CN106951828A - 一种基于卫星影像和网络的城市区域功能属性的识别方法 - Google Patents

Abstract

本发明涉及一种基于卫星影像和网络的城市区域功能属性的识别方法，属于多模态传感器数据处理技术领域。首先，收集在城市区域内分布的路由器上活动的用户的连接行为信息以及整个城市区域对应的卫星影像。其次，基于收集到的数据进行城市区域的特征定义与提取，即对网络数据进行用户行为特征的提取，对卫星影像特征通过卷积神经网络进行视觉特征提取。最后，采用AdaBoost算法整合一系列的决策树模型进行城市区域功能属性识别，从而增加在训练的迭代过程中发现关键特征的稳定性。本发明的优点是融合了两种模态的传感器数据，提高了城市区域功能属性识别的灵活性和准确率。本方法采用的数据易获取，算法的计算复杂度低，可扩展性强，适合于实际工业应用。

Description

一种基于卫星影像和网络的城市区域功能属性的识别方法

技术领域

本发明涉及一种基于卫星影像和网络的城市区域功能属性的识别方法，属于多模态传感器数据处理技术领域。

背景技术

具备不同功能属性的城市区域是随着城市的自然演化自然形成的，并为满足居民日常生活所需提供不同的功能服务。对城市区域功能的获取可以方便很多有价值的服务，例如城市规划、商业选址、出行建议等。目前一类自动进行城市区域功能判别的方法大多依赖于对用户在区域间移动的数据分析。虽然用户在区域间转移的行为模式在一定程度上反映了区域的功能特征，但是用户在区域内部的行为模式在当前的研究中并没有充分利用，以更好地理解用户的行为如驻留时长特征是如何受到区域功能影响的。

通过在城市范围内部署的大量Wi-Fi无线接入点，可以获得大量用户的Wi-Fi连接记录。相比于GPS轨迹具有在建筑内部信号缺失的问题，以及手机基站定位精度不高的问题，这种数据形式具有体量大、精度高、富含用户行为特征的优势。除了Wi-Fi访问提供的用户行为特征，城市基础设施的地理位置分布，如公园、建筑、公路等，可以提供城市功能的静态视觉特征反映。采用高清的卫星影像，可以基于公共基础设施的俯视图特征对城市区域进行分析。通过对Wi-Fi用户行为和卫星影像这两种城市传感器数据进行融合，可以提供更好的功能属性识别方法。

综上所述，融合卫星影像和Wi-Fi连接进行城市区域功能属性的识别方法是利用多种传感器数据的识别能力对城市区域功能属性进行有效识别的关键技术。这种城市区域功能属性的识别方法的作用是给出城市范围内的大量用户Wi-Fi的连接记录以及城市卫星影像数据，通过对行为特征和视觉特征进行提取，并设计有效分类器进行实现。随着城市化进程的快速发展，以及城市日常运营过程中产生的大量数据，这种城市区域功能属性的识别方法不可避免地需要满足如下要求：1)对多种数据类型应用的灵活性；2)对不同数量和质量的城市数据的适应性；3)对多种区域功能类型识别的扩展性。在城市区域功能属性识别的过程中，应该尽量保证上述三点，这样才能保证区域功能属性的识别在视城市大数据上的灵活应用，否则在区域功能属性的识别的过程中，很难利用好多种数据来源的识别能力，从而影响最终功能识别的效果。因此，城市区域功能属性的识别算法需要尽可能的保证以上三点要求。

发明内容

本发明提出了一种基于卫星影像和网络的城市区域功能属性的识别方法，其核心在于通过分析易收集的大规模的城市Wi-Fi上用户连接信息以及城市区域的地理卫星影像，来自动地感知城市中不同区域的功能特征，从而让城市居民以及城市的管理者更好地理解城市区域分布的现状以及发展的进程，为包括旅游路线选择、商业选址以及城市建设规划等方面的实际应用做出建议和贡献。

本发明提出的基于卫星影像和网络的城市区域功能属性的识别方法，包括以下步骤：

(1)在城市区域内布置供网络用户免费使用的路由器，利用路由器收集用户访问网络的时间T_A和离开网络的时间T_L，或者城市区域内网络用户利用手机自动数据收集程序发送访问网络的时间T_A和离开网络的时间T_L,每次用户访问的持续时间记为Ｄ，则：

