CN104850677A - 基于地理信息系统的深度学习元胞自动机仿真分析方法 - Google Patents
基于地理信息系统的深度学习元胞自动机仿真分析方法 Download PDFInfo
- Publication number
- CN104850677A CN104850677A CN201510130883.2A CN201510130883A CN104850677A CN 104850677 A CN104850677 A CN 104850677A CN 201510130883 A CN201510130883 A CN 201510130883A CN 104850677 A CN104850677 A CN 104850677A
- Authority
- CN
- China
- Prior art keywords
- cellular
- network
- deep learning
- degree
- information system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公布了一种基于地理信息系统的深度学习元胞自动机仿真分析方法,综合运用地理信息系统、深度学习和元胞自动机等,对数据进行综合模拟仿真分析。该方法基于地理信息系统和数据库等技术,运用深度学习挖掘提取元胞自动机的转换规则并进行模型的构建,采用集中管理维护的设计模式,对研究区域内的信息进行统一的控制和管理。本发明实现图文并貌一体化的维护管理、综合查询、空间分析和仿真分析等功能。本发明的有益效果是综合运用地理信息系统、深度学习、元胞自动机和空间分析技术,研究仿真分析的方法和技术,在该领域理论方法上实现创新。
Description
技术领域
本发明属于数据仿真技术领域,涉及基于地理信息系统的深度学习元胞自动机仿真分析方法。
背景技术
现今深度学习已经成为大数据和人工智能的热门领域,该方法通过建立类似于人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征,从而能很好的建立从底层到高层的映射关系。深度学习方法可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并展现了强大的从少数样本集中学习数据集本质特征的能力。
地理信息系统是一个空间信息分析与模拟系统,特别适合于空间数据的可视化分析与模拟,本发明将地理信息系统与改进的元胞自动机模型结合起来,能提高该方法的仿真分析能力,提高其决策服务水平。
深度学习相比较神经网络来将,表现出更好的求解问题能力,当前已有神经网络优化元胞自动机的仿真分析方法,但解决问题的能力还有待提高。本发明将深度学习应用到元胞自动机的规则提取中,并将地理信息系统应用到新的仿真分析模型之中,以三维可视化图文并茂的形式来仿真分析,可在一定程度上提高该方法的求解问题的决策分析能力。
发明内容
本发明的目的在于提供基于地理信息系统的深度学习元胞自动机仿真分析方法。现有仿真分析方法求解问题能力有待提高,而且单一的仿真分析方法难以三维可视化的形式将结果展示出来,该方明提出的方法可分析结果以图文并茂的形式展示出来,在一定程度上提高了决策分析能力和效率。
本发明所采用的技术方案是按照以下步骤进行:
基于地理信息系统的深度学习元胞自动机仿真分析方法,其特征在于按照以下步骤进行:
步骤1:获取地理信息,包括空间数据和属性数据;
步骤2:利用地理信息建立相应的空间数据库和属性数据库;
步骤3:构建深度学习模型;
第1步:分别单独无监督地训练每一层多层受限的玻尔兹曼机(RBM)网络,确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息;
第2步:在深度可信网络(DBN)的最后一层设置BP(Back Propagation)网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器,每一层RBM网络确保自身层内的权值对该层特征向量映射达到最优,反向传播网络将错误信息自顶向下传播至每一层RBM,微调整个DBN网络。
步骤4:构建元胞自动机模型;
元胞自动机,包括元胞空间和元胞转换规则两部分;
元胞空间:任意一个n维元胞自动机都可以定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态可以表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则,若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m;
步骤5:应用深度学习模型和元胞自动机模型仿真分析空间数据库和属性数据库。
本发明的有益效果:
1)本发明综合运用地理信息系统、深度学习、元胞自动机和空间分析技术,研究仿真分析的方法和技术,在该领域理论方法上实现创新;
2)通过本发明进行的仿真模拟分析,得到具体事物的发展蔓延趋势,为部门制定相关政策提供了决策依据;
3)本发明利用GIS强大的地理数据管理分析、可视化和科学计算功能,快速分析以及评估,监测和模拟事物的发展和变化,为相关部门提供良好的辅助决策。
附图说明
图1基于地理信息系统的深度学习元胞自动机模拟分析方法的流程图;
图2构建仿真分析模型的流程图;
图3深度学习模型的流程图;
图4元胞自动机模型的流程图;
图5仿真分析地理信息系统的流程图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明的步骤流程如图1至图5所示,首先是构建仿真分析数据库,主要包括空间数据库和属性数据库,该数据库可以是某一方面应用的数据库,譬如可以是河床演变预测、洪水灾害模拟、传染病扩散等,该发明应用深度学习来挖掘提取元胞自动机的转换规则,然后利用的元胞自动机来学习已准备好的仿真分析数据,同时把地理信息系统应用到该领域之中,从而构建基于地理信息系统的深度学习元胞自动机仿真分析方法。该发明的具体实施步骤如下所示:
一、获取地理信息,包括空间数据和属性数据;
空间数据包括:主要是仿真分析所需的地图数据。
属性数据包括:仿真分析所需的人文信息、地理信息等数据。
可利用GIS软件,譬如ArcGIS和SuperMap等软件,对地理信息进行处理,制成数字化地图。
二、利用地理信息建立相应的空间数据库和属性数据库;
对于空间数据库,可用相应的GIS软件,譬如ArcGIS和SuperMap等,对已有的栅格数据或不规范地图数据进行数字化处理,制成一幅数字化地图;属性数据库,包括航道演变预测所需的水文数据、地理信息等数据,可利用SQL Server等数据库软件构建。针对已获取的初始数据,利用相应的GIS软件和数据库软件筛选出研究区域所需的数据,从而构建研究所需的数据库。
三、构建深度学习模型;
深度学习(deep learning)训练过程具体如下:
1)使用自下上升非监督学习(就是从底层开始,一层一层的往顶层训练)
采用无标定数据(有标定数据也可)分层训练各层参数,这一步可以看作是一个无监督训练过程,是和传统神经网络区别最大的部分(这个过程可以看作是特征过程)。
具体的,先用无标定数据训练第一层,训练时先学习第一层的参数(这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层),由于模型能力的限制以及稀疏性约束,使得得到的模型能够学习到数据本身的结构,从而得到比输入更具有表示能力的特征;在学习得到第n-1层后,将n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数。
2)自顶向下的监督学习(就是通过带标签的数据去训练,误差自顶向下传输,对网络进行微调)
基于第一步得到的各层参数进一步调整整个多层模型的参数,这一步是一个有监督训练过程;第一步类似神经网络的随机初始化初值过程,由于深度学习的第一步不是随机初始化,而是通过学习输入数据的结构得到的,因而这个初值更接近全局最优,从而能够取得更好的效果,所以深度学习的效果好很大程度上归功于第一步的特征学习过程。
深度学习主要重点部分是深度可信网络(DBN)的构建,DBN是由多层受限的玻尔兹曼机(RBM)组成的一个神经网络,它既可以被看作一个生成模型,也可以当作判别模型。
DBN在训练模型的过程中主要分为两步:
第1步:分别单独无监督地训练每一层RBM网络,确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息;
第2步:在DBN的最后一层设置BP(Back Propagation)网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。而且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个DBN的特征向量映射达到最优,所以反向传播网络还将错误信息自顶向下传播至每一层RBM,微调整个DBN网络。RBM网络训练模型的过程可以看作对一个深层BP网络权值参数的初始化,使DBN克服了BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
上述训练模型中第一步在深度学习的术语叫做预训练,第二步叫做微调。最上面有监督学习的那一层,根据具体的应用领域可以换成任何分类器模型,而不必是BP网络,图3为深度学习模型的流程图。
四、构建元胞自动机模型;
元胞自动机,包括元胞空间和元胞转换规则两部分。
元胞空间:任意一个n维元胞自动机都可以定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态可以表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则。若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m
也就是说,元胞下一时刻的状态只与它当前邻居的状态有关。
以下为模型的建立:在论域内各个区域首先对数据进行网格划分,在常规元胞自动机模型的基础之上,引入分区机制,将论域空间分为9个区域。
五、应用步骤三和步骤四构建的模型,来仿真分析步骤二建立的数据库。
本发明通过步骤一、步骤二建立仿真分析数据库,该数据库可以是多方面的数据,譬如某个地区的气温变化历史数据、降雨情况数据、河段水文情况数据等,该数据可适用于时间序列预测和模拟仿真,步骤三和步骤四用于构建深度学习元胞自动机模型,然后用构建的新模型来学习数据,通过模拟仿真预测可以得到未来一段时间内气温、降雨、水文等的变化情况,或交通流、灾害、疾病等的演变状况,从而为相关部门提供相应的决策分析和服务。该部分的步骤如下所示:
步骤401初始状态与目标状态数据;
步骤402数据处理,准备输入神经元和输出神经元;
步骤403构建深度学习,训练得到最佳的网络;
步骤404构建元胞自动机模型;
设计合适的元胞自动机模型,并用深度学习来提取该模型的转换规则。该步骤有三个步骤:步骤4041仿真得到的转换概率、步骤4042随机干扰项和步骤4043迭代中数据更新。
步骤4041仿真得到的转换概率;
步骤4042随机干扰项;
步骤4043迭代中数据更新;
步骤405设置阈值,调整迭代次数;
步骤405a评价精度是否达到要求;
若是执行步骤406,否则跳回步骤405;
步骤406输出结果。
步骤70构建仿真分析地理信息系统;
构建仿真分析地理信息系统,该系统的功能主要包括:文件操作、综合查询、专题地图、空间分析、仿真分析。具体步骤如下:
步骤70a需求分析;
步骤70b可行性分析与初步设计;
步骤70c详细设计;
步骤70d数据库设计;
步骤70e软件开发;
步骤70f构建数据库;
步骤70g程序编制;
步骤70k软件测试、调试、验收。
本发明的优点在于:
1)该方法运用深度学习来挖掘提取元胞自动机的转换规则,利用改进后的元胞自动机进行仿真模拟分析,目前还没有深度学习元胞自动机在仿真模拟分析中应用案例,从而在仿真模拟分析方法上实现创新;
2)本发明另一个创新点是将地理信息系统应用于仿真分析,利用地理信息系统的空间分析、可视化和科学计算功能,快速分析以及评估情况,监测和模拟数据的发展和变化,从而增强了仿真模拟分析系统的分析与决策功能,可为相关部门提供更好的辅助决策依据,提高了服务的信息化水平。
3)本发明综合运用地理信息系统、深度学习、元胞自动机和空间分析技术,研究仿真分析的方法和技术,在该领域理论方法上实现创新;
4)通过本发明进行的仿真模拟分析,得到具体事物的发展蔓延趋势,为部门制定相关政策提供了决策依据;
5)本发明利用GIS强大的地理数据管理分析、可视化和科学计算功能,快速分析以及评估,监测和模拟事物的发展和变化,为相关部门提供良好的辅助决策。
Claims (1)
1.基于地理信息系统的深度学习元胞自动机仿真分析方法,其特征在于:按照以下步骤进行:
步骤1:获取地理信息,包括空间数据和属性数据;
步骤2:利用地理信息建立相应的空间数据库和属性数据库;
步骤3:构建深度学习模型;
第1步:分别单独无监督地训练每一层多层受限的玻尔兹曼机(RBM)网络,确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息;
第2步:在深度可信网络(DBN)的最后一层设置BP(Back Propagation)网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器,每一层RBM网络确保自身层内的权值对该层特征向量映射达到最优,反向传播网络将错误信息自顶向下传播至每一层RBM,微调整个DBN网络;步骤4:构建元胞自动机模型;
元胞自动机,包括元胞空间和元胞转换规则两部分;
元胞空间:任意一个n维元胞自动机都可以定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态可以表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则,若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m;
步骤5:应用深度学习模型和元胞自动机模型仿真分析空间数据库和属性数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130883.2A CN104850677A (zh) | 2015-03-25 | 2015-03-25 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130883.2A CN104850677A (zh) | 2015-03-25 | 2015-03-25 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104850677A true CN104850677A (zh) | 2015-08-19 |
Family
ID=53850320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510130883.2A Pending CN104850677A (zh) | 2015-03-25 | 2015-03-25 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850677A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路口交通流量预测方法 |
CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
CN108959831A (zh) * | 2018-09-14 | 2018-12-07 | 西安理工大学 | 基于复杂性理论的水污染运移模拟仿真系统 |
CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
CN114049965A (zh) * | 2021-11-09 | 2022-02-15 | 王曦 | 一种基于元胞自动机的自体共情计算实现方法 |
CN114676568A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
US8738336B2 (en) * | 2011-08-08 | 2014-05-27 | Xerox Corporation | Systems and methods for enhanced cellular automata algorithm for traffic flow modeling |
CN104298829A (zh) * | 2014-10-14 | 2015-01-21 | 浙江师范大学 | 基于元胞自动机模型的城市路网交通流仿真设计方法 |
CN104361255A (zh) * | 2014-12-01 | 2015-02-18 | 武汉大学 | 一种改进元胞自动机城市扩张模拟方法 |
CN104361178A (zh) * | 2014-11-20 | 2015-02-18 | 湖北工业大学 | 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法 |
-
2015
- 2015-03-25 CN CN201510130883.2A patent/CN104850677A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8738336B2 (en) * | 2011-08-08 | 2014-05-27 | Xerox Corporation | Systems and methods for enhanced cellular automata algorithm for traffic flow modeling |
CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
CN104298829A (zh) * | 2014-10-14 | 2015-01-21 | 浙江师范大学 | 基于元胞自动机模型的城市路网交通流仿真设计方法 |
CN104361178A (zh) * | 2014-11-20 | 2015-02-18 | 湖北工业大学 | 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法 |
CN104361255A (zh) * | 2014-12-01 | 2015-02-18 | 武汉大学 | 一种改进元胞自动机城市扩张模拟方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
CN105243435B (zh) * | 2015-09-15 | 2018-10-26 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路口交通流量预测方法 |
CN108959831A (zh) * | 2018-09-14 | 2018-12-07 | 西安理工大学 | 基于复杂性理论的水污染运移模拟仿真系统 |
WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
CN112185579B (zh) * | 2020-08-20 | 2022-09-20 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
CN114049965A (zh) * | 2021-11-09 | 2022-02-15 | 王曦 | 一种基于元胞自动机的自体共情计算实现方法 |
CN114049965B (zh) * | 2021-11-09 | 2023-08-29 | 王曦 | 一种基于元胞自动机的自体共情计算实现方法 |
CN114676568A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
CN104850677A (zh) | 基于地理信息系统的深度学习元胞自动机仿真分析方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN102646164B (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
Hu et al. | Artificial intelligence approaches | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN111986193B (zh) | 一种遥感影像变化检测方法、电子设备及存储介质 | |
CN104732279A (zh) | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 | |
Bununu | Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion | |
CN104732087A (zh) | 基于gis的神经网络元胞自动机传染病传播模拟分析方法 | |
He et al. | Deriving urban dynamic evolution rules from self-adaptive cellular automata with multi-temporal remote sensing images | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN111178304A (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
CN113393488A (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
CN114495500A (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN106251014A (zh) | 基于svm‑gca的城市空间发展模拟及预测方法 | |
Padmanaban | Integrating of urban growth modelling and utility management system using spatio temporal data mining | |
Omar et al. | Modelling land-use and land-cover changes using Markov-CA, and multiple decision making in Kirkuk city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150819 |