CN110659427A - 基于多源数据的城市功能划分方法、装置和电子设备 - Google Patents
基于多源数据的城市功能划分方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110659427A CN110659427A CN201910841067.0A CN201910841067A CN110659427A CN 110659427 A CN110659427 A CN 110659427A CN 201910841067 A CN201910841067 A CN 201910841067A CN 110659427 A CN110659427 A CN 110659427A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- user
- preset
- divided
- fusion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出一种基于多源数据的城市功能划分方法、装置和电子设备,涉及大数据领域,其中,方法包括:获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。解决现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于多源数据的城市功能划分方法、装置和电子设备。
背景技术
目前,城市计算是近来的热门方向,城市区域功能分类作为城市计算的基础部分,对大多城市计算方向应用起到支持作用,城市区域功能分类,也就是通过城市区域内的数据分析,对城市内特定区域的作用做出划分,例如商业区、居住区等。
发明内容
本申请旨在至少在一定程度上解决上述相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于多源数据的城市功能划分方法,解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
本申请的第二个目的在于提出一种基于多源数据的城市功能划分装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种基于多源数据的城市功能划分方法,包括:获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将所述用户访问数据特征向量、所述用户搜索数据特征向量和所述卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别。
另外,本申请实施例的基于多源数据的城市功能划分方法,还具有如下附加的技术特征:
可选地,所述获取待划分网格区域内的用户到访数据特征向量,包括:获取预设时间段内工作日在所述待划分网格区域进行到访的第一每小时到访平均数;获取所述预设时间段内周末在所述待划分网格区域进行到访的第二每小时到访平均数;根据多个所述第一每小时到访平均数和多个所述第二每小时到访平均数生成所述用户到访数据特征向量。
可选地,所述获取待划分网格区域内的用户搜索数据特征向量,包括:获取所述待划分网格区域内各个用户在预设应用中的搜索记录;对所述搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对所述多个实体词进行转化处理生成所述用户搜索数据特征向量。
可选地,所述获取待划分网格区域内卫星图像特征向量,包括:获取所述待划分网格区域对应的卫星图像;通过预设图像处理算法对所述卫星图像进行处理生成所述卫星图像特征向量。
可选地,在所述获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量之前,还包括:获取目标城市地图;按照预设划分规则对所述目标城市地图进行划分生成多个待划分网格区域。
可选地,在所述在将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别之前,还包括:获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本;将所述用户到访数据特征向量样本、所述用户搜索数据特征向量样本和所述卫星图像特征向量样本输入到所述预设的多源多模融合网络进行处理生成融合特征向量样本;将所述融合特征向量样本输入到分类函数进行训练生成所述预设分类器。
为达上述目的,本申请第二方面实施例提出了一种基于多源数据的城市功能划分装置,包括:第一获取模块,用于获取待划分网格区域内的用户到访数据特征向量;第二获取模块,用于获取待划分网格区域内的用户搜索数据特征向量;第三获取模块,用于获取待划分网格区域内的卫星图像特征向量;融合模块,用于将所述用户访问数据特征向量、所述用户搜索数据特征向量和所述卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;处理模块,用于将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别。
另外,本申请实施例的基于多源数据的城市功能划分装置,还具有如下附加的技术特征:
可选地,所述第一获取模块,具体用于:获取预设时间段内工作日在所述待划分网格区域进行到访的第一每小时到访平均数;获取所述预设时间段内周末在所述待划分网格区域进行到访的第二每小时到访平均数;根据多个所述第一每小时到访平均数和多个所述第二每小时到访平均数生成所述用户到访数据特征向量。
可选地,所述第二获取模块,具体用于:获取所述待划分网格区域内各个用户在预设应用中的搜索记录;对所述搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对所述多个实体词进行转化处理生成所述用户搜索数据特征向量。
可选地,所述第三获取模块,具体用于:获取所述待划分网格区域对应的卫星图像;通过预设图像处理算法对所述卫星图像进行处理生成所述卫星图像特征向量。
可选地,所述的装置,还包括:第四获取模块,用于获取目标城市地图;划分模块,用于按照预设划分规则对所述目标城市地图进行划分生成多个待划分网格区域。
可选地,所述的装置,还包括:第五获取模块,用于获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本;所述融合模块,还用于将所述用户到访数据特征向量样本、所述用户搜索数据特征向量样本和所述卫星图像特征向量样本输入到所述预设多源多模融合网络进行处理生成融合特征向量样本;生成模块,用于将所述融合特征向量样本输入到分类函数进行训练生成所述预设分类器。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的基于多源数据的城市功能划分方法。
为达上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的基于多源数据的城市功能划分方法。
为达上述目的,本申请第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,实现如第一方面实施例所述的基于多源数据的城市功能划分方法。
本申请实施例提供的技术方案可以包含如下的有益效果:
获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例的基于多源数据的城市功能划分方法的流程图;
图2是根据本申请一个实施例的基于多源数据的城市功能划分的示例图;
图3是根据本申请另一个实施例的基于多源数据的城市功能划分方法的流程图;
图4是根据本申请又一个实施例的基于多源数据的城市功能划分方法的流程图;
图5是根据本申请一个实施例的基于多源数据的城市功能划分装置的结构示意图;
图6是根据本申请另一个实施例的基于多源数据的城市功能划分装置的结构示意图;
图7是根据本申请又一个实施例的基于多源数据的城市功能划分装置的结构示意图;
图8是根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于多源数据的城市功能划分方法、装置和电子设备。
具体地,现有技术中存在城市功能划分不够准确的技术问题。针对上述问题,本申请提出了一种基于多源数据的城市功能划分的方法,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
具体而言,图1是根据本申请一个实施例的基于多源数据的城市功能划分方法的流程图,如图1所示,该方法包括:
步骤101,获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量。
具体地,本申请中的城市功能划分是基于给定网格区域的,因此需要预先将城市地图划分成一定形状的网格比如矩形网格(例如网格大小为100米*100米),之后再根据网格区域内的数据(卫星图像数据、用户搜索数据、用户到访数据等),分析出该网格区域所属的类别。
其中,获取待划分网格区域内的用户到访数据特征向量的方式有很多种,比如根据用户使用的应用程序获取对应的定位数据了解用户到访该网格区域的一个时间,进而可以统计每小时或者是每分钟等该网格区域的一个访问人数,因此可以获取不同时间段内该网格区域的到访量生成对应的用户到访数据特征向量,再比如通过智能摄像头等设备统计预设时间段内进出该区域的人数生成对应的用户到访数据特征向量等等。
其中,获取待划分网格区域内的用户搜索数据特征向量的方式有很多种,比如获取网格区域内各个用户在不同的应用中的搜索记录,并对搜索记录进行分析生成用户搜索数据特征向量。
其中,获取待划分网格区域内的卫星图像特征向量的方式有很多种,比如直接截取与网格与区域对应的卫星图像,并对卫星图像进行处理生成卫星图像特征向量。
步骤102,将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量。
步骤103,将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。
具体地,在获取用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量后输入到预设的多源多模融合网络进行融合处理。其中,预设多源多模融合网络是采用多层FullConnection Network(FCN),网络层数和各层神经元数量可作为参数设置,比如图2是一个3层FCN,神经元数量分别为1024、512、256,将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量x1、x2、x3作为输入,并输出融合特征向量。
其中,用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量的维数和多源多模融合网络的层数可以根据实际应用需要进行选择设置。
进一步地,将融合特征向量输入的预先训练好的分类器进行处理,输出与待划分网格区域对应的目标类别,比如商业区、居民区等。
综上,本申请实施例的基于多源数据的城市功能划分方法,获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
图3是根据本申请另一个实施例的基于多源数据的城市功能划分方法的流程图,如图3所示,该方法包括:
步骤201,获取目标城市地图,按照预设划分规则对目标城市地图进行划分生成多个待划分网格区域。
具体地,确定需要进行城市功能划分的目标城市后,按照预设划分规则,比如预设半径矩形划分对目标城市地图进行划分生成多个待划分网格区域。
步骤202,获取预设时间段内工作日在待划分网格区域进行到访的第一每小时到访平均数,获取预设时间段内周末在待划分网格区域进行到访的第二每小时到访平均数。
步骤203,根据多个第一每小时到访平均数和多个第二每小时到访平均数生成用户到访数据特征向量。
具体地,可以获取用户使用各个应用时所产生的定位数据,对定位数据经过加密、脱敏等处理后,记性统计,比如小时粒度的工作日到访平均人数(0点-1点到访人数、1点-2点到访人数等等,统计最近30天内的工作日的平均数,共24维特征;小时粒度的周末到访平均人数(最近30天内的周末的平均数,共24维特征),以上特征构成48维的用户到访数据特征向量。
步骤204,获取待划分网格区域内各个用户在预设应用中的搜索记录,对搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对多个实体词进行转化处理生成用户搜索数据特征向量。
具体地,可以是移动端搜索数据,即移动端用户使用百度等的搜索记录,待划分网格区域内的用户搜索记录将会经过分词、清洗(敏感词)、过滤(只保留实体词,语气词助词等对分类没有实际贡献的词将会被过滤)等预处理操作后,通过词嵌入方法转化为128维(该维度是一个参数,可以任意设置)的特征向量,再将所有特征向量相加得到表示该待划分网格区域内搜索特征的128维的用户搜索数据特征向量。
步骤205,获取待划分网格区域对应的卫星图像,通过预设图像处理算法对卫星图像进行处理生成卫星图像特征向量。
具体地,待划分网格区域对应的卫星图像,分辨率要求在1m以上的RGB三通道图像,即对于100米*100米的网格来说,图片像素需要在100像素*100像素以上。
需要说明的是,分类所使用的图像不同于未加工过的原始卫星图像,通常需要经过正射校正、颜色配准等预处理后才能够使用,可以通过预设图像处理算法对卫星图像进行处理生成卫星图像特征向量,卫星图像通过预训练的Resnet50网络处理成2048维的卫星图像特征向量。
步骤206,将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量。
步骤207,将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。
具体地,在获取用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量后输入到预设多源多模融合网络进行融合处理。其中,预设多源多模融合网络是采用多层FullConnection Network(FCN),网络层数和各层神经元数量可作为参数设置,比如图2是一个3层FCN,神经元数量分别为1024、512、256,将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量x1、x2、x3作为输入,并输出融合特征向量。
其中,用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量的维数和多源多模融合网络的层数可以根据实际应用需要进行选择设置。
进一步地,将融合特征向量输入的预先训练好的分类器进行处理,输出与待划分网格区域对应的目标类别,比如商业区、居民区等。
综上,本申请实施例的基于多源数据的城市功能划分方法,获取目标城市地图,按照预设划分规则对目标城市地图进行划分生成多个待划分网格区域,获取预设时间段内工作日在待划分网格区域进行到访的第一每小时到访平均数,获取预设时间段内周末在待划分网格区域进行到访的第二每小时到访平均数,根据多个第一每小时到访平均数和多个第二每小时到访平均数生成用户到访数据特征向量,获取待划分网格区域内各个用户在预设应用中的搜索记录,对搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对多个实体词进行转化处理生成用户搜索数据特征向量,获取待划分网格区域对应的卫星图像,通过预设图像处理算法对卫星图像进行处理生成卫星图像特征向量,将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量,将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别,解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
基于上述描述,融合特征向量作为预设分类器的输入,经过预设分类器后得到待划分网格区域的目标类别,比如分类器可以选用Softmax,可以与FCN同时进行训练,训练方法采用有监督训练,具体训练过程如图4所示,包括:
步骤301,获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本。
步骤302,将用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本输入到预设的多源多模融合网络进行处理生成融合特征向量样本。
步骤303,将融合特征向量样本输入到分类函数进行训练生成预设分类器。
具体地,训练样本来自百度自有的地理围栏(Area of Interest,AOI)数据,覆盖类别如下:大学、工业区、医疗机构、购物场所、住宅区、火车站、机场、中小学、公园广场、酒店、景区,包含现代化城市中功能区域的大部分类别。
具体地,获取多个已分类的网格中的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本通过预设的多源多模融合网络进行处理生成融合特征向量样本,最后将融合特征向量样本输入到分类函数进行训练生成预设分类器。
举例而言,比如网格类别为住宅区A,获取住宅A中的用户到访数据特征向量样本a1、用户搜索数据特征向量样本b1和卫星图像特征向量样本c1通过预设的多源多模融合网络进行处理生成融合特征向量样本,并将融合特征向量样本输入到分类函数进行训练生成预设分类器;再比如网格类别为景区B,获取景区B中的用户到访数据特征向量样本x1、用户搜索数据特征向量样本y1和卫星图像特征向量样本z1通过预设的多源多模融合网络进行处理生成融合特征向量样本,并将融合特征向量样本输入到分类函数进行训练生成预设分类器。
由此,进一步提高城市功能划的准确性。
为了实现上述实施例,本申请还提出了一种基于多源数据的城市功能划分装置。图5是根据本申请一个实施例的基于多源数据的城市功能划分装置的结构示意图,如图5所示,该基于多源数据的城市功能划分装置包括:第一获取模块501、第二获取模块502、第三获取模块503、第一融合模块504和处理模块505,其中,
