CN112579718A - 一种城市用地功能的识别方法、装置及终端设备 - Google Patents
一种城市用地功能的识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112579718A CN112579718A CN202011465807.4A CN202011465807A CN112579718A CN 112579718 A CN112579718 A CN 112579718A CN 202011465807 A CN202011465807 A CN 202011465807A CN 112579718 A CN112579718 A CN 112579718A
- Authority
- CN
- China
- Prior art keywords
- block
- target
- time
- base station
- identified
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000006870 function Effects 0.000 claims abstract description 96
- 230000011664 signaling Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种城市用地功能的识别方法、装置及终端设备,该方法包括:获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型;本申请通过多源数据对城市用地中的街区进行功能分类,相较于使用单一数据进行分类,可以使分类结果更准确。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种城市用地功能的识别方法、装置及终端设备。
背景技术
城市土地利用和功能分区是城市空间内由功能相似的要素组成的地理单元。识别城市功能区有利于更好地理解城市的空间结构,为分析和规划城市的发展提供帮助。
目前,城市用地功能的划分多是人为的根据城市用地中建筑物的类型,将城市用地命名为不同的功能区。上述根据建筑的类型人为识别城市用地功能的方法,主观性强,且划分依据比较单一,城市用地的功能识别不准确。
发明内容
本申请实施例提供了一种城市用地功能的识别方法、装置及终端设备,可以解决城市用地的功能识别不准确的问题。
第一方面,本申请实施例提供了一种城市用地功能的识别方法,包括:获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;
根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
第二方面,本申请实施例提供了一种城市用地功能的识别装置,包括:
数据获取模块,用于获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;
功能识别模块,用于根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的城市用地功能的识别方法。
第四方面,本申请实施例提供了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,其特征在于,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的城市用地功能的识别方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的城市用地功能的识别方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请首先获取在预设时间段待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;然后根据POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据对待识别的城市用地内的各街区的功能进行分类,得到待识别的城市用地中各街区的功能类型;本申请通过多源数据对城市用地中的街区进行功能分类,相较于使用单一数据进行分类,可以使分类结果更准确。
附图说明
图1是本申请一实施例提供的城市用地功能的识别方法的应用场景示意图;
图2是本申请一实施例提供的城市用地功能的识别方法的流程示意图;
图3是本申请一实施例提供的图2中步骤S102的功能类型确定方法的流程示意图;
图4是本申请一实施例提供的图3中步骤S1023的居住人口的数量确定方法的流程示意图;
图5是本申请一实施例提供的图3中步骤S1023的工作人口的数量确定方法的流程示意图;
图6是本申请一实施例提供的行程时间比与交通指数的关系示意图;
图7是本申请一实施例提供的城市用地功能的识别装置的结构示意图;
图8是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前对城市用地中的街区的功能分类多采用人为调查街区中的建筑物后进行分类,目前采用人为分类的方法耗时耗力,主观性较强,且受限于建筑物的功能和分类人员的能力等,造成对街区的功能分类不准确。
本申请通过获取街区中的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据中的至少两个,通过上述数据中的至少两个进行功能分类。采用多源数据进行功能分类比采用单一数据进行分类,使分类结果更准确。本申请采用自动分类的方法,省去人为分类,可以提高效率,且排除了人为干预造成的主观偏差,是街区的功能分类更客观,更准确。
图1为本申请实施例提供的城市用地功能的识别方法的应用场景示意图,上述城市用地功能的识别方法可以用于对城市用地中的街区进行功能的分类。其中,存储设备10用于存储待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据中的至少两个;处理器20用于从存储设备10中获取初始信息,并根据获取到的初始信息对待识别的城市用地中的街区的功能进行分类,得到各街区的功能类型。
以下结合图1对本申请实施例的城市用地功能的识别方法进行详细说明。
图2示出了本申请提供的城市用地功能的识别方法的示意性流程图,参照图2,对该方法的详述如下:
S101,获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据。
在本实施例中,预设时间段可以根据需要进行设置,预设时间段可以为一个月、两个月或三个月等。
在本实施例中,初始信息可以存储在存储设备中,处理器可以从存储设备中获取初始信息。
待识别的城市用地为未确定街区的功能类型的城市用地。
具体的,待识别的城市用地中的街区的划分方法包括:
待识别的城市用地的街区的划分可以根据遥感卫星数据和待识别的城市用地的路网信息对待识别的城市用地进行街区划分,得到待识别的城市用地的各个街区。
在本实施例中,遥感卫星数据是遥感卫星在太空探测地球地表物体对电磁波的反射,及其发射的电磁波,从而提取该物体信息,完成远距离识别物体,将这些电磁波转换、识别得到可视图像,即为卫星影像,通俗简单解释就是卫星在空中给地面拍的照片,地面长什么样,它就拍出什么样,并且带有经纬度信息实时地貌照片。路网信息可以从高德地图或百度地图中获得。路网信息可以包括待识别的城市用地中的道路网布局信息图等。
在获取到遥感卫星数据和路网信息后,可以将遥感卫星数据和路网信息均转换为WGS-84坐标系下的数据,然后对遥感卫星数据进行网格划分,得到待识别的城市用地的各个街区。
在本实施例中,POI数据即为兴趣点(Point of interesting)的数据,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。POI数据中包括物体的位置、地址、名称、类别、POI热度等。POI数据可以从高德地图或百度地图中获得。在获得POI数据后,可以按照类别对POI进行分类存储。POI的类别可以包括餐饮服务、购物服务、商务住宅、公司企业等。POI热度也可以记作POI的名气,表征POI被检索的次数的多少,如果一类POI越热门,则POI热度越高。例如,如果餐饮服务类的POI被检索了500次,则POI热度可以为6。POI热度可以从检索网站的检索数据中获取,例如,POI热度可以从百度数据、谷歌数据等中获得。
在本实施例中,手机信令数据是手机用户与服务基站之间的通信数据。手机信令数据可以包括用户轨迹数据表和服务基站信息表。每个服务基站均可以对应一个基站编码。作为举例,用户轨迹数据表参见下表1所示,服务基站信息表参见下表2所示。
表1用户轨迹数据表
表1中的记录时间可以包括识别时刻,其中,识别时刻为所述服务基站服务手机的时刻。作为举例,识别时刻可以为8点50分、9点30分、11点10分等。
表2服务基站信息表
字段名称 | 字段描述 | 类型 | 备注 |
cgi | 基站编码 | 字符型 | |
tac | 位置区编码 | 字符型 | |
lon | 基站位置的经度 | 字符型 | |
lat | 基站位置的纬度 | 字符型 | |
cell_type | 基站网络制式 | 字符型 | 2:2G;3-3G;4:4G |
表2中基站位置的经度和基站位置的纬度可以确定基站的位置。
在本实施例中,各街区的人员流动数量指各街区的日常流动人口的数据,可以百度地图中获取,还可以从摄像头采集的数据中经过出的得到。具体的,可以通过时间范围、空间粒度等参数,获得各街区内预设时间段内的人员进出数量。
在本实施例中,车辆出行数据可以包括车辆GPS数据,车辆出行数据主要包括出租车、网约车和安装有雷达的私家车等车辆的出行数据。车辆GPS数据中包括车辆的出行距离、出行起止地点、出行时间段、途径位置等信息。
S102,根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
在本实施例中,可以根据POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据中的至少两个对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
各街区的功能类型可以包括居住用地、道路用地、商业用地等。
本申请实施例中,首先获取在预设时间段待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据中的至少两个;然后根据POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据中的至少两个对待识别的城市用地内的各街区的功能进行分类,得到待识别的城市用地中各街区的功能类型;本申请通过多源数据对城市用地中的街区进行功能分类,相较于使用单一数据进行分类,可以使分类结果更准确。
如图3所示,在一种可能的实现方式中,步骤S102的实现过程可以包括:
S1021,在所述初始信息包括POI数据时,根据所述各街区的所述POI数据中各个POI的位置,获得所述各街区包括的POI的类别。
在本实施例中,POI数据中包括每个POI的位置,POI的位置可以是坐标,也可以是门牌号等。根据各个POI的位置,可以确定各个POI所在的街区,一个POI对应一个类别,例如,第一个POI为一个办公楼,则该POI的类别为商务住宅。因此,可以根据POI的位置确定每个街区包括的POI的类别。
作为举例,如果第一个POI为一个商场,且位置为(x1,y1),根据位置可以确定第一个POI为街区A中的POI,商场对应的类别为购物服务。
第二个POI为一个公司,且位置为(x2,y2),根据位置可以确定第二个POI为街区B中的POI,公司对应的类别为公司企业。
因此,A街区包括的POI的类别为购物服务,B街区包括的POI的类别为公司企业。
S1022,根据所述各街区包括的POI的类别,计算各街区中各类POI的TF-IDF值,所述各街区中各类POI的TF-IDF值为目标信息。
在本实施例中,每个类别的POI对应一个POI的热度,根据POI的热度可以计算各街区中各类POI的TF-IDF值(term frequency–inverse document frequency)。
具体的,步骤S1022的实现过程可以包括:
S10221,根据各街区包括的各类POI对应的POI的热度,计算所述各街区中各类POI的词频,其中,所述POI的热度表征各类POI被检索的次数。
在本实施例中,词频的计算可以根据公式其中,TFij为第j个街区中第i类POI的词频,Aij为第j个街区中第i类POI的热度,Zj为第j个街区的热度总值。热度总值可以是该街区中所有类别的POI的热度之和。
作为举例,第三个街区中第5类POI的词频为20,第三个街区的热度总值为80,则第三个街区中第5类POI的词频为0.25。
在本实施例中,第i类POI所在的街区的数量,也就是包含第i类POI的街区的数量。
作为举例,如果待识别的城市用地包括6个街区,其中有3个街区包括第3类POI,则第3类POI的逆文档词频为0.85。
S10223,根据所述各街区中各类POI的词频和所述逆文档词频,计算各街区中各类POI的TF-IDF值。
在本实施例中,各街区中各类POI的TF-IDF值为词频和逆文档词频的乘积。
作为举例,第四个街区的第4类POI的词频为0.2,逆文档词频为0.56,则第四节区的第4类POI的TF-IDF值为0.2×0.56=0.112。
S1023,在所述初始信息包括所述手机信令数据时,根据所述手机信令数据中的识别时刻和服务基站,确定所述各街区的居住人口的数量和工作人口的数量,所述居住人口的数量和工作人口的数量均为所述目标信息,其中,所述识别时刻为所述服务基站服务手机的时刻。
在本实施例中,识别时刻为一个时间点,就是服务基站服务于手机的时间点,例如,8点30分。服务基站为服务于手机的基站。根据识别时刻和服务基站的位置可以确定各街区的居住人口的数量和工作人口的数量。
如图4所示,具体的,步骤S1023中居住人口的数量的计算方法的实现过程可以包括:
S10231,根据所述手机信令数据中的所述识别时刻,确定所述手机用户的手机在所述预设时间段内的每个周期中被服务的时长,其中,所述被服务的时长为每个周期中最晚服务时间与最早服务时间的差值。
在本实施例中,可以将预设时间段分成预设个周期,例如,如果预设时间段为一个月,一个周期可以为一天,该月有多少天就有多少个周期。
在本实施例中,统计手机用户的手机信令数据中一个周期中最早服务于手机的时间和最晚服务于手机的时间。然后将最晚服务于手机的时间减去最早服务于手机的时间,即可得到该周期中手机被服务的时长。
作为举例,如果预设时间段为一个月,一天为一个周期,当前需要统计的是手机用户A的手机第三个周期中被服务的时长。通过数据查询得到第三个周期中最早服务时间为8点,最晚服务时间为18点,则被服务的时长为18-8=10小时。
S10232,将满足预设条件的所述手机用户作为所述待识别的城市用地中的居住用户,其中,所述满足预设条件的手机用户为对应的目标被服务的时长的个数大于第一预设值的用户,所述目标被服务的时长为被服务的时长中大于第二预设值的时长。
在本实施例中,统计各个周期中被服务的时长大于第二预设值的个数,也就是目标被服务的时长的个数,第二预设值可以根据需要设置,例如,可以设置为10小时。
如果目标被服务的时长的个数大于第一预设值,则确定对应的手机用户为居住用户。第一预设值可以根据需要设置,例如,可以设置为23天。
作为举例,预设时间段内包括4个周期,第一预设值2天,第二预设值为10小时。
第一个周期中手机用户D的手机被服务的时长为11小时,第二个周期中手机用户D的手机被服务的时长为12小时,第三个周期中手机用户D的手机被服务的时长为8小时,第四个周期中手机用户D的手机被服务的时长为11小时。
大于10的被服务的时长为3个,也就是目标被服务的时长为3个,目标被服务的时长的个数大于2,则手机用户D为居住用户。
S10233,根据所述居住用户对应的所述手机信令数据中的所述识别时刻和所述服务基站,确定所述居住用户的居住地基站,其中,所述居住地基站为在夜晚休息时间段内服务所述居住用户的次数最多的服务基站。
在本实施例中,夜晚时间段在每个周期中均存在,夜晚休息时间段可以根据需要进行设置,例如,晚上17点至第二天早上8点。
查找在夜晚时间段内服务居住用户的次数最多的服务基站,将该服务基站作为居住用户的居住地基站。
作为举例,如果有6个周期,6个周期的夜晚时间段内服务基站A服务第一居住用户5次,服务基站B服务第一居住用户2次,服务基站C服务第一居住用户9次,则服务基站C在夜晚休息时间段内服务第一居住用户的次数最多,则服务基站C为第一居住用户的居住地基站。
S10234,根据所述居住用户的居住地基站的位置,确定所述各街区中居住人口的数量。
在本实施例中,每个居住地基站均对应一个位置,将居住地基站的位置作为居住用户所在的位置,根据居住用户所在的位置,确定各街区中居住人口的数量。
作为举例,如果第一居住用户的居住地基站为A,居住地基站A所在的街区为第一街区。第二居住用户的居住地基站为B,居住地基站B所在的街区为第二街区。第三居住用户的居住地基站为C,居住地基站C所在的街区为第一街区。
则第一街区中的居住人口的数量为2,第二街区中居住人口的数量为1。
如图5所示,具体的,步骤S1023中工作人口的数量的计算方法的实现过程可以包括:
S10235,根据所述手机信令数据中手机信令数据中的识别时刻,确定各个所述居住用户的工作地基站,其中,所述工作地基站为在白天工作时间段内服务所述居住用户的次数最多的服务基站。
在本实施例中,白天工作时间段可以根据需要进行设置,例如:9点至18点。
白天工作时间段内服务于居住用户,说明居住用户在该服务基站附近工作。
统计各个服务基站在白天工作时间段内服务于居住用户的次数,然后得到在白天工作时间段内服务居住用户次数最多的服务基站,并将该服务基站作为居住用户的工作地基站。
作为举例,在白天时间段内,服务基站A服务第三居住用户8次,服务基站B服务第三居住用户10次,服务基站C服务第三居住用户0次,服务基站D服务第三居住用户18次,则第三居住用户的工作地基站为服务基站D。
S10236,基于所述居住用户的手机信令数据中服务基站的位置,确定所述居住用户的目标基站,其中,所述居住用户的目标基站为与所述居住用户的工作地基站的距离小于预设阈值的服务基站。
在本实施例中,以居住用户的工作地基站为中心,查找与工作地基站的距离小于预设阈值服务基站,并将小于预设阈值服务基站作为目标基站。预设阈值可以根据需要进行设置,例如,预设阈值可以为600米等。
如果服务基站的位置为坐标,则可以根据两个服务基站的坐标计算两个服务基站之间的距离,查找距离在预设阈值内的服务基站。
S10237,基于所述工作地基站在各周期中对所述居住用户的服务时间和所述目标基站在各周期中对所述居住用户的服务时间,计算各个所述居住用户在各周期的白天工作时间段在工作地点的停留时间,其中,所述服务时间为服务基站在在各周期中的白天工作时间段内服务于所述居住用户的最晚的识别时刻与最早的识别时刻的差值。
在本实施例中,最晚的识别时刻和最早的识别时刻可以通过筛选手机信令数据中的识别时刻获得。
居住用户的工作地基站对该居住用户的各个服务时间加上各个目标基站对该居住用户的各个服务时间,得到服务时间的总值,将服务时间的总值作为该居住用户在白天工作时间段在工作地点的停留时间。
作为举例,居住用户的工作地基站A在第六个周期的白天工作时间段对居住用户的服务时间为8小时,第一个目标基站在第六个周期的白天工作时间段对居住用户的服务时间为5小时,第二个目标基站在第六个周期的白天工作时间段对居住用户的服务时间为3小时。
则该居住用户在第六个周期的白天工作时间段在工作地点的停留时间为8+5+3=16小时。
S10238,基于所述停留时间和所述居住用户的工作地基站的位置,确定所述各街区中工作人口的数量。
具体的,查找满足预设要求的停留时间的个数。若满足预设要求的停留时间的个数大于第四预设值,则确定所述居住用户为目标用户。根据目标用户的工作地基站的位置,确定各街区中工作人口的数量。
满足预设要求的停留时间为大于第三预设值的停留时间,第三预设值可以根据需要进行设置,例如可以设置为5小时。第四预设值可以根据需要进行设置,例如,可以设置为工作日的60%天。
查找满足预设要求的停留时间的个数大于第四预设值的居住用户,并将该居住用户作为目标用户。
然后将目标用户的工作基站的位置,作为目标用户工作地点所在的位置。根据目标用户工作地点所在的位置确定目标用户所在的街区,进而确定各个街区中包括的目标用户的个数,得到各街区中工作人口的数量。
作为举例,第三预设值为5小时,第四预设值为3天。如果居住用户在第一个周期内的停留时间为4小时,在第二个周期内的停留时间为6小时,在第三个周期内的停留时间为7小时,在第四个周期内的停留时间为6小时,在第五个周期内的停留时间为3小时,在第六个周期内的停留时间为8小时。
大于5小时的停留时间的个数为4个,4大于3,则确定该居住用户为目标用户,该目标用户的工作地基站的位置在第三街区,则该目标用户的工作地属于第三街区。
依次查找居住用户中各个目标用户的工作地所在的街区,得到各个街区包括的工作人口的数量。
S1024,在所述初始信息包括所述各街区的人员流动数量时,根据所述各街区的人员流动数量,计算所述各街区的工作日客流密度和节假日客流密度,所述工作日客流密度和节假日客流密度均为所述目标信息。
在本实施例中,工作可以为周一至周五,节假日可以为周六和周日。
具体的,步骤S1024的实现过程可以包括:
S10241,根据所述各街区的人员流动数量和所述各街区的街区面积,计算所述各街区每天的客流密度。
在本实施例中,人员流动数量可以为流入街区的人口数量和流出街区的人口数量的和。
各街区的人员流动数量可以是每天的人员流动数量,将每天的人员流动数量和街区的街区面积的比值作为该街区每天的客流密度。
作为举例,如果街区A一天的人员流动数量为800,街区的街区面积为200,则该天街区A的客流密度为4。
S10242,根据所述各街区每天的客流密度,计算所述各街区的工作日客流密度和节假日客流密度。
在本实施例中,计算了街区每天的客流密度,将工作日的客流密度的均值作为该街区的工作日客流密度。并将节假日的客流密度的均值作为该街区的节假日客流密度。
S1025,在所述初始信息包括所述车辆出行数据时,根据所述车辆出行数据中的出行起止地点,确定所述各街区之间的车辆OD分布,所述各街区之间的车辆OD分布为所述目标信息,其中,所述车辆OD分布包括车辆的出行距离、出行起止地点、出行时间段中的至少一个。
在本实施例中,根据出行数据中的出行起止地点,可以得到车辆的起始街区和停止街区,然后将车辆的起始街区和停止街区进行聚合统计,得到各街区之间的车辆的OD分布。OD为交通出行量。
可选的,如果每个街区对应一个编码或编号,可以对车辆的起始街区的编码和停止街区的编码进行聚合统计,得到各街区之间的车辆的OD分布。
S1026,将所述目标信息输入训练后的分类模型中,得到所述待识别的城市用地中各街区的功能类型。
在本实施例中,目标信息为包括各类POI的TF-IDF值、各街区的居住人口的数量、各街区的工作人口的数量、各街区的工作日客流密度、各街区的节假日客流密度、各街区之间的车辆OD分布。本申请实施例中,通过将目标信息输入训练后的分类模型中,得到各街区的功能类型,采用多源数据确定街区的功能类型,并采用训练后的分类模型进行功能类型的确定,可以提高效率,并减少人为确定功能类型带来的主观误差,使确定的街区的功能类型更准确。
在一种可能的实现方式中,所述初始信息还包括待识别的城市用地中各个街区中建筑数量、各个建筑的高度、所述待识别的城市用地中各个道路的里程和目标时间车辆经过目标道路的行程时间中的一种或多种,其中,目标时间为所述预设时间段内的时间。
步骤S102的实现过程可以包括:
S201,在所述初始信息包括所述建筑数量时,计算各街区中所述建筑数量和对应的街区的面积的比值,并将所述各街区中所述建筑数量和个街区的面积的比值作为目标信息。
在本实施例中,一个街区中建筑的建筑数量与街区的面积的比值可以记为建筑群密度,建筑群密度作为目标信息。建筑群密度可以反应街区中建筑的密集程度,可以根据建筑的密集程度确定该街区的功能类型。
作为举例,街区A中建筑数量为10,街区面积为20,则建筑群密度为0.5。
S202,在所述初始信息包括所述各个建筑的高度时,基于所述各个建筑的高度,计算各街区中各个建筑的高度均值,并将所述高度均值作为目标信息。
作为举例,街区B中包括建筑物A、建筑物B和建筑物C,建筑物A的高度为30米,建筑物B的高度为20米,建筑物C的高度为10米,街区B中建筑物的高度均值为(30+20+10)/3=20米。
S203,在所述初始信息包括所述待识别的城市用地中各个道路的里程时,基于所述各个道路的里程,计算各街区中道路的总里程与对应的街区的面积的比值,并将所述各街区中道路的总里程与对应的街区的面积的比值作为目标信息。
在本实施例中,各个道路的里程也就是各个道路的长度,根据各个道路的长度可以确定各街区中的道路的长度,也就是各街区中的道路的里程。
在本实施例中,街区中道路的总里程与街区的面积的比值可以记为路网密度。
作为举例,街区C中包括道路A的里程为200米,道路B的里程为300米,街区的面积为500平方米,则街区中道路的总里程与街区的面积的比值为1。
S204,在所述初始信息包括所述目标时间车辆经过目标道路的行程时间时,计算所述行程时间与预设的基准行程时间的比值,并将所述行程时间与预设的基准行程时间的比值记为所述目标道路的行程时间比。
在本实施例中,行程时间为车辆经过道路的起始点与终点之间的时间差值。
目标道路的行程时间可以是目标时间所有经过目标道路的车辆的行程时间的均值。
作为举例,在目标时间有车辆D和车辆F经过目标道路,且车辆D的行程时间为10分,车辆F的行程时间为15分钟,则目标道路的行程时间为(10+15)/2=12.5。
预设的基准时间为预先设置的目标道路在运行畅通时的车辆的行程时间,例如,在凌晨时车辆通过目标道路时的行程时间。
作为举例,如果行程时间为15,预设的基准行程时间为10,则行程时间比为1.5。
S205,基于预设的交通指数与行程时间比的对应关系,确定所述目标道路的行程时间比对应的交通指数,并将所述行程时间比对应的交通指数作为所述目标道路的交通指数。
在本实施例中,已经预存了交通指数与行程时间比的对应关系,预存的交通指数与行程时间比的对应关系可以是以表格的形式存储,如下表1所示:
表1交通指数与行程时间比的对应关系
在本实施例中,已经预存了交通指数与行程时间比的对应关系,预存的交通指数与行程时间比的对应关系可以是以线性图进行表示,如图6所示。
作为举例,如果行程时间比为1.3,则交通指数为2。
S206,计算街区中各个道路的交通指数的平均值,并将所述街区中各个道路的交通指数的平均值作为所述街区的交通指数,将所述街区的交通指数作为所述目标信息。
在本实施例中,街区中有几条道路,需要计算每条道路的交通指数,然后计算各个交通指数的平均值。
作为举例,如果街区中包括道路A和道路B,道路A的交通指数为2,道路B的交通指数为4,则街区的交通指数为(2+4)/2=3。
在一种可能的实现方式中,在步骤102之前,上述方法还可以包括对分类模型的训练,具体训练方法包括:
利用目标城市用地中目标街区的各类POI的TF-IDF值、所述目标街区的居住人口的数量、所述目标街区的工作人口的数量、所述目标街区的工作日客流密度、所述目标街区的节假日客流密度、所述目标街区之间的车辆OD分布、所述目标街区中建筑数量和目标街区的面积的比值、所述目标街区中各个建筑的高度均值、所述目标街区中道路的总里程与目标街区的面积的比值、所述目标街区的交通指数对所述分类模型进行训练,得到训练后的分类模型,其中,所述目标城市用地为已确定街区功能的用地。
在本实施例中,采用已确定街区功能的目标城市用地的各种数据对分类模型进行训练,得到训练后的分类模型,后续在对待识别的城市用地中的街区进行功能分类时,可以直接将待识别的城市用地的各项数据输入训练后的分类模型中,直接得出各街区的功能类型。
具体的,在对分类模型进行训练时可以采用k均值聚类算法(k-means clusteringalgorithm)进行训练。k均值聚类算法是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
本申请实施例中,利用目标街区的多种数据对分类模型进行训练,可以是训练后的分类模型更准确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的城市用地功能的识别方法,图7示出了本申请实施例提供的城市用地功能的识别装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图7,该装置200可以包括:数据获取模块210和功能识别模块220。
其中,数据获取模块210,用于获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;
功能识别模块220,用于根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
在一种可能的实现方式中,功能识别模块220具体可以包括:
分类单元,用于在所述初始信息包括POI数据时,根据所述各街区的所述POI数据中各个POI的位置,获得所述各街区包括的POI的类别;
TF-IDF值计算单元,用于根据所述各街区包括的POI的类别,计算各街区中各类POI的TF-IDF值,所述各街区中各类POI的TF-IDF值为目标信息;
人口数量计算单元,用于在所述初始信息包括所述手机信令数据时,根据所述手机信令数据中的识别时刻和服务基站,确定所述各街区的居住人口的数量和工作人口的数量,所述居住人口的数量和工作人口的数量均为所述目标信息,其中,所述识别时刻为所述服务基站服务手机的时刻;
人流密度计算单元,用于在所述初始信息包括所述各街区的人员流动数量时,根据所述各街区的人员流动数量,计算所述各街区的工作日客流密度和节假日客流密度,所述工作日客流密度和节假日客流密度均为所述目标信息;
车辆OD分布获得单元,用于在所述初始信息包括所述车辆出行数据时,根据所述车辆出行数据中的出行起止地点,确定所述各街区之间的车辆OD分布,所述各街区之间的车辆OD分布为所述目标信息,其中,所述车辆OD分布包括车辆的出行距离、出行起止地点、出行时间段中的至少一个;
功能划分单元,用于将所述目标信息输入训练后的分类模型中,得到所述待识别的城市用地中各街区的功能类型。
在一种可能的实现方式中,TF-IDF值计算单元具体可以用于:
根据各街区包括的各类POI对应的POI的热度,计算所述各街区中各类POI的词频,其中,所述POI的热度表征各类POI被检索的次数;
根据所述各街区中各类POI的词频和所述逆文档词频,计算各街区中各类POI的TF-IDF值。
在一种可能的实现方式中,人口数量计算单元具体可以用于:
根据所述手机信令数据中的所述识别时刻,确定所述手机用户的手机在所述预设时间段内的每个周期中被服务的时长,其中,所述被服务的时长为每个周期中最晚服务时间与最早服务时间的差值;
将满足预设条件的所述手机用户作为所述待识别的城市用地中的居住用户,其中,所述满足预设条件的手机用户为对应的目标被服务的时长的个数大于第一预设值的用户,所述目标被服务的时长为被服务的时长中大于第二预设值的时长;
根据所述居住用户对应的所述手机信令数据中的所述识别时刻和所述服务基站,确定所述居住用户的居住地基站,其中,所述居住地基站为在夜晚休息时间段内服务所述居住用户的次数最多的服务基站;
根据所述居住用户的居住地基站的位置,确定所述各街区中居住人口的数量。
人口数量计算单元具体还可以用于:
根据所述手机信令数据中手机信令数据中的识别时刻,确定各个所述居住用户的工作地基站,其中,所述工作地基站为在白天工作时间段内服务所述居住用户的次数最多的服务基站;
基于所述居住用户的手机信令数据中服务基站的位置,确定所述居住用户的目标基站,其中,所述居住用户的目标基站为与所述居住用户的工作地基站的距离小于预设阈值的服务基站;
基于所述工作地基站在各周期中对所述居住用户的服务时间和所述目标基站在各周期中对所述居住用户的服务时间,计算各个所述居住用户在各周期的白天工作时间段在工作地点的停留时间,其中,所述服务时间为服务基站在在各周期中的白天工作时间段内服务于所述居住用户的最晚的识别时刻与最早的识别时刻的差值;
基于所述停留时间和所述居住用户的工作地基站的位置,确定所述各街区中工作人口的数量。
在一种可能的实现方式中,人流密度计算单元具体可以用于:
根据所述各街区的人员流动数量和所述各街区的街区面积,计算所述各街区每天的客流密度;
根据所述各街区每天的客流密度,计算所述各街区的工作日客流密度和节假日客流密度。
在一种可能的实现方式中,所述初始信息还包括待识别的城市用地中各个街区中建筑数量、各个建筑的高度、所述待识别的城市用地中各个道路的里程和目标时间车辆经过目标道路的行程时间中的一种或多种,其中,目标时间为所述预设时间段内的时间;
所述功能识别模块220还用于:
在所述初始信息包括所述建筑数量时,计算各街区中所述建筑数量和对应的街区的面积的比值,并将所述各街区中所述建筑数量和个街区的面积的比值作为目标信息;
在所述初始信息包括所述各个建筑的高度时,基于所述各个建筑的高度,计算各街区中各个建筑的高度均值,并将所述高度均值作为目标信息;
在所述初始信息包括所述待识别的城市用地中各个道路的里程时,基于所述各个道路的里程,计算各街区中道路的总里程与对应的街区的面积的比值,并将所述各街区中道路的总里程与对应的街区的面积的比值作为目标信息;
在所述初始信息包括所述目标时间车辆经过目标道路的行程时间时,计算所述行程时间与预设的基准行程时间的比值,并将所述行程时间与预设的基准行程时间的比值记为行程时间比;
基于预设的交通指数与行程时间比的对应关系,确定所述目标道路的行程时间比对应的交通指数,并将所述行程时间比对应的交通指数作为所述目标道路的交通指数;
计算街区中各个道理的交通指数的平均值,并将所述街区中各个道理的交通指数的平均值作为所述街区的交通指数,将所述街区的交通指数作为所述目标信息。
在一种可能的实现方式中,与功能识别模块220相连的还包括:
模型训练模块,用于利用目标城市用地中目标街区的各类POI的TF-IDF值、所述目标街区的居住人口的数量、所述目标街区的工作人口的数量、所述目标街区的工作日客流密度、所述目标街区的节假日客流密度、所述目标街区之间的车辆OD分布、所述目标街区中建筑数量和目标街区的面积的比值、所述目标街区中各个建筑的高度均值、所述目标街区中道路的总里程与目标街区的面积的比值、所述目标街区的交通指数对所述分类模型进行训练,得到训练后的分类模型,其中,所述目标城市用地为已确定街区功能的用地。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
本申请实施例还提供了一种终端设备,参见图8,该终端设备400可以包括:至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序,所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S102。或者,处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块210至220的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器420中,并由处理器410执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解,图8仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的城市用地功能的识别方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了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执行时实现可实现上述城市用地功能的识别方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述城市用地功能的识别方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
Claims (10)
1.一种城市用地功能的识别方法,其特征在于,包括:
获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;
根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
2.如权利要求1所述的城市用地功能的识别方法,其特征在于,所述根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型,包括:
在所述初始信息包括POI数据时,根据所述各街区的所述POI数据中各个POI的位置,获得所述各街区包括的POI的类别;
根据所述各街区包括的POI的类别,计算各街区中各类POI的TF-IDF值,所述各街区中各类POI的TF-IDF值为目标信息;
在所述初始信息包括所述手机信令数据时,根据所述手机信令数据中的识别时刻和服务基站,确定所述各街区的居住人口的数量和工作人口的数量,所述居住人口的数量和工作人口的数量均为所述目标信息,其中,所述识别时刻为所述服务基站服务手机的时刻;
在所述初始信息包括所述各街区的人员流动数量时,根据所述各街区的人员流动数量,计算所述各街区的工作日客流密度和节假日客流密度,所述工作日客流密度和节假日客流密度均为所述目标信息;
在所述初始信息包括所述车辆出行数据时,根据所述车辆出行数据中的出行起止地点,确定所述各街区之间的车辆OD分布,所述各街区之间的车辆OD分布为所述目标信息,其中,所述车辆OD分布包括车辆的出行距离、出行起止地点、出行时间段中的至少一个;
将所述目标信息输入训练后的分类模型中,得到所述待识别的城市用地中各街区的功能类型。
4.如权利要求2所述的城市用地功能的识别方法,其特征在于,所述根据所述手机信令数据中的识别时刻和服务基站,确定所述各街区的居住人口的数量,包括:
根据所述手机信令数据中的所述识别时刻,确定所述手机用户的手机在所述预设时间段内的每个周期中被服务的时长,其中,所述被服务的时长为每个周期中最晚服务时间与最早服务时间的差值;
将满足预设条件的所述手机用户作为所述待识别的城市用地中的居住用户,其中,所述满足预设条件的手机用户为对应的目标被服务的时长的个数大于第一预设值的用户,所述目标被服务的时长为被服务的时长中大于第二预设值的时长;
根据所述居住用户对应的所述手机信令数据中的所述识别时刻和所述服务基站,确定所述居住用户的居住地基站,其中,所述居住地基站为在夜晚休息时间段内服务所述居住用户的次数最多的服务基站;
根据所述居住用户的居住地基站的位置,确定所述各街区中居住人口的数量;
所述根据所述手机信令数据中的识别时刻和服务基站,确定所述各街区的工作人口的数量,包括:
根据所述手机信令数据中手机信令数据中的识别时刻,确定各个所述居住用户的工作地基站,其中,所述工作地基站为在白天工作时间段内服务所述居住用户的次数最多的服务基站;
基于所述居住用户的手机信令数据中服务基站的位置,确定所述居住用户的目标基站,其中,所述居住用户的目标基站为与所述居住用户的工作地基站的距离小于预设阈值的服务基站;
基于所述工作地基站在各周期中对所述居住用户的服务时间和所述目标基站在各周期中对所述居住用户的服务时间,计算各个所述居住用户在各周期的白天工作时间段在工作地点的停留时间,其中,所述服务时间为服务基站在各周期中的白天工作时间段内服务于所述居住用户的最晚的识别时刻与最早的识别时刻的差值;
基于所述停留时间和所述居住用户的工作地基站的位置,确定所述各街区中工作人口的数量。
5.如权利要求2所述的城市用地功能的识别方法,其特征在于,所述根据所述各街区的人员流动数量,计算所述各街区的工作日客流密度和节假日客流密度,包括:
根据所述各街区的人员流动数量和所述各街区的街区面积,计算所述各街区每天的客流密度;
根据所述各街区每天的客流密度,计算所述各街区的工作日客流密度和节假日客流密度。
6.如权利要求2所述的城市用地功能的识别方法,其特征在于,所述初始信息还包括待识别的城市用地中各个街区中建筑数量、各个建筑的高度、所述待识别的城市用地中各个道路的里程和目标时间车辆经过目标道路的行程时间中的一种或多种,其中,目标时间为所述预设时间段内的时间;
所述根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型,包括:
在所述初始信息包括所述建筑数量时,计算各街区中所述建筑数量和对应的街区的面积的比值,并将所述各街区中所述建筑数量和个街区的面积的比值作为目标信息;
在所述初始信息包括所述各个建筑的高度时,基于所述各个建筑的高度,计算各街区中各个建筑的高度均值,并将所述高度均值作为目标信息;
在所述初始信息包括所述待识别的城市用地中各个道路的里程时,基于所述各个道路的里程,计算各街区中道路的总里程与对应的街区的面积的比值,并将所述各街区中道路的总里程与对应的街区的面积的比值作为目标信息;
在所述初始信息包括所述目标时间车辆经过目标道路的行程时间时,计算所述行程时间与预设的基准行程时间的比值,并将所述行程时间与预设的基准行程时间的比值记为行程时间比;
基于预设的交通指数与行程时间比的对应关系,确定所述目标道路的行程时间比对应的交通指数,并将所述行程时间比对应的交通指数作为所述目标道路的交通指数;
计算街区中各个道路的交通指数的平均值,并将所述街区中各个道路的交通指数的平均值作为所述街区的交通指数,将所述街区的交通指数作为所述目标信息。
7.如权利要求1至6任一项所述的城市用地功能的识别方法,其特征在于,在根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型之前,还包括:
利用目标城市用地中目标街区的各类POI的TF-IDF值、所述目标街区的居住人口的数量、所述目标街区的工作人口的数量、所述目标街区的工作日客流密度、所述目标街区的节假日客流密度、所述目标街区之间的车辆OD分布、所述目标街区中建筑数量和目标街区的面积的比值、所述目标街区中各个建筑的高度均值、所述目标街区中道路的总里程与目标街区的面积的比值、所述目标街区的交通指数对所述分类模型进行训练,得到训练后的分类模型,其中,所述目标城市用地为已确定街区功能的用地。
8.一种城市用地功能的识别装置,其特征在于,包括:
数据获取模块,用于获取在预设时间段待识别的城市用地的初始信息,其中,所述初始信息包括所述待识别的城市用地内的POI数据、手机用户的手机信令数据、各街区的人员流动数量和车辆出行数据;
功能识别模块,用于根据所述初始信息对所述待识别的城市用地内的各街区的功能进行分类,得到所述待识别的城市用地中各街区的功能类型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的城市用地功能的识别方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的城市用地功能的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465807.4A CN112579718B (zh) | 2020-12-14 | 2020-12-14 | 一种城市用地功能的识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465807.4A CN112579718B (zh) | 2020-12-14 | 2020-12-14 | 一种城市用地功能的识别方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112579718A true CN112579718A (zh) | 2021-03-30 |
CN112579718B CN112579718B (zh) | 2023-12-29 |
Family
ID=75132201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011465807.4A Active CN112579718B (zh) | 2020-12-14 | 2020-12-14 | 一种城市用地功能的识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579718B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298144A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 一种基于多源数据的城市三生空间识别与格局分析方法 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
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 |
CN116227791A (zh) * | 2023-05-08 | 2023-06-06 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
WO2023231799A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种功能区识别方法及其相关设备 |
CN118298252A (zh) * | 2024-06-06 | 2024-07-05 | 中国测绘科学研究院 | 一种基于图表征学习的城市建筑群功能分类方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109583640A (zh) * | 2018-11-23 | 2019-04-05 | 东南大学 | 一种基于多源定位数据的城市出行客流属性识别方法 |
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 |
CN111932411A (zh) * | 2020-09-30 | 2020-11-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种确定城市用地功能的方法、装置及终端设备 |
WO2020233152A1 (zh) * | 2019-05-17 | 2020-11-26 | 东南大学 | 基于城市建筑空间数据的建成区边界识别方法及设备 |
-
2020
- 2020-12-14 CN CN202011465807.4A patent/CN112579718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109583640A (zh) * | 2018-11-23 | 2019-04-05 | 东南大学 | 一种基于多源定位数据的城市出行客流属性识别方法 |
WO2020233152A1 (zh) * | 2019-05-17 | 2020-11-26 | 东南大学 | 基于城市建筑空间数据的建成区边界识别方法及设备 |
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 |
CN111932411A (zh) * | 2020-09-30 | 2020-11-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种确定城市用地功能的方法、装置及终端设备 |
Non-Patent Citations (3)
Title |
---|
冯慧芳 等: "融合GPS轨迹和POI数据关联规则的城市功能区识别", 《测绘科学技术学报.》 * |
郑至键: "基于POI数据和Place2vec模型的城市功能区识别研究", 《地理与地理信息科学》 * |
钟少颖;岳未祯;张耘;: "基于公交刷卡数据和兴趣点数据的城市街区功能类型识别研究――以北京市朝阳区为例", 城市与环境研究, no. 03, pages 1 - 19 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298144A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 一种基于多源数据的城市三生空间识别与格局分析方法 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
WO2023231799A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种功能区识别方法及其相关设备 |
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 |
CN116227791A (zh) * | 2023-05-08 | 2023-06-06 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
CN116227791B (zh) * | 2023-05-08 | 2023-09-05 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
CN118298252A (zh) * | 2024-06-06 | 2024-07-05 | 中国测绘科学研究院 | 一种基于图表征学习的城市建筑群功能分类方法及设备 |
CN118298252B (zh) * | 2024-06-06 | 2024-09-13 | 中国测绘科学研究院 | 一种基于图表征学习的城市建筑群功能分类方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112579718B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579718A (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
CN105677804B (zh) | 权威站点的确定以及权威站点数据库的建立方法和装置 | |
US10854076B2 (en) | Method and system for computing parking occupancy | |
CN108876475B (zh) | 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 | |
CN109556622B (zh) | 一种兴趣点查找方法和装置 | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
CN107194525A (zh) | 一种基于手机信令的城市中心评估方法 | |
US10489431B2 (en) | Digital location-based data methods and product | |
CN109101559B (zh) | 一种基于poi和公交刷卡数据的城市功能区识别方法 | |
CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
You et al. | A GPS data processing framework for analysis of drayage truck tours | |
Hössinger et al. | Development of a real-time model of the occupancy of short-term parking zones | |
CN112118548A (zh) | 一种大数据识别常住人口与流动人口的方法和存储设备 | |
CN117056823A (zh) | 一种识别共享单车通勤用户职业类型的方法及系统 | |
CN113935620A (zh) | 一种基于网格基础数据的停车场评估方法、装置及应用 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
Yao et al. | Analysis of key commuting routes based on spatiotemporal trip chain | |
CN112364776A (zh) | 一种城市功能区识别模型建立、分类方法及装置 | |
CN114007186B (zh) | 定位方法及相关产品 | |
CN113159416B (zh) | 一种公交单次刷卡下车站点的推算方法及智能终端 | |
CN110264580B (zh) | 一种非固定车位的管理方法及装置 | |
CN112000874A (zh) | 一种数字孪生城市人口管理方法和存储设备 | |
Mandal et al. | Stoppage pattern analysis of public bus GPS traces in developing regions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |