CN108764090B - 一种区域性异动确定方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请实施例提供一种区域性异动确定方法、装置、服务器及存储介质，本申请预先以样本地理区域的异动特征为训练样本，以样本地理区域的异动标注结果为样本标签训练得到异动判定模型，进而针对待测地理区域，获取能够反映其随时序的异动情况的异动特征，将该异动特征输入异动判定模型，得到模型输出的待测地理区域是否发生异动的判定结果。本申请借助预训练的异动判定模型，从地理区域角度进行异动的判定，而非针对单个兴趣点POI，从而能够实现对整个待测地理区域的异动的判定，不会出现单个POI异动的遗漏，使得异动判定更加全面，进而地图更新也更加全面，保证了地图的现势性。

Description

一种区域性异动确定方法、装置、服务器及存储介质

技术领域

本申请涉及数据处理技术领域，具体涉及一种区域性异动确定方法、装置、服务器及存储介质。

背景技术

现势性是指地图所提供的地理空间信息要尽可能地反映当前最新的情况。简单来讲，现势性就是指地图对地理信息现状的反映程度。

在城市快速发展的新形势下，城市地形、地貌、地物的变化十分频繁。为保证地图的现势性，及时反映人文与自然要素的实际变化，必须在已测制完成的地图上，根据不同情况，按照统一的技术要求，对地理区域内产生异动的地理要素进行修测或重测。

现有技术一般由用户对地理要素异动信息进行上报，但是这种方式很容易出现漏报的情况，例如某片商场整体拆迁，用户可能仅对其中人气较高的POI(英文：Point ofInterest，中文：兴趣点)的异动进行了上报，人气较低的POI的异动没有进行上报，导致地图更新不全面。因此，现有技术亟需一种区域性异动确定方案。

发明内容

有鉴于此，本申请实施例提供一种区域性异动确定方法、装置、服务器及存储介质，以实现对区域性异动的发现，避免单个地理要素异动的遗漏。

为实现上述目的，本申请实施例提供如下技术方案：

一方面，本申请提供了一种区域性异动确定方法，包括：

获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况；

将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；

所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

另一方面，本申请提供了一种区域性异动确定装置，包括：

特征获取单元，用于获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况；

判定结果确定单元，用于将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

另一方面，本申请还提供了一种服务器，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，实现如上所述的区域性异动确定方法的各个步骤。

另一方面，本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的区域性异动确定方法的各个步骤。

基于上述技术方案，本申请实施例提供的区域性异动确定方法，预先以样本地理区域的异动特征为训练样本，以样本地理区域的异动标注结果为样本标签训练得到异动判定模型，进而针对待测地理区域，获取能够反映其随时序的异动情况的异动特征，将该异动特征输入异动判定模型，得到模型输出的待测地理区域是否发生异动的判定结果。本申请借助预训练的异动判定模型，从地理区域角度进行异动的判定，而非针对单个POI，从而能够实现对整个待测地理区域的异动的判定，不会出现单个POI异动的遗漏，使得异动判定更加全面，进而地图更新也更加全面，保证了地图的现势性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示例了本申请区域性确定方法所适用的一种场景的组成结构示意图；

图2为本申请实施例公开的一种区域性异动确定方法的流程图；

图3a示例了A地区2016年的遥感影像截图；

图3b示例了A地区2017年的遥感影像截图；

图4a示例了B地区2016年的遥感影像截图；

图4b示例了B地区2017年的遥感影像截图；

图5a示例了C地区t1时间的定位热度图；

图5b示例了C地区t2时间的定位热度图；

图5c示例了D区域一段时间内定位请求变化波动折线图；

图6为本申请实施例公开的一种获取待测地理区域的异动特征的方法流程图；

图7示例一种遥感影像示意图；

图8为本申请实施例公开的另一种获取待测地理区域的异动特征的方法流程图；

图9为本申请实施例公开的另一种区域性异动确定方法的流程图；

图10为本申请实施例公开的一种确定目标类型的方法流程图；

图11为本申请实施例公开的又一种区域性异动确定方法的流程图；

图12a示例了现有技术电子地图更新效果示意图；

图12b示例了使用本申请方法的电子地图更新效果示意图；

图13示例了本申请区域性确定方法所适用的另一种场景的组成结构示意图；

图14为本申请实施例提供的区域性异动确定装置的结构框图；

图15示例了服务器的硬件结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1示出了本申请区域性确定方法所适用的一种场景的组成结构示意图。

在图1的场景中包括：数据库100、特征库200和服务器300。

其中，数据库100可以用于存储信息源数据，信息源数据为能够反映地理区域随时序异动情况的数据，例如遥感影像、定位请求等。

数据库100可以使用Hive数据库。

特征库200用于存储异动特征，该异动特征根据数据库100内存储的信息源数据所确定，能够反映地理区域随时序异动情况。

特征库200可以是基于SSD硬盘的非结构化数据库。

服务器300即为实现本申请区域性异动确定方案的服务器，其可以是搜索服务器、查询服务器或其他专门设置的服务设备。

服务器300从特征库200中获取待测地理区域的异动特征，进而基于获取的异动特征，结合预训练的异动判定模型，预测待测地理区域是否发生异动。

另一种实现场景下，服务器300可以包括数据库100和特征库200，也即获取信息源数据，以及对信息源数据进行处理，得到异动特征的过程也属于服务器300的功能。

需要说明的是，地理区域内可能包含多个地理要素，如包含多个POI。本实施例以地理区域为对象，而非以单个地理要素为对象，在确定地理区域发生异动时，可以对地理区域包含的全部地理要素进行批量处理，不会出现遗漏现象。

基于上述介绍的场景结构，下面从服务器角度介绍本申请的区域性异动确定方法的实现过程，参照图2，该方法可以包括：

步骤S100、获取待测地理区域的异动特征。

其中，待测地理区域可以根据实际需要而设定，其可以是某个省份、地区、国家对应的区域，也可以是对这些区域进行网格划分后的固定网格大小的区域。

其中，所述异动特征反映了待测地理区域随时序的异动情况。随着时间推移，待测地理区域可能会发生异动，即待测地理区域整体性的发生拆迁、新建等，伴随的是待测地理区域内的地理要素也会整体发生异动，如POI整体拆迁等。待测地理区域随时序的异动会通过一些特征表现出来，这些特征即为本步骤中所要获取的异动特征。

示例性的列举几种异动特征，如：待测地理区域的影像变化、待测地理区域内定位热度的变更等。

本申请可以通过多种信息源来获取待测地理区域的异动特征。

可选的，这里的信息源可以包括遥感影像、地图定位请求数据等。参见图3a-3b，以及图4a-4b。

图3a示例的是A地区2016年的遥感影像截图，图3b示例的是A地区2017年的遥感影像截图。

通过对比两幅图像可以看出，图3b相比于图3a，区域S1和S2内均新增了地表物，也即区域S1、S2均产生了区域性新增异动。

图4a示例的是B地区2016年的遥感影像截图，图4b示例的是B地区2017年的遥感影像截图。

通过对比两幅图像可以看出，图4b相比于图4a，区域S3-S7内均拆除了地表物，也即区域S3-S7均产生了区域性拆除异动。

进一步参见图5a-5c。其中，图5a示例的是C地区t1时间的定位热度图，图5b示例的是C地区t2时间的定位热度图。

图中颜色深度不同代表定位热度不同，颜色越深，代表定位热度越高。通过对比两幅图可以看出，在图中左上角矩形框区域，图5b相比于图5a的定位热度更高。

对应于实际场景中，图中左上角矩形框区域t2时间相比于t1时间新建了一个大型商场，也即属于区域性新增异动。

图5c示例的是D区域一段时间内定位请求变化波动折线图。

通过图5c可以看出，随着时间推移，在第16天之前，定位请次数维持在一个较高的数值，在第16天时定位请求次数出现大幅度下降，并在随后的时间内持续保持一个较低数值。

对应于实际场景中，D区域在第16天时拆除了一个大型商场，也即第16天后相比于之前，D区域产生区域性拆除异动。

步骤S110、将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果。

其中，所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

在训练得到异动判定模型的过程中，本申请实施例可以收集多个样本地理区域，针对每个样本地理区域获取其异动特征，作为训练样本，并可以由人工对样本地理区域的异动情况进行标注，作为样本标签，通过不断迭代训练，直至异动判定模型习得合适的模型参数，判定结果准确度足够高，即可使用。

通过将获取的异动特征输入异动判定模型，模型可以根据异动特征来预测待测地理区域是否发生异动。

本申请实施例中，异动判定模型的形式可以是分类评定模型，属于多重变量分析范畴，可以通过多种不同的变量来进行最终分类的选择，常用于社会学、统计学、计量经济学等统计实证分析。可以选用LR(Logistic Regression，逻辑回归)模型等。

本申请实施例提供的区域性异动确定方法，预先以样本地理区域的异动特征为训练样本，以样本地理区域的异动标注结果为样本标签训练得到异动判定模型，进而针对待测地理区域，获取能够反映其随时序的异动情况的异动特征，将该异动特征输入异动判定模型，得到模型输出的待测地理区域是否发生异动的判定结果。本申请借助预训练的异动判定模型，从地理区域角度进行异动的判定，而非针对单个POI，从而能够实现对整个待测地理区域的异动的判定，不会出现单个POI异动的遗漏，使得异动判定更加全面，进而地图更新也更加全面，保证了地图的现势性。

如上述介绍的，本申请实施例可以通过多种信息源获取异动特征，信息源可以包括：遥感影像、地图定位请求数据、互联网图片等。接下来介绍几种获取待测地理区域的异动特征的可选方式。参见图6，图6为本申请实施例公开的一种获取待测地理区域的异动特征的方法流程图，如图6所示，该方法包括：

步骤S200、获取两个时刻待测地理区域的遥感影像。

具体地，为了判断两个时刻待测地理区域是否发生异动，本实施例中可以获取两个时刻待测地理区域的遥感影像。

遥感影像为卫星对地面拍摄的影像，遥感影像的更新频率一般在半个月左右。因此，本申请对比的两个时刻之间的时间差可以与遥感影像的更新频率同步，或者大于遥感影像的更新频率。

一般情况下，由人工实地采集POI更新信息的方式，其更新频率最长可达一年左右，也即更新频率远远小于遥感影像的更新频率。本实施例通过遥感影像来获取异动特征的方式，其更新频率高于现有人工采集方式，进而保证了地图现势性。

步骤S210、分别对两个时刻的遥感影像内的地表物进行分类，得到两个时刻的遥感影像各自的分类结果。

对于获取的两个时刻的两幅遥感影像，分别对每一幅遥感影像进行地表物分类。通过准确的分类，然后对比不同时间遥感影像内地表物类别，可能发现区域性的异动。地表物类别可以有多种，如植被、土壤、水、水泥、沥青等。不同时间遥感影像内地表物类别的变化，可以为区域性异动判定做出贡献，例如地表物从水泥(建筑物)变成土壤，从土壤变成绿地植被等。

可选的，上一步骤中获取的遥感影像的坐标可能和地图坐标不一致。如图7所示，图7示例一种遥感影像示意图。

基于此，在本步骤之前可以增加对遥感影像进行坐标系转换处理的过程。具体地：

以地图对应的投影坐标系为基准，将两个时刻的遥感影像内的地理坐标系转换成投影坐标系。

通过坐标系转换，保证遥感影像内坐标位置与地图对应。

可以理解的是，在增加对遥感影像进行坐标系转换处理之后，本步骤中进行地表物分类的对象，即为转换成投影坐标系的两个时刻的遥感影像。

步骤S220、处理所述两个时刻的遥感影像各自的分类结果，得到待测地理区域的异动特征。

具体地，上述步骤中已经得到两个时刻的遥感影像各自的地表物的分类结果，本步骤中可以按照预设的处理方式，对该两个分类结果进行处理，得到待测地理区域的异动特征。

根据分类结果的表达形式不同，预设的处理方式也可以有多种，如分类结果通过分类结果矩阵形式表达，矩阵内元素个数与待测地理区域包含的像素点个数相同，像素点对应地表物分类结果值作为矩阵内元素。基于此，可以将两个时刻分类结果矩阵相减，结果作为异动特征。或者，对两个时刻的分类结果矩阵进行其它数学统计，结果作为异动特征。

可选的，本申请实施例介绍了上述步骤S210，分别对两个时刻的遥感影像内的地表物进行分类的一种可选实现方式。

本实施例中可以通过机器学习模型来实现分类目的。具体地，本实施例可以预先训练地表物分类模型，用于对遥感影像内的地表物进行分类。

地表物分类模型的训练过程，可以收集大量遥感影像训练数据，并人工对遥感影像训练数据内的地表物进行标注。或者，获取别人已经开源的标注了地表物类别的遥感影像训练数据。

遥感影像训练数据中每个像素代表的实际距离一般为30m*30m，因此在对遥感影像训练数据内的地表物进行标注时，可以对每个像素点进行标注。

使用获取的遥感影像训练数据作为训练样本，人工标注的地表物分类结果作为样本标签，对地表物分类模型进行迭代训练，直至模型习得合适的模型权重系数后，可以作为训练后的地表物分类模型使用。

本实施例中的地表物分类模型的形式可以是能够进行分类任务处理的神经网络模型，示例如CNN卷积神经网络、DNN深度神经网络等。

基于上述训练后的地表物分类模型，本实施例中可以分别将两个时刻的遥感影像输入预训练的地表物分类模型，得到所述地表物分类模型输出的与输入遥感影像对应的分类结果。

具体地，当输入的是第一时刻的遥感影像时，则可以通过地表物分类模型得到与该第一时刻的遥感影像对应的分类结果；当输入的是第二时刻的遥感影像时，则可以通过地表物分类模型得到与该第二时刻的遥感影像对应的分类结果。

在本申请的另一个实施例中，可以基于定位请求数据来获取异动特征。参见图8，图8为本申请实施例公开的另一种获取待测地理区域的异动特征的方法流程图，如图8所示，该方法包括：

步骤S300、获取设定时间窗内，定位坐标位于所述待测地理区域的定位请求。

具体地，用户可以使用地图软件实现导航、定位等功能。本申请实施例中，实现区域性异动确定的服务器可以与电子地图服务器通信，从电子地图服务器中获取定位请求数据。除此之外，电子地图服务器还可以作为本申请实现区域性异动确定的服务器。

每一个定位请求均包含有定位坐标。本实施例中，获取设定时间窗内，定位坐标位于待测地理区域的定位请求。本实施例可以按照设定频率来执行该定位请求获取操作，如以小时为颗粒度，或者以天、周、月作为颗粒度，执行定位请求获取操作。设定时间窗可以自行设定，为了避免短时间内的定位请求波动影响判定就结果，本实施例中时间窗可以设置稍长，如一个月或几个月。

步骤S310、根据所述待测地理区域内定位请求次数随时序的波动，确定定位请求的统计学特征，作为待测地理区域的异动特征。

具体地，统计学特征可以包括多种，如平均值、标准差、斜率、最大值、最小值等等。本实施例中根据待测地理区域内定位请求次数随时序的波动，可以确定多种统计学特征，作为待测地理区域的异动特征。

上述两个实施例分别从信息源为遥感影像和定位请求数据的角度，示例了两种获取待测地理区域的异动特征的方式。可以理解的是，两种方式可以选择其一执行，或者两种方式可以组合，也即将两种方式所获取的待测地理区域的异动特征进行组合，共同作为异动判定模型的输入。当两种方式组合时，异动特征的类型更丰富，数量也更多，因此异动判定模型的判定结果也更加准确。

基于前述介绍的待测地理区域的异动特征的获取过程可知，本申请可以获取多种类型的异动特征。一种可选的方式，可以将获取的多种类型的异动特征全部输入异动判定模型。

可以理解的是，获取的各类型的异动特征中，可能会有一部分类型的异动特征能够对区域性异动判定做出很大贡献，另一部分类型的异动特征可能贡献很小，甚至无法做出贡献，这就可能导致异动判定模型过拟合，或者影响异动判定模型的计算效率。为此，本申请实施例公开了另一种区域性异动确定方法，结合图9所示，该方法可以包括：

步骤S400、获取待测地理区域的异动特征。

其中，所述异动特征反映了待测地理区域随时序的异动情况。

步骤S410、在获取的各类型的异动特征中，选取目标类型的异动特征。

其中，所述目标类型为对所述异动判定模型的贡献度满足设定贡献度条件的异动特征的类型。

异动特征对异动判定模型的贡献度可以理解为：异动特征对异动判定模型输出的预测结果趋近于标注结果的影响程度。

本实施例可以预先对各类型的异动特征的贡献度进行统计，并筛选出贡献度满足设定贡献度条件的异动特征的类型，作为目标类型。其中，设定贡献度条件可以有多种，如贡献度最大的前设定数量个，或贡献度大小排序中取前设定比例的异动特征的类型等。

步骤S420、将所述目标类型的异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果。

相比于在先的实施例，本实施例中仅将目标类型的异动特征输入异动判定模型。可以理解的是，异动判定模型训练时，也仅仅是以目标类型的异动特征作为训练样本。由于舍弃了贡献度低的类型的异动特征，因此训练得到的异动判定模型不会出现过拟合的问题。并且，由于输入模型的特征数量变少，其计算效率更高。

可选的，在首次执行本申请的区域性异动确定方法，或者当获取的异动特征存在新类型时，可以增加确定满足设定贡献度条件的异动特征的目标类型的过程。当确定了目标类型之后，后续针对每一待测地理区域确定其是否发生异动的过程中，可以不必再次执行确定目标类型的过程。

本实施例中，使用决策树模型从获取的各类型的异动特征中，筛选出满足设定贡献度条件的异动特征的目标类型。

其中，决策树模型可以用来解决回归、分类问题，也可以用来进行特征的筛选。决策树模型能够根据输入的样本地理区域的各类型的异动特征，预测样本地理区域是否发生异动，同时输出各类型的异动特征的贡献度大小排序。

决策树模型在训练时，训练样本也是样本地理区域的异动特征，样本标签也是样本地理区域的异动标注结果，其训练目标也是以模型预测的样本地理区域的异动判定结果趋近于异动标注结果。相较于其它模型，决策树模型在输出异动判定结果的同时，还会对输入的各类型的异动特征按照贡献度大小进行排序，并输出该排序。

从逻辑上分析决策树模型确定异动特征按照贡献度排序的过程，可以理解为：决策树模型在判定异动结果时，如果额外多考虑一个异动特征X1，造成异动判定结果的精度提升了Y1，而如果额外多考虑一个异动特征X2，造成异动判定结果的精度提升了Y2。比较Y1和Y2大小，如果Y2大于Y1，则说明异动特征X2的贡献度大于X1。基于这种原理，决策树模型能够对输入的各类型异动特征的贡献度进行排序，并输出。

本实施例中可以采用GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型。

基于训练后的决策树模型，结合图10，对确定目标类型的过程进行介绍，如图10所述，该过程可以包括：

S500、将获取的各类型的异动特征输入预训练的决策树模型。

其中，获取的各类型的异动特征可以是样本地理区域的各类型的异动特征。

S510、获取所述决策树模型输出的各类型异动特征的贡献度大小排序。

S520、按照所述贡献度大小排序，获取满足设定贡献度条件的异动特征的类型，作为目标类型。

其中，设定贡献度条件可以有多种，如贡献度最大的前设定数量个，或贡献度大小排序中取前设定比例的异动特征的类型等。

本实施例中确定目标类型之后，可以进行存储。后续过程中可以直接调用存储的目标类型，从获取的异动特征中提取目标类型的异动特征，作为异动判定模型的输入。

当然，在获取待测地理区域的异动特征时，还可以仅获取目标类型的异动特征。

在本申请的又一个实施例中，介绍了又一种区域性异动确定方法，结合图11所示，该方法可以包括：

步骤S600、获取待测地理区域的异动特征。

步骤S610、将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果。

本实施例中步骤S600-S610与前述实施例中步骤S100-S110相同，详细参照前述介绍，此处不再赘述。

步骤S620、在所述判定结果表明所述待测地理区域发生异动时，对地图中与所述待测地理区域对应范围内的地理要素进行批量处理。

具体地，通过异动判定模型判定待测地理区域出现异动时，则可以自动化的对地图中与该待测地理区域对应范围内的地理要素进行批量处理。

本实施例中，通过区域性异动判定能够确定待测地理区域是否出现异动，并在确定出现异动时，以待测地理区域为对象，对地图中相应范围内所有地理要素进行批量处理，不会出现部分地理要素遗漏的情况，使得地图更新更加全面，保证了地图的现势性。

可以理解的是，地图要素可以包括POI、道路等。以POI为例进行说明，若在异动判定模型输出的判定结果表明待测地理区域发生区域性拆迁异动时，则可以将地图中与待测地理区域对应范围内的POI整体移除。

另一种情况下，本实施例中还可以在确定待测地理区域发生异动时，通知人工对地图中与待测地理区域对应范围内的POI进行进一步审核，最终决定是否移除。

结合图12a和12b对本申请方案效果进行说明。图12a为按照现有技术，由用户上报单个POI变更信息，进而对电子地图更新的效果图；图12b为使用本申请区域性异动确定方法，对电子地图更新的效果图。

对应于现实情况中，安翔桥西北侧以前是万家灯火装饰城。一段时间之后进行了整体拆迁。

现有技术通过用户上报变动的POI，会出现部分已经拆迁的POI并未上报的情况，导致更新后的地图中该片拆迁区域内还存在如图12a示例的三个POI：富士激光快印、北京金旗舰暖气片、巴黎春天家具。由于地图更新不全面，无法保证地图的现势性。

而使用本申请区域性异动确定方案，能够预测出整体拆迁区域，进而对该区域内所有POI进行整体移除，效果如图12b所示，不会出现部分POI的遗漏，地图更新更加全面，保证了地图的现势性。

参见图13，其示出了本申请区域性确定方法所适用的另一种场景的组成结构示意图。

在图13的场景中包括：数据库100，特征库200、服务器300和POI存储系统400。

其中，数据库100、特征库200、服务器300与前述介绍的相同，此处不再赘述。

相比于前述实施例，本实施例公开的场景中增加了POI存储系统400，其用于存储电子地图中的POI信息。

则根据本申请方案服务器300对确定的发生异动的地理区域内的POI进行批量处理后，可以利用处理结果更新POI存储系统300。如对某一地理区域内的POI进行批量删除，则将POI存储系统300中相应的POI信息全部删除。

下面对本申请实施例提供的区域性异动确定装置进行介绍，下文描述的区域性异动确定装置可认为是，服务器为实现本申请实施例提供的区域性异动确定方法，所需设置的程序模块。下文描述的区域性异动确定装置内容，可与上文描述的区域性异动确定方法内容相互对应参照。

图14为本申请实施例提供的区域性异动确定装置的结构框图，该装置可应用于服务器，参照图14，该区域性异动确定装置可以包括：

特征获取单元11，用于获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况；

判定结果确定单元12，用于将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

可选的，本申请实施例公开了特征获取单元的两种可选结构，其一：

所述特征获取单元可以包括：

遥感影像获取单元，用于获取两个时刻待测地理区域的遥感影像；

分类单元，用于分别对两个时刻的遥感影像内的地表物进行分类，得到两个时刻的遥感影像各自的分类结果；

分类结果处理单元，用于处理所述两个时刻的遥感影像各自的分类结果，得到待测地理区域的异动特征。

其二，所述特征获取单元可以包括：

定位请求获取单元，用于获取设定时间窗内，定位坐标位于所述待测地理区域的定位请求；

定位请求统计单元，用于根据所述待测地理区域内定位请求次数随时序的波动，确定定位请求的统计学特征，作为待测地理区域的异动特征。

可以理解的是，特征获取单元还可以将上述两种结构进行组合。

可选的，本申请实施例公开的区域性异动确定装置还可以包括：

坐标系转换单元，用于以地图对应的投影坐标系为基准，将两个时刻的遥感影像内的地理坐标系转换成投影坐标系。基于此，分类单元具体用于对转换成投影坐标系的两个时刻的遥感影像内的地表物进行分类。

可选的，所述分类单元可以包括：

地表物分类模型处理单元，用于分别将两个时刻的遥感影像输入预训练的地表物分类模型，得到所述地表物分类模型输出的与输入遥感影像对应的分类结果；所述地表物分类模型为，以遥感影像训练数据为训练样本，以所述遥感影像训练数据中各像素对应的地表物分类结果为样本标签预先训练得到。

可选的，本申请实施例公开的区域性异动确定装置还可以包括：

目标类型异动特征选取单元，用于在获取的各类型的异动特征中，选取目标类型的异动特征，所述目标类型为对所述异动判定模型的贡献度满足设定贡献度条件的异动特征的类型。基于此，输入异动判定模型的具体为目标类型的异动特征。

进一步可选的，本申请实施例公开的区域性异动确定装置还可以包括：

决策树判定单元，用于将样本地理区域的各类型的异动特征输入预训练的决策树模型，所述决策树模型为，能够根据输入的各类型的异动特征预测所述样本地理区域是否发生异动的判定结果，同时输出各类型的异动特征的贡献度大小排序的模型；

排序获取单元，用于获取所述决策树模型输出的各类型异动特征的贡献度大小排序；

目标类型确定单元，用于按照所述贡献度大小排序，获取满足设定贡献度条件的异动特征的类型，作为目标类型。

进一步可选的，本申请实施例公开的区域性异动确定装置还可以包括：

批量处理单元，用于在所述判定结果表明所述待测地理区域发生异动时，对地图中与所述待测地理区域对应范围内的地理要素进行批量处理。

其中，以地理要素包含POI为例，批量处理单元具体用于：

在所述判定结果表明所述待测地理区域发生区域性拆迁异动时，将地图中与所述待测地理区域对应范围内的POI整体移除。

本申请实施例提供的区域性异动确定装置可应用于服务器，如查询服务器，搜索服务器等；可选的，图15示出了服务器的硬件结构框图，参照图15，服务器的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况；

将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；

所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况；

将所述异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；

所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的核心思想或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种区域性异动确定方法，其特征在于，包括：

获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况，所述异动特征包括待测地理区域的影像变化以及待测地理区域内定位热度，其中，所述获取待测地理区域的异动特征，包括：获取设定时间窗内，定位坐标位于所述待测地理区域的定位请求；根据所述待测地理区域内定位请求次数随时序的波动，确定定位请求的统计学特征，作为待测地理区域的异动特征；

将各类型的异动特征输入预训练的决策树模型，所述决策树模型为，能够根据输入的各类型的异动特征预测样本地理区域是否发生异动，同时输出各类型的异动特征的贡献度大小排序的模型；

获取所述决策树模型输出的各类型异动特征的贡献度大小排序；

按照所述贡献度大小排序，获取满足设定贡献度条件的异动特征的类型，作为目标类型；

在获取的各类型的异动特征中，选取目标类型的异动特征，所述目标类型为对异动判定模型的贡献度满足设定贡献度条件的异动特征的类型，所述异动判定模型为所述决策树模型，其中，异动特征对异动判定模型的贡献度为异动特征对异动判定模型输出的预测结果趋近于标注结果的影响程度；

将所述目标类型的异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；

在所述判定结果表明所述待测地理区域发生异动时，对地图中与所述待测地理区域对应范围内的地理要素进行批量处理；

所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到。

2.根据权利要求1所述的方法，其特征在于，所述获取待测地理区域的异动特征，包括：

获取两个时刻待测地理区域的遥感影像；

分别对两个时刻的遥感影像内的地表物进行分类，得到两个时刻的遥感影像各自的分类结果；

处理所述两个时刻的遥感影像各自的分类结果，得到待测地理区域的异动特征。

3.根据权利要求2所述的方法，其特征在于，在所述分别对两个时刻的遥感影像内的地表物进行分类之前，该方法还包括：

以地图对应的投影坐标系为基准，将两个时刻的遥感影像内的地理坐标系转换成所述投影坐标系。

4.根据权利要求2所述的方法，其特征在于，所述分别对两个时刻的遥感影像内的地表物进行分类，包括：

分别将两个时刻的遥感影像输入预训练的地表物分类模型，得到所述地表物分类模型输出的与输入遥感影像对应的分类结果；

所述地表物分类模型为，以遥感影像训练数据为训练样本，以所述遥感影像训练数据的地表物分类结果为样本标签预先训练得到。

5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：

在所述判定结果表明所述待测地理区域发生区域性拆迁异动时，将地图中与所述待测地理区域对应范围内的兴趣点POI整体移除。

6.一种区域性异动确定装置，其特征在于，包括：

特征获取单元，用于获取待测地理区域的异动特征，所述异动特征反映了待测地理区域随时序的异动情况，所述异动特征包括待测地理区域的影像变化以及待测地理区域内定位热度；

目标类型异动特征选取单元，用于将各类型的异动特征输入预训练的决策树模型，所述决策树模型为，能够根据输入的各类型的异动特征预测样本地理区域是否发生异动，同时输出各类型的异动特征的贡献度大小排序的模型；获取所述决策树模型输出的各类型异动特征的贡献度大小排序；按照所述贡献度大小排序，获取满足设定贡献度条件的异动特征的类型，作为目标类型；在获取的各类型的异动特征中，选取目标类型的异动特征，所述目标类型为对异动判定模型的贡献度满足设定贡献度条件的异动特征的类型，所述异动判定模型为所述决策树模型，其中，异动特征对异动判定模型的贡献度为异动特征对异动判定模型输出的预测结果趋近于标注结果的影响程度；

判定结果确定单元，用于将所述目标类型的异动特征输入预训练的异动判定模型，得到所述异动判定模型输出的所述待测地理区域是否发生异动的判定结果；所述判定结果表明所述待测地理区域发生异动时，对地图中与所述待测地理区域对应范围内的地理要素进行批量处理；所述异动判定模型为，以样本地理区域的异动特征为训练样本，以所述样本地理区域的异动标注结果为样本标签预先训练得到；

其中，所述特征获取单元包括：

定位请求获取单元，用于获取设定时间窗内，定位坐标位于所述待测地理区域的定位请求；

定位请求统计单元，用于根据所述待测地理区域内定位请求次数随时序的波动，确定定位请求的统计学特征，作为待测地理区域的异动特征。

7.根据权利要求6所述的装置，其特征在于，所述特征获取单元包括：

遥感影像获取单元，用于获取两个时刻待测地理区域的遥感影像；

分类单元，用于分别对两个时刻的遥感影像内的地表物进行分类，得到两个时刻的遥感影像各自的分类结果；

分类结果处理单元，用于处理所述两个时刻的遥感影像各自的分类结果，得到待测地理区域的异动特征。

8.根据权利要求6-7任一项所述的装置，其特征在于，还包括：

批量处理单元，用于在所述判定结果表明所述待测地理区域发生区域性拆迁异动时，将地图中与所述待测地理区域对应范围内的POI整体移除。

9.一种服务器，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，实现如权利要求1-5任意一项所述的方法的各个步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-5任意一项所述的方法的各个步骤。

Images