第一获取模块501,用于获取待划分网格区域内的用户到访数据特征向量。
第二获取模块502,用于获取待划分网格区域内的用户搜索数据特征向量。
第三获取模块503,用于获取待划分网格区域内的卫星图像特征向量。
融合模块504,用于将所述用户访问数据特征向量、所述用户搜索数据特征向量和所述卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量。
处理模块505,用于将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别。
在本申请的一个实施例中,第一获取模块501,具体用于:获取预设时间段内工作日在所述待划分网格区域进行到访的第一每小时到访平均数;获取所述预设时间段内周末在所述待划分网格区域进行到访的第二每小时到访平均数;根据多个所述第一每小时到访平均数和多个所述第二每小时到访平均数生成所述用户到访数据特征向量。
在本申请的一个实施例中,第二获取模块502,具体用于:获取所述待划分网格区域内各个用户在预设应用中的搜索记录;对所述搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对所述多个实体词进行转化处理生成所述用户搜索数据特征向量。
在本申请的一个实施例中,第三获取模块503,具体用于:获取所述待划分网格区域对应的卫星图像;通过预设图像处理算法对所述卫星图像进行处理生成所述卫星图像特征向量。
在本申请的一个实施例中,如图6所示,在如图5所示的基础上,还包括:第四获取模块506和划分模块507。
第四获取模块506,用于获取目标城市地图。
划分模块507,用于按照预设划分规则对所述目标城市地图进行划分生成多个待划分网格区域。
在本申请的一个实施例中,如图7所示,在如图5所示的基础上,还包括:第五获取模块508和生成模块509。
其中,第五获取模块508,用于获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本。
所述融合模块504,用于将所述用户到访数据特征向量样本、所述用户搜索数据特征向量样本和所述卫星图像特征向量样本输入到所述预设的多源多模融合网络进行处理生成融合特征向量样本。
生成模块509,用于将融合特征向量样本输入到分类函数进行训练生成所述预设分类器。
需要说明的是,前述对基于多源数据的城市功能划分方法实施例的解释说明也适用于该实施例的基于多源数据的城市功能划分装置,此处不再赘述。
综上,本申请实施例的基于多源数据的城市功能划分装置,通过获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的基于多源数据的城市功能划分的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的基于多源数据的城市功能划分的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的基于多源数据的城市功能划分的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于多源数据的城市功能划分的方法对应的程序指令/模块(例如,附图5所示的第一获取模块501、第二获取模块502、第三获取模块503、第一融合模块504和处理模块505)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于多源数据的城市功能划分的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于多源数据的城市功能划分的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至基于多源数据的城市功能划分的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于多源数据的城市功能划分的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与基于多源数据的城市功能划分的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
综上,本申请实施例的电子设备,通过获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;将融合特征向量输入预设分类器进行处理,输出与待划分网格区域对应的目标类别。解决了现有技术中城市功能划分不够准确的技术问题,通过将用户访问数据特征向量、用户搜索数据特征向量和卫星图像特征向量输入预设的多源多模融合网络进行融合生成融合特征向量后输入预设分类器进行处理,输出目标类别,提高了城市功能区域划分的准确性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种基于多源数据的城市功能划分方法,其特征在于,包括以下步骤:
获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量;
将所述用户访问数据特征向量、所述用户搜索数据特征向量和所述卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;
将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别。
2.如权利要求1所述的方法,其特征在于,所述获取待划分网格区域内的用户到访数据特征向量,包括:
获取预设时间段内工作日在所述待划分网格区域进行到访的第一每小时到访平均数;
获取所述预设时间段内周末在所述待划分网格区域进行到访的第二每小时到访平均数;
根据多个所述第一每小时到访平均数和多个所述第二每小时到访平均数生成所述用户到访数据特征向量。
3.如权利要求1所述的方法,其特征在于,所述获取待划分网格区域内的用户搜索数据特征向量,包括:
获取所述待划分网格区域内各个用户在预设应用中的搜索记录;
对所述搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对所述多个实体词进行转化处理生成所述用户搜索数据特征向量。
4.如权利要求1所述的方法,其特征在于,所述获取待划分网格区域内卫星图像特征向量,包括:
获取所述待划分网格区域对应的卫星图像;
通过预设图像处理算法对所述卫星图像进行处理生成所述卫星图像特征向量。
5.如权利要求1所述的方法,其特征在于,在所述获取待划分网格区域内的用户到访数据特征向量、用户搜索数据特征向量和卫星图像特征向量之前,还包括:
获取目标城市地图;
按照预设划分规则对所述目标城市地图进行划分生成多个待划分网格区域。
6.如权利要求1所述的方法,其特征在于,在将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别之前,还包括:
获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本;
将所述用户到访数据特征向量样本、所述用户搜索数据特征向量样本和所述卫星图像特征向量样本输入到所述预设的多源多模融合网络进行处理生成融合特征向量样本;
将所述融合特征向量样本输入到分类函数进行训练生成所述预设分类器。
7.一种基于多源数据的城市功能划分装置,其特征在于,包括:
第一获取模块,用于获取待划分网格区域内的用户到访数据特征向量;
第二获取模块,用于获取待划分网格区域内的用户搜索数据特征向量;
第三获取模块,用于获取待划分网格区域内的卫星图像特征向量;
融合模块,用于将所述用户访问数据特征向量、所述用户搜索数据特征向量和所述卫星图像特征向量输入预设的多源多模融合网络进行融合处理生成融合特征向量;
处理模块,用于将所述融合特征向量输入预设分类器进行处理,输出与所述待划分网格区域对应的目标类别。
8.如权利要求7所述的装置,其特征在于,所述第一获取模块,具体用于:
获取预设时间段内工作日在所述待划分网格区域进行到访的第一每小时到访平均数;
获取所述预设时间段内周末在所述待划分网格区域进行到访的第二每小时到访平均数;
根据多个所述第一每小时到访平均数和多个所述第二每小时到访平均数生成所述用户到访数据特征向量。
9.如权利要求7所述的装置,其特征在于,所述第二获取模块,具体用于:
获取所述待划分网格区域内各个用户在预设应用中的搜索记录;
对所述搜索记录进行预处理后得到多个实体词,通过预设的词嵌入方法对所述多个实体词进行转化处理生成所述用户搜索数据特征向量。
10.如权利要求7所述的装置,其特征在于,所述第三获取模块,具体用于:
获取所述待划分网格区域对应的卫星图像;
通过预设图像处理算法对所述卫星图像进行处理生成所述卫星图像特征向量。
11.如权利要求7所述的装置,其特征在于,还包括:
第四获取模块,用于获取目标城市地图;
划分模块,用于按照预设划分规则对所述目标城市地图进行划分生成多个待划分网格区域。
12.如权利要求7所述的装置,其特征在于,还包括:
第五获取模块,用于获取多个网格对应的用户到访数据特征向量样本、用户搜索数据特征向量样本和卫星图像特征向量样本;
所述融合模块,还用于将所述用户到访数据特征向量样本、所述用户搜索数据特征向量样本和所述卫星图像特征向量样本输入到所述预设多源多模融合网络进行处理生成融合特征向量样本;
生成模块,用于将所述融合特征向量样本输入到分类函数进行训练生成所述预设分类器。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841067.0A CN110659427A (zh) | 2019-09-06 | 2019-09-06 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841067.0A CN110659427A (zh) | 2019-09-06 | 2019-09-06 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110659427A true CN110659427A (zh) | 2020-01-07 |
Family
ID=69037999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910841067.0A Pending CN110659427A (zh) | 2019-09-06 | 2019-09-06 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659427A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563448A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN113392859A (zh) * | 2020-03-11 | 2021-09-14 | Tcl科技集团股份有限公司 | 一种确定城市功能区域的类型的方法及装置 |
CN114443967A (zh) * | 2022-04-08 | 2022-05-06 | 北京并行科技股份有限公司 | 一种相似应用推荐方法、计算设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951828A (zh) * | 2017-02-22 | 2017-07-14 | 清华大学 | 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 |
CN107463952A (zh) * | 2017-07-21 | 2017-12-12 | 清华大学 | 一种基于多模态融合深度学习的物体材质分类方法 |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109784404A (zh) * | 2019-01-16 | 2019-05-21 | 福州大学 | 一种融合标签信息的多标签分类原型系统及方法 |
-
2019
- 2019-09-06 CN CN201910841067.0A patent/CN110659427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951828A (zh) * | 2017-02-22 | 2017-07-14 | 清华大学 | 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 |
CN107463952A (zh) * | 2017-07-21 | 2017-12-12 | 清华大学 | 一种基于多模态融合深度学习的物体材质分类方法 |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109784404A (zh) * | 2019-01-16 | 2019-05-21 | 福州大学 | 一种融合标签信息的多标签分类原型系统及方法 |
Non-Patent Citations (1)
Title |
---|
宋伟刚: "《机器人技术基础》", 31 July 2015 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392859A (zh) * | 2020-03-11 | 2021-09-14 | Tcl科技集团股份有限公司 | 一种确定城市功能区域的类型的方法及装置 |
CN111563448A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN111563448B (zh) * | 2020-04-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN114443967A (zh) * | 2022-04-08 | 2022-05-06 | 北京并行科技股份有限公司 | 一种相似应用推荐方法、计算设备及存储介质 |
CN114443967B (zh) * | 2022-04-08 | 2022-07-08 | 北京并行科技股份有限公司 | 一种相似应用推荐方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726418B (zh) | 兴趣点区域确定方法、装置、设备及存储介质 | |
Huang et al. | Analytics of location-based big data for smart cities: Opportunities, challenges, and future directions | |
CN110659427A (zh) | 基于多源数据的城市功能划分方法、装置和电子设备 | |
CN109409612B (zh) | 一种路径规划方法、服务器及计算机存储介质 | |
CN106463056A (zh) | 用于高度定制的交互式移动地图的解决方案 | |
US20190034820A1 (en) | Method, system and program product for forecasted incident risk | |
CN115631418A (zh) | 图像处理方法、神经辐射场的训练方法和神经网络 | |
CN112000700A (zh) | 地图信息展示方法、装置、电子设备及存储介质 | |
CN112149637A (zh) | 用于生成目标再识别模型和用于目标再识别的方法和装置 | |
CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
CN111639253A (zh) | 一种数据判重方法、装置、设备及存储介质 | |
CN111563448A (zh) | 一种违章建筑物检测方法、装置、电子设备和存储介质 | |
CN111667095A (zh) | 预测经济状态、建立经济状态预测模型的方法及对应装置 | |
CN111666029A (zh) | 车机地图的操作方法、装置、设备和可读存储介质 | |
CN111523031A (zh) | 用于推荐兴趣点的方法和装置 | |
Marasinghe et al. | Computer vision applications for urban planning: A systematic review of opportunities and constraints | |
Zhang et al. | Monitoring and management of high-end tourism in protected areas based on 3D sensor image collection | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
CN113139118A (zh) | 停车场推荐方法、装置、电子设备和介质 | |
CN114925295A (zh) | 确定兴趣点的引导点的方法、相关装置及计算机程序产品 | |
Walter et al. | Measuring the wisdom of the crowd: How many is enough? | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Kovavisaruch et al. | Museum Layout Evaluation based on Visitor Statistical History | |
CN112085268B (zh) | 居民出行信息的测算方法、装置、设备和可读存储介质 | |
DE202017105015U1 (de) | Ausgabe von Inhalt auf der Basis von Interessen von anderen Benutzern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |