CN113312442B - 一种智慧城市电子地图生成方法和系统 - Google Patents

Abstract

本申请涉及人工智能技术领域，应用于智慧城市领域中，公开了一种智慧城市电子地图生成方法和装置，调取初始电子地图；计算出基础设施区域密度；计算出数据采集器区域密度；筛选出多个边缘区域；得到多个地形相似度值；得到多个边缘区域组；组成多个移动轨迹组；得到多个样本轨迹组；将所述多个样本轨迹组输入神经网络模型中进行训练，以得到故障区域预测模型；生成多条当前移动轨迹；得到故障区域预测模型输出的预测结果；若预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，实现了生成具有边缘自适应性的智慧城市电子地图的目的。

Description

一种智慧城市电子地图生成方法和系统

技术领域

本申请涉及到计算机领域，特别是涉及到一种具有边缘自适应性的智慧城市电子地图生成方法和系统。

背景技术

智慧城市存在一些边缘区域，在这些边缘区域中，基础设施和数据采集器较少，其中，数据采集器更少。这些边缘区域可能是由于智慧城市发展过程中呈现的，例如在智慧城市的扩张过程中产生的。

智慧城市电子地图需要反应这些区域的基础设施的运作状态，进而进行针对性地决策。传统的智慧城市电子地图生成方案，需要大量的数据采集器采集到的数据，以确定对应区域的状态。而对于边缘区域而言，其数据采集器数量不足，因此传统方案无法及时且准确地生成包括边缘区域的智慧城市电子地图。

发明内容

本申请提出一种具有边缘自适应性的智慧城市电子地图生成方法，包括以下步骤：

S1、调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

S2、根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

S3、根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

S4、根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

S5、根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S6、获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

S7、标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

S8、将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

S9、获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

S10、将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

S11、判断所述预测结果是否为故障；

S12、若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

具体地，所述根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组的步骤S5，包括：

S501、进行第一次配对处理，以第一个边缘区域为核心，构建第一个边缘区域组，使得所述第一个边缘区域组中的除所述第一个边缘区域之外的其他边缘区域，与所述第一个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S502、进行第二次配对处理，以第二个边缘区域为核心，构建第二个边缘区域组，使得所述第二个边缘区域组中的除所述第二个边缘区域之外的其他边缘区域，与所述第二个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第二个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S503、进行第i次配对处理，以第i个边缘区域为核心，构建第i个边缘区域组，使得所述第i个边缘区域组中的除所述第i个边缘区域之外的其他边缘区域，与所述第i个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第i个边缘区域组中的所有边缘区域中的基础设施的位置相同，直到完成第n次配对处理；其中，多个边缘区域的数量为n个，i为小于等于n且大于2的整数。

具体地，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8之前，包括：

S71、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组；

S72、根据所述多个修改后边缘区域组，对所述多个样本轨迹组进行对应更新处理，以得到多个更新后样本轨迹组；

S73、将所述多个更新后样本轨迹组记为扩充用的训练数据。

具体地，所述对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组的步骤S71，包括：

S711、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第一比例进行范围扩充处理，以得到多个扩充后边缘区域组；

S712、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第二比例进行范围缩小处理，以得到多个缩小后边缘区域组；

