随着城市化规模的日渐扩大,经济迅猛发展的同时也给城市管理工作带来了很大压力,原来的管理模式已经无法解决当前城市管理中存在的各种“顽症”。城市管理案件的处置、预警已然成为了当今城市精细化管理的一个重要组成部分。为达到良好的城市管理成效,如何迅速发现和处置城市管理问题,如何及时地预警案件的升级以及如何准确地预测案件的时空分布及数量变化,是城市管理决策者亟须解决的重要问题。本文属于智慧城管的应用研究,基于广东省清远市中心城区的真实城管业务数据与迫切的应用需求,以空间分析技术及数据预测模型为研究方法,系统地探究清远城管案件的时空分布特征和案件发生量的变化趋势,分析结果能为城管部门在城市运行管理中提供科学性、预见性决策支持。主要研究内容如下:(1)提出清远城管案件时空分布特征以及数量预测研究的技术路线。包括城管案件宏观时空聚集分布、时空聚类模式、时空热点等可视化研究,影响因素的相关性分析以及案件发生量预测分析。(2)城管案件发生时空特征可视化研究。首先对基于清远中心城区的城管案件进行全局空间分布特征研究,利用平均中心、标准距离及标准差椭圆探索城管案件的中心位置和方向性分布状况;然后研究各街(镇)案件空间聚类特性,利用平均最近邻和全局空间自相关方法分析数字城管案件的空间聚类情况,并进行显著性检验;最后是通过核密度估计和热点分析方法研究各辖区连续变化和精确的案件高发聚集中心。可视化结果清晰地表达了研究区域内清远城管案件全局与局部的时空分布状况。(3)城管案件发生与影响因子相关性研究。将影响城管案件发生的因素分成空间要素和时间要素两类,基于清远市中心城区三类城市兴趣点分布情况,利用缓冲区分析工具,比较在不同缓冲半径下城管案件发生的数量,确定城管部门重点巡查区域;通过比较重要节假日和重大活动事件出现对城管案件发生量的影响程度,验证城管案件发生量与时间要素的相关关系。(4)城管案件时间序列预测分析。分别利用灰色预测法、ARIMA预测法以及BP神经网络预测法对历史城管案件月度数据进行拟合,对未来数据进行预测;比较上述模型的拟合值、预测值与实际值的之间的相对误差,得到不同模型拟合精度以及预测精度。结果显示当样本数量足够时,BP神经网络模型拟合效果最好,对于波动剧烈数据的预测,GM(1,n)模型预测效果最好,可应用于城管案件未来数据的预测。