不唯一的数据记录,进行删除;
26、(5)按不同维度汇总复合指标。
27、作为本专利技术的一种优选技术方案,步骤s101中,家庭历史数据记录包括家庭成员信息、家庭各项收入、家庭各项开支、家庭各项财产、低收入人口政策法规相关指标;
28、步骤s103中,低收入人口政策法规是国家、省、市等各行政区规定的被纳入低收入人口监测范围的硬性条件;
29、步骤s104中,特征因素是基于家庭成员信息、家庭各项收入、家庭各项开支、家庭各项财产、低收入人口政策法规相关指标,结合专家意见和数据统计分析来确定;使用的数据统计分析方法包括:相关系数、卡方检验、信息增益;
30、步骤s106中,家庭越困难程度打分标准是家庭约困难得分越高。所打的分值要和所属家庭属性对应分数区间相匹配。
31、作为本专利技术的一种优选技术方案,所述动态监测单元的具体流程如下:
32、s201:定时从政务部门信息中心采集家庭新增或变更数据记录,即设定采集频率,实时动态监测s111量化模型中的特征因素量化值变动;
33、s202:对家庭实时数据记录进行清洗加工;
34、s203:判断是否满足低收入人口政策法规设定的条件;
35、s203a1:若满足低收入人口政策法规设定的条件,对家庭实时数据记录进行预处理,预处理步骤为s107流程;
36、s203a2:低收入人口量化模型计算出家庭困难程度得分,即把s203a1预处理的记录代入到s111的低收入人口量化模型,得出家庭困难程度得分;
37、s203b1:若家庭困难程度得分为0,不符合s203的低收入人口政策法规设定的条件家庭,可以认为是正常家庭,直接给0分;
38、s204:根据家庭困难程度得分对低收入人口进行分类打标签,基于s203a2计算得到的家庭困难程度得分对应的标签分数区间来打标签:
39、家庭困难程度得分在区间(-∞,0]时,低收入人口分类标签为正常家庭;
40、家庭困难程度得分在区间(0,1.5]时,低收入人口分类标签为低保边缘家庭;
41、家庭困难程度得分在区间(1.5,3]时,低收入人口分类标签为低保家庭;
42、家庭困难程度得分在区间(3,+∞)时,低收入人口分类标签为特困家庭;
43、s205:判断低收入人口分类标签是否变动,分为两类情况:
44、低收入人口之前没有打过分类标签,s204步骤是第一次打标签;
45、低收入人口打过分类标签,s204步骤打的标签和之前不一样;
46、s205a:若低收入人口分类标签发生变动,记录到低收入人口分类标签变动表中并产生预警,即将产生的变动的分类标签记录到数据库的物理表中,同时产生一条预警记录,通知政务人员,进行重点监控;
47、s205b:若低收入人口分类标签未发生变动,根据低收入人口分类标签及相关政策发放低保金额。
48、作为本专利技术的一种优选技术方案,步骤s202中,对家庭历史数据记录进行清洗加工,具体为:
49、1)对单条数据记录存在空值的数据,用均线高频值来填充或者直接删除;
50、2)在做多数据源融合时,列数据单位不统一时,需要转换为统一;
51、3)对于不合理的数据记录本文档来自技高网...
【技术保护点】
1.低收入人口动态监测量化模型,其特征在于,包含数据建模和动态监测单元,其中数据建模的具体步骤如下:
2.根据权利要求1所述的低收入人口动态监测量化模型,其特征在于,所述对家庭历史数据记录进行清洗加工,具体为:
3.根据权利要求1所述的低收入人口动态监测量化模型,其特征在于,步骤S101中,家庭历史数据记录包括家庭成员信息、家庭各项收入、家庭各项开支、家庭各项财产、低收入人口政策法规相关指标;
4.根据权利要求1所述的低收入人口动态监测量化模型,其特征在于,所述动态监测单元的具体流程如下:
5.根据权利要求4所述的低收入人口动态监测量化模型,其特征在于,步骤S202中,对家庭历史数据记录进行清洗加工,具体为:
【技术特征摘要】
1.低收入人口动态监测量化模型,其特征在于,包含数据建模和动态监测单元,其中数据建模的具体步骤如下:
2.根据权利要求1所述的低收入人口动态监测量化模型,其特征在于,所述对家庭历史数据记录进行清洗加工,具体为:
3.根据权利要求1所述的低收入人口动态监测量化模型,其特征在于,步骤s101中,家庭历史数据记录...
【专利技术属性】
技术研发人员:许春来,严杰,田坤,娄志勇,
申请(专利权)人:武汉大江数据有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。