D＝T_L-T_A

记用户第i次访问网络的行为B_i，B_i用一个四元组(T_A,i,T_L,i,D_i,Uid_i)表示，其中Uid_i代表该用户的代码ID，每个用户对应一个单独的代码ID，记所有用户访问的总次数为Q，记所有用户访问行为构成的集合为G_all；

(2)利用电子地图软件下载城市区域的相应卫星影像,卫星影像的大小为256*256像素，每个像素用RGB颜色值表示；

(3)根据上述步骤(1)的用户访问网络时间T_A，离开网络时间T_L以及持续时间D，计算城市区域的网络特征向量V_N，该特征向量V_N包括36维，计算过程如下：

(3-1)根据用户访问网络时间T_A处于一天24小时中的某一小时，将所有用户的访问行为分为24组，记为G[1,2,…,24]，其中G[a]组中的用户访问网络时间T_A满足a-1≤T_A＜a，各组的用户访问行为的数量作为所述的特征向量V_N的1-24维V_N[1,2,…,24]；

(3-2)根据用户访问网络时间T_A处于周中或周末，将所有用户的访问行为分为2组，记为G[25,26],其中G[25]组中的用户访问发生在周中，G[26]组中的用户访问发生在周末，各组的用户访问行为数量作为特征向量V_N的25-26维V_N[25,26]；

(3-3)分别计算上述步骤(3-2)中G[25]组和G[26]组中用户访问网络的平均持续时间AvgD[25,26]作为特征向量V_N的27-28维V_N[27,28]：

(3-4)设置一个用户访问网络的持续时间阈值D_th，计算用户访问网络持续时间大于该阈值的用户访问行为的数量占所有用户访问行为总数量的比率R_long作为特征向量V_N的29维V_N[29]：

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0；

(3-5)将G[25]组，G[26]组以及G_all中的用户数量N_u作为特征向量V_N的30-32维V_N[30,31,32]；

(3-6)分别计算G[25]组用户访问行为、G[26]组用户访问行为和G_all用户访问行为的平均重连时间T_re作为特征向量V_N的33-35维V_N[33,34,35]，平均重连时间T_re的计算步骤如下(以G[25]为例)：

(3-6-1)根据用户的代码IDUid，将G[25]组的用户访问行为分成N_u个部分，N_u为与该组用户访问行为相对应的用户数量，即每个部分中的所有用户访问行为对应同一个Uid，对于N_u个部分中的第c部分用户访问行为，将上述步骤(1)的访问网络时间T_A从小到大排序，得到序列B[1,2,…,p],其中p为第c部分用户访问行为的数量，则第c部分用户访问行为的平均重连时间T_re,c为：

其中Maximum为设定的平均重连时间T_re极大值，取值为168小时；

(3-6-2)利用下式计算G[25]组用户访问行为的平均重连时间T_re为：

(3-6-3)重复步骤(3-6-1)和步骤(3-6-2)，分别计算G[26]组用户访问行为和G_all用户访问行为的平均重连时间；

(3-7)根据上述步骤(1)的访问网络时间T_A，将所有用户访问行为按照日期顺序记为G′[1,2,…,N_D]，其中每组用户访问行为发生在同一天，计算G′[1,2,…,N_D]中第e天的用户群变化率CRC_e：

其中N′_u,e为与G′[e]组访问行为相对应的用户数量，G′[e]为第e天的的用户访问行为，com(e-1,e)为与G′[e-1]组访问行为和G′[e]组访问行为相对应的用户中共同重复的用户数量；

利用下式计算平均用户群变化率CRC作为特征向量V_N的36维V_N[36]：

(4)将上述步骤(2)的卫星影像中输入到卷积神经网络中，将卷积神经网络的第二个全连接层的输出作为影像特征向量V_I[1,2,…,4096]；

(5)将上述步骤(3)得到的城市区域的网络特征向量V_N[1,2,…,36]和上述步骤(4)得到的城市区域的卫星影像特征向量V_i[1,2,…,4096]连接，合并成向量V[1,2,…,4132]，作为城市区域的特征向量；

(6)建立功能属性分类模型，过程如下：

(6-1)将具有已知功能属性的N个城市区域作为训练样本，记N个城市区域中任意一个城市区域为R_f，1≤f≤N，具有已知的功能属性t_f，利用上述步骤(5)得到特征向量V_f，遍历N个城市区域中的所有城市区域，得到具有已知功能属性的N个城市区域的特征向量；

