CN112364776A - 一种城市功能区识别模型建立、分类方法及装置 - Google Patents

一种城市功能区识别模型建立、分类方法及装置 Download PDF

Info

Publication number
CN112364776A
CN112364776A CN202011260300.5A CN202011260300A CN112364776A CN 112364776 A CN112364776 A CN 112364776A CN 202011260300 A CN202011260300 A CN 202011260300A CN 112364776 A CN112364776 A CN 112364776A
Authority
CN
China
Prior art keywords
data
remote sensing
vector matrix
functional area
determining
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
Application number
CN202011260300.5A
Other languages
English (en)
Inventor
阎继宁
王力哲
陈晨
邓泽
陈小岛
陈云亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202011260300.5A priority Critical patent/CN112364776A/zh
Publication of CN112364776A publication Critical patent/CN112364776A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种城市功能区识别模型建立、分类方法及装置，涉及城市功能区分类技术领域。本发明所述的城市功能区识别模型建立方法，包括：获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。本发明所述的技术方案，通过遥感影像数据这一图像模态数据和用户访问数据这一文本模态数据进行城市功能区的分类，有效提高了城市功能区分类的准确率。

Description

一种城市功能区识别模型建立、分类方法及装置
技术领域
本发明涉及城市功能区分类技术领域，具体而言，涉及一种城市功能区识别模型建立、分类方法及装置。
背景技术
遥感影像已广泛应用于地球表面土地覆被、大气质量、气温反演等相关研究，在城市地理学中，主要使用遥感影像提取城市土地利用类型，用于研究城市建成区扩张、城市内部土地利用变化、城市建成区对非建成区的胁迫等。
现有技术大多基于遥感影像数据这一单模态数据得到城市功能区的分类，在单模态的数据中，遥感图像信息丰富，可以反应地物的实际特征，但由于缺乏地理区域功能作用的语义信息，单纯的遥感图像在功能区分类方面有一定的限制，存在信息不全面分类准确率低的问题。
发明内容
本发明解决的问题是遥感图像数据信息不全面分类准确率低。
为解决上述问题，本发明提供一种城市功能区识别模型建立方法，包括：获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。
本发明所述的城市功能区识别模型建立方法，通过遥感影像数据这一图像模态数据和用户访问数据这一文本模态数据进行城市功能区的分类，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
优选地，所述根据所述遥感影像数据确定概率特征包括：通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征，其中，所述概率特征为遥感影像在功能区分类时的概率特征。
本发明所述的城市功能区识别模型建立方法，通过卷积神经网络对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
优选地，所述通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征包括：根据所述遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出所述遥感影像在功能区分类时的所述概率特征。
本发明所述的城市功能区识别模型建立方法，通过Resnet50算法对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
优选地，所述根据所述用户访问数据确定向量矩阵数据包括：对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据，其中，所述出行特征包括每个时间段的总人数和平均人数。
本发明所述的城市功能区识别模型建立方法，通过对用户访问数据进行出行特征的提取确定向量矩阵数据，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
优选地，所述对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据包括：获取文件中所有用户的所有访问日期，其中，所述文件为对应区域的遥感图像对应的文本文件；对所述访问日期分类，统计不同日期类别下各时间点的人数数据，将所述人数数据转换为向量矩阵，以确定所述向量矩阵数据。
本发明所述的城市功能区识别模型建立方法，通过将不同日期类别下各时间点的人数数据转换为向量矩阵，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
优选地，所述根据所述概率特征和所述向量矩阵数据确定双模态训练数据集包括：将所述概率特征和所述向量矩阵数据融合为新的向量矩阵，以所述新的向量矩阵作为所述双模态训练数据集。
本发明所述的城市功能区识别模型建立方法，通过将概率特征和向量矩阵数据融合为新的向量矩阵，以新的向量矩阵作为双模态训练数据集，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
本发明还提供一种城市功能区分类方法，包括：获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定所述概率特征，根据所述用户访问数据确定所述向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定初始输入数据；将所述初始输入数据输入根据如上所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。所述城市功能区分类方法与上述城市功能区识别模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明还提供一种城市功能区识别模型建立装置，包括：获取模块，用于获取遥感影像数据和用户访问数据；第一处理模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；第二处理模块，用于根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；训练模块，用于根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。所述城市功能区识别模型建立装置与上述城市功能区识别模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明还提供一种城市功能区分类装置，包括：数据获取模块，用于获取遥感影像数据和用户访问数据；第一确定模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；第二确定模块，用于根据所述概率特征和所述向量矩阵数据确定初始输入数据；分类模块，用于将所述初始输入数据输入根据如上所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。所述城市功能区分类装置与上述城市功能区分类方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的城市功能区识别模型建立方法或城市功能区分类方法。所述计算机可读存储介质与上述城市功能区识别模型建立方法或城市功能区分类方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
图1为本发明实施例所述的城市功能区识别模型建立方法示意图；
图2为本发明实施例所述的城市功能区分类的算法流程图；
图3为本发明实施例所述的居住区不同时间的用户访问频率统计图；
图4为本发明实施例所述的学校不同时间的用户访问频率统计图；
图5为本发明实施例所述的工业区不同时间的用户访问频率统计图；
图6为本发明实施例所述的火车站不同时间的用户访问频率统计图；
图7为本发明实施例所述的飞机场不同时间的用户访问频率统计图；
图8为本发明实施例所述的公园不同时间的用户访问频率统计图；
图9为本发明实施例所述的购物区不同时间的用户访问频率统计图；
图10为本发明实施例所述的行政区不同时间的用户访问频率统计图；
图11为本发明实施例所述的医院不同时间的用户访问频率统计图；
图12为本发明实施例所述的工作日各功能区用户访问频率的对比图；
图13为本发明实施例所述的周末各功能区用户访问频率的对比图；
图14为本发明实施例所述的节假日各功能区用户访问频率的对比图。
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，本发明实施例提供一种城市功能区识别模型建立方法，包括：获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。
具体地，在本实施例中，城市功能区识别模型建立方法包括：获取遥感影像数据和用户访问数据，即获取图像模态数据和文本模态数据；根据遥感影像数据确定概率特征，根据用户访问数据确定向量矩阵数据；根据概率特征和向量矩阵数据确定双模态训练数据集；根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。在遥感影像方面，使用机器学习算法或者区域分割方法对城市功能区进行划分，由于遥感影像(对应图像模态数据)反应的是地物的实际特征，缺乏与人活动相关的语义信息，因此单纯的遥感影像在识别功能区方面效果并不理想。在语义数据(文本模态数据)方面，广泛使用的有社交媒体数据、POI数据等，通过数据挖掘等方法提取语义信息，语义信息可以反应出城市中人的行为规律背后所体现的城市功能，但是由于功能区是人的活动与城市地域空间的结合，因此单纯的人的活动特征无法探索功能区的实际分布。因此本实施例将图像模态数据和文本模态数据进行结合，综合城市功能区的地物特征和与人相关的功能特征，得到更为准确的分类准确率。通过遥感影像数据这一图像模态数据和用户访问数据这一文本模态数据进行城市功能区的分类，综合城市功能区的地物特征和与人相关的功能特征，有效提高了分类的准确率。
其中，结合图2所示，算法流程包括：建模理论基础及数据处理、实验的比较和评价以及实验结果分析和应用，不同的的模型包括LightGBM、XGBoost、SVM等，比较各算法的在不同参数下的准确率、训练时间。综合分类准确率与训练时间，选择LightGBM算法。
其中，本实施例基于图像和文本两个模态的数据建立功能区识别模型，遥感影像数据对应图像模态数据，用户访问数据对应文本模态数据。
对于遥感影像数据，训练时具有40000张卫星图像，每个图像的像素大小为100*100。根据遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出遥感影像在功能区分类时的概率特征，在迭代次数为40时得到分类准确率的最大值69.65％，以获取图像模态数据的特征。
其中，用户访问数据由包含用户信息及访问时间信息的用户行为数据统计而来，具体如下：
对于用户访问数据，训练时具有40000个文件，每个文件记录用户的用户名及其访问时间。用户行为数据含有的信息丰富，有大量用户信息及访问时间信息。人的活动及出行在时间上具有一定的特点，据此可对数据中时间与出现频次的信息进行研究，从而判断出功能区的类别。例如：大部分人在工作日时早上出行以上班、上学为主，起始地点一般为居住区，目的地点为学校、工业园区、行政区等；晚上出行的起始地点与目的地点则相反。休息日出行的主要目的是购物、休闲、娱乐，因此公园、购物区的用户访问频率会相对增加。
结合图3至图11所示，展示了各功能区不同时间的用户访问频率统计图，分别为居住区、学校、工业区、火车站、飞机场、公园、购物区、行政区和医院，上述图中festivals为数据中出现的节假日，workday为数据中出现的工作日，weekend为数据中出现的周末。由上述图可知，不同功能区在不同的时间出现的人的数量有很大的差异。(图3至图14中，横轴time为一天的时间，纵轴number of people为人数)
通过观察数据可得，人们的出行具有一定的规律性，在8时-18时的时间段中，居住区中工作日的人数明显小于普通周末的人数，而在节假日中在居住区的人数更少。而在学校区域，工作日与普通周末的人数要明显高于节假日时的人数，工业区也同样出现在工作日人数明显高于周末与节假日的人数的现象。
另外，在0时-5时的时间段中，虽然在夜间使用社交网络的人数有所减少，但仍能在其中观察到不同类别功能区人数的不同。居住区、医院等区域夜间统计到的人数要多于行政区、购物区等区域的人数，学校中工作日和普通周末的人数与节假日的人数差别较大。
结合图12至图14所示，展示了不同时间的各功能区用户访问频率的对比图，分别为工作日、周末和节假日，上述图中趋势线分别表示居住区、学校、工业区、火车站、飞机场、公园、购物区、行政区和医院。由上述图可知，在同一时间段，不同功能区之间的差异较大。
上述功能区之间差异的背后反映的是人们出行目的的不同，也就是人们去往的目的地——城市中功能区的差异。为将从数据中观察到的特征使用机器学习算法得到良好的预测分类，应将不规则、冗杂的数据通过统计学方法转化为规则、突出数据特征、可作为机器学习算法的输入部分的数据。
在本实施例中，通过遥感影像数据这一图像模态数据和用户访问数据这一文本模态数据进行城市功能区的分类，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
可选地，所述根据所述遥感影像数据确定概率特征包括：通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征，其中，所述概率特征为遥感影像在功能区分类时的概率特征。
具体地，在本实施例中，根据遥感影像数据确定概率特征包括：通过卷积神经网络对遥感影像数据进行训练，以确定概率特征，其中，所述概率特征为遥感影像在功能区分类时的概率特征。对于遥感影像数据，训练时具有40000张卫星图像，每个图像的像素大小为100*100。根据遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出遥感影像在功能区分类时的概率特征，在迭代次数为40时得到分类准确率的最大值69.65％，以获取图像模态数据的特征。通过卷积神经网络对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
在本实施例中，通过卷积神经网络对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
可选地，所述通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征包括：根据所述遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出所述遥感影像在功能区分类时的所述概率特征。
具体地，在本实施例中，通过卷积神经网络对遥感影像数据进行训练，以确定概率特征包括：根据遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出遥感影像在功能区分类时的概率特征。通过Resnet50算法对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
在本实施例中，通过Resnet50算法对遥感影像数据进行训练确定概率特征，提高了图像模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
可选地，所述根据所述用户访问数据确定向量矩阵数据包括：对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据，其中，所述出行特征包括每个时间段的总人数和平均人数。
具体地，在本实施例中，根据用户访问数据确定向量矩阵数据包括：对用户访问数据进行出行特征的提取，以确定向量矩阵数据。对于用户访问数据，训练时具有40000个文件，每个文件记录用户的用户名及其访问时间。用户行为数据含有的信息丰富，有大量用户信息及访问时间信息。人的活动及出行在时间上具有一定的特点，据此可对数据中时间与出现频次的信息进行研究，从而判断出功能区的类别。通过对用户访问数据进行出行特征的提取确定向量矩阵数据，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
在本实施例中，通过对用户访问数据进行出行特征的提取确定向量矩阵数据，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
可选地，所述对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据包括：获取文件中所有用户的所有访问日期，其中，所述文件为对应区域的遥感图像对应的文本文件；对所述访问日期分类，统计不同日期类别下各时间点的人数数据，将所述人数数据转换为向量矩阵，以确定所述向量矩阵数据。
具体地，在本实施例中，对用户访问数据进行出行特征的提取，以确定向量矩阵数据包括：获取文件中所有用户的所有访问日期，其中，文件为对应区域的遥感图像对应的文本文件；对访问日期分类，统计不同日期类别下各时间点的人数数据，将人数数据转换为向量矩阵，以确定向量矩阵数据。即遍历每个文件，对于每个文件读取所有用户的所有访问日期，每个日期判断其所属的类型，如是否为节假日、是否为工作日、是否为周末等，然后分别统计不同类别的日期各时间点人数情况，包括每种日期中每个时刻的人数、平均出现的最早时间最晚时间，白天、夜晚时间段的人数等等，将此部分数据转换为向量矩阵。通过将不同日期类别下各时间点的人数数据转换为向量矩阵，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
在本实施例中，通过将不同日期类别下各时间点的人数数据转换为向量矩阵，提高了文本模态数据的分类准确率，从而有效提高了城市功能区分类的准确率。
可选地，所述根据所述概率特征和所述向量矩阵数据确定双模态训练数据集包括：将所述概率特征和所述向量矩阵数据融合为新的向量矩阵，以所述新的向量矩阵作为所述双模态训练数据集。
具体地，在本实施例中，根据概率特征和向量矩阵数据确定双模态训练数据集包括：将概率特征和向量矩阵数据融合为新的向量矩阵，以新的向量矩阵作为所述双模态训练数据集。通过将概率特征和向量矩阵数据融合为新的向量矩阵，以新的向量矩阵作为双模态训练数据集，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
在本实施例中，通过将概率特征和向量矩阵数据融合为新的向量矩阵，以新的向量矩阵作为双模态训练数据集，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
可选地，所述调整所述机器学习模型的参数，以使所述机器学习模型完成训练包括：根据实际标签数据和预测标签数据确定损失函数的值；根据所述损失函数的值调整所述机器学习模型的参数直至所述参数满足收敛条件，以使所述机器学习模型完成训练。
具体地，在本实施例中，调整机器学习模型的参数，以使机器学习模型完成训练包括：根据实际标签数据和预测标签数据确定损失函数的值；根据损失函数的值调整机器学习模型的参数直至参数满足收敛条件，以使机器学习模型完成训练。本实施例中采用LightGBM作为模型，结合下表1所示，根据损失函数的值调整机器学习模型的参数直至参数满足收敛条件，完成对机器学习模型的训练，有效提高了城市功能区分类的准确率。
表1 LightGBM参数
Figure BDA0002774429900000091
在本实施例中，根据损失函数的值调整机器学习模型的参数直至参数满足收敛条件，完成对机器学习模型的训练，有效提高了城市功能区分类的准确率。
本发明实施例还提供一种城市功能区分类方法，包括：获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定所述概率特征，根据所述用户访问数据确定所述向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定初始输入数据；将所述初始输入数据输入根据如上所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。所述城市功能区分类方法与上述城市功能区识别模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明另一实施例提供一种城市功能区识别模型建立装置，包括：获取模块，用于获取遥感影像数据和用户访问数据；第一处理模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；第二处理模块，用于根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；训练模块，用于根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。所述城市功能区识别模型建立装置与上述城市功能区识别模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明另一实施例提供一种城市功能区分类装置，包括：数据获取模块，用于获取遥感影像数据和用户访问数据；第一确定模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；第二确定模块，用于根据所述概率特征和所述向量矩阵数据确定初始输入数据；分类模块，用于将所述初始输入数据输入根据如上所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。所述城市功能区分类装置与上述城市功能区分类方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的城市功能区识别模型建立方法或城市功能区分类方法。所述计算机可读存储介质与上述城市功能区识别模型建立方法或城市功能区分类方法相对于现有技术所具有的优势相同，在此不再赘述。
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)

1.一种城市功能区识别模型建立方法，其特征在于，包括：
获取遥感影像数据和用户访问数据；
根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；
根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；
根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。
2.根据权利要求1所述的城市功能区识别模型建立方法，其特征在于，所述根据所述遥感影像数据确定概率特征包括：
通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征，其中，所述概率特征为遥感影像在功能区分类时的概率特征。
3.根据权利要求2所述的城市功能区识别模型建立方法，其特征在于，所述通过卷积神经网络对所述遥感影像数据进行训练，以确定所述概率特征包括：
根据所述遥感影像所反应的功能区的实际覆盖特征，利用Resnet50算法，提取出所述遥感影像在功能区分类时的所述概率特征。
4.根据权利要求1所述的城市功能区识别模型建立方法，其特征在于，所述根据所述用户访问数据确定向量矩阵数据包括：
对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据，其中，所述出行特征包括每个时间段的总人数和平均人数。
5.根据权利要求4所述的城市功能区识别模型建立方法，其特征在于，所述对所述用户访问数据进行出行特征的提取，以确定所述向量矩阵数据包括：
获取文件中所有用户的所有访问日期，其中，所述文件为对应区域的遥感图像对应的文本文件；
对所述访问日期分类，统计不同日期类别下各时间点的人数数据，将所述人数数据转换为向量矩阵，以确定所述向量矩阵数据。
6.根据权利要求1所述的城市功能区识别模型建立方法，其特征在于，所述根据所述概率特征和所述向量矩阵数据确定双模态训练数据集包括：
将所述概率特征和所述向量矩阵数据融合为新的向量矩阵，以所述新的向量矩阵作为所述双模态训练数据集。
7.一种城市功能区分类方法，其特征在于，包括：
获取遥感影像数据和用户访问数据；
根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；
根据所述概率特征和所述向量矩阵数据确定初始输入数据；
将所述初始输入数据输入根据权利要求1至6任一项所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。
8.一种城市功能区识别模型建立装置，其特征在于，包括：
获取模块，用于获取遥感影像数据和用户访问数据；
第一处理模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；
第二处理模块，用于根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；
训练模块，用于根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。
9.一种城市功能区分类装置，其特征在于，包括：
数据获取模块，用于获取遥感影像数据和用户访问数据；
第一确定模块，用于根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；
第二确定模块，用于根据所述概率特征和所述向量矩阵数据确定初始输入数据；
分类模块，用于将所述初始输入数据输入根据权利要求1至6任一项所述的城市功能区识别模型建立方法建立的城市功能区识别模型，以确定城市功能区的分类。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1至6任一项所述的城市功能区识别模型建立方法或权利要求7所述的城市功能区分类方法。
CN202011260300.5A 2020-11-12 2020-11-12 一种城市功能区识别模型建立、分类方法及装置 Pending CN112364776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011260300.5A CN112364776A (zh) 2020-11-12 2020-11-12 一种城市功能区识别模型建立、分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011260300.5A CN112364776A (zh) 2020-11-12 2020-11-12 一种城市功能区识别模型建立、分类方法及装置

Publications (1)

Publication Number Publication Date
CN112364776A true CN112364776A (zh) 2021-02-12

Family

ID=74514569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011260300.5A Pending CN112364776A (zh) 2020-11-12 2020-11-12 一种城市功能区识别模型建立、分类方法及装置

Country Status (1)

Country Link
CN (1) CN112364776A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657324A (zh) * 2021-08-24 2021-11-16 速度时空信息科技股份有限公司 基于遥感影像地物分类的城市功能区识别方法
CN117036939A (zh) * 2023-08-07 2023-11-10 宁波大学 一种基于图卷积网络的多源数据协同的城市功能区识别方法

Citations (3)

* Cited by examiner, † Cited by third party
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
CN111582146A (zh) * 2020-05-06 2020-08-25 宁波大学 一种基于多特征融合的高分辨率遥感影像城市功能分区方法
CN111814596A (zh) * 2020-06-20 2020-10-23 南通大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN111582146A (zh) * 2020-05-06 2020-08-25 宁波大学 一种基于多特征融合的高分辨率遥感影像城市功能分区方法
CN111814596A (zh) * 2020-06-20 2020-10-23 南通大学 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657324A (zh) * 2021-08-24 2021-11-16 速度时空信息科技股份有限公司 基于遥感影像地物分类的城市功能区识别方法
CN117036939A (zh) * 2023-08-07 2023-11-10 宁波大学 一种基于图卷积网络的多源数据协同的城市功能区识别方法

Similar Documents

Publication Publication Date Title
Zhong et al. Inferring building functions from a probabilistic model using public transportation data
Liu et al. Automated identification and characterization of parcels with OpenStreetMap and points of interest
Liu et al. Characterizing mixed-use buildings based on multi-source big data
US20140089036A1 (en) Dynamic city zoning for understanding passenger travel demand
CN107609107A (zh) 一种基于多源城市数据的出行共现现象可视化分析方法
CN107194525A (zh) 一种基于手机信令的城市中心评估方法
Liu et al. Identifying and understanding road-constrained areas of interest (AOIs) through spatiotemporal taxi GPS data: A case study in New York City
Gao et al. Identification of urban regions’ functions in Chengdu, China, based on vehicle trajectory data
CN112364776A (zh) 一种城市功能区识别模型建立、分类方法及装置
Yuan et al. Recognition of functional areas based on call detail records and point of interest data
McKenzie et al. Measuring urban regional similarity through mobility signatures
Chen et al. An analysis of movement patterns between zones using taxi GPS data
Qi et al. Vehicle trajectory reconstruction on urban traffic network using automatic license plate recognition data
Mou et al. Urban function identification based on POI and taxi trajectory data
Huang Data integration for urban transport planning
Bikdeli et al. Accessibility modeling for land use, population and public transportation in Mashhad, NE Iran
Zhang et al. Measuring positive public transit accessibility using big transit data
Wang et al. A PSO-neural network-based feature matching approach in data integration
Ismail Hedonic modelling of housing markets using geographical information system (gis) and spatial statistic:; a case study of glasgow, scotland
CN110633890A (zh) 一种土地利用效率判断方法和系统
Michau Link dependent origin-destination matrix estimation: nonsmooth convex optimisation with Bluetooth-inferred trajectories
Phithakkitnukoon et al. Temporary migration flow inference and analysis from perspective of mobile phone network data
Harris 10 Population mapping by geodemographics and digital imagery
Hu Dynamic origin-destination estimation with location-based social networking data: exploring urban travel demand sensor
CN109508815A (zh) 基于地铁ic卡数据的通学活动空间测度分析方法

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: 20210212

RJ01 Rejection of invention patent application after publication