CN111680576A - 一种基于自适应元胞算法的lulc预测方法 - Google Patents
一种基于自适应元胞算法的lulc预测方法 Download PDFInfo
- Publication number
- CN111680576A CN111680576A CN202010431882.2A CN202010431882A CN111680576A CN 111680576 A CN111680576 A CN 111680576A CN 202010431882 A CN202010431882 A CN 202010431882A CN 111680576 A CN111680576 A CN 111680576A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- algorithm
- lulc
- sensing data
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 74
- 230000001413 cellular effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 20
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000003915 air pollution Methods 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 14
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000008034 disappearance Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- XXBDWLFCJWSEKW-UHFFFAOYSA-N dimethylbenzylamine Chemical compound CN(C)CC1=CC=CC=C1 XXBDWLFCJWSEKW-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于自适应元胞算法的LULC预测方法，涉及机器学习技术领域。本发明所述的基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。本发明所述的技术方案，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
Description
技术领域
本发明涉及机器学习技术领域，具体而言，涉及一种基于自适应元胞算法的LULC预测方法。
背景技术
常规神经网络在处理长时间序列数据时会产生巨大的计算开销，而且会由于记忆能力无法得出最后的结果，在目前计算能力下，无法实现高效地对LULC的变化进行预测，因此如何准确高效地对LULC(the land-use/land-cover土地利用和土地覆盖)的变化进行预测仍然是个难题，尤其是对遥感数据的处理。
发明内容
本发明解决的问题是如何准确高效地对LULC的变化进行预测。
为解决上述问题，本发明提供一种基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。
本发明所述的基于自适应元胞算法的LULC预测方法，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
优选地，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类以将所述遥感数据转化为向量元组。
本发明所述的基于自适应元胞算法的LULC预测方法，通过贝叶斯算法对所述遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
优选地，所述将所述遥感数据转化为向量元组包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。
本发明所述的基于自适应元胞算法的LULC预测方法，将遥感数据转化为向量元组，有效提高了模型的预测精度。
优选地，所述对所述遥感数据分类包括：采用最大似然估计对遥感数据分类。
本发明所述的基于自适应元胞算法的LULC预测方法，通过采用最大似然估计对遥感数据分类，有效提高了模型的预测精度。
优选地，所述基将所述经分类的遥感数据与城市数据融合，形成融合数据包括：基于最大最小归一化算法将所述城市数据限定为一维城市数据，将所述一维向量与所述一维城市数据融合得到一维的时序序列数据。
本发明所述的基于自适应元胞算法的LULC预测方法，通过将一维向量与一维城市数据融合得到一维的时序序列数据，有效提高了模型的预测精度。
优选地，所述城市数据包括天气数据，经济数据和建筑数据。
本发明所述的基于自适应元胞算法的LULC预测方法，通过设置城市数据包括天气数据，经济数据和建筑数据，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
优选地，所述天气数据包括城市温度变化、城市空气污染和城市降雨分布，所述经济数据包括工业生产价值分布和居民消费分布，所述建筑数据包括建筑物平面数据、建筑物高度数据和建筑物表面纹理数据。
本发明所述的基于自适应元胞算法的LULC预测方法，通过设置天气数据，经济数据和建筑数据的具体数据项目，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
优选地，所述基于自适应元胞算法的LULC预测方法还包括：对所述融合数据归一化处理，根据归一化后的融合数据建模并进行测试。
本发明所述的基于自适应元胞算法的LULC预测方法，通过对融合数据归一化处理，根据归一化后的融合数据建模并进行测试，有效提高了模型的预测精度。
优选地，所述根据所述融合数据建模并进行测试具体包括：将所述融合数据分为训练集和测试集，根据所述训练集建立LSTM预测模型，根据所述测试集对所述LSTM预测模型进行测试。
本发明所述的基于自适应元胞算法的LULC预测方法，通过训练集建立LSTM预测模型，根据测试集对LSTM预测模型进行测试，避免了长序列依赖带来的梯度指数级变化导致的消失问题，具有高效的长时序序列数据的处理能力，有效提高了模型的预测精度。
优选地，所述对所述融合数据归一化处理包括：应用MMN归一化算法对所述融合数据归一化处理。
本发明所述的基于自适应元胞算法的LULC预测方法，通过MMN归一化算法对融合数据归一化处理，防止对后续的模拟和预测产生严重的影响，从而有效提高模型的预测精度。
附图说明
图1为本发明实施例所述的基于自适应元胞算法的LULC预测方法的流程图；
图2为本发明实施例所述的LSTM单元结构；
图3为本发明实施例所述的遗忘门结构；
图4为本发明实施例所述的输入门结构；
图5为本发明实施例所述的输出门结构。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
如图1所示，本发明提供一种基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。
具体地，在本实施例中，基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将遥感数据与城市数据融合，形成融合数据；根据融合数据建模并进行测试。其中，对遥感数据分类可以将遥感数据的RGB值转化成类别标签，将三维RGB数据转化为一维标签数据；遥感数据转化为一维向量后与城市数据融合，对该融合数据建模，模型既体现遥感数据特点，也综合了城市数据，因此能够将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，从而有效增加预测精度；LULC指the land-use/land-cover，即土地利用和土地覆盖。本实施例中，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且效增加了预测精度。
在本实施例中，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
优选地，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类，以将所述遥感数据转化为向量元组。
具体地，在本实施例中，采用贝叶斯算法对遥感数据分类以将遥感数据转化为向量元组。其中，贝叶斯算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快，因此将贝叶斯算法应用在对城市土地的利用和城市的覆盖情况进行预测，能够有效增加预测精度。本实施例中，通过贝叶斯算法对遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
在本实施例中，通过贝叶斯算法对所述遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。
优选地，所述将所述遥感数据转化为向量元组具体包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。
具体地，在本实施例中，将遥感数据转化为向量元组具体包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。其中，遥感数据有五个维度:包括二位位置坐标,三个RGB维度，在遥感数据转化为向量元组过程中，对遥感数据分类可以将遥感数据的RGB值转化成类别标签，将三维RGB数据转化为一维标签数据，从而实现一维类别数据替代三维RGB数据，三维遥感数据替代五维遥感数据，有效提高了模型的预测精度。本实施例中，通过将遥感数据转化为向量元组，有效提高了模型的预测精度。
在本实施例中，将遥感数据转化为向量元组，有效提高了模型的预测精度。
优选地，所述对所述遥感数据分类包括：采用最大似然估计对遥感数据分类。
具体地，在本实施例中，采用最大似然估计对所述遥感数据分类。其中，最大似然估计是一种统计方法，它用来求一个样本集的相关概率密度函数的参数。方法的基本思想是：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。最大似然估计的优点主要有：1.随着样本数量的增加，收敛性变好；2.比任何其他的迭代技术都简单，适合实用。本实施例中，通过采用最大似然估计对遥感数据分类，有效提高了模型的预测精度。
在本实施例中，通过采用最大似然估计对遥感数据分类，有效提高了模型的预测精度。
优选地，所述将所述经分类的遥感数据与城市数据融合，形成融合数据具体包括：基于最大最小归一化算法将所述城市数据限定为一维城市数据，将所述一维向量与所述一维城市数据融合得到一维的时序序列数据。
具体地，在本实施例中，基于自适应元胞算法将遥感数据转化为一维向量，将遥感数据与城市数据融合，形成融合数据具体包括：基于自适应元胞算法将遥感数据转化处理为一维向量，基于最大最小归一化算法将城市数据限定为一维城市数据，将一维向量与一维城市数据融合得到一维的时序序列数据。其中，基于自适应元胞算法，将遥感数据转化处理为一维向量，即对遥感数据分类可以将遥感数据的RGB值转化成类别标签，将三维RGB数据转化为一维标签数据；基于最大最小归一化算法将城市数据限定为一维城市数据，并将一维向量与一维城市数据融合得到一维的时序序列数据，相当于降低了模型的维度，因此有效提高了模型的预测精度。本实施例中，通过将一维向量与一维城市数据融合得到一维的时序序列数据，有效提高了模型的预测精度。
在本实施例中，通过将一维向量与一维城市数据融合得到一维的时序序列数据，有效提高了模型的预测精度。
优选地，所述城市数据包括天气数据，经济数据和建筑数据。
具体地，在本实施例中，城市数据包括天气数据，经济数据和建筑数据。本实施例中，通过设置城市数据包括天气数据，经济数据和建筑数据，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
在本实施例中，通过设置城市数据包括天气数据，经济数据和建筑数据，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
优选地，所述天气数据包括城市温度变化、城市空气污染和城市降雨分布，所述经济数据包括工业生产价值分布和居民消费分布，所述建筑数据包括建筑物平面数据、建筑物高度数据和建筑物表面纹理数据。
具体地，在本实施例中，天气数据包括城市温度变化、城市空气污染和城市降雨分布，经济数据包括工业生产价值分布和居民消费分布，建筑数据包括建筑物平面数据、建筑物高度数据和建筑物表面纹理数据。本实施例中，通过设置天气数据，经济数据和建筑数据的具体数据项目，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
在本实施例中，通过设置天气数据，经济数据和建筑数据的具体数据项目，提高了城市数据的适用广泛度，有效提高了模型的预测精度。
优选地，所述基于自适应元胞算法的LULC预测方法还包括对所述融合数据归一化处理，根据归一化后的融合数据建模并进行测试。
具体地，在本实施例中，基于自适应元胞算法的LULC预测方法还包括对融合数据归一化处理，根据归一化后的融合数据建模并进行测试。其中，自适应元胞算法的一个作用是规范化，分类得出的遥感数据取值范围都是相同的，但是城市数据的取值范围并不相同，这会对后续的模拟和预测产生严重的影响，由于遥感数据与城市数据融合，因此本实施例中对融合数据做归一化处理以提高模型的预测精度。本实施例中，通过对融合数据归一化处理，根据归一化后的融合数据建模并进行测试，有效提高了模型的预测精度。
在本实施例中，通过对融合数据归一化处理，根据归一化后的融合数据建模并进行测试，有效提高了模型的预测精度。
优选地，所述根据所述融合数据建模并进行测试具体包括：将所述融合数据分为训练集和测试集，根据所述训练集建立LSTM预测模型，根据所述测试集对所述LSTM预测模型进行测试。
具体地，在本实施例中，根据融合数据建模并进行测试具体包括：将融合数据分为训练集和测试集，根据训练集建立LSTM预测模型。其中，LSTM是改进版的RNN模型，由于RNN的传播算法在处理长时间序列的数据时往往会使得梯度消失，模型准确率极低，对于解决梯度消失和爆炸，LSTM即长短记忆神经网络模型有较佳的效果。LSTM以改进隐藏状态传播方式解决RNN存在的问题，LSTM变成了简单的线性组合，解决了时间序列长依赖带来的指数级梯度问题。本实施例中，使用LSTM作为模型的基础，LSTM是RNN的改进算法，避免了长序列依赖带来的梯度指数级变化导致的消失问题，具有高效的长时序序列数据的处理能力。
在本实施例中，通过训练集建立LSTM预测模型，避免了长序列依赖带来的梯度指数级变化导致的消失问题，具有高效的长时序序列数据的处理能力，有效提高了模型的预测精度。
优选地，所述对所述融合数据归一化处理包括：应用MMN归一化算法对所述融合数据归一化处理。
具体地，在本实施中，对融合数据归一化处理包括：应用MMN归一化算法对融合数据归一化处理，MMN归一化后的数值限制在[-1,1]区间，而且归一化后的样本集消除了奇异样本数据对处理过程的影响，同时保证了处理过程有更快的收敛速度，因此能够对融合数据有效归一，防止对后续的模拟和预测产生严重的影响，从而有效提高模型的预测精度。
在本实施例中，通过MMN归一化算法对融合数据归一化处理，防止对后续的模拟和预测产生严重的影响，从而有效提高模型的预测精度。
以下提供基于本发明的融合数据的形成方法，包括获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量，即(1)基于自适应元胞算法的数据预处理；以及将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试，即(2)LSTM模拟预测模型。
(1)基于自适应元胞算法的数据预处理
遥感数据经过最大似然估计分类处理后，和城市数据共同作为自适应元胞算法的输入，在经历规范形式化后，转化成向量元组，可直接作为LSTM深度学习模型的输入进行后续LULC变化的模拟和预测。
最大似然估计是一种最有效，广泛的遥感数据分类方法。遥感数据有五个维度:包括二位位置坐标(x,y),三个RGB维度。原始的遥感数据zt可以表示为集合{x,y,Rxy,Gxy,Bxy}。假设有一组类c＝{c1,c2.....cn}，每个类ci包含一定数量的具有先验知识的遥感数据。其他可被观测到的遥感数据集可以表示为s＝{s1,s2....sn}。根据贝叶斯概率公式，没有先验知识的遥感数据的类别概率可计算为：
p(ci|si)表示遥感数据si属于类别ci的概率。已知si和ci的概率，p(si|ci)的概率可由每个ci的概率密度函数计算得出。由上述公式计算出p(ci|si)后，则可以将遥感数据si的RGB值转化成类别标签。即假设
属于类别ca，则si可表示为{xi,yi,a}，三维RGB数据转化为一维标签数据。
遥感数据在经过上述分类处理后和城市数据作为自适应元胞算法的输入，规范化处理成向量元组。假设分类后的遥感数据矩阵的大小为a*b，矩阵中第i行j列元素表示为xij。xij的值为最大似然估计中的类cl。定义一个矩阵G：
矩阵G作为自适应元胞算法的结果矩阵。矩阵的元素y由已分类的遥感数据生成。y值的计算方法如下：矩阵M的元素重新分组，每组的数量为
矩阵元素的分组规则如下，元素组Xpq的元素需要满足以下特点：
分析每个元素组的元素，总结每个组的特征。其中D(cl,Xpq)表示组Xpq之外的值为cl的元素。函数F(cl,Xpq)用来计算值为cl的元素的个数。矩阵G中ypq的值为ck，是元素组Xpq中数量最多的元素。每组的模式采用筛选，组合成新的矩阵G。总的来说就是将分类后的遥感数据矩阵转化成矩阵G
D(cl,Xpq)＝{xij|xij＝cl,xij∈Xpq}
ypq＝ck,(F(ck,Xpq)＝max{F(c1,Xpq),..F(cn,Xpq)})；
矩阵G必须在保留原有遥感数据的特征下转化成时间序列向量，以此来满足预测的要求。以ypq为中心块，其邻居块可被计算为：
vpqt＝{yτω|p-Nnn≤τ≤p+Nnn
q-Nhn≤ω≤q+Nhn,yτω∈G}；
矩阵G中，每个元素垂直范围[-Nnn,Nnn]和竖直范围[-Nnn,Nnn]内的元素都叫做该元素的邻居。如果p,q表示的索引超出了矩阵的范围，则对应的ypq值赋值为默认值。矩阵G被转化成
的新矩阵vpqt在t时刻。
除了遥感数据，城市数据也被考虑在内，假设在时刻t,城市区域天气数据为{γwt1,γwt2,....}，经济数据为{γet1,γet2,....}，建筑数据为{γct1,γct2,....}。这些数据和遥感数据合并成一个向量：
自适应蜂窝的另一个作用是规范化，分类得出的遥感数据取值范围都是相同的，但是城市数据的取值范围并不相同。这会对后续的模拟和预测产生严重的影响，为了解决这个问题，需要对城市数据做归一化处理，本算法用到的是MMN的归一化算法。例如城市区域相关数据的归一化公式：
(2)LSTM是改进版的RNN模型，然而RNN的传播算法在处理长时间序列的数据时往往会使得梯度消失，模型准确率极低，为了解决梯度消失和爆炸，长短记忆神经网络模型因此被提出。LSTM从改进隐藏状态传播方式解决RNN存在的问题。LSTM变成了简单的线性组合，解决了时间序列长依赖带来的指数级梯度问题。
LSTM模型与RNN模型的不同点在于隐藏层神经元即记忆单元内部的结构。LSTM结构中最核心最为重要的思想就是细胞状态(Cell State)。细胞状态是数据流线性操作得出的结果，避免了长序列依赖带来的梯度指数级变化导致的消失问题。数据流经过隐藏层记忆单元时，记忆单元对数据进行一系列的操作来决定细胞状态舍弃哪一部分旧信息，保留增加哪一部分信息。
结合图2所示，对细胞状态的信息量进行增减控制的结构称之为门，LSTM单元结构中包含三个门：输入门、输出门、遗忘门。
结合图3所示，细胞遗忘哪些信息由遗忘门来决定。遗忘门的输入为上一时刻的细胞状态(Ct-1)、当前时刻的样本输入(Xt)和细胞输出值(Ht-1)。上一时刻的细胞输出值(Ht-1)和当前样本输入(Xt)经过一个Sigmoid函数得出一个介于0和1之间的值，该值和上一时刻的细胞状态相乘来确定保留(舍弃)多少信息。(结果为0表示全丢弃，结果为1表示全保留)
ft＝σ(Wf*[Ht-1,Xt]+bf) (1)
结合图4所示，输入门决定细胞状态需要增加保存哪些信息。输入门的输入为上一时刻的细胞状态输出，当前时刻的样本输入，ft和Ct-1相乘的结果。上一时刻的细胞输出值和当前时刻样本输入并行经过一个Sigmoid函数和一个Tanh函数。经过Sigmoid函数得出的结果为介于0和1的值决定需要增加多少新的信息。经过Tanh函数得出的结果将要保留到细胞状态的候选信息。两个函数的结果相乘得出细胞状态增加的信息。输入门和遗忘门的结果相加得出细胞状态。
it＝σ(Wi*[Ht-1,Xt]+bi) (2)
结合图5所示，输出门决定了记忆单元的输出值(Ht)。输出门的输入为当前更新得到的细胞状态、上一时刻细胞输出、当前时刻的样本输入。首先上一时刻的细胞输出值和当前时刻的样本输入作经过一个Sigmoid函数，得出的结果决定记忆单元输出细胞状态的哪些部分。然后将细胞状态通过一个Tanh函数将细胞状态的值规范到-1到1之间。最后把两个函数输出的结果相乘得出细胞的输出。
Ht＝σ(Wh*[Ht-1,Xt]+bh)*Tanh(Ct) (5)
作为验证，将本方法应用于对武汉1984年至2016年的LULC变化预测。实验结果优于传统的LULC变化预测方法，其中本方法的准确度达到了93.1％,比贪心算法对LULC的预测准确度高出29.95％，比BDMA算法高出8.27％。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种基于自适应元胞算法的LULC预测方法，其特征在于，包括：
获取遥感数据；
对所述遥感数据分类；
基于自适应元胞算法将经分类的遥感数据转化为一维向量；
将所述经分类的遥感数据与城市数据融合，形成融合数据；
根据所述融合数据建模并进行测试。
2.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类，以将所述遥感数据转化为向量元组。
3.根据权利要求2所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述将所述遥感数据转化为向量元组包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。
4.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述对所述遥感数据分类包括：采用最大似然估计对所述遥感数据分类。
5.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述将所述经分类的遥感数据与城市数据融合，形成融合数据包括：
基于最大最小归一化算法将所述城市数据限定为一维城市数据，将所述一维向量与所述一维城市数据融合得到一维的时序序列数据。
6.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述城市数据包括天气数据，经济数据和建筑数据。
7.根据权利要求6所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述天气数据包括城市温度变化、城市空气污染和城市降雨分布，所述经济数据包括工业生产价值分布和居民消费分布，所述建筑数据包括建筑物平面数据、建筑物高度数据和建筑物表面纹理数据。
8.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，还包括：
对所述融合数据归一化处理，根据归一化后的融合数据建模并进行测试。
9.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述根据所述融合数据建模并进行测试包括：
将所述融合数据分为训练集和测试集，根据所述训练集建立LSTM预测模型，根据所述测试集对所述LSTM预测模型进行测试。
10.根据权利要求8所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述对所述融合数据归一化处理包括：
应用MMN归一化算法对所述融合数据归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431882.2A CN111680576A (zh) | 2020-05-20 | 2020-05-20 | 一种基于自适应元胞算法的lulc预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431882.2A CN111680576A (zh) | 2020-05-20 | 2020-05-20 | 一种基于自适应元胞算法的lulc预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111680576A true CN111680576A (zh) | 2020-09-18 |
Family
ID=72433697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431882.2A Pending CN111680576A (zh) | 2020-05-20 | 2020-05-20 | 一种基于自适应元胞算法的lulc预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680576A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117049532A (zh) * | 2023-10-11 | 2023-11-14 | 河北华运鸿业化工有限公司 | 一种制备固体氟化石墨的方法、系统和设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991497A (zh) * | 2019-11-15 | 2020-04-10 | 同济大学 | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 |
-
2020
- 2020-05-20 CN CN202010431882.2A patent/CN111680576A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991497A (zh) * | 2019-11-15 | 2020-04-10 | 同济大学 | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 |
Non-Patent Citations (1)
| Title |
|---|
| LIN MU等: "Urban Land Use and Land Cover Change Prediction via Self-Adaptive Cellular Based Deep Learning With Multisourced Data" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117049532A (zh) * | 2023-10-11 | 2023-11-14 | 河北华运鸿业化工有限公司 | 一种制备固体氟化石墨的方法、系统和设备 |
| CN117049532B (zh) * | 2023-10-11 | 2024-01-23 | 河北华运鸿业化工有限公司 | 一种制备固体氟化石墨的方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
| CN107180426B (zh) | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 | |
| CN108564029A (zh) | 基于级联多任务学习深度神经网络的人脸属性识别方法 | |
| CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
| CN105488528A (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
| CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN112308115A (zh) | 一种多标签图像深度学习分类方法及设备 | |
| CN109886342A (zh) | 基于机器学习的模型训练方法和装置 | |
| CN114782761B (zh) | 基于深度学习的智能仓储物料识别方法和系统 | |
| CN113297429A (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN115905855A (zh) | 一种改进的元学习算法MG-Reptile | |
| CN114120045B (zh) | 一种基于多门控混合专家模型的目标检测方法和装置 | |
| CN103559642A (zh) | 基于云计算的金融数据挖掘方法 | |
| CN114462670A (zh) | 一种基于lstm模型的用电量预测方法 | |
| CN111680576A (zh) | 一种基于自适应元胞算法的lulc预测方法 | |
| CN111584010B (zh) | 一种基于胶囊神经网络和集成学习的关键蛋白质识别方法 | |
| CN117590173A (zh) | 一种基于卷积神经网络的电缆局部放电模式识别方法 | |
| CN117253093A (zh) | 一种基于深度特征和图注意力机制的高光谱影像分类方法 | |
| CN115761654B (zh) | 一种车辆重识别方法 | |
| CN115273645B (zh) | 一种室内面要素自动聚类的地图制图方法 | |
| CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
| CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 | |
| Cho et al. | Data clustering method using efficient fuzzifier values derivation |
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 |
Application publication date: 20200918 |