(6-2)利用AdaBoost算法，训练基于决策树的功能属性分类模型步骤如下：

(6-2-1)定义一个N维样本权重向量W_N，权重向量w_N中的每个元素对应一个具有已知功能属性的城市区域训练样本，将每个元素初始化为

(6-2-2)将误差函数ε_m最小化，得到决策树函数y_m(V)：

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0，m为迭代次数，V为上述步骤(5)中的城市区域的特征向量，V_f为上述步骤(6-1)中的N个城市区域中任意一个城市区域R_f的特征向量；

利用下式，计算决策树函数y_m(V)的权重α_m：

利用下式调整权重向量w_N：

其中，Z_m是归一化因子，保证权重向量w_N的和为1；

(6-2-3)重复上述步骤(6-2-2)M次，得到M个决策树模型；

(6-2-4)将步骤(6-2-3)得到的M个决策树模型加权，得到如下功能属性分类模型：

(7)对未知功能属性的城市区域R，重复步骤(1)-(5)，得到特征向量V，将V输入步骤(6-2-4)的功能属性分类模型Y_M(V)，输出即为城市区域R的功能属性。

本发明提出的基于卫星影像和网络的城市区域功能属性的识别方法，其优点是：

1、本发明基于卫星影像和网络的城市区域功能属性的识别方法中，充分使用城市区域的卫星影像和群体Wi-Fi连接数据，对两种传感器的隐含特征进行有机融合，从而增强了城市区域功能属性识别的准确率。由于本方法所需要的传感器数据易于获取，方法直接应用于对城市功能属性的识别，具有很强的灵活性和适应性。

2、本发明的用于城市区域功能属性的识别方法中，从卫星影像和Wi-Fi连接记录中所提取的特征能够更好反映城市区域的功能属性特征。从Wi-Fi连接记录中提取的群体行为特征受区域本身提供的功能所影响，群体用户在区域间转移及在单个区域的驻留时空特征等能更好地反映城市的功能属性。对区域地理卫星影像特征的提取采用最新的卷积神经网络的方法，所采用的视觉特征对不同的城市区域具有很强的区分度。本发明算法将两者结合起来，从而极大提高了对城市区域功能属性的识别效果。

3、本发明的用于城市区域功能属性的识别方法中，提出了采用AdaBoost算法来整合一系列的决策树模型组成一个优化的决策树森林，从而增加在训练的迭代过程中发现关键特征的稳定性。该方法将多个弱分类器有机结合，从而提高了最终城市区域功能属性的识别方法的效果。

附图说明

图1是本发明方法的流程框图。

图2是本发明方法中使用的卷积神经网络的结构图。

图3是本发明方法中模型训练算法流程图。

具体实施方式

本发明提出的基于卫星影像和网络的城市区域功能属性的识别方法，其流程框图如图1所示，该方法包括以下步骤：

(1)在城市区域内布置供网络用户免费使用的路由器，利用路由器收集用户访问网络的时间T_A和离开网络的时间T_L，或者城市区域内网络用户利用手机自动数据收集程序发送访问网络的时间T_A和离开网络的时间T_L,每次用户访问的持续时间记为D，则：

D＝T_L-T_A

记用户第i次访问网络的行为B_i，B_i用一个四元组(T_A,i,T_L,i,D_i,Uid_i)表示，其中Uid_i代表该用户的代码ID，每个用户对应一个单独的代码ID，记所有用户访问的总次数为Q，记所有用户访问行为构成的集合为G_all；

(2)利用电子地图软件(例如腾讯地图和谷歌地图)下载城市区域的相应卫星影像,卫星影像的大小为256*256像素，每个像素用RGB颜色值表示；

(3)根据上述步骤(1)的用户访问网络时间T_A，离开网络时间T_L以及持续时间D，计算城市区域的网络特征向量V_N，该特征向量V_N包括36维，计算过程如下：

(3-1)根据用户访问网络时间T_A处于一天24小时中的某一小时，将所有用户的访问行为分为24组，记为G[1,2,…,24]，其中G[a]组中的用户访问网络时间T_A满足a-1≤T_A＜a，各组的用户访问行为的数量作为所述的特征向量V_N的1-24维V_N[1,2,…,24]；

(3-2)根据用户访问网络时间T_A处于周中或周末，将所有用户的访问行为分为2组，记为G[25,26],其中G[25]组中的用户访问发生在周中，G[26]组中的用户访问发生在周末，各组的用户访问行为数量作为特征向量V_N的25-26维V_N[25,26]；