S713、采用所述多个扩充后边缘区域组和所述多个缩小后边缘区域组共同组成多个修改后边缘区域组。

具体地，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8，包括：

S801、将所述多个样本轨迹组划分为训练数据组和验证数据组；

S802、将所述训练数据组，输入预设的神经网络模型中进行训练，以得到暂时故障区域预测模型；

S803、采用所述验证数据组对所述暂时故障区域预测模型进行验证处理，并判断验证结果是否合格；

S804、若验证结果是否合格，则将所述暂时故障区域预测模型记为最终的故障区域预测模型。

本申请提供一种具有边缘自适应性的智慧城市电子地图生成系统，包括：

初始电子地图调取单元，用于调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

区域密度计算单元，用于根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

边缘区域筛选单元，用于根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

地形相似度值计算单元，用于根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

边缘区域配对单元，用于根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

移动轨迹组生成单元，用于获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

样本轨迹组获取单元，用于标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

故障区域预测模型获取单元，用于将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

当前移动轨迹生成单元，用于获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

预测结果输出单元，用于将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

预测结果判断单元，用于判断所述预测结果是否为故障；

状态变更单元，用于若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

本申请的具有边缘自适应性的智慧城市电子地图生成方法和装置，调取初始电子地图；计算出与所述多个区域对应的多个基础设施区域密度；计算出与所述多个区域对应的多个数据采集器区域密度；从所述多个区域中筛选出多个边缘区域；得到多个地形相似度值；进行配对处理，以得到多个边缘区域组；生成对应的多条历史移动轨迹，并组成多个移动轨迹组；得到多个样本轨迹组；将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；得到所述故障区域预测模型输出的预测结果；若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，实现了生成具有边缘自适应性的智慧城市电子地图。

附图说明

图1为本申请智慧城市电子地图生成方法的流程示意图；

图2为本申请智慧城市电子地图生成装置的结构示意框图；

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

实施例1:

参照图1，本实施例提供了一种具有边缘自适应性的智慧城市电子地图生成方法，包括以下步骤：

S1、调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

S2、根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

S3、根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

S4、根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

S5、根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S6、获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

S7、标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

S8、将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

S9、获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

S10、将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

S11、判断所述预测结果是否为故障；

S12、若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

本申请可用任意可行的执行主体来实施，例如可采用智慧城市的服务器来实施本申请的方案。本申请的具有边缘自适应性的智慧城市电子地图，指的是智慧城市中的边缘区域，其具有自适应更新状态的能力，而传统的方案，对于这些边缘区域，需要人工现场确定边缘区域的运行状态，因此相对而言，本申请的智慧城市电子地图具有边缘自适应性。

本申请依据的是自然人对环境变化的行为择优选择的自然规律，具体而言：

智慧城市中的基础设施，例如照明设施等，用于服务市民。对于某个具体的区域而言，其中的基础设施大部分故障，则市民将对应改变行为习惯，例如移动轨迹等。举例而言，当某些路灯故障，将导致部分路段照明不足，因此市民将对应改变移动轨迹。而对于市民而言，随身携带终端已是习惯。因此，本申请能够在缺乏足够的数据采集器的情况下，仍实现边缘区域的状态确定，进而实现具有边缘自适应性的智慧城市电子地图生成。

如上所述，调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域。

对于初始电子地图而言，若某个区域的基础设施和数据采集器数量若较多，则可以采用直接的方式获取数据采集器采集到的数据，以确定该区域的运行状态；若某个区域的基础设施和数据采集器数量若较少，则采用本申请的方式进行电子地图的生成。而具体确定哪些区域为边缘区域，对于初始电子地图而言，其是无法预先标定的，因为随着智慧城市的扩大，以及后期设施的逐渐布设，原本的边缘区域也可能逐渐变为非边缘区域。因此，本申请需要进行边缘区域的确定。另外，本申请中初始电子地图划分的区域大小可根据实际需要调整，区域越小，则后续每个边缘区域组中的成员越多，其计算准确性越高，但计算量越大；反之，区域越大，则后续每个边缘区域组中的成员越少，其计算压力下降。

具体的确定非边缘区域的过程采用了基础设施区域密度的计算公式和数据采集器区域密度的计算公式。再进一步根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域。其中，第一筛选规则反应了基础设施区域密度相对于数据采集器区域密度更大（相对于其他核心城区而言），这是边缘区域的一个特征；第二筛选规则反应了基础设施区域密度相对而言较小，这是边缘区域的另外一个特征。

如上述步骤S4-S7所述，根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障。

初始电子地图中同样反应了地形，而本申请的初始电子地图是针对于智慧城市的电子地图，因此其中的地形还包括了建筑物。地形相似度计算可采用任意可行方式实现，在此不再赘述。为了便于城市化管理，可以对城市采用模块化建设的方式，这样将存在多个相似甚至于相同的区域，因此进一步地，可以采用人工进行地形相似度的标定，以确定不同边缘区域之间的相似度值。

在进行边缘区域组的构建时，实际要考虑的是不同区域之间的相似性。而要构建边缘区域组，这是本申请的一个特点，原因在于，边缘区域相对于核心城区而言，不仅基础设施少，市民更少。若以单个边缘区域为单位，而不是构建边缘区域组的话，后续的移动轨迹的数据会较少，不利于后续的模型训练。因此本申请采用构建边缘区域组的方式，使得相似的边缘区域组成同一个边缘区域组，从而提高了整体方案的准确性。

