1.本发明涉及环境监管技术领域，尤其是农村人居环境监管系统。
背景技术：
2.在现有可实现对乡村社区的人居环境综合监管的各类监管系统中，大多都是偏向于实现，因乡村社区各地生活习惯的问题给乡村社区造成环境污染的监管，实现实时对乡村社区内各污染区域的精准捕捉和反馈；但是，现有监管系统中对于人居环境的监管，垃圾分类宣传引导工作难着手、垃圾分类执行情况难获取、垃圾分类痛点问题难暴露、垃圾分类管理难监督等问题逐渐涌现，且现阶段，对于实现这方向的监管系统数量较少，技术也较为不成熟。
技术实现要素：
3.本发明的目的是通过提出农村人居环境监管系统，以解决上述背景技术中提出的缺陷。
4.本发明采用的技术方案如下：
5.提供农村人居环境监管系统，包括：
6.建项模块：用于分配采集项目区域至人员端及采集app端；
7.采集模块：用于根据采集标准进行项目数据采集并整合成案卷上传至后端；
8.动态管理模块：用于对整合的案卷进行动态管理；
9.历史追溯模块：用于对核实不合格的案卷进行历史追溯管理。
10.作为本发明的一种优选技术方案：还包括数据呈现模块，所述数据呈现模块用于呈现考核排面、实时案卷以及案卷的处理情况。
11.作为本发明的一种优选技术方案：所述采集模块通过采集界面显示采集状态，包括采集信息的照片、位置；所述采集模块根据后台设置的采集标准更改采集案卷信息类目。
12.作为本发明的一种优选技术方案：所述采集界面显示采集任务列表及任务详情，并对采集时间进行记录。
13.作为本发明的一种优选技术方案：所述采集界面设置有定位导航按钮。
14.作为本发明的一种优选技术方案：所述动态管理模块接收所述采集模块上传的案卷信息，并根据后台审核标准进行后台审核，对于审核通过的案卷，上传至领导端，领导端对案卷信息进行统计排名；对于审核不通过的案卷，下发至整改端，整改端整改后提交后台核实，后台核实通过则重新上传至领导端，领导端对案卷信息进行统计排名；后台核实仍不通过的案卷，上传至历史追溯模块。
15.作为本发明的一种优选技术方案：所述动态管理模块采用自动审核模型对案卷进行审核。
16.作为本发明的一种优选技术方案：所述自动审核模型由随机森林和xgboost模型两种分类器组合决策，两种分类器审核均通过时案卷审核通过，当两种分类器中有任何一
种分类器审核不通过时案卷审核不通过。
17.作为本发明的一种优选技术方案：所述xgboost模型将m个树的结果进行求和，作为最终的预测值：
[0018][0019]
其中，δ是决策树空间，为预测输出，xi为第i个样本，为所有树的和，为所有样本所在树的结果之和，fk为第k颗树模型；
[0020]
目标函数：
[0021][0022]
其中，为损失函数，∑kω(fk)为正则项，yi为标签值；
[0023][0024]
其中，ω(fk)为模型复杂度，t为树叶子节点数，ω为叶子权重数，γ为叶子数惩罚正则项，有剪枝功能，λ为叶子权重惩罚正则项；
[0025]
新生成的数拟合上次的预测的残差值，预测函数转换为：
[0026][0027]
目标函数改写成：
[0028][0029]
对损失函数进行泰勒展开：
[0030][0031]
其中，gi、hi分别为损失函数的一阶导数、二阶导数，c为常数；
[0032]
由于目标函数的优化不受前t－1棵树的预测值的影响，有：
[0033][0034]
给定一个固定结构q(x)，计算出叶子j的权重当取
得最优解时，目标函数的一阶导为0，获得：
[0035][0036]
其中，obj(q)为最终的目标函数。
[0037]
作为本发明的一种优选技术方案：所述历史追溯模块对案卷进行案卷复查，并将复查记录及结果上传至领导端，领导端进行复查统计。
[0038]
本发明提供的农村人居环境监管系统，与现有技术相比，其有益效果有：
[0039]
本发明实行一项目一标准，可按需设置采集标准。通过移动设备，将采集详情及采集地点精准上报至后端，由监管部门进行动态管理，及时掌握所有环境情况，杜绝管理漏洞和安全隐患，实行历史追溯，并且明确整改单位的职责。考核排名、实时案卷以及案卷的处理情况在此界面一目了然。对于有需要的单位也可以进行大屏展示，提升农村数字化治理形象。整改的app界面简单易操作，且在案卷详情界面有定位导航按钮，方便整改人员快速找到问题地点。使用两种决策算法组合预测，保证所有输出的决策结果错误率趋近于0，提高决策准确性。
附图说明
[0040]
图1为本发明优选实施例的系统框图；
[0041]
图2为本发明优选实施例中系统流程图；
[0042]
图3为本发明优选实施例中采集app界面图；
[0043]
图4为本发明优选实施例中任务列表图。
[0044]
图中各个标记的意义为：100、建项模块；200、采集模块；300、动态管理模块；400、历史追溯模块；500、数据呈现模块。
具体实施方式
[0045]
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
参照图1-图2，本发明优选实施例提供了农村人居环境监管系统，包括：
[0047]
建项模块100：用于分配采集项目区域至人员端及采集app端；
[0048]
采集模块200：用于根据采集标准进行项目数据采集并整合成案卷上传至后端；
[0049]
动态管理模块300：用于对整合的案卷进行动态管理；
[0050]
历史追溯模块400：用于对核实不合格的案卷进行历史追溯管理。
[0051]
还包括数据呈现模块500，所述数据呈现模块500用于呈现考核排面、实时案卷以及案卷的处理情况。
[0052]
所述采集模块200通过采集界面显示采集状态，包括采集信息的照片、位置；所述采集模块100根据后台设置的采集标准更改采集案卷信息类目。
[0053]
所述采集界面显示采集任务列表及任务详情，并对采集时间进行记录。
[0054]
所述采集界面设置有定位导航按钮。
[0055]
所述动态管理模块300接收所述采集模块100上传的案卷信息，并根据后台审核标准进行后台审核，对于审核通过的案卷，上传至领导端，领导端对案卷信息进行统计排名；对于审核不通过的案卷，下发至整改端，整改端整改后提交后台核实，后台核实通过则重新上传至领导端，领导端对案卷信息进行统计排名；后台核实仍不通过的案卷，上传至历史追溯模块400。
[0056]
所述动态管理模块300采用自动审核模型对案卷进行审核。
[0057]
所述自动审核模型由随机森林和xgboost模型两种分类器组合决策，两种分类器审核均通过时案卷审核通过，当两种分类器中有任何一种分类器审核不通过时案卷审核不通过。
[0058]
所述xgboost模型将m个树的结果进行求和，作为最终的预测值：
[0059][0060]
其中，δ是决策树空间，为预测输出，xi为第i个样本，为所有树的和，为所有样本所在树的结果之和，fk为第k颗树模型；
[0061]
目标函数：
[0062][0063]
其中，为损失函数，∑kω(fk)为正则项，yi为标签值；
[0064][0065]
其中，ω(fk)为模型复杂度，t为树叶子节点数，ω为叶子权重数，γ为叶子数惩罚正则项，有剪枝功能，λ为叶子权重惩罚正则项；
[0066]
新生成的数拟合上次的预测的残差值，预测函数转换为：
[0067][0068]
目标函数改写成：
[0069][0070]
对损失函数进行泰勒展开：
[0071][0072]
其中，gi、hi分别为损失函数的一阶导数、二阶导数，c为常数；
[0073]
由于目标函数的优化不受前t－1棵树的预测值的影响，有：
[0074][0075]
ij＝{i|q(xi)＝j}
[0076]
给定一个固定结构q(x)，计算出叶子j的权重当取得最优解时，目标函数的一阶导为0，获得：
[0077][0078]
其中，obj(q)为最终的目标函数。
[0079]
所述历史追溯模块400对案卷进行案卷复查，并将复查记录及结果上传至领导端，领导端进行复查统计。
[0080]
本实施例中，以xx市xx乡xx村设备设施调查项目为例。
[0081]
建项模块100建立xx市xx村设备设施调查项目，并分配区域至采集人员及采集app，采集人员采集项目所需的照片，并定位采集位置，上传至采集app，采集app自动记录时间，并整合成案卷存储于采集app中，还可以在后台按需增加采集信息的类目，参照图3，同时上传动态管理模块300。动态管理模块通过自动审核模型，根据后台审核标准进行案卷审核，采集app端通过任务列表及任务详情展示案卷状态，参照图4。自动审核模型由随机森林和xgboost模型两种分类器组合决策，xgboost模型将m个树的结果进行求和，作为最终的预测值：
[0082][0083]
其中，δ是决策树空间，为预测输出，xi为第i个样本，为所有树的和，为所有样本所在树的结果之和，fk为第k颗树模型；
[0084]
目标函数：
[0085][0086]
其中，为损失函数，∑kω(fk)为正则项，yi为标签值；
[0087][0088]
其中，ω(fk)为模型复杂度，t为树叶子节点数，ω为叶子权重数，γ为叶子数惩罚正则项，有剪枝功能，λ为叶子权重惩罚正则项；
[0089]
新生成的数拟合上次的预测的残差值，预测函数转换为：
[0090][0091]
目标函数改写成：
[0092][0093]
对损失函数进行泰勒展开：
[0094][0095]
其中，gi、hi分别为损失函数的一阶导数、二阶导数，c为常数；
[0096]
由于目标函数的优化不受前t－1棵树的预测值的影响，有：
[0097][0098]
ij＝{i|q(xi)＝j}
[0099]
给定一个固定结构q(x)，计算出叶子j的权重当取得最优解时，目标函数的一阶导为0，获得：
[0100][0101]
其中，obj(q)为最终的目标函数。
[0102]
随机森林以决策树作为基本分类器的一个集成学习模型。不仅克服了决策树过拟合问题，对噪声和异常值有较好的容忍性，对高维数据分类问题也具有良好的可扩展性和并行性。
[0103]
xgboost与传统机器学习算法相比，具有速度快、准确率高等优势，是当前比较流行的集成学习算法。它主要利用boosting方法将弱分类器转化为强分类器，从而达到精确的分类效果。对两个分类器进行网络搜索从而寻找最优参数，使模型性能最优。使用两种决策算法组合预测，保证所有输出的决策结果错误率趋近于0，提高决策准确性。
[0104]
动态管理模块300对于审核通过的案卷，上传至领导端，领导端对案卷信息进行统计排名；对于审核不通过的案卷，下发至整改端，整改端整改后提交后台核实，后台核实通过则重新上传至领导端，领导端对案卷信息进行统计排名；后台核实仍不通过的案卷，上传至历史追溯模块400。历史追溯模块400对案卷进行案卷复查，并将复查记录及结果上传至领导端，领导端进行复查统计，对于数据呈现模块500呈现考核排名、实时案卷以及案卷的
处理情况，且对于有需要的单位可以进行大屏展示，提升农村数字化治理形象。
[0105]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0106]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。