(3-3)分别计算上述步骤(3-2)中G[25]组和G[26]组中用户访问网络的平均持续时间AvgD[25,26]作为特征向量V_N的27-28维V_N[27,28]：

(3-4)设置一个用户访问网络的持续时间阈值D_th，持续时间阈值D_th的取值可以为30分钟，计算用户访问网络持续时间大于该阈值的用户访问行为的数量占所有用户访问行为总数量的比率R_long作为特征向量V_N的29维V_N[29]：

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0；

(3-5)将G[25]组，G[26]组以及G_all中的用户数量N_u作为特征向量V_N的30-32维V_N[30,31,32]；

(3-6)分别计算G[25]组用户访问行为、G[26]组用户访问行为和G_all用户访问行为的平均重连时间T_re作为特征向量V_N的33-35维V_N[33,34,35]，平均重连时间T_re的计算步骤如下(以G[25]为例)：

(3-6-1)根据用户的代码IDUid，将G[25]组的用户访问行为分成N_u个部分，N_u为与该组用户访问行为相对应的用户数量，即每个部分中的所有用户访问行为对应同一个Uid，对于N_u个部分中的第c部分用户访问行为，将上述步骤(1)的访问网络时间T_A从小到大排序，得到序列B[1,2,…,p],其中p为第c部分用户访问行为的数量，则第c部分用户访问行为的平均重连时间T_re,c为：

其中Maximum为设定的平均重连时间T_re极大值，取值为168小时；

(3-6-2)利用下式计算G[25]组用户访问行为的平均重连时间T_re为：

(3-6-3)重复步骤(3-6-1)和步骤(3-6-2)，分别计算G[26]组用户访问行为和G_all用户访问行为的平均重连时间；

(3-7)根据上述步骤(1)的访问网络时间T_A，将所有用户访问行为按照日期顺序记为G′[1,2,…,N_D]，其中每组用户访问行为发生在同一天，计算G′[1,2,…,N_D]中第e天的用户群变化率CRC_e：

其中N′_u,e为与G′[e]组访问行为相对应的用户数量，G′[e]为第e天的的用户访问行为，com(e-1,e)为与G′[e-1]组访问行为和G′[e]组访问行为相对应的用户中共同重复的用户数量；

利用下式计算平均用户群变化率CRC作为特征向量V_N的36维V_N[36]：

(4)将上述步骤(2)的卫星影像中输入到卷积神经网络中，网络结构如图2所示，将卷积神经网络的第二个全连接层(fc7)的输出(4096维)作为影像特征向量V_I[1,2,…,4096]；

选择这一层的原因是该层距离最后输出层较近，隐含特征已经在之前的网络层被充分挖掘融合，同时特征维数相比最后一个全连接层(fc8)的1000层要高，可以保留更多特征；

(5)将上述步骤(3)得到的城市区域的网络特征向量V_N[1,2,…,36]和上述步骤(4)得到的城市区域的卫星影像特征向量V_I[1,2,…,4096]连接，合并成向量V[1,2,…,4132]，作为城市区域的特征向量；

(6)建立功能属性分类模型，过程如下：

(6-1)将具有已知功能属性的N个城市区域作为训练样本，记N个城市区域中任意一个城市区域为R_f，1≤f≤N，具有已知的功能属性t_f，利用上述步骤(5)得到特征向量V_f，遍历N个城市区域中的所有城市区域，得到具有已知功能属性的N个城市区域的特征向量；

(6-2)利用AdaBoost算法，训练基于决策树的功能属性分类模型，具体流程如图3所示，步骤如下：

(6-2-1)定义一个N维样本权重向量w_N，权重向量w_N中的每个元素对应一个具有已知功能属性的城市区域训练样本，将每个元素初始化为

(6-2-2)将误差函数ε_m最小化，得到决策树函数y_m(V)：

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0，m为迭代次数，V为上述步骤(5)中的城市区域的特征向量，V_f为上述步骤(6-1)中的N个城市区域中任意一个城市区域R_f的特征向量；

利用下式，计算决策树函数y_m(V)的权重α_m：

利用下式调整权重向量w_N：

其中，Z_m是归一化因子，保证权重向量w_N的和为1；

在此步骤中，4132维特征向量V中对城市区域的功能属性分类贡献较大的维度将被自动赋予更高的权重，从而实现网络特征部分和影像特征部分的有效结合；

(6-2-3)重复上述步骤(6-2-2)M次，得到M个决策树模型；

(6-2-4)将步骤(6-2-3)得到的M个决策树模型加权，得到如下功能属性分类模型：

(7)对未知功能属性的城市区域R，重复步骤(1)-(5)，得到特征向量V，将V输入步骤(6-2-4)的功能属性分类模型Y_M(V)，输出即为城市区域R的功能属性。

Claims (1)

1.一种基于卫星影像和网络的城市区域功能属性的识别方法，其特征在于该方法包括以下步骤：

(1)在城市区域内布置供网络用户免费使用的路由器，利用路由器收集用户访问网络的时间T_A和离开网络的时间T_L，或者城市区域内网络用户利用手机自动数据收集程序发送访问网络的时间T_A和离开网络的时间T_L,每次用户访问的持续时间记为D，则：

D＝T_L-T_A

记用户第i次访问网络的行为B_i，B_i用一个四元组(T_A,i,T_L,i,D_i,Uid_i)表示，其中Uid_i代表该用户的代码ID，每个用户对应一个单独的代码ID，记所有用户访问的总次数为Q，记所有用户访问行为构成的集合为G_all；

(2)利用电子地图软件下载城市区域的相应卫星影像,卫星影像的大小为256*256像素，每个像素用RGB颜色值表示；

(3)根据上述步骤(1)的用户访问网络时间T_A，离开网络时间T_L以及持续时间D，计算城市区域的网络特征向量V_N，该特征向量V_N包括36维，计算过程如下：

(3-1)根据用户访问网络时间T_A处于一天24小时中的某一小时，将所有用户的访问行为分为24组，记为G[1,2,…,24]，其中G[a]组中的用户访问网络时间T_A满足a-1≤T_A<a，各组的用户访问行为的数量作为所述的特征向量V_N的1-24维V_N[1,2,…,24]；

(3-2)根据用户访问网络时间T_A处于周中或周末，将所有用户的访问行为分为2组，记为G[25,26],其中G[25]组中的用户访问发生在周中，G[26]组中的用户访问发生在周末，各组的用户访问行为数量作为特征向量V_N的25-26维V_N[25,26]；

(3-3)分别计算上述步骤(3-2)中G[25]组和G[26]组中用户访问网络的平均持续时间AvgD[25,26]作为特征向量V_N的27-28维V_N[27,28]：

$AvgD\&lsqb;b\&rsqb;=\frac{{\mathrm{\&Sigma;}}_{u\&Element;G\&lsqb;b\&rsqb;}{D}_u}{V_N\&lsqb;b\&rsqb;},b=25,26$

(3-4)设置一个用户访问网络的持续时间阈值D_th，计算用户访问网络持续时间大于该阈值的用户访问行为的数量占所有用户访问行为总数量的比率R_long作为特征向量V_N的29维V_N[29]：

$R_{long}=\frac{{\mathrm{\&Sigma;}}_{j=1}^{Q}I(D_j>D_{th})}{Q}$

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0；

(3-5)将G[25]组，G[26]组以及G_all中的用户数量N_u作为特征向量V_N的30-32维V_N[30,31,32]；

(3-6)分别计算G[25]组用户访问行为、G[26]组用户访问行为和G_all用户访问行为的平均重连时间T_re作为特征向量V_N的33-35维V_N[33,34,35]，平均重连时间T_re的计算步骤如下(以G[25]为例)：

(3-6-1)根据用户的代码IDUid，将G[25]组的用户访问行为分成N_u个部分，N_u为与该组用户访问行为相对应的用户数量，即每个部分中的所有用户访问行为对应同一个Uid，对于N_u个部分中的第c部分用户访问行为，将上述步骤(1)的访问网络时间T_A从小到大排序，得到序列B[1,2,…,p],其中p为第c部分用户访问行为的数量，则第c部分用户访问行为的平均重连时间T_re,c为：

$T_{re,c}=\left\{\begin{array}{cc}\frac{{\mathrm{\&Sigma;}}_{k=1}^{p-1}(T_{A,k+1}-T_{L,k})}{p-1},& p\&GreaterEqual;2\\ Maximum,& p=1\end{array}\right.$

其中Maximum为设定的平均重连时间T_re极大值，取值为168小时；

(3-6-2)利用下式计算G[25]组用户访问行为的平均重连时间T_re为：

$T_{re}=\frac{{\mathrm{\&Sigma;}}_{c=1}^{N_u}{T}_{re,c}}{N_u}$

(3-6-3)重复步骤(3-6-1)和步骤(3-6-2)，分别计算G[26]组用户访问行为和G_all用户访问行为的平均重连时间；

(3-7)根据上述步骤(1)的访问网络时间T_A，将所有用户访问行为按照日期顺序记为G′[1,2,…,N_D]，其中每组用户访问行为发生在同一天，计算G′[1,2,…,N_D]中第e天的用户群变化率CRC_e：

${\mathrm{CRC}}_e=1-\frac{com\left(e-1,e\right)}{N_{u,e-1}^{\&prime;}+N_{u,e}^{\&prime;}-com(e-1,e)},2\&le;e\&le;N_D$

其中N′_u,e为与G′[e]组访问行为相对应的用户数量，G′[e]为第e天的的用户访问行为，com(e-1,e)为与G′[e-1]组访问行为和G′[e]组访问行为相对应的用户中共同重复的用户数量；

利用下式计算平均用户群变化率CRC作为特征向量V_N的36维V_N[36]：

$CRC=\frac{{\mathrm{\&Sigma;}}_{e=2}^{N_D}{\mathrm{CRC}}_e}{N_D-1}$

(4)将上述步骤(2)的卫星影像中输入到卷积神经网络中，将卷积神经网络的第二个全连接层的输出作为影像特征向量V_I[1,2,…,4096]；

(5)将上述步骤(3)得到的城市区域的网络特征向量V_N[1,2,…,36]和上述步骤(4)得到的城市区域的卫星影像特征向量V_I[1,2,…,4096]连接，合并成向量V[1,2,…,4132]，作为城市区域的特征向量；

(6)建立功能属性分类模型，过程如下：

(6-1)将具有已知功能属性的N个城市区域作为训练样本，记N个城市区域中任意一个城市区域为R_f，1≤f≤N，具有已知的功能属性t_f，利用上述步骤(5)得到特征向量V_f，遍历N个城市区域中的所有城市区域，得到具有已知功能属性的N个城市区域的特征向量；

(6-2)利用AdaBoost算法，训练基于决策树的功能属性分类模型步骤如下：

(6-2-1)定义一个N维样本权重向量w_N，权重向量w_N中的每个元素对应一个具有已知功能属性的城市区域训练样本，将每个元素初始化为

(6-2-2)将误差函数ε_m最小化，得到决策树函数y_m(V)：

${\mathrm{\&epsiv;}}_m=\underset{f=1}{\overset{N}{\&Sigma;}}{w}_{N,f}^{\left(m\right)}I\left(y_m\right(V_f)\&NotEqual;t_f)$

其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0，m为迭代次数，V为上述步骤(5)中的城市区域的特征向量，V_f为上述步骤(6-1)中的N个城市区域中任意一个城市区域R_f的特征向量；

利用下式，计算决策树函数y_m(V)的权重α_m：

${\mathrm{\&alpha;}}_m=ln\left\{\frac{1-{\mathrm{\&epsiv;}}_m}{{\mathrm{\&epsiv;}}_m}\right\}$

利用下式调整权重向量w_N：

$w_{N,f}^{(m+1)}=\frac{w_{N,f}^{\left(m\right)}}{Z_m}*\left\{\begin{array}{c}\exp \left(-{\mathrm{\&alpha;}}_m\right),y_m\left(V_f\right)=t_f\\ \exp \left({\mathrm{\&alpha;}}_m\right),y_m\left(V_f\right)\&NotEqual;t_f\end{array}\right.,1\&le;f\&le;N,$

其中，Z_m是归一化因子，保证权重向量w_N的和为1；

(6-2-3)重复上述步骤(6-2-2)M次，得到M个决策树模型；

(6-2-4)将步骤(6-2-3)得到的M个决策树模型加权，得到如下功能属性分类模型：

$Y_M\left(V\right)=\underset{m=1}{\overset{M}{\&Sigma;}}{\mathrm{\&alpha;}}_m{y}_m\left(V\right)$

(7)对未知功能属性的城市区域R，重复步骤(1)-(5)，得到特征向量V，将V输入步骤(6-2-4)的功能属性分类模型Y_M(V)，输出即为城市区域R的功能属性。