王欣然 米新新 王艳 李赫
摘 要：随着京津冀协同发展规划的逐步深化，京津冀三地在整体规划中战略地位愈发突出，服务职能愈发清晰。面对京津冀协同发展中新兴的服务内容，将人工智能神经网络理论应用于区域智能服务内容中，通过收集和分析企业数据，建立动态神经网络，生成行业动态和发展预测数据，从而形成协调京津冀三省市的整体服务匹配系统。随着大数据技术和机器学习算法的成熟，基于人工神经网络的京津冀区域智能服务匹配系统框架设计逐步实现，为京津冀区域政府和企业的协调发展奠定基础。
关键词：智能服务 人工神经网络 京津冀协同发展
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，國务院总理李克强同志作政府工作报告时提出了京津冀一体化方案，其目的是为了加强环渤海地区及京津冀地区的经济协作能力。2014年2月26日，总书记习近平同志在听取京津冀协同发展工作汇报时强调，实现京津冀协同发展是一个重大国家战略，要做到优势互补、互利共赢、扎实推进，加快走出一条科学持续的协同发展路子。
2015年4月30日，中共中央政治局召开会议，审议通过了《京津冀协同发展规划纲要》。在京津冀一体化的进程中有着诸多的资源与服务的协调和整合工作，而如何合理高效的完成这些整合工作，就成为摆在我们面前的一个重要课题。
1 亟待解决的问题
在三地下一阶段的产业发展方向中，如何进行合理的产业分工和融合，是三地协同发展的重要研究方向，京津冀地区21.6万平方公里的土地面积，1.2亿消费人口，如果没有合理的产业资源结构和高效的配套服务体系作为支撑，想要达到协同发展的目标将困难重重[1]。
产业的合理分工和融合是梳理京津冀地区产业资源结构的首要之举，京津冀三地拥有各自的产业资源优势，同时劣势也相当明显[2]。北京作为我国的政治经济文化中心，有地位高、体量大、实力强、变化快、素质高等特点，但也存在着人口过多、交通拥堵、生态环境等问题[3]。天津作为我国北方重要的港口城市，具有现代制造、科技教育等优势，但重工业比重大，本地民营企业、中小型企业不活跃等问题也使其未来发展缺少后劲[4]。河北其空间优势在三地毋庸置疑，其港口优势并不亚于天津而且还具备丰富的生态和旅游资源，但经济水平较低、传统重化工业比重过大，工业污染与生态环境矛盾加剧、城镇化水平不高也限制了河北的快速发展[5]。
在京津冀协同发展整体规划中，最受瞩目无疑是京津冀三地的功能定位，这一点在2015年4月30日颁布的《京津冀协同发展规划纲要》中有明确的指出[6]。将北京打造为全国政治中心、文化中心、国际交往中心、科技创新中心。将天津打造为全国先进制造研发基地、北方国际航运核心区、金融创新运营示范区、改革开放先行区。将河北打造为全国现代商贸物流重要基地、产业转型升级试验区、新型城镇化与城乡统筹示范区、京津冀生态环境支撑区。
结合京津冀三地的定位来看，京津冀三地在未来都有很多的需要协调整合的资源与服务内容，在不造成资源浪费的前提下，合理高效的完成这些协调整合工作，依托于大数据的人工智能服务匹配系统就成为这项工作中必不可少的信息支撑平台。
2 智能服务匹配系统
现在的人们对于服务的需求越来越多也越来越细化，就交通出行而言目前市場上提供的服务种类就分有公交巴士、出租车、网约车、共享单车等，人们可在需要出行时选择自己需要的服务类型，但对于服务提供者来说则需要不间断的提供服务才能满足被服务者的出行需求，这在一定程度上造成了资源浪费。
而智能服务匹配系统旨在通过人工神经网络节点处理和大数据汇集，从而建立事物之间的关联，产生协同数据，再经由迭代反馈算法[7]对协同数据进行处理，再将处理结果反馈给服务提供者，这样可以避免同类型服务分配不合理所造成的资源浪费。
要解决这个看似矛盾的问题，智能服务匹配系统首先要做的是汇总各运营企业的需求数据、使用数据和调度数据，在将历史数据和实时数据综合起来分析，动态产生最优的调整方法，然后将调整方法生成为新的调度计划数据反馈给各运营商，最终由各运营商通过自己的服务系统进行单车的调度，这样就可以通过同类型服务产生相同的数据模型，并对该模型所产生的数据进行匹配，从而提高用户体验，同时也可以在一定程度上避免了由于服务冗余而衍生出的其他问题。
微软公司的实时数据质量监控平台就是非常典型的“模型匹配”[8]系统。该平台的数据端配备了人工智能的机器学习算法，通过对历史数据和实时数据的分析，所产生的数据与微软创建的风险模型进行动态匹配，可以监控数据质量并发出预警信息。结合目前已经明确的京津冀三地的定位，下一步就要是通过智能匹配的方式解决其中所蕴含的资源和服务的协调与整合问题。
3 整体设计
要建立整个京津冀地区的智能服务匹配系统可以使用服务匹配的架构方法，以三地的功能定位为核心需求，首先以三地中各企业的经营范围、注册资本、所提供的服务内容和运营情况为基础建立各企业的历史数据档案，形成基于历史数据独立神经元的基础模型，并依托于这些企业的信息化平台抽取其中的实时运营服务数据，同时以实时数据对基础神经元模型进行训练，形成独立的动态神经元[9]
其次在动态神经元的基础上将服务内容、经营范围、产业规模相同或近似的企业进行梳理，形成行业大数据信息。并根据大数据的存储和分析技术对动态神经元所产生的实时数据进行处理。再由机器学习算法实时进行分析，生成本行业的动态行业数据
最后将各行业数据进行定期统计，统计周期可根据需要自行定义，并将统计结果以可视化数据图表的形式进行展现，以便于监管部门可以人为监控各行业发展状况。也可由京津冀三地规划各行业的业模型，将统计结果与各行业的产业模型进行动态匹配，以比较各行业发展预测情况与规划中的产业模型是否产生偏差，形成行业发展大数据。也可设立各行业预警机制，将统计结果与预警机制进行实时匹配，形成行业发展预警系统，从而实现对各行业实时发展动态进行自动监控，以起到避免行业资源浪费或产能过剩的效果。
4 系统设计重点
本系统旨在通过企业数据的统计和分析形成规范化的神经元数据，经由机器学习算法对神经元数据进行自动化分析，从而形成行业动态数据和发展预测数据，再与产业模型和预警机制进行匹配，从而达到预测行业发展和预警行业风险的效果。经过对各行业数据不断的采集和积累，最终实现给予管理者整体行业发展状况和预测全行业发展趋势的预测目的。
5 系统功能描述
第一部分：建立企业动态神经元
通过对同类型企业的历史数据进行提炼，生成企业档案，并结合对企业运营数据的采集形成实时企业数据，再经由企业神经元模型进行数据匹配，使其更准确更有效率，从而得到企业动态神经元数据。
（1）建立企业数据档案
根据企业的基础信息建立数据档案，基础信息内容主要由工商注册信息和过往年度的运营数据两部分构成。
（2）搭建数据采集模块
数据采集系统是整个智能服务匹配系统中数据价值的保障[10]，智能高效的采集系统可以大幅度降低企业运营数据的更新成本。
（3）更新企业实时运营数据
通过数据的自动化采集，实现企业运营数据的实时（定期）汇总。
（4）建立同类型企业神经元模型
根据同类型企业共通的运营指标，建立该类型企业的数据神经元模型，用于对采集到的数据进行智能过滤。
（5）生成企业动态神经元
用过滤后的数据生成企业动态神经元，企业神经元包含两部分内容，企业历史数据和企业实时数据。
第二部分：生成行业动态和发展预测数据
通过将同类型企业的神经元数据进行动态汇总，形成精准的动态行业大数据，再将行业数据用于机器学习算法的训练，强化对行业动态数据分析能力，进而得到行业发展预测数据。
（1）建立数据控制节点
数据控制节点的功能是将企业动态神经元中的数据进行智能梳理，以经营范围为基础，以企业的规模和成本管控能力为坐标对企业进行分类[11]。
（2）企业大数据的存储
将经过分类的企业数据进行合理的存储[12]，确保数据全生命周期的真实性有效性，并在确保历史数据响应速度的前提下，提高实时数据的存储速度[13]。
（3）生成行业动态数据
以同行业企业的实时数据为依据，将该类数据进行汇总整合形成本行业实时动态数据。
（4）搭建数据分析模型
以同行业企业的数据为基础，抽取其中重要的指标和参数（交易成本、收支情况等），搭建该行业的数据模型。
（5）建立机器学习算法
以并行算法、想进算法为基础解决大数据分类、聚类和关联问题[14]。
（6）生成行业发展预测数据
将搭载了行业数据模型的机器学习算法应用于该行业的真实数据中，进而生成行业发展预测数据。
第三部分：行业动态数据应用
通过对行业动态数据的统计生成即时的可视化行业动态报告，并通过行业发展预测数据与产业模型和预警机制进行匹配，形成行业发展大数据和行业发展预警系统。
（1）生成行业动态大数据统计
通过将各类动态行业数据进行汇总，以行业总产量（值）、销售情况和时间等维度生成行业大数据统计。
（2）生成行业可视化数据统计
将统计结果以可视化图表的形式展现，根据不同的需要生成不同形式的统计专题图[15]。
（3）行业发展预测数据统计
通过将各行业发展预测数据进行统计，以预计产量（值）、预计销售情况和时间等维度生成行业发展大数据。
（4）设置行业数据预警机制
通过过往行业历史数据设置风险预警机制，通过风险辨识、预警模型两个方面在风险为发生前加以辨识，以达到预警的效果。
（5）生成行业发展预警系统
在风险出现时快速的进行预警评估、生成评估报告，并给出决策列表帮助决策者进行决策选择，以此设立全流程风险预警机制[16]。
6 系统可行性
企业角度：当今社会，信息化技术不断进步，企业信息资源逐步向数字化、云端化改进，但信息资源共享尚在起步阶段。如果只对企业进行分析，虽然可以知道某个企业的经营和财务状况，但不能知道其他同类企业的状况，无法通过比较知道该企业在同行业中的位置，更无法得知该行业在地区经济发展中的位置。而这在充满着高度竞争的现代经济中是至关重要的。另外，行业所处生命周期的位置制约着或决定着企业的生存和发展。所以应用本系统加强企业信息利用率，推动本系统的运行可以助力企业运营信息数据化云端化发展。
技术角度：本系统通过采集企业历史数据和实时节点数据建立神经元模型，在利用机器学习算法对神经元数据进行自动化分析，从而预测企业生产数据。基于大数据技术的京津冀政府治理能力建设的研究和应用早就出现过[17]。作为最近三十年新兴起的科研学科，机器学习已经在现代信息生活尤其是互联网生活中实现了较为广泛的应用[18]。本系统的技术支持相对成熟，难点在于数据库的建设与信息收集。
政府角度：本系统主要为京津冀三地政府和企业提供服务，同时以企业的基本信息为基础，动态经营数据为依托，经由大数据技术和机器学习算法，在实现行业数据统计的同时，还可以大大降低政府经济的测算和规划成本，直接缓解甚至解决产能过剩情况的发生，有效的推动地区经济进步，最终通过经济发展预测和风险预警，直接助力政府做下一阶段的经济决策。
7 结语
行业数据的预测一直是经济发展中的一项难题，以往的行业预测大多依托于数据上报和人为测算，数据收集及时性低且测算周期长，导致测算结果与经济发展情况存在一定偏差，但随着大数据技术和机器学习算法的成熟，解决了数据收集和测算周期的问题，从而使测算结果更为精准，对整体的经济发展预测起到了良好的辅助作用。京津冀协同发展规划不仅仅是自身的发展，其建设关系到如何带动我国北方经济与社会的全面发展，是历史赋予的机遇，为实现中华民族的伟大复兴，就要抓住机遇。用发展的眼光来看，基于大数据和机器学习算法的智能服务匹配系统，可以有效解决京津冀一体化资源整合和系统配置时出现的以下问题。
（1）极大程度解决了京津冀三地政府和企业等数据收集及时性和准确性低的问题。
（2）极大程度解决了京津冀三地政府和企业等测算周期长和测算内容与现实情况脱节问题。
（3）有效解决了京津冀三地政府和企业等行业发展数据预测困难的问题。
（4）有助于解决京津冀三地政府和企业等资源配置困难和产能过剩的问题。
参考文献
[1] 赵彦兰.京津冀一体化战略背景下的产业发展协调机制研究[D].天津师范大学，2015.
[2] 周毕文，陈庆平.京津冀一体化中的产业转移[J].经济与管理，30，250（3）：9-12.
[3] 林晓娟，房世峰，杜加强，等.基于综合承载力的北京市适度人口研究[J].地球信息科学学报，2017，19（11）：1495-1503.
[4] 《天津经济》课题组.京津冀一体化的综述与借鉴[J].天津经济，2014（4）.
[5] 张丹，朱凤战，黄坤明.京津冀一体化进程中河北发展战略研究综述[J].沧州师范学院学报，2015，31（1）：105-107.
[6] 国土资源局，京津冀协同发展规划纲要，2015.
[7] 顾军华，任超，谭庆.基于正反馈机制的遗传算法[J].计算机工程与应用，2007，43（14）：73-74.
[8] 姚明臣.机器学习和神经网络学习中的若干问题研究[D].2016.
[9] 方幼林，杨冬青，唐世渭，等.数据仓库中数据质量控制研究[J].计算机工程与应用，2003，39（13）：1-4.
[10] 张继栋，许鹏.大数据采集系统的设计与应用[J].大观：东京文学，2017.
[11] 黄志奋.我国工业企业成本管理的现状和对策[J].会计师，2009，100（1）：80-81.
[12] 周爱武，李孙长，ZHOUAi-wu，etal.基于Web服務数据集成框架的设计与应用[J].计算机技术与发展，2010，20（11）：246-249.
[13] 欧阳静，李兰友.面向经营分析系统的数据仓库架构设计与存储研究[J].计算机与现代化，2011，2011（12）：103-105.
[14] 纪思捷，胡豪杰.基于机器学习算法的大数据处理[J].电子技术与软件工程，2015（23）：202-202.
[15] 马洪波，陈志泊，陆守一.数据库可视化技术在统计数据管理领域中的应用[J].河北林果研究，2004（2）.
[16] 李慧，黎明梅，LiHui，等.全面风险管理视角下的企业风险预警机制研究[J].区域金融研究，2013（12）：63-66.
[17] 马林艺，刘畅.大数据驱动下的政府治理能力建设研究——以京津冀协同发展为例[J].产业与科技论坛，2018，17（9）：234-235.
[18] 余殷博.基于人工智能下的机器学习历史及展望[J].电子技术与软件工程，2017（4）：129-129.
