CN113139110B - 区域特征处理方法、装置、设备、存储介质和程序产品 - Google Patents

Abstract

本公开公开了区域特征处理方法、装置、设备、存储介质和程序产品，涉及数据处理技术领域，尤其涉及智能交通和智慧城市技术领域。具体实现方案为：通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。本公开实施例的技术方案，实现多维度地图数据的特征提取和有效融合。

Description

区域特征处理方法、装置、设备、存储介质和程序产品

技术领域

本公开涉及数据处理技术领域，尤其涉及智能交通和智慧城市技术领域，具体涉及一种区域特征处理方法、装置、设备、存储介质和程序产品。

背景技术

随着物联网和互联网信息技术的高速发展，人们能采集到人类活动、地理空间数据越来越多，例如，街景图像、交通流量、气象信息、互联网位置大数据等。这些数据具有多源、多模态的特点，具体的，每一种信息的来源或者形式都可以称为一种模态。

不同模态的信息对事物的表现方式不同，看待事物的角度也不相同，因此不同模态的信息中会存在一些信息交叉或者信息互补的现象，因此，在利用这些多模态数据进行环境信息预测或者分类过程中，对多模态数据进行有效融合显得十分重要。

发明内容

本公开提供了一种区域特征处理方法、装置、设备、存储介质和程序产品。

根据本公开的一方面，提供了一种区域特征处理方法，所述方法包括：

通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；

通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；

根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。

根据本公开的另一方面，提供了一种区域特征处理装置，所述装置包括：

地图POI特征向量获取模块，用于通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；

地图检索特征向量获取模块，用于通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；

融合特征向量获取模块，用于根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例中任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例中任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开实施例中任一项所述的方法。

根据本公开的技术，实现了多种地图数据的特征提取和有效融合。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的一种区域特征处理方法的示意图；

图2a是根据本公开实施例的一种区域特征处理方法的示意图；

图2b是根据本公开实施例的一种地图POI特征向量的获取流程图；

图3a是根据本公开实施例的一种区域特征处理方法的示意图；

图3b是根据本公开实施例的一种PspNet网络模型结构示意图；

图3c是根据本公开实施例的一种街景图像语义分割结果示意图；

图3d是根据本公开实施例的一种多维度地图数据融合的示意图；

图4是根据本公开实施例的一种区域特征处理装置的示意图；

图5是用来实现本公开实施例的区域特征处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是本公开实施例中的一种区域特征处理方法的示意图，本公开实施例的技术方案适用于通过自然语言处理技术进行地图数据特征提取和融合的情况，该方法可以由区域特征处理装置执行，该装置可以通过软件，和/或硬件的方式实现，并一般可以集成在电子设备中，例如终端设备中，本公开实施例的方法具体包括以下：

S110、通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量。

其中，自然语言处理(Natural Language Processing，NLP)包含多种实现人与计算机之间用自然语言进行有效通信的模型和方法，示例性的，自然语言处理技术包括独热编码(One-hot编码)、词袋模型(Bag of Words，BOW)、N-gram语言模型等将词转换为特征向量实现词的离散表示的方法，通过上述对词进行离散表示的方法仅能用特征向量来表征当前词，并不能表征当前词与其他词之间的关联关系。又示例性的，自然语言处理技术还包括共现矩阵(Co-currence Matrix)、以及词嵌入(Word Embedding)等将词转换为特征向量实现词的分布式表示的方法，通过上述对词进行分布式表示的方法可以用特征向量来表征当前词，并且可以表征当前词与其他词之间的关联关系，其中，词嵌入(Word Embedding)包括词向量生成(Word to Vector，Word2Vec)模型等。

目标区域是对各维度地图数据进行特征提取的研究单元，具体的，目标区域可以是根据地图路网进行区域划分得到的。其中，地图路网分为高速、快速路、主干道、城市内部道路等类别，包括宽度、长度、方向、禁行、限速、道路形态等多个属性信息。示例性的，可以根据主干道进行区域划分，得到多个区域作为地图数据特征提取和融合的研究单元。

本公开实施例中，为了对目标区域中地图兴趣点(Point of Interest，POI)数据进行特征提取，并表征目标区域中各地图POI的关联关系，通过自然语言处理技术中的分布式表示方法，对目标区域中的至少一个地图POI进行特征提取，得到表征目标区域中各地图POI的特征向量，通过分布式表示方法进行特征提取，得到的特征向量中包含了当前地图POI与目标区域中其他地图POI的关联关系，例如，家政服务机构一般设在居住小区附近。具体的，可以提取当前地图POI的至少一项属性数据，进而通过分布式表示方法，将地图POI的其中一项或几项属性数据转换为特征向量，并将该特征向量作为当前地图POI的特征向量，最终将目标区域中全部地图POI的特征向量的集合，作为目标区域的地图POI特征向量。

上述特征向量的生成方式相对于常用的基于地图POI类型来进行特征提取的方式，能够在地图POI类型众多的情况下，降低特征提取难度，且得到的特征向量还能够表征当前地图POI与目标区域中其他地图POI的关联关系，使得特征向量包含的信息更丰富。

示例性的，采用词向量生成模型，将目标区域中任一个地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，最终得到该地图POI的特征向量，其中，地图POI的属性数据可以包括地图POI的名称、类型以及地址等数据，待转换词可以是属性数据中的一项或者多项。通过将目标区域中其他地图POI的属性数据作为上下文，可以得到与其他地图POI具有关联关系的当前地图POI的特征向量，提高特征向量包含特征的丰富性。

S120、通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量。

其中，地图检索数据是根据目标区域中互联网用户的地图检索操作获取的，具体的，地图检索数据是目标区域中互联网用户在地图应用、浏览器或者购物应用等多种应用中进行搜索的文本类型的地图数据。

本公开实施例中，采用自然语言处理技术，对目标区域的地图检索数据进行特征提取，具体的，可以将目标区域中用户的地图检索数据进行分词，得到地图检索数据对应的词语集合，进而根据词语集合，采用自然语言处理技术，得到地图检索数据的特征向量。

示例性的，将地图检索数据对应的词语集合作为文档，输入至文档主题生成模型(Latent Dirichlet Allocation，LDA)，得到至少一个主题的分布概率，最终根据各主题分布概率，得到目标区域的地图检索特征向量。其中，文档主题生成模型是一种非监督机器学习技术，通常用于识别大规模文档集或语料库中的主题信息，将地图检索数据的特征提取问题转化到文档主题生成领域，可以更加准确的表达目标区域中用户感兴趣的地图数据。

S130、根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。

本公开实施例中，在使用目标区域中多维度的地图数据进行数据分类或者数据预测之前，需要对多维度的地图数据进行有效的融合，进而将融合数据输入至深度神经网络模型中来完成地图数据预测或者分类等任务。本实施例中，在得到目标区域的地图POI特征向量和地图检索特征向量后，可以根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。具体的，可以对目标区域中地图POI特征向量和其他地图特征向量进行融合，得到目标区域的融合特征向量；也可以对目标区域中地图检索特征向量和其他地图特征向量进行融合，得到目标区域的融合特征向量；还可以对目标区域中地图POI特征向量、地图检索特征向量以及其他地图特征向量进行融合，得到目标区域的融合特征向量。

其中，对多个维度的地图数据的特征向量进行融合，可以是将多个维度的地图特征向量作为单独通道，同时输入至深度神经网络模型中，完成地图数据分类或者预测任务；还可以是将多个维度的地图特征向量进行拼接，得到一个更宽的特征向量，输入至深度神经网络模型中，完成地图数据分类或者预测任务，通过将多中地图数据进行融合，可以提升深度学习的有效性。

本公开实施例的技术方案，通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量，并通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量，最终根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量，通过自然语言处理技术进行地图数据特征提取和融合，可以得到更丰富的特征信息，提升深度学习的效果。

图2a是本公开实施例中的一种区域特征处理方法的示意图，在上述实施例的基础上进一步细化，提供了通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量的具体步骤，以及通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量的具体步骤。下面结合图2a对本公开实施例提供的一种区域特征处理方法进行说明，包括以下：

S210、采用自然语言处理技术中词向量生成模型，将目标区域中任一地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，得到该地图POI的特征向量。

本公开实施例中，采用自然语言处理技术中词向量生成模型来提取目标区域中地图POI的特征，具体的，将目标区域中任一地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，采用词向量生成模型，来得到该地图POI的特征向量。通过将目标区域中其他地图POI的属性数据作为上下文，可以得到与其他地图POI具有关联关系的当前地图POI的特征向量，提高特征向量包含特征的丰富性。

示例性的，如图2b所示，将目标区域中任一地图POI的属性数据中的类型作为待转换词，进一步的，将目标区域中除该地图POI之外的其他地图POI的类型作为上下文，采用词向量生成模型，将该地图POI的类型转换为特征向量，并将该特征向量作为该地图POI的特征向量。当然，也可以将地图POI的其他至少一项属性数据作为待转换词来获取地图POI的特征向量，例如，地图POI的名称、地址、类型、地图POI描述信息或者评论等。

S220、根据目标区域中各地图POI的特征向量，得到目标区域的地图POI特征向量。

本公开实施例中，按照S210中的特征提取方式，得到目标区域中各地图POI的特征向量后，将目标区域中各地图POI的特征向量的集合，作为目标区域的地图POI特征向量。

S230、对目标区域的地图检索数据进行分词，得到地图检索数据对应的词语集合。

本公开实施例中，地图数据还包括地图检索数据，为了提取目标区域中地图检索数据的特征，需要对获取到的地图检索数据进行分词，得到地图检索数据对应的词语集合，以根据词语集合来获取与地图检索数据对应的特征向量。示例性的，可以采用jieba分词方法，对地图检索数据进行分词，得到地图检索数据对应词语集合。

在对地图检索数据进行分词得到词语集合之前，需要获取目标区域的地图检索数据，具体的，地图检索数据可以是目标区域中用户在任一应用(例如，地图应用、购物应用或者订餐应用等)或者网站的检索数据。示例性的，通过网络爬虫技术，爬取目标区域中用户在移动终端的地图应用或者其他具有搜索功能的应用中搜索的地图数据。

S240、通过自然语言处理技术中文档主题生成模型，确定词语集合中的至少一个主题词的分布概率。

本公开实施例中，在获取到地图检索数据对应的词语集合后，采用自然语言处理技术中文档主题生成模型，来确定词语集合中至少一个主题词的分布概率，具体的，将地图检索数据对应的词语集合作为文档输入至文档主题生成模型中，并设置主题个数、Dirichlet函数超参数、迭代轮数等参数，从而获得文档主题生成模型输出的至少一个主题词的分布概率，即获取到目标区域中地图检索数据对应的主题词分布。

S250、根据至少一个主题词的分布概率，得到目标区域的地图检索特征向量。

本公开实施例中，根据至少一个主题词的分布概率，来确定目标区域的地图检索特征向量，具体的，可以将各主题词的分布概率作为地图检索特征向量的各元素，从而得到依据全部主题词的概率构成的地图检索特征向量。将地图检索数据的特征提取问题转化到文档主题生成领域，可以更加准确的表达目标区域中用户感兴趣的数据。

S260、根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。

本公开实施例的技术方案，采用自然语言处理技术中词向量生成模型，得到该地图POI的特征向量，并根据目标区域中各地图POI的特征向量，得到目标区域的地图POI特征向量，进一步的，对目标区域的地图检索数据进行分词，得到地图检索数据对应的词语集合，通过自然语言处理技术中文档主题生成模型，确定词语集合中的至少一个主题词的分布概率，并根据至少一个主题词的分布概率，得到目标区域的地图检索特征向量，最终根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量，可以将地图数据的特征提取转化成自然语言处理问题，进而得到地图数据对应的特征向量，并依据特征向量进行数据融合，可以得到融合多维度地图数据的特征向量，提升深度学习效果。

图3a是本公开实施例中的一种区域特征处理方法的示意图，在上述实施例的基础上进一步细化，提供了根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量的具体步骤。下面结合图3a对本公开实施例提供的一种区域特征处理方法进行说明，包括以下：

S310、通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量。

S320、通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量。

S330、对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量。

本公开实施例中，地图数据除地图POI数据和地图检索数据之外，还包括一些其他维度的数据，例如，目标区域中用户的定位数据或者街景图像等。为了得到包含信息更丰富的特征向量，可以对多维度的地图数据进行特征融合，在特征融合前，还需要对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量。

S340、对目标区域的地图POI特征向量、目标区域的地图检索特征向量和目标区域的其他地图特征向量进行融合，得到目标区域的融合特征向量。

本可选的实施例中，在得到其他地图特征向量后，对目标区域的地图POI特征向量、目标区域的地图检索特征向量和目标区域的其他地图特征向量进行融合，得到目标区域的融合特征向量，实现将多维度地图数据进行有效融合，可以提高深度学习有效性。

示例性的，将目标区域的地图POI特征向量、目标区域的地图检索特征向量和街景图像特征向量进行拼接，得到目标区域的融合特征向量。

可选的，其他地图数据为地图位置服务数据；

对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量，包括：

根据地图位置服务数据，计算至少一项人口活动特征数据；

对至少一项人口活动特征数据进行归一化处理，得到至少一项人口活动特征数据的归一化结果；

根据至少一项人口活动特征数据的归一化结果，得到目标区域的地图位置服务特征向量；

其中，人口活动特征数据包括如下至少一项：目标区域中人口活动强度、交通出行量、常住人口和就业人口。

本可选的实施例中，设定其他地图数据是地图位置服务数据，并提供一种对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量的方式，具体为，首先根据地图位置服务数据，来计算预先设定的至少一项人口活动特征数据，进一步的，对至少一项人口活动特征数据进行归一化处理，得到上述至少一项人口活动特征数据的归一化结果，最终根据至少一项人口活动数据的归一化结果，构成目标区域的地图位置服务特征向量。其中，人口活动特征数据可以包括目标区域中人口活动强度、交通出行量、常住人口和就业人口中的至少一项。本实施例中，通过获取用户的定位操作，可以准确获取目标区域中的人口活动特征。

在根据地图位置服务数据，计算至少一项人口活动特征数据之前，可以根据目标区域中用户的定位操作获取地图位置服务数据，示例性的，定位操作可以是用户在地图应用或者即时通讯应用中发起的位置共享或者定位等操作。

可选的，其他地图数据为街景图像；

对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量，包括：

对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素；

计算各图像要素在目标街景图像中的要素占比；

根据各图像要素在目标街景图像中的要素占比，得到目标区域的街景图像特征向量。

本可选的实施例中，设定其他地图数据是街景图像，并提供一种对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量的方式，具体为，首先对目标区域的目标街景图像进行图像分割，得到目标街景图像中包含的至少一项图像要素，例如，图像要素包括天空、道路、汽车、建筑和电线杆等，进而计算各图像要素在目标街景图像中的要素占比，最终根据各图像要素在目标街景图像中的要素占比，得到目标区域的街景图像特征向量，该特征向量可以准确表征目标区域中各要素的占比情况，有利于进行目标区域中数据预测和分类。

其中，可以采用街景语义分割技术，对目标街景图像进行图像分割，具体的，街景语义分割技术采用PspNet(Pyramid Scene Parsing Network，金字塔场景解析网络)深度学习算法，其中PspNet网络模型如图3b所示，该网络模型分为三层结构：首先，通过ResNet(Residual Network，残差网络)提取图像特征，其次，构建金字塔四级池化结构，用于对图像的整体和局部特征进行卷积，以进行特征提取，进而对提取特征数据进行上采样，最终输出图像中每个像素的分类结果，进而得到图像中的各图像要素的要素占比，具体如图3c所示，通过将目标街景图像进行语义分割，得到目标街景图像中多个要素的占比，天空要素占比36.5％，道路要素占比19.5％，绿植要素占比5.7％，汽车要素占比11.3％，巴士要素占比2.1％，建筑要素占比23.9％，栅栏要素占比0.5％，电线杆要素占比0.3％，垃圾桶要素占比0％。

在本公开实施例中，为了提高语义分割模型的特征提取和泛化能力，可以首先基于采集的城市街景数据集进行语义分割模型训练，进一步的，将包含标注信息的街景图像输入至语义分割模型进行二次训练，最终获得语义分割模型。

可选的，在对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素之前，还包括：

对原始街景图像进行图像预处理，得到至少一幅目标街景图像；

其中，图像预处理包括如下至少一项：图形切割、随机角度旋转、镜像翻转、光照调整和增加噪声。

本可选的实施例中，在对目标区域的目标街景图像进行像图像分割之前，需要对通过摄像机采集到的原始街景图像进行预处理，以得到上述目标街景图像，预处理过程如下：首先对原始街景图像进行切割，例如，切割为512*512大小，并对切割后的图像进行扩样操作得到至少一幅目标街景图像，例如，扩样操作可以包括随机角度旋转、镜像翻转、光照调整和增加噪声等。通过对原始图像进行切割，可以降低后续语义分割模型训练的内存使用量，并且对切割后的原始街景图像进行扩样操作，可以提高语义分割模型泛化能力。

在得到至少一幅目标街景图像后，可以分别计算各目标街景图像中要素占比，得到各目标街景图像对应的特征向量，进一步的，可以计算各目标街景图像中相应位置的要素占比的平均值，将求取平均值后得到的特征向量作为目标区域的街景图像特征向量。

本公开实施例中，还可以获取目标区域中多幅原始街景图像，并针对原始街景图像进行预处理，进而得到各原始街景图像对应的特征向量，最终可以求取各原始街景如下特征向量对应位置元素平均值，得到最终目标区域的街景图像特征向量。

本公开实施例中，对多维度的地图数据进行特征提取和特征融合的架构如图3d所示，待融合的地图数据可以包括地图路网数据、地图位置服务数据、地图检索数据、地图POI以及街景图像等多个维度，在获取到地图数据后，对数据进行预处理，预处理具体可以包括：根据地图路网数据进行地图分割，得到多个区域，每个区域可作为一个研究单元进行地图数据特征提取和融合；依据地图分割得到的目标区域，将目标区域中的地图位置服务数据进行分词；对地图检索数据和地图POI数据的属性数据进行分词处理；对街景图像进行一系列图像处理，例如，图像锐化和图像配准等。在对多维度的地图数据进行数据预处理后，对数据进行特征提取，特征提取采用的方式可以包括数据的时空描述、文档主题生成模型、词向量生成模型和PspNet等技术。最终，在得到各维度地图数据对应特征向量后，可以对特征向量进行标准化处理，进而采用深度神经网络或者卷积神经网络进行特征融合，得到目标区域的融合特征向量。

本公开实施例的技术方案，通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量，并通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量，进一步的，对目标区域中除所述地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量，最终对目标区域的地图POI特征向量、目标区域的地图检索特征向量和目标区域的其他地图特征向量进行融合，得到目标区域的融合特征向量，可以将多个维度的地图数据进行特征提取和特征融合，得到更加丰富的特征信息，提升深度学习的效果。

图4是本公开实施例中的一种区域特征处理装置的结构示意图，该区域特征处理装置400，包括：地图POI特征向量获取模块410、地图检索特征向量获取模块420和融合特征向量获取模块430。

地图POI特征向量获取模块410，用于通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；

地图检索特征向量获取模块420，用于通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；

融合特征向量获取模块430，用于根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量。

本公开实施例的技术方案，通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量，并通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量，最终根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量，通过自然语言处理技术进行地图数据特征提取和融合，可以得到更丰富的特征信息，提升深度学习的效果。

可选的，地图POI特征向量获取模块410，包括：

局部地图POI特征向量获取单元，用于采用自然语言处理技术中词向量生成模型，将目标区域中任一地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，得到该地图POI的特征向量；

地图POI特征向量获取单元，用于根据目标区域中各地图POI的特征向量，得到目标区域的地图POI特征向量。

可选的，地图检索特征向量获取模块420，包括：

词语集合获取单元，用于对目标区域的地图检索数据进行分词，得到地图检索数据对应的词语集合；

分布概率确定单元，用于通过自然语言处理技术中文档主题生成模型，确定所述词语集合中的至少一个主题词的分布概率；

地图检索特征向量获取单元，用于根据所述至少一个主题词的分布概率，得到目标区域的地图检索特征向量。

可选的，融合特征向量获取模块430，包括：

其他地图特征向量获取单元，用于对目标区域中除所述地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量；

融合特征向量获取单元，用于对所述目标区域的地图POI特征向量、所述目标区域的地图检索特征向量和所述目标区域的其他地图特征向量进行融合，得到所述目标区域的融合特征向量。

可选的，其他地图数据为地图位置服务数据；

其他地图特征向量获取单元，包括：

人口活动特征数据计算子单元，用于根据所述地图位置服务数据，计算至少一项人口活动特征数据；

数据归一化子单元，用于对所述至少一项人口活动特征数据进行归一化处理，得到至少一项人口活动特征数据的归一化结果；

地图位置服务特征向量获取子单元，用于根据所述至少一项人口活动特征数据的归一化结果，得到目标区域的地图位置服务特征向量；

其中，所述人口活动特征数据包括如下至少一项：目标区域中人口活动强度、交通出行量、常住人口和就业人口。

可选的，其他地图数据为街景图像；

其他地图特征向量获取单元，包括：

图像要素获取子单元，用于对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素；

要素占比计算子单元，用于计算各图像要素在目标街景图像中的要素占比；

街景图像特征向量获取子单元，用于根据各图像要素在目标街景图像中的要素占比，得到目标区域的街景图像特征向量。

可选的，其他地图特征向量获取单元，还包括：

目标街景图像获取子单元，用于在对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素之前，对原始街景图像进行图像预处理，得到至少一幅目标街景图像；

其中，所述图像预处理包括如下至少一项：图形切割、随机角度旋转、镜像翻转、光照调整和增加噪声。

本公开实施例所提供的区域特征处理装置可执行本公开任意实施例所提供的区域特征处理方法，具备执行方法相应的功能模块和有益效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如区域特征处理方法。例如，在一些实施例中，区域特征处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的区域特征处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行区域特征处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种区域特征处理方法，包括：

通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；

通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；

根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量；

其中，所述通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量，包括：

采用自然语言处理技术中词向量生成模型，将目标区域中任一地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，得到该地图POI的特征向量；

根据目标区域中各地图POI的特征向量，得到目标区域的地图POI特征向量；

所述根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量，包括：

对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量；所述其他地图数据为地图位置服务数据或者街景图像；

对所述目标区域的地图POI特征向量、所述目标区域的地图检索特征向量和所述目标区域的其他地图特征向量进行融合，得到所述目标区域的融合特征向量。

2.根据权利要求1所述的方法，其中，所述通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量，包括：

对目标区域的地图检索数据进行分词，得到地图检索数据对应的词语集合；

通过自然语言处理技术中文档主题生成模型，确定所述词语集合中的至少一个主题词的分布概率；

根据所述至少一个主题词的分布概率，得到目标区域的地图检索特征向量。

3.根据权利要求1所述的方法，其中，所述对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量，包括：

根据所述地图位置服务数据，计算至少一项人口活动特征数据；

对所述至少一项人口活动特征数据进行归一化处理，得到至少一项人口活动特征数据的归一化结果；

根据所述至少一项人口活动特征数据的归一化结果，得到目标区域的地图位置服务特征向量；

其中，所述人口活动特征数据包括如下至少一项：目标区域中人口活动强度、交通出行量、常住人口和就业人口。

4.根据权利要求1所述的方法，其中，所述对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量，包括：

对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素；

计算各图像要素在目标街景图像中的要素占比；

根据各图像要素在目标街景图像中的要素占比，得到目标区域的街景图像特征向量。

5.根据权利要求4所述的方法，在对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素之前，还包括：

对原始街景图像进行图像预处理，得到至少一幅目标街景图像；

其中，所述图像预处理包括如下至少一项：图形切割、随机角度旋转、镜像翻转、光照调整和增加噪声。

6.一种区域特征处理装置，包括：

地图POI特征向量获取模块，用于通过自然语言处理技术，对目标区域的地图兴趣点POI数据进行特征提取，得到目标区域的地图POI特征向量；

地图检索特征向量获取模块，用于通过自然语言处理技术，对目标区域的地图检索数据进行特征提取，得到目标区域的地图检索特征向量；

融合特征向量获取模块，用于根据目标区域的地图POI特征向量和/或目标区域的地图检索特征向量，得到目标区域的融合特征向量；

其中，所述地图POI特征向量获取模块，包括：

局部地图POI特征向量获取单元，用于采用自然语言处理技术中词向量生成模型，将目标区域中任一地图POI的属性数据作为待转换词，将目标区域中除该地图POI之外的其他地图POI的属性数据作为上下文，得到该地图POI的特征向量；

地图POI特征向量获取单元，用于根据目标区域中各地图POI的特征向量，得到目标区域的地图POI特征向量；

所述融合特征向量获取模块，包括：

其他地图特征向量获取单元，用于对目标区域中除地图POI数据和地图检索数据之外的其他地图数据进行特征提取，得到目标区域的其他地图特征向量；所述其他地图数据为地图位置服务数据或者街景图像；

融合特征向量获取单元，用于对所述目标区域的地图POI特征向量、所述目标区域的地图检索特征向量和所述目标区域的其他地图特征向量进行融合，得到所述目标区域的融合特征向量。

7.根据权利要求6所述的装置，其中，所述地图检索特征向量获取模块，包括：

词语集合获取单元，用于对目标区域的地图检索数据进行分词，得到地图检索数据对应的词语集合；

分布概率确定单元，用于通过自然语言处理技术中文档主题生成模型，确定所述词语集合中的至少一个主题词的分布概率；

地图检索特征向量获取单元，用于根据所述至少一个主题词的分布概率，得到目标区域的地图检索特征向量。

8.根据权利要求6所述的装置，其中，所述其他地图特征向量获取单元，包括：

人口活动特征数据计算子单元，用于根据所述地图位置服务数据，计算至少一项人口活动特征数据；

数据归一化子单元，用于对所述至少一项人口活动特征数据进行归一化处理，得到至少一项人口活动特征数据的归一化结果；

地图位置服务特征向量获取子单元，用于根据所述至少一项人口活动特征数据的归一化结果，得到目标区域的地图位置服务特征向量；

其中，所述人口活动特征数据包括如下至少一项：目标区域中人口活动强度、交通出行量、常住人口和就业人口。

9.根据权利要求6所述的装置，其中，所述其他地图特征向量获取单元，包括：

图像要素获取子单元，用于对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素；

要素占比计算子单元，用于计算各图像要素在目标街景图像中的要素占比；

街景图像特征向量获取子单元，用于根据各图像要素在目标街景图像中的要素占比，得到目标区域的街景图像特征向量。

10.根据权利要求9所述的装置，其中，所述其他地图特征向量获取单元，还包括：

目标街景图像获取子单元，用于在对目标区域的目标街景图像进行像图像分割，得到目标街景图像中包含的至少一项图像要素之前，对原始街景图像进行图像预处理，得到至少一幅目标街景图像；

其中，所述图像预处理包括如下至少一项：图形切割、随机角度旋转、镜像翻转、光照调整和增加噪声。

11. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的区域特征处理方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的区域特征处理方法。