CN111966770A - 一种基于地理语义词嵌入的城市街道功能识别方法和系统 - Google Patents
一种基于地理语义词嵌入的城市街道功能识别方法和系统 Download PDFInfo
- Publication number
- CN111966770A CN111966770A CN202010705539.2A CN202010705539A CN111966770A CN 111966770 A CN111966770 A CN 111966770A CN 202010705539 A CN202010705539 A CN 202010705539A CN 111966770 A CN111966770 A CN 111966770A
- Authority
- CN
- China
- Prior art keywords
- street
- data
- word embedding
- city
- track
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于地理语义词嵌入的城市街道功能识别方法和系统,包括以下步骤:对研究区域内的出租车GPS轨迹数据和城市道路网络数据进行预处理,生成出租车载客轨迹数据和城市街道数据;通过所述城市街道数据和所述出租车载客轨迹数据,生成街道‑轨迹语料库;将所述街道‑轨迹语料库输入词嵌入模型,无监督训练所述词嵌入模型,训练结束后生成训练好的词嵌入模型;将所述街道‑轨迹语料库中的中心街道输入所述训练好的词嵌入模型,生成街道的特征向量。本发明充分考虑车辆GPS轨迹的基本细节和交通街道之间的拓扑关系,可以显著提高分类精度,同时具有鲁棒性和可移植性。
Description
技术领域
本发明涉及城市规划领域,尤其涉及一种基于地理语义词嵌入的城市街道功能识别方法和系统。
背景技术
近年来,城市建设区无序扩张所带来的土地资源低效利用已成为国家社会经济发展的重要问题。城市的科学发展不应该再继续追求人口增长和面积扩张,而是城市空间格局的优化。随着信息通信技术的普及和地理大数据的出现,人们希望能够对城市空间结构具有精细化和系统化的认知。在我国倡导的精细规划与管理的背景下,通过科学手段结合城市空间结构和人类活动对城市功能区域进行确定,提供可操作、科学合理的空间优化模型,成为数字城市研究的重要方向。
街道作为交通的载体和重要的城市公共空间,街道建设受到城市设计学者、城市规划与管理者的广泛关注。当下,我国的街道空间法生了巨大的变化。现代化的居民生活方式、移动出行模式和城市形态逐渐改变着街道空间活力和城市街道的多元功能。因此,在目前地理大数据的背景下,顾及城市居民出行模式,准确的识别和划分城市街道功能的方法成为当前城市化和城市可持续发展的必要参考条件。
在此前已有一些专家针对传统的街道功能识别方法做了相关研究,这些方法可以划分为基于统计调查的方法和基于模型的方法。其中,基于统计调查的方法结合调查统计和专家评判的方式进行划定,即在街道功能的划定过程中,基于实地调查统计结果,选择数名对城市有一定认识,具有较高代表性和权威性的专家进行评判。该方法通常具有较大的主观性,时间、人力和资金成本高;基于模型的方法在众源地理大数据的支持下,通过科学的数据分析和大数据挖掘方法对街道功能区域进行划定,提供可操作、科学合理的空间优化模型。众源地理数据具有数据量大,现势性强,来源丰富,成本低等优势。基于众源地理数据自下而上的采集特点,研究人员可以轻松获取城市范围的、海量丰富的、基于个人的时空信息,从而实现精细的地理分析与建模,为研究街道功能提供更好的服务。
本发明是基于模型方法的一种扩展方法。在以往空间优化模型研究的基础上,提出了一种基于地理语义词嵌入模型的城市街道功能识别方法。该方法利用词嵌入模型的无监督学习的特性,采用类比推理的方法,在提升识别结果的同时,使得建立模型更加简单。另外,本发明有效的结合出租车历史GPS轨迹数据和路网数据应用于城市街道功能评估的研究。充分挖掘隐藏与城市居民活动中的隐藏信息和路网结构中的拓扑特征,同时考虑车辆GPS轨迹中间记录的交通交互的基本细节,挖掘轨迹数据中的交通交互信息,可以显著提高识别精度。
发明内容
本发明提供了一种基于地理语义词嵌入的城市街道功能识别方法和系统,解决了现有技术中通常具有较大的主观性,时间、人力和资金成本高的问题。
本发明为解决其技术问题,提供了一种基于地理语义词嵌入的城市街道功能识别方法和系统,包括以下步骤:
S1、对研究区域内的出租车GPS轨迹数据和城市道路网络数据进行预处理,生成出租车载客轨迹数据和城市街道数据;
S2、通过所述城市街道数据和所述出租车载客轨迹数据,生成街道-轨迹语料库;
S3、将所述街道-轨迹语料库输入词嵌入模型,无监督训练所述词嵌入模型,训练结束后生成训练好的词嵌入模型;将所述街道-轨迹语料库中的中心街道输入所述训练好的词嵌入模型,生成街道的特征向量;
S4、将所述街道的特征向量和对应的街道功能输入随机森林模型进行训练,生成训练好的随机森林模型;
S5、将所述研究区域内的待识别的城市街道所对应的特征向量输入所述训练好的随机森林模型,生成研究区域内对应的街道功能。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别方法,步骤S1具体为:
S11、剔除所述出租车GPS轨迹数据中不在城市区域及无效的点数据;
S12、将进行剔除操作后的出租车GPS轨迹数据采取地图匹配算法匹配到相应的城市道路网络数据中,生成出租车载客轨迹数据;
S13、通过所述城市道路网络数据将城市的主要道路划分为街道,生成城市街道数据。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别方法,步骤S13中所述通过所述城市道路网络数据将城市的主要道路划分为街道具体为:
提取所述城市道路网络数据中的主要交通道路,并按照重要交通结点对所述主要交通道路进行划分,合并短距离街道,使街道长度都大于500米。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别方法,步骤S2具体为:
将所述城市街道数据类比为单词,将所述出租车载客轨迹数据类比为文档;所述街道-轨迹语料库由若干个出租车载客轨迹数据组成,每一个出租车载客轨迹数据为所述城市街道数据中的若干个连续、拓扑相连的街道数据集合。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别方法,步骤S3具体为:
S31、从所述街道-轨迹语料库中抽取若干个连续的街道数据集合,随机选取其中一条街道作为中心街道,将其他街道作为背景街道,通过中心街道预测背景街道,得到背景街道的预测概率;
S32、计算背景街道的真实概率值和预测概率的损失值,采用梯度下降的优化算法最大化损失函数,进行迭代计算训练词嵌入模型,具体方程式为:
S33、迭代结束,将中心街道输入训练好的词嵌入模型,选取神经网络的中间层的参数值集合作为所述训练好的词嵌入模型的输出,所述参数值集合是一系列实数值组成的集合,即作为所述中心街道的特征向量。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别方法,步骤S3中所述街道的特征向量包含丰富的城市空间上下文信息和交通交互信息,能表征出城市的街道功能。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别系统,包括以下模块:
数据预处理模块,用于对研究区域内的出租车GPS轨迹数据和城市道路网络数据进行预处理,生成出租车载客轨迹数据和城市街道数据;
街道-轨迹语料库生成模块,用于通过所述城市街道数据和所述出租车载客轨迹数据,生成街道-轨迹语料库;
嵌入向量生成模块,用于将所述街道-轨迹语料库输入词嵌入模型,无监督训练所述词嵌入模型,训练结束后生成训练好的词嵌入模型;将所述街道-轨迹语料库中的中心街道输入所述训练好的词嵌入模型,生成街道的特征向量;
随机森林训练模块,用于将所述街道的特征向量和对应的街道功能输入随机森林模型进行训练,生成训练好的随机森林模型;
街道功能生成模块,用于将所述研究区域内的待识别的城市街道所对应的特征向量输入所述训练好的随机森林模型,生成研究区域内对应的街道功能。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别系统,数据预处理模块具体包括以下子模块:
剔除子模块,用于剔除所述出租车GPS轨迹数据中不在城市区域及无效的点数据;
出租车载客轨迹数据生成子模块,用于将进行剔除操作后的出租车GPS轨迹数据采取地图匹配算法匹配到相应的城市道路网络数据中,生成出租车载客轨迹数据;
城市街道数据生成子模块,用于通过所述城市道路网络数据将城市的主要道路划分为街道,生成城市街道数据。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别系统,城市街道数据生成子模块中所述通过所述城市道路网络数据将城市的主要道路划分为街道具体为:
提取所述城市道路网络数据中的主要交通道路,并按照重要交通结点对所述主要交通道路进行划分,合并短距离街道,使街道长度都大于500米。
进一步的,本发明的一种基于地理语义词嵌入的城市街道功能识别系统,所述街道-轨迹语料库生成模块具体的作用为:
将所述城市街道数据类比为单词,将所述出租车载客轨迹数据类比为文档;所述街道-轨迹语料库由若干个出租车载客轨迹数据组成,每一个出租车载客轨迹数据为所述城市街道数据中的若干个连续、拓扑相连的街道数据集合。
与现有技术相比,本发明的有益效果在于:
1、本发明采用类比推理的方法,将城市道路网络数据中的元素(如街道、轨迹等)类比为自然语言处理中的语言元素(如单词、文档等),将神经网络语言模型用于城市街道功能评估的研究,具有较好的效益,同时能够批量化、自动化的进行城市街道功能识别;
2、本发明结合出租车GPS轨迹数据和城市道路网络数据应用于城市街道功能评估的研究,充分挖掘隐藏与城市居民活动中的隐藏信息和路网结构中的拓扑特征,同时考虑出租车GPS轨迹数据中间记录的交通交互的基本细节,挖掘轨迹数据中的交通交互信息,可以显著提高分类精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明的方法流程图;
图2为本发明中监督词嵌入模型的训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,其为本发明的方法流程图,本发明提出的一种地理语义词嵌入方法识别城市街道功能的方法,包括以下步骤:
S1、对研究区域内获取的出租车GPS轨迹数据和城市道路网络数据进行预处理;首先对出租车GPS轨迹数据进行预处理,剔除不在城市区域及无效的点数据,对出租车GPS轨迹数据采取地图匹配算法匹配到相应的城市道路网络数据中,得到20万条出租车载客轨迹数据,最后将城市的主要道路划分为街道;其中,本发明中,提取了研究区域内城市道路网络数据中的主要交通道路,并按照重要交通结点(例如十字路口,T型路口等)进行划分,合并短距离街道,使街道长度都>500m,将其划分为1514个街道。
S2、将所述城市街道数据类比为单词,生成基本的训练单元;同时,每一个出租车载客轨迹数据是由多个连续的、拓扑相连的街道数据组成的,因此将连续街道数据组成的出租车载客轨迹数据类比为文档,若干出租车载客轨迹数据构成街道-轨迹语料库;
S3、将所述街道-轨迹语料库作为基于Skip-Gram的词嵌入模型的输入,无监督地训练所述词嵌入模型,将所述城市道路网络数据中的每个街道特征化为特征向量,所述街道的特征向量包含丰富的城市空间上下文信息和交通交互信息,能表征出城市的街道功能;
S4、将所述街道的特征向量和对应的街道功能输入随机森林模型进行训练,生成训练好的随机森林模型;
S5、将所述研究区域内的待识别的城市街道所对应的特征向量输入所述训练好的随机森林模型,生成研究区域内对应的街道功能。
请参考图2,其为本发明中监督词嵌入模型的训练流程图,包括以下步骤:
S31、从步骤S2中构建的街道-轨迹语料库中抽取若干个连续的街道集合,随机选取其中一条街道作为中心街道,街道集合中的其他街道作为背景街道,通过中心街道预测背景街道,得到背景街道的预测概率,其概率值在0到1之间;
S32、计算背景街道的真实概率值和预测概率的损失值,采用梯度下降的优化算法最大化损失函数,进行迭代计算训练词嵌入模型,具体方程式为:
其中,I(θ)表示优化损失函数,E表示能量函数,E(vi,vj)=-(vi·vj),N表示表街道的数量,i表示第i个中心街道,s表示窗口大小,vi表示中心街道,表示背景街道;进行不断地迭代过程,进行相关参数优化;本发明中,窗口大小设置为6,向量维度设置为128,模型迭代次数设置为50;
S33、迭代结束,将中心街道输入训练好的词嵌入模型,选取神经网络的中间层的参数值集合作为所述训练好的词嵌入模型的输出,所述参数值集合是一系列实数值组成的集合,即作为所述中心街道的特征向量。
步骤S4中,随机森林模型对街道的特征向量和城市的部分街道功能进行随机抽样。假设Xij、,Yi是街道的特征向量和功能,N是训练数据集中路段的总数,M表示街道的特征向量的维度,K是每种城市土地利用类型的总数,随机森林算法使用装袋法,根据训练数据集的大小随机抽取n个m维(m<<M;n<<N)样本,本实例中N为1,514,K为3,M为128。
在不进行修剪操作的情况下,对这些选定的样本数据进行C树训练,在随机森林算法中,变量并非完全用于分割节点;而是仅选择部分变量以做出决策,使用这种方法,每个决策的相关性可以减少决策树的数量,从而提高每个决策树的分类准确性;此外,在训练过程之后,可以通过袋外(OOB)估计对决策树的误差求平均,从而计算出随机森林算法的泛化误差。已表明使用随机森林算法的模型克服了空间变量之间的多个相关问题,尤其是在高维拟合情况下。最后,将生成的多颗决策树组成随机森林,按照多棵树分类器投票决定最终分类结果,可以将街道的功能识别为得到最大投票数的功能。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,包括以下步骤:
S1、对研究区域内的出租车GPS轨迹数据和城市道路网络数据进行预处理,生成出租车载客轨迹数据和城市街道数据;
S2、通过所述城市街道数据和所述出租车载客轨迹数据,生成街道-轨迹语料库;
S3、将所述街道-轨迹语料库输入词嵌入模型,无监督训练所述词嵌入模型,训练结束后生成训练好的词嵌入模型;将所述街道-轨迹语料库中的中心街道输入所述训练好的词嵌入模型,生成街道的特征向量;
S4、将所述街道的特征向量和对应的街道功能输入随机森林模型进行训练,生成训练好的随机森林模型;
S5、将所述研究区域内的待识别的城市街道所对应的特征向量输入所述训练好的随机森林模型,生成研究区域内对应的街道功能。
2.根据权利要求1所述的一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,步骤S1具体为:
S11、剔除所述出租车GPS轨迹数据中不在城市区域及无效的点数据;
S12、将进行剔除操作后的出租车GPS轨迹数据采取地图匹配算法匹配到相应的城市道路网络数据中,生成出租车载客轨迹数据;
S13、通过所述城市道路网络数据将城市的主要道路划分为街道,生成城市街道数据。
3.根据权利要求2所述的一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,步骤S13中所述通过所述城市道路网络数据将城市的主要道路划分为街道具体为:
提取所述城市道路网络数据中的主要交通道路,并按照重要交通结点对所述主要交通道路进行划分,合并短距离街道,使街道长度都大于500米。
4.根据权利要求1所述的一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,步骤S2具体为:
将所述城市街道数据类比为单词,将所述出租车载客轨迹数据类比为文档;所述街道-轨迹语料库由若干个出租车载客轨迹数据组成,每一个出租车载客轨迹数据为所述城市街道数据中的若干个连续、拓扑相连的街道数据集合。
5.根据权利要求1所述的一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,步骤S3具体为:
S31、从所述街道-轨迹语料库中抽取若干个连续的街道数据集合,随机选取其中一条街道作为中心街道,将其他街道作为背景街道,通过中心街道预测背景街道,得到背景街道的预测概率;
S32、计算背景街道的真实概率值和预测概率的损失值,采用梯度下降的优化算法最大化损失函数,进行迭代计算训练词嵌入模型,具体方程式为:
S33、迭代结束,将中心街道输入训练好的词嵌入模型,选取神经网络的中间层的参数值集合作为所述训练好的词嵌入模型的输出,所述参数值集合是一系列实数值组成的集合,即作为所述中心街道的特征向量。
6.根据权利要求1所述的一种基于地理语义词嵌入的城市街道功能识别方法,其特征在于,步骤S3中所述街道的特征向量包含丰富的城市空间上下文信息和交通交互信息,能表征出城市的街道功能。
7.一种基于地理语义词嵌入的城市街道功能识别系统,其特征在于,包括以下模块:
数据预处理模块,用于对研究区域内的出租车GPS轨迹数据和城市道路网络数据进行预处理,生成出租车载客轨迹数据和城市街道数据;
街道-轨迹语料库生成模块,用于通过所述城市街道数据和所述出租车载客轨迹数据,生成街道-轨迹语料库;
嵌入向量生成模块,用于将所述街道-轨迹语料库输入词嵌入模型,无监督训练所述词嵌入模型,训练结束后生成训练好的词嵌入模型;将所述街道-轨迹语料库中的中心街道输入所述训练好的词嵌入模型,生成街道的特征向量;
随机森林训练模块,用于将所述街道的特征向量和对应的街道功能输入随机森林模型进行训练,生成训练好的随机森林模型;
街道功能生成模块,用于将所述研究区域内的待识别的城市街道所对应的特征向量输入所述训练好的随机森林模型,生成研究区域内对应的街道功能。
8.根据权利要求7所述的一种基于地理语义词嵌入的城市街道功能识别系统,其特征在于,数据预处理模块具体包括以下子模块:
剔除子模块,用于剔除所述出租车GPS轨迹数据中不在城市区域及无效的点数据;
出租车载客轨迹数据生成子模块,用于将进行剔除操作后的出租车GPS轨迹数据采取地图匹配算法匹配到相应的城市道路网络数据中,生成出租车载客轨迹数据;
城市街道数据生成子模块,用于通过所述城市道路网络数据将城市的主要道路划分为街道,生成城市街道数据。
9.根据权利要求8所述的一种基于地理语义词嵌入的城市街道功能识别系统,其特征在于,城市街道数据生成子模块中所述通过所述城市道路网络数据将城市的主要道路划分为街道具体为:
提取所述城市道路网络数据中的主要交通道路,并按照重要交通结点对所述主要交通道路进行划分,合并短距离街道,使街道长度都大于500米。
10.根据权利要求7所述的一种基于地理语义词嵌入的城市街道功能识别系统,其特征在于,所述街道-轨迹语料库生成模块具体的作用为:
将所述城市街道数据类比为单词,将所述出租车载客轨迹数据类比为文档;所述街道-轨迹语料库由若干个出租车载客轨迹数据组成,每一个出租车载客轨迹数据为所述城市街道数据中的若干个连续、拓扑相连的街道数据集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705539.2A CN111966770A (zh) | 2020-07-21 | 2020-07-21 | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705539.2A CN111966770A (zh) | 2020-07-21 | 2020-07-21 | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966770A true CN111966770A (zh) | 2020-11-20 |
Family
ID=73362962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010705539.2A Pending CN111966770A (zh) | 2020-07-21 | 2020-07-21 | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418674A (zh) * | 2020-11-24 | 2021-02-26 | 中国地质大学(武汉) | 基于城市多源数据的街道空间品质测度评价方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101277A1 (zh) * | 2015-12-14 | 2017-06-22 | 华南理工大学 | 一种基于互联网词频的城市认知地图生成方法 |
CN109916413A (zh) * | 2019-03-18 | 2019-06-21 | 华南师范大学 | 基于网格划分的道路匹配方法、系统、装置和存储介质 |
CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN110442715A (zh) * | 2019-07-31 | 2019-11-12 | 北京大学 | 一种基于多元大数据的综合城市地理语义挖掘方法 |
CN110555992A (zh) * | 2019-09-11 | 2019-12-10 | 中国矿业大学(北京) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 |
US20200050207A1 (en) * | 2018-08-09 | 2020-02-13 | GM Global Technology Operations LLC | Systems, apparatus, and methods for embedded encodings of contextual information using a neural network with vector space modeling |
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 |
-
2020
- 2020-07-21 CN CN202010705539.2A patent/CN111966770A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101277A1 (zh) * | 2015-12-14 | 2017-06-22 | 华南理工大学 | 一种基于互联网词频的城市认知地图生成方法 |
US20200050207A1 (en) * | 2018-08-09 | 2020-02-13 | GM Global Technology Operations LLC | Systems, apparatus, and methods for embedded encodings of contextual information using a neural network with vector space modeling |
CN109916413A (zh) * | 2019-03-18 | 2019-06-21 | 华南师范大学 | 基于网格划分的道路匹配方法、系统、装置和存储介质 |
CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
CN110442715A (zh) * | 2019-07-31 | 2019-11-12 | 北京大学 | 一种基于多元大数据的综合城市地理语义挖掘方法 |
CN110555992A (zh) * | 2019-09-11 | 2019-12-10 | 中国矿业大学(北京) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 |
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 |
Non-Patent Citations (4)
Title |
---|
YAO YAO等: "Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》, pages 2 - 3 * |
施晋等: "时空依赖的城市道路旅行时间预测", 《软件学报》, vol. 30, no. 3 * |
王胜利: "深度学习在城市功能区域划分中的应用研究", 《中国优秀硕士学位论文数据库》 * |
谷岩岩等: "基于多源数据的城市功能区识别及相互作用分析", 《武汉大学学报 (信息科学版)》, vol. 43, no. 7 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418674A (zh) * | 2020-11-24 | 2021-02-26 | 中国地质大学(武汉) | 基于城市多源数据的街道空间品质测度评价方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
Wang et al. | When will you arrive? estimating travel time based on deep neural networks | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN113724504B (zh) | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
CN113378891B (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
CN111382224B (zh) | 一种基于多源数据融合的城市区域功能智能识别方法 | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及系统 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN109389246B (zh) | 一种基于神经网络的交通工具目的地区域范围预测方法 | |
CN116628455A (zh) | 一种城市交通碳排放监测与决策支持方法及系统 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
CN116681176A (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Rasaizadi et al. | Short-term prediction of traffic state for a rural road applying ensemble learning process | |
CN111966770A (zh) | 一种基于地理语义词嵌入的城市街道功能识别方法和系统 | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
CN113298314A (zh) | 一种考虑动态时空相关性的轨道交通客流预测方法 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
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 |