对应地，历史定位数据与历史移动轨迹等数据，最终也要构成多个移动轨迹组，以匹配前文的边缘区域组的设计。并且，至少存在多个第一历史定位数据是在基础设备故障时采集得到的，这使得故障的区域能够得到预测。另外，为了提高数据量，本申请还可以将其他智慧城市的相关数据作为训练数据使用，但是需要注意的是，其他智慧城市的市民应当与本申请应用的智慧城市的市民具有较高的相似性，例如具有相同的行为特性。再标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障，从而得到模型的训练数据。

进一步地，所述根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组的步骤S5，包括：

S501、进行第一次配对处理，以第一个边缘区域为核心，构建第一个边缘区域组，使得所述第一个边缘区域组中的除所述第一个边缘区域之外的其他边缘区域，与所述第一个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S502、进行第二次配对处理，以第二个边缘区域为核心，构建第二个边缘区域组，使得所述第二个边缘区域组中的除所述第二个边缘区域之外的其他边缘区域，与所述第二个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第二个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S503、进行第i次配对处理，以第i个边缘区域为核心，构建第i个边缘区域组，使得所述第i个边缘区域组中的除所述第i个边缘区域之外的其他边缘区域，与所述第i个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第i个边缘区域组中的所有边缘区域中的基础设施的位置相同，直到完成第n次配对处理；其中，多个边缘区域的数量为n个，i为小于等于n且大于2的整数。

从而使得边缘区域组的适应性更强。通过本申请的多个边缘区域组的依次构建，使得不同边缘区域组之间可以出现重叠的现象，即，第一边缘区域组包括第一边缘区域和第五边缘区域，第二边缘区域组包括第二边缘区域和第五边缘区域。而产生这种现象的原因在于，不同边缘区域组的对比对象不同，即核心不同。这有利于训练数据的构建。

如上述步骤S8-S12所述，将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；判断所述预测结果是否为故障；若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

其中，神经网络模型可采用任意可行模型，例如为卷积神经网络模型，长短基记忆网络模型，BP神经网络模型等等。采用有监督学习的方式进行训练，是指训练数据中进行了人工标注，类似于在指导的方式下进行学习。反向传播算法是适合于多层神经元网络的一种学习算法，其建立在梯度下降法的基础上，尤其适用于多隐层的网络层结构，本申请采用反向传播算法以保证训练速度。

再获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹。当前移动轨迹则反应了市民对于该边缘区域的基础设施状态的反应。再利用故障区域预测模型对所述多条当前移动轨迹进行处理，即可得知区域是否属于故障状态。若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程；反之，则不对初始电子地图中的边缘区域的状态作变更处理。

另外，本申请的模型训练过程中，可以采用特有的轮次训练方式，即以单个样本轨迹组为单位，进行轮次训练，以提高模型训练的准确性，这也是本申请采用样本轨迹组的设计的原因。

进一步地，本申请可以采用多模型的设计，即针对于每个边缘区域组均训练出一个对应模型，这样每个模型的针对性更强，并且优选使用更多的数据扩充处理。

进一步地，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8之前，包括：

S71、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组；

S72、根据所述多个修改后边缘区域组，对所述多个样本轨迹组进行对应更新处理，以得到多个更新后样本轨迹组；

S73、将所述多个更新后样本轨迹组记为扩充用的训练数据。

由于智慧城市中的边缘区域相对较少，因此为了保证训练数据的数量，除了可以从其他智慧城市中获取训练数据外，本申请还采用了数据扩充的方式，在原来训练数据的基础上，扩充出新的训练数据。具体地，由于本申请的训练数据是与区域的范围相关的，而区域的范围进行少量变动，是不会影响区域的本质的，即，A区域为边缘区域，若将A区域的范围扩大百分之一，其可能仍属于边缘区域，但是其对应的样本轨迹组就发生了变化，相当于扩充得到了新的训练数据。

进一步地，所述对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组的步骤S71，包括：

S711、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第一比例进行范围扩充处理，以得到多个扩充后边缘区域组；

S712、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第二比例进行范围缩小处理，以得到多个缩小后边缘区域组；

S713、采用所述多个扩充后边缘区域组和所述多个缩小后边缘区域组共同组成多个修改后边缘区域组。

其中，范围修改包括按比例扩充与按比例缩小。通过扩充和缩小处理后，改变了边缘区域组的范围，因此也改变了训练数据，实现了数据的扩充。

进一步地，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8，包括：

S801、将所述多个样本轨迹组划分为训练数据组和验证数据组；

S802、将所述训练数据组，输入预设的神经网络模型中进行训练，以得到暂时故障区域预测模型；

S803、采用所述验证数据组对所述暂时故障区域预测模型进行验证处理，并判断验证结果是否合格；

S804、若验证结果是否合格，则将所述暂时故障区域预测模型记为最终的故障区域预测模型。

由于神经网络模型的训练实际上是包括训练和验证的过程，而训练和验证的数据应当相同，因此先从样本轨迹组中划分出训练数据和验证数据，其划分比例可为任意可行比例，例如为9.5:0.5等。再进行训练与验证的过程，以在验证合格后，得到最终的故障区域预测模型。

本申请的具有边缘自适应性的智慧城市电子地图生成方法，调取初始电子地图；计算出与所述多个区域对应的多个基础设施区域密度；计算出与所述多个区域对应的多个数据采集器区域密度；从所述多个区域中筛选出多个边缘区域；得到多个地形相似度值；进行配对处理，以得到多个边缘区域组；生成对应的多条历史移动轨迹，并组成多个移动轨迹组；得到多个样本轨迹组；将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；得到所述故障区域预测模型输出的预测结果；若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，实现了生成具有边缘自适应性的智慧城市电子地图。

实施例2：

参照图2，本实施例提供了一种用于实现实施例1所述智慧城市电子地图生成方法的智慧城市电子地图生成系统，其包括：

初始电子地图调取单元，用于调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

区域密度计算单元，用于根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

边缘区域筛选单元，用于根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

地形相似度值计算单元，用于根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

边缘区域配对单元，用于根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

移动轨迹组生成单元，用于获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

样本轨迹组获取单元，用于标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

故障区域预测模型获取单元，用于将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

当前移动轨迹生成单元，用于获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

预测结果输出单元，用于将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

预测结果判断单元，用于判断所述预测结果是否为故障；

状态变更单元，用于若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

在一个实施方式中，所述根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组，包括：

进行第一次配对处理，以第一个边缘区域为核心，构建第一个边缘区域组，使得所述第一个边缘区域组中的除所述第一个边缘区域之外的其他边缘区域，与所述第一个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

进行第二次配对处理，以第二个边缘区域为核心，构建第二个边缘区域组，使得所述第二个边缘区域组中的除所述第二个边缘区域之外的其他边缘区域，与所述第二个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第二个边缘区域组中的所有边缘区域中的基础设施的位置相同；

进行第i次配对处理，以第i个边缘区域为核心，构建第i个边缘区域组，使得所述第i个边缘区域组中的除所述第i个边缘区域之外的其他边缘区域，与所述第i个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第i个边缘区域组中的所有边缘区域中的基础设施的位置相同，直到完成第n次配对处理；其中，多个边缘区域的数量为n个，i为小于等于n且大于2的整数。

在一个实施方式中，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型之前，包括：

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组；

根据所述多个修改后边缘区域组，对所述多个样本轨迹组进行对应更新处理，以得到多个更新后样本轨迹组；

将所述多个更新后样本轨迹组记为扩充用的训练数据。

在一个实施方式中，所述对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组，包括：

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第一比例进行范围扩充处理，以得到多个扩充后边缘区域组；

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第二比例进行范围缩小处理，以得到多个缩小后边缘区域组；

采用所述多个扩充后边缘区域组和所述多个缩小后边缘区域组共同组成多个修改后边缘区域组。

在一个实施方式中，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型，包括：

将所述多个样本轨迹组划分为训练数据组和验证数据组；

将所述训练数据组，输入预设的神经网络模型中进行训练，以得到暂时故障区域预测模型；

采用所述验证数据组对所述暂时故障区域预测模型进行验证处理，并判断验证结果是否合格；

若验证结果是否合格，则将所述暂时故障区域预测模型记为最终的故障区域预测模型。

其中上述单元分别用于执行的操作与前述实施方式的具有边缘自适应性的智慧城市电子地图生成方法的步骤一一对应，在此不再赘述。

本申请的具有边缘自适应性的智慧城市电子地图生成装置，调取初始电子地图；计算出与所述多个区域对应的多个基础设施区域密度；计算出与所述多个区域对应的多个数据采集器区域密度；从所述多个区域中筛选出多个边缘区域；得到多个地形相似度值；进行配对处理，以得到多个边缘区域组；生成对应的多条历史移动轨迹，并组成多个移动轨迹组；得到多个样本轨迹组；将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；得到所述故障区域预测模型输出的预测结果；若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，实现了生成具有边缘自适应性的智慧城市电子地图。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种智慧城市电子地图生成方法，其特征在于，包括：

S1、调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

S2、根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

S3、根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

S4、根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

S5、根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S6、获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

S7、标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

S8、将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

S9、获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

S10、将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

S11、判断所述预测结果是否为故障；

S12、若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

2.根据权利要求1所述的智慧城市电子地图生成方法，其特征在于，所述根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组的步骤S5，包括：

S501、进行第一次配对处理，以第一个边缘区域为核心，构建第一个边缘区域组，使得所述第一个边缘区域组中的除所述第一个边缘区域之外的其他边缘区域，与所述第一个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S502、进行第二次配对处理，以第二个边缘区域为核心，构建第二个边缘区域组，使得所述第二个边缘区域组中的除所述第二个边缘区域之外的其他边缘区域，与所述第二个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第二个边缘区域组中的所有边缘区域中的基础设施的位置相同；

S503、进行第i次配对处理，以第i个边缘区域为核心，构建第i个边缘区域组，使得所述第i个边缘区域组中的除所述第i个边缘区域之外的其他边缘区域，与所述第i个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第i个边缘区域组中的所有边缘区域中的基础设施的位置相同，直到完成第n次配对处理；其中，多个边缘区域的数量为n个，i为小于等于n且大于2的整数。

3.根据权利要求1所述的智慧城市电子地图生成方法，其特征在于，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8之前，包括：

S71、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组；

S72、根据所述多个修改后边缘区域组，对所述多个样本轨迹组进行对应更新处理，以得到多个更新后样本轨迹组；

S73、将所述多个更新后样本轨迹组记为扩充用的训练数据。

4.根据权利要求3所述的智慧城市电子地图生成方法，其特征在于，所述对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组的步骤S71，包括：

S711、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第一比例进行范围扩充处理，以得到多个扩充后边缘区域组；

S712、对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第二比例进行范围缩小处理，以得到多个缩小后边缘区域组；

S713、采用所述多个扩充后边缘区域组和所述多个缩小后边缘区域组共同组成多个修改后边缘区域组。

5.根据权利要求1所述的智慧城市电子地图生成方法，其特征在于，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型的步骤S8，包括：

S801、将所述多个样本轨迹组划分为训练数据组和验证数据组；

S802、将所述训练数据组，输入预设的神经网络模型中进行训练，以得到暂时故障区域预测模型；

S803、采用所述验证数据组对所述暂时故障区域预测模型进行验证处理，并判断验证结果是否合格；

S804、若验证结果是否合格，则将所述暂时故障区域预测模型记为最终的故障区域预测模型。

6.一种智慧城市电子地图生成系统，其特征在于，包括：

初始电子地图调取单元，用于调取预先构建的对应于智慧城市的初始电子地图；所述初始电子地图中标记有智慧城市的基础设施的位置和数据采集器的位置；所述初始电子地图预先划分为多个区域；

区域密度计算单元，用于根据公式：基础设施区域密度=区域基础设施的数量/区域面积，计算出与所述多个区域对应的多个基础设施区域密度；同时根据公式：数据采集器区域密度=区域数据采集器的数量/区域面积，计算出与所述多个区域对应的多个数据采集器区域密度；

边缘区域筛选单元，用于根据基础设施区域密度与数据采集器区域密度的比值大于预设的比例阈值的第一筛选规则，并且根据基础设施区域密度小于预设的密度阈值的第二筛选规则，从所述多个区域中筛选出多个边缘区域；

地形相似度值计算单元，用于根据预设的地形相似度计算方法，对所述多个边缘区域进行相似度计算，以得到多个地形相似度值；

边缘区域配对单元，用于根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组；其中，每个边缘区域组中至少包括两个边缘区域，并且同一个边缘区域组中的所有边缘区域彼此之间的地形相似度值均小于预设的相似度阈值，同一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

移动轨迹组生成单元，用于获取所述多个边缘区域组中的多个个人终端的第一历史定位数据，并根据所述第一历史定位数据，生成对应的多条历史移动轨迹，并组成多个移动轨迹组；其中，至少存在多个第一历史定位数据是在基础设备故障时采集得到的；同一个移动轨迹组的历史移动轨迹来自于同一个边缘区域组；

样本轨迹组获取单元，用于标记出所述多个移动轨迹组对应的区域状态，从而得到多个样本轨迹组；其中，所述区域状态为故障或者无故障；

故障区域预测模型获取单元，用于将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型；其中，所述神经网络模型采用有监督学习的方式进行训练，并采用反向传播算法更新各个网络层的参数；

当前移动轨迹生成单元，用于获取待更新的边缘区域中多个个人终端在指定时间窗口中的定位数据，并对应生成多条当前移动轨迹；其中，所述指定时间窗口的右端点为当前时间；

预测结果输出单元，用于将所述多条当前移动轨迹输入所述故障区域预测模型中进行处理，从而得到所述故障区域预测模型输出的预测结果；其中，所述预测结果包括故障或者无故障；

预测结果判断单元，用于判断所述预测结果是否为故障；

状态变更单元，用于若所述预测结果为故障，则将所述初始电子地图中所述待更新的边缘区域的状态变更为故障状态，从而完成具有边缘自适应性的智慧城市电子地图生成过程。

7.根据权利要求6所述的智慧城市电子地图生成系统，其特征在于，所述根据所述多个地形相似度值和基础设施的位置，对所述多个边缘区域进行配对处理，以得到多个边缘区域组，包括：

进行第一次配对处理，以第一个边缘区域为核心，构建第一个边缘区域组，使得所述第一个边缘区域组中的除所述第一个边缘区域之外的其他边缘区域，与所述第一个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第一个边缘区域组中的所有边缘区域中的基础设施的位置相同；

进行第二次配对处理，以第二个边缘区域为核心，构建第二个边缘区域组，使得所述第二个边缘区域组中的除所述第二个边缘区域之外的其他边缘区域，与所述第二个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第二个边缘区域组中的所有边缘区域中的基础设施的位置相同；

进行第i次配对处理，以第i个边缘区域为核心，构建第i个边缘区域组，使得所述第i个边缘区域组中的除所述第i个边缘区域之外的其他边缘区域，与所述第i个边缘区域之间的地形相似度值均小于预设的相似度阈值，并且所述第i个边缘区域组中的所有边缘区域中的基础设施的位置相同，直到完成第n次配对处理；其中，多个边缘区域的数量为n个，i为小于等于n且大于2的整数。

8.根据权利要求6所述的智慧城市电子地图生成系统，其特征在于，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型之前，包括：

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组；

根据所述多个修改后边缘区域组，对所述多个样本轨迹组进行对应更新处理，以得到多个更新后样本轨迹组；

将所述多个更新后样本轨迹组记为扩充用的训练数据。

9.根据权利要求8所述的智慧城市电子地图生成系统，其特征在于，所述对所述多个样本轨迹组分别对应的多个边缘区域组的范围，进行预设的范围修改处理，以得到多个修改后边缘区域组，包括：

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第一比例进行范围扩充处理，以得到多个扩充后边缘区域组；

对所述多个样本轨迹组分别对应的多个边缘区域组的范围，分别按预设的第二比例进行范围缩小处理，以得到多个缩小后边缘区域组；

采用所述多个扩充后边缘区域组和所述多个缩小后边缘区域组共同组成多个修改后边缘区域组。

10.根据权利要求6所述的智慧城市电子地图生成系统，其特征在于，所述将所述多个样本轨迹组输入预设的神经网络模型中进行训练，以得到故障区域预测模型，包括：

将所述多个样本轨迹组划分为训练数据组和验证数据组；

将所述训练数据组，输入预设的神经网络模型中进行训练，以得到暂时故障区域预测模型；采用所述验证数据组对所述暂时故障区域预测模型进行验证处理，并判断验证结果是否合格；

若验证结果是否合格，则将所述暂时故障区域预测模型记为最终的故障区域预测模型。

Images