CN110766589A - 一种基于通信数据与兴趣点数据推断城市功能的方法 - Google Patents
一种基于通信数据与兴趣点数据推断城市功能的方法 Download PDFInfo
- Publication number
- CN110766589A CN110766589A CN201911032148.2A CN201911032148A CN110766589A CN 110766589 A CN110766589 A CN 110766589A CN 201911032148 A CN201911032148 A CN 201911032148A CN 110766589 A CN110766589 A CN 110766589A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- learning model
- area
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013499 data model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及城市规划领域，目的是提供一种基于通信数据与兴趣点数据推断城市功能的方法，本发明包括有将研究区划分区域、将多源时空大数据与划分地图叠加、获取步骤1中分割的每个区域内部特征的数量、选取训练模型的标签样本、建立深度学习模型，根据步骤4获得的标签样本对模型进行训练和城市功能可视化这6步对城市功能进行推断，便于对城市的未来规划，本发明具有实现简单，计算速度快，推断精度高，可视化效果好的优点。
Description
技术领域
本发明涉及城市规划领域，具体涉及一种基于通信数据与兴趣点数据推断城市功能的方法。
背景技术
城市是由多种复杂系统所构成的有机体，城市功能是城市存在的本质特征，是城市系统对外部环境的作用和秩序。城市功能区的推断对于了解复杂的城市结构，揭示城市的物理和社会特征至关重要。城市功能，通常理解为城市在国家和地区范围内的社会经济生活中所能发挥的作用，包括众多的功能区域，如行政区，经济区，住宅区等，城市功能是城市发展的驱动因素。因此，研究城市功能结构对促进城市的健康发展有重要的意义。但城市和城市化区域是复杂、动态和高度集成的系统，以各种方式将社会、生态和技术基础设施领域连接起来，为良好的治理、决策和规划带来深刻挑战，如何实现城市功能区域的划分推断，更加准确的了解城市功能系统，将复杂的城市转化为可视的城市功能系统，已经成为有关部门规划城市的重要途径之一。
人类社会已经进入大数据时代，传统的信息存储和传播媒介已逐渐为计算机所替代，并呈现出指数增长的趋势，成为21世纪最为重要的资源之一。人工智能技术的快速发展为大数据隐含信息的精准获取和有效整合应用能力提供了全新的策略，深度学习是人工智能技术中目前研究最火热的一种技术，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习能够得到很好地表示数据的特征，同时由于模型的层次、参数很多，因此，模型有能力表示大规模数据，能够在大规模训练数据上取得更好的效果。城市功能具有多样性、复杂性、无法直接根据数据推断的特点，因此需要利用与城市功能相关的大数据信息并结合人工智能深度学习的方法来对城市功能进行推断。
CN201810364960.4，一种基于城市功能混合度的测算方法及系统，该发明公开了一种基于城市功能混合度的测算方法，其包括：获取POI数据集，依据POI数据集中的类型信息进行城市功能分类；绘制城市道路线图层数据，并提取各道路中心点作为城市功能混合度的测算单元；提取各测算单元所在道路的相邻街区，构建各测算单元的城市功能混合度测算指标；建立功能混合度测算模型，并对各测算单元进行城市功能混合度的测算，但获取的POI数据无法与现实划分的地图进行叠加比对，无法使得城市功能可视化。
因此需要一种城市规划的方法，建立的模型有能力表示大规模数据，能够在大规模训练数据上取得更好的效果，城市功能具有多样性、复杂性、无法直接根据数据推断的特点，因此需要利用与城市功能相关的大数据信息并结合人工智能深度学习的方法来对城市功能进行推断。
发明内容
本发明目的在于提供一种基于通信数据与兴趣点数据推断城市功能的方法，采用动态的移动通信数据以及静态的城市兴趣点数据(Points of Interst，POI)，形成多源时空大数据模型；针对城市功能的特点，利用人工智能深度学习技术，根据所形成的多源时空大数据模型，对城市划分的区域进行功能推断，本发明具有实现简单，计算速度快，推断精度高，可视化效果好的优点；
为实现上述目的，本发明所采用的技术方案是：一种基于通信数据与兴趣点数据推断城市功能的方法：
S1:根据待研究城市区域的道路网，对所述待研究城市区域进行子区域划分,得到若干个子区域；
S2：将各个所述子区域内的通信统计数据和兴趣点统计数据作为多源时空大数据；
S3：将各个所述子区域内的所述多源时空大数据作为输入数据，输入至预先训练好的深度学习模型，而得到每个所述子区域对应的区域类型；
S4：根据每个所述子区域的区域类型，确定所述待研究城市区域的电子地图上所述子区域的显示样式，并在所述电子地图上显示各个所述子区域的显示样式。
通过采用上述技术方案，通过将研究区划分区域、将多源时空大数据与划分地图叠加、获取步骤1中分割的每个区域内部特征的数量、选取训练模型的标签样本、建立深度学习模型，根据步骤4获得的标签样本对模型进行训练和城市功能可视化这六步对城市功能进行推断，便于对城市的未来规划，本发明具有实现简单，计算速度快，推断精度高，可视化效果好的优点。
优选的，所述S2中，所述通信统计数据由不同时间段统计得到。
通过采用上述技术方案，对每天的不同时间段的通信数据的采集，使得得到的数据更加真实稳定，提高后续对城市功能的规划的准确率。
优选的，所述S3中,所述兴趣点统计数据包括兴趣点的特征类型的统计数据以及相应特征类型的数量统计数据。
通过采用上述技术方案，所述兴趣点统计数据并不单单只有兴趣点，还包括有具体的时间段，通过将时间段归纳到特定的区域特征时，能够将兴趣点与时间段结合起来。
优选的，在所述S3中，所述深度学习模型的训练过程：
S30:将已标注区域类型的子区域内获取的所述多源时空大数据作为标签样本，且每个所述区域类型的所述标签样本的数量一致；
S31:利用所述S30中的标签样本对初始的深度学习模型进行训练，计算并更新所述深度学习模型的网络参数；
S32：计算深度学习模型的损失函数，若损失函数满足条件，则训练完成；否则，进入S31，继续训练。
通过采用上述技术方案，根据相应的区域类型的数量,得到训练好的深度学习模型。
优选的，所述深度学习模型采用Relu函数作为激活函数，采用交叉熵作为损失函数，而且，所述损失函数采用dropout方法正则化。
通过采用上述技术方案，得到具体的所述深度学习模型的建立过程。
优选的，所述深度学习模型包括输入层、隐含层及输出层；其中，所述输入层神经元个数为15个，所述输出层神经元个数为5个，所述隐含层设置为3层，其每层神经元个数为64个。
通过采用上述技术方案，结合到具体的应用场景中,设置具体的输入、输出参数。
优选的，所述深度学习模型采用五折交叉验证方法训练，且利用混淆矩阵预测训练完成的所述深度学习模型的精度，若精度未到设定精度，则继续训练。
通过采用上述技术方案，得到所述深度学习模型的确定标准。
优选的，在所述S3中，当每个所述区域类型的所述标签样本数量不一致时，采用合成少数类过采样技术对所述标签样本数量进行扩充，使得每个所述区域类型的所述标签样本数量一致。
通过采用上述技术方案，保证所述S30进入到所述S31，得到所述深度学习模型。
本发明的有益效果是：获取通信数据与兴趣点数据，通过建立城市功能推断模型更好的表示数据的特征，模型有能力表示大规模的数据，能够在大规模训练数据上取得更好的效果。
附图说明
图1为本发明实施例中的深度学习模型的结构图；
图2为研究区域道路网络数据分割研究区域的结果图；
图3为本实施例中五类城市功能的分布情况图。
具体实施方式
下面结合本发明的附图1～3，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本实施中,请参照图1，S1:将研究区划分区域:获取研究区的城市道路网络数据，根据研究区大小状况选取合适的道路网例如五级道路网数据对研究区进行区域分割；S2：将多源时空大数据与划分地图叠加：获取研究区工作日及周末的通信数据，按照工作日0:00-2:00、工作日9:00-11:00、周末0:00-2:00和周末9:00-11:00的时间段统计数据，考虑到在不同的时间段,获取到的通信数据不同,例如,工作日0:00-2:00的时间段的通信数据,要比工作日9:00-11:00时间段获取的通信数据少,所述通信统计数据得到运营商建立的基站，在兴趣点附近的基站以及基站附近接入该基站网络的手机量，得到一定范围内的用户数量，即人群数量，并获取研究区兴趣点POI数据，所述兴趣点统计数据包括子区域内各个兴趣点对应特征类型的统计数据以及子区域内每一种特征类型的兴趣点数量的统计数据,分别为工业园区、公司企业、公园、购物、科研机构、建筑房产、教育学校、文化场馆、生活服务和旅游景点，这些数据则形成了多源时空大数据模型，将这些数据与研究区地图叠加起来，形成研究区数据叠加地图。
S3:获取步骤1中分割的每个区域内部特征的数量，根据步骤1中利用道路网络数据分割好的城市区域，结合研究区数据叠加地图，获取每个区域内部数据特征的数量，共15个特征，分别为区域面积，工作日0:00-2:00、工作日9:00-11:00、周末0:00-2:00、周末9:00-11:00、工业园区、公司企业、公园、购物、科研机构、建筑房产、教育学校、文化场馆、生活服务和旅游景点；S4:选取训练模型的标签样本：根据研究区实际情况，选取的区域类型例如5类区域类型，分别为综合居住，工业科技，生态旅游，金融商业，文化教育，从步骤3得到的数据中选取合适的标签样本，使5类区域类型样本数量一致，若无法使数量一致，则采用合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)对数据集进行扩充，以保证每类数据具有相同的训练数量，从而提高训练模型的精度。
S5:建立深度学习模型，根据步骤4获得的标签样本对模型进行训练:建立深度学习模型，深度神经网络包括输入层、隐含层及输出层，设置合适的模型参数，模型训练步骤如图1，将15个特征数据作为模型的输入，即输入层神经元个数为15，将区域类型作为输出，即输出层神经元个数为5，多次训练后选取最佳隐含层设置为3层，每层神经元个数为64，每层采用Relu函数作为激活函数，同时采用dropout方法及正则化的方法减少过拟合，采用交叉熵作为损失函数，利用混淆矩阵和正确率来判断模型的精度，根据步骤4获得的标签样本采用五折交叉验证法对模型进行训练，将五次训练的平均值作为模型的精度，以更好的判断研究结果，训练深度学习模型使其达到较高的精度，得到高精度的城市功能推断模型；S6：城市功能可视化：利用训练好的模型对整个研究区的所有分割区域的城市功能进行推断，并将其结果链接到地图上，实现城市功能的可视化，请参照图3。
值得说明的是,当此时已知所述研究区域内一个划分区域内有两个公园、两个教育学校和一个文化场馆，将上述特征进行输入，得到输出为文化教育的区域类型；将一个划分区域内有一个购物、两个建筑房产、一个公园和一个生活服务作为输入，所述城市功能推断模型输出为综合居住的区域类型，并在所述研究区域的划分地图上得到显示,在所述S4中，各个所述子区域的显示样式均不相同，通过所述显示样式颜色和形状进行区分。
综上所述，本发明的实施原理为：通过将研究区划分区域、将多源时空大数据与划分地图叠加、获取步骤1中分割的每个区域内部特征的数量、选取训练模型的标签样本、建立深度学习模型，根据步骤4获得的标签样本对模型进行训练和城市功能可视化这6步对城市功能进行推断，便于对城市的未来规划，本发明具有实现简单，计算速度快，推断精度高，可视化效果好的优点。
Claims (8)
1.一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，
S1:根据待研究城市区域的道路网，对所述待研究城市区域进行子区域划分,得到若干个子区域；
S2：将各个所述子区域内的通信统计数据和兴趣点统计数据作为多源时空大数据；
S3：将各个所述子区域内的所述多源时空大数据作为输入数据，输入至预先训练好的深度学习模型，而得到每个所述子区域对应的区域类型；
S4：根据每个所述子区域的区域类型，确定所述待研究城市区域的电子地图上所述子区域的显示样式，并在所述电子地图上显示各个所述子区域的显示样式。
2.根据权利要求1所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，所述S2中，所述通信统计数据由不同时间段统计得到。
3.根据权利要求2所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，所述S3中,所述兴趣点统计数据包括兴趣点的特征类型的统计数据以及相应特征类型的数量统计数据。
4.根据权利要求1所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，在所述S3中，所述深度学习模型的训练过程：
S30:将已标注区域类型的子区域内获取的所述多源时空大数据作为标签样本，且每个所述区域类型的所述标签样本的数量一致；
S31:利用所述S30中的标签样本对初始的深度学习模型进行训练，计算并更新所述深度学习模型的网络参数；
S32：计算深度学习模型的损失函数，若损失函数满足条件，则训练完成；否则，进入S31，继续训练。
5.根据权利要求4所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，所述深度学习模型采用Relu函数作为激活函数，采用交叉熵作为损失函数，而且，所述损失函数采用dropout方法正则化。
6.根据权利要求4所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，所述深度学习模型包括输入层、隐含层及输出层；其中，所述输入层神经元个数为15个，所述输出层神经元个数为5个，所述隐含层设置为3层，其每层神经元个数为64个。
7.根据权利要求4所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，所述深度学习模型采用五折交叉验证方法训练，且利用混淆矩阵预测训练完成的所述深度学习模型的精度，若精度未到设定精度，则继续训练。
8.根据权利要求4至7中任意一项所述的一种基于通信数据与兴趣点数据推断城市功能的方法，其特征在于，在所述S3中，当每个所述区域类型的所述标签样本数量不一致时，采用合成少数类过采样技术对所述标签样本数量进行扩充，使得每个所述区域类型的所述标签样本数量一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032148.2A CN110766589A (zh) | 2019-10-28 | 2019-10-28 | 一种基于通信数据与兴趣点数据推断城市功能的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032148.2A CN110766589A (zh) | 2019-10-28 | 2019-10-28 | 一种基于通信数据与兴趣点数据推断城市功能的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110766589A true CN110766589A (zh) | 2020-02-07 |
Family
ID=69334237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911032148.2A Pending CN110766589A (zh) | 2019-10-28 | 2019-10-28 | 一种基于通信数据与兴趣点数据推断城市功能的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766589A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382224A (zh) * | 2020-03-06 | 2020-07-07 | 厦门大学 | 一种基于多源数据融合的城市区域功能智能识别方法 |
| WO2023050955A1 (zh) * | 2022-06-01 | 2023-04-06 | 南京大学 | 一种基于功能混合度和集成学习的城市功能区识别方法 |
| US12033043B2 (en) | 2022-06-01 | 2024-07-09 | Nanjing University | Identification method of urban functional areas based on mixing degree of functions and integrated learning |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100240389A1 (en) * | 2009-03-18 | 2010-09-23 | Andrew Llc | System and method for locating mobile device in wireless communication network |
| CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
| CN107392463A (zh) * | 2017-07-18 | 2017-11-24 | 中国地质大学（武汉） | 一种城市功能区识别方法、模块、装置及其存储装置 |
| CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
| CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
| CN108876475A (zh) * | 2018-07-12 | 2018-11-23 | 青岛理工大学 | 一种基于兴趣点采集的城市功能区识别方法、服务器及存储介质 |
| CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
| CN110347777A (zh) * | 2019-07-17 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 一种兴趣点poi的分类方法、装置、服务器及存储介质 |
-
2019
- 2019-10-28 CN CN201911032148.2A patent/CN110766589A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100240389A1 (en) * | 2009-03-18 | 2010-09-23 | Andrew Llc | System and method for locating mobile device in wireless communication network |
| CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
| CN107392463A (zh) * | 2017-07-18 | 2017-11-24 | 中国地质大学（武汉） | 一种城市功能区识别方法、模块、装置及其存储装置 |
| CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
| CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
| CN108876475A (zh) * | 2018-07-12 | 2018-11-23 | 青岛理工大学 | 一种基于兴趣点采集的城市功能区识别方法、服务器及存储介质 |
| CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
| CN110347777A (zh) * | 2019-07-17 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 一种兴趣点poi的分类方法、装置、服务器及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 王健等: "《面向样本不平衡的故障特征提取方法》", 29 February 2016, 东北大学出版社 * |
| 王胜利: "深度学习在城市功能区域划分中的应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 董墨萱: "基于微信数据和兴趣点的城市功能区识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 陈学武等: "《城市低收入人群出行方式选择机理与交通发送策略》", 31 July 2018, 东南大学出版社 * |
| 高志强等: "《深度学习 从入门到实践》", 30 June 2018, 中国铁道出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382224A (zh) * | 2020-03-06 | 2020-07-07 | 厦门大学 | 一种基于多源数据融合的城市区域功能智能识别方法 |
| CN111382224B (zh) * | 2020-03-06 | 2022-06-21 | 厦门大学 | 一种基于多源数据融合的城市区域功能智能识别方法 |
| WO2023050955A1 (zh) * | 2022-06-01 | 2023-04-06 | 南京大学 | 一种基于功能混合度和集成学习的城市功能区识别方法 |
| US12033043B2 (en) | 2022-06-01 | 2024-07-09 | Nanjing University | Identification method of urban functional areas based on mixing degree of functions and integrated learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Minaei | Evolution, density and completeness of OpenStreetMap road networks in developing countries: The case of Iran | |
| Batty | Visualizing aggregate movement in cities | |
| Liu et al. | Exploring the relationship between functional urban polycentricity and the regional characteristics of human mobility: A multi-view analysis in the Tokyo metropolitan area | |
| CN114297532B (zh) | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 | |
| CN110766589A (zh) | 一种基于通信数据与兴趣点数据推断城市功能的方法 | |
| Lobsang et al. | Methodological framework for understanding urban people flow from a complex network perspective | |
| Xuan et al. | Research on correlation between spatial quality of urban streets and pedestrian walking characteristics in china based on street view big data | |
| Sun et al. | TZVis: Visual analysis of bicycle data for traffic zone division | |
| Li et al. | Construction of Smart City Street Landscape Big Data‐Driven Intelligent System Based on Industry 4.0 | |
| Day | From map to model: the development of an urban information system | |
| CN110084291A (zh) | 一种基于大数据极限学习的学生行为分析方法及装置 | |
| Stylianidis et al. | A GIS for urban sustainability indicators in spatial planning | |
| CN106844626B (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
| Li et al. | [Retracted] Application of Wireless Network Based on Artificial Intelligence in Network Teaching of Preschool Education Manual and Aesthetic Education Practical Course | |
| Machlis et al. | Maps and models for natural resource management: powerful tools from the social sciences | |
| Hogrebe | Adding geospatial perspective to research on schools, communities, and neighborhoods | |
| Li et al. | [Retracted] SM‐PageRank Algorithm‐Based User Interest Model for Mobile Smart Tourism Platform | |
| CN109308313A (zh) | 基于文化资源评价的资源富集区识别方法 | |
| Bao et al. | Spatial study of religion with spatial religion explorer | |
| Pumain | Geographical Modeling: Cities and Territories | |
| CN109446285B (zh) | 高校校园空间认知与活动的交互系统及方法、处理器 | |
| Lin et al. | Application of GIS in Campus Navigation | |
| Neyazi et al. | Urban Planning Information Systems and E-Government in Al-Madinah | |
| Bak et al. | Visual analytics for movement behavior in traffic and transportation | |
| Niu et al. | A novel optimal road layout model based on urban cloud data |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |