CN113392859A - 一种确定城市功能区域的类型的方法及装置 - Google Patents
一种确定城市功能区域的类型的方法及装置 Download PDFInfo
- Publication number
- CN113392859A CN113392859A CN202010165711.XA CN202010165711A CN113392859A CN 113392859 A CN113392859 A CN 113392859A CN 202010165711 A CN202010165711 A CN 202010165711A CN 113392859 A CN113392859 A CN 113392859A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- city
- image data
- sensing image
- satellite remote
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 87
- 238000003062 neural network model Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 238000003672 processing method Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000011176 pooling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于数据处理技术领域，提供了一种确定城市功能区域的类型的方法，包括：获取目标城市中城市功能区域的卫星遥感影像数据；对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；获取用户在目标城市的到访行为数据；对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；根据所述输出值确定目标城市中城市功能区域的类型。本申请通过预训练模型对卫星遥感影像数据和到访行为数据进行处理确定目标城市中城市功能区域的类型的结果，提高了确定结果的准确性。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种确定城市功能区域的类型的方法及装置。
背景技术
随着科学和经济的飞速发展，城市的发展也越来越快，相应的智慧化城市的应用面越来越广。其中，通过对城市进行智能划分和管理，进一步推动城市经济的发展，成为了城市循环发展的一个重要环节。
目前，城市的划分方法主要是通过深度学习图像分类算法卫星拍摄的遥感影像进行划分，由于部分的遥感图像清晰度较低，因此，影响到了深度学习图像分类算法的分析能力，进而使得城市功能区域的类型的划分的准确率不高，
发明内容
本申请实施例提供了一种确定城市功能区域的类型的方法及装置，可以解决现有技术进行城市功能区域的类型的划分的准确率不高的问题。
第一方面，本申请实施例提供了一种确定城市功能区域的类型的方法，包括：
获取目标城市中城市功能区域的卫星遥感影像数据；
对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；
获取用户在目标城市的到访行为数据；
对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；
根据所述输出值确定目标城市中城市功能区域的类型。
在一个实施例中，所述对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量，包括：
对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
在一个实施例中，所述对所述卫星遥感影像数据进行处理进行预处理，获得预处理后的卫星遥感影像数据，包括：
通过图像增强方法对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；其中，所述图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
在一个实施例中，所述对所述到访行为数据进行处理，获得所述到访行为数据的特征向量，包括：
将所述到访行为数据转化为矩阵；
通过第二神经网络模型对所述矩阵进行训练，获得到访行为数据的特征向量。
在一个实施例中，所述将所述到访行为数据转化为矩阵，包括：
提取所述到访行为数据的时间节点；
将所述时间节点转化为时间节点矩阵。
在一个实施例中，所述预训练模型为多模融合模型。
所述根据所述输出值确定目标城市中城市功能区域的类型，包括：
通过多模融合模型对所述卫星遥感影像数据的特征向量和到访行为数据的特征向量进行全连接处理，获得城市功能区域的类型的输出值；
根据所述城市功能区域的类型的输出值，计算所述城市功能区域对应不同类型的概率值，根据所述城市功能区域的类型的概率值确定目标城市中城市功能区域的类型。
第二方面，本申请实施例提供了一种确定城市功能区域的类型的装置，包括：
第一获取模块，用于获取目标城市中城市功能区域的卫星遥感影像数据；
第一处理模块，用于对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；
第二获取模块，用于获取用户在目标城市的到访行为数据；
第二处理模块，用于对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
数据处理模块，用于以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；
确定模块，用于根据所述输出值确定目标城市中城市功能区域的类型。
在一个实施例中，所述第一处理模块，包括：
预处理单元，用于对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
第一处理单元，用于通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
在一个实施例中，所述预处理单元，包括：
预处理子单元，用于通过图像增强方法对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；其中，所述图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
在一个实施例中，所述第二处理模块，包括：
矩阵转化单元，用于将所述到访行为数据转化为矩阵；
第二处理单元，用于通过第二神经网络模型对所述矩阵进行训练，获得到访行为数据的特征向量。
在一个实施例中，所述矩阵转化单元，包括：
提取子单元，用于提取所述到访行为数据的时间节点；
转化子单元，用于将所述时间节点转化为时间节点矩阵。
在一个实施例中，所述预训练模型为多模融合模型；
所述数据处理模块，包括：
全连接处理单元，用于通过多模融合模型对所述卫星遥感影像数据的特征向量和到访行为数据的特征向量进行全连接处理，获得城市功能区域的类型的输出值；
计算单元，用于根据所述城市功能区域的类型的输出值，计算所述城市功能区域对应不同类型的概率值，根据所述城市功能区域的类型的概率值确定目标城市中城市功能区域的类型。
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，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的确定城市功能区域的类型的方法。
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，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的确定城市功能区域的类型的方法。
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确定城市功能区域的类型的方法。
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。
本申请实施例通过分别对目标城市的卫星遥感影像数据和用户在目标城市的到访行为数据进行处理，并结合处理后的卫星遥感影像数据和到访行为数据作为输入数据，通过预训练模型进行进一步处理，确定城市功能区域的类型的结果。避免了因卫星遥感数据的低清晰度带来的影响，提高了确定城市功能区域的类型的效率和结果的准确率，进而优化城市空间结构，提升城市管理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的确定城市功能区域的类型的方法的流程示意图；
图2是本申请一实施例提供的第一神经网络模型的结构示意图；
图3是本申请一实施例提供的提取到访行为数据的特征向量的流程示意图；
图4是本申请一实施例提供的通过多模融合模型进行城市功能区域分类的流程示意图；
图5是本申请一实施例提供的确定城市功能区域的类型的装置的结构示意图；
图6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
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
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。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的确定城市功能区域的类型的方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(VirtualReality，VR)设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、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。
例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(Set Top Box，STB)、用户驻地设备(Customer Premise Equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的移动终端等。
图1示出了本申请提供的确定城市功能区域的类型的方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一终端设备中。
S101、获取目标城市中城市功能区域的卫星遥感影像数据。
在具体应用中，获取通过卫星拍摄的目标城市中城市功能区域的卫星遥感影像数据。其中，城市功能区域是指按照不同的功能类型将目标城市划分成不同的功能区域。在本实施例中，城市功能区域的类型包括但不限于居民区、学校、工业园区、火车站、机场、公园、购物中心、行政区域以及医院等9种类型的城市功能区域。例如，以“购物”功能为主要功能类型的城市功能区域的类型为“购物中心”。其范围可包括目标城市中所有主要的购物场所。
在本实施例中，以目标城市的任一城市功能区域为目标城市功能区域，根据目标城市功能区域的卫星遥感影像数据和用户到访行为数据进行多模融合处理，确定该目标城市功能区域的类型。
影像数据包括但不限于图片或视频。
S102、对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量。
在具体应用中，通过图像处理方法对目标城市中城市功能区域的卫星遥感影像数据进行预处理，并将预处理后的卫星遥感影像数据输入神经网络模型，即第一神经网络模型，通过第一神经网络模型提取预处理后的卫星遥感影像数据的特征向量。
通过提取卫星遥感影像数据的特征向量，可以提高该城市功能区域的卫星遥感影像数据的特征，便于确定该城市功能区域的类型。
线性变换的特征向量(本征向量)是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值。特征向量可以用于表示特征值。
在一个实施例中，步骤S102之前，包括：
通过获取至少两个城市的卫星遥感影像数据作为预训练数据，并将预训练数据分为训练数据集和测试数据集，然后通过第一神经网络模型对训练数据集进行训练，获得训练后的第一神经网络模型，并通过测试数据集对训练过程中每一次迭代训练后的第一神经网络模型进行测试，若每一次迭代训练后的第一神经网络模型均满足第一预设条件，则判定测试成功，获得预训练后的第一神经网络模型；所述训练后的第一神经网络模型用于提取预处理后的卫星遥感影像数据的特征向量。
其中，预训练数据的数据量应设定足够大，以满足对模型进行预训练的要求。例如，设定获取不同城市的共计50万个的卫星遥感影像数据作为预训练数据，并划分40万个为训练数据集，划分10万个为测试数据集。第一预设条件可根据实际情况进行具体设定，例如，设定第一预设条件为测试输出的准确率大于预设准确率。其中，预设准确率可根据实际情况进行具体设定，例如，设定预设准确率为60％，若对每一次迭代训练后的第一神经网络模型的测试输出的准确率均大于预设准确率，则判定测试成功。
S103、获取用户在目标城市的到访行为数据；
在具体应用中，获取用户在目标城市中所述城市功能区域的到访行为数据。到访行为数据是指用户到访目标城市中某一特定的城市功能区域(即上述卫星遥感影像数据中的城市功能区域)执行特定行为的数据。
到访行为数据包括但不限于城市功能区域的类型、城市功能区域位置信息、时间信息和用户的行为信息。例如，若某用户到达城市的购物中心进行了购物，则可获取该区域的类型为购物中心、该购物中心的经纬度即可作为该购物中心区域的位置信息，用户购物的时间段即可作为时间信息，购物即为该用户的行为信息。
S104、对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
在具体应用中，将用户在目标城市的到访行为数据转换为到访行为矩阵(例如，以到访行为数据中用户到访某一城市功能区域的时间作为时间节点，获得转化后的时间节点矩阵)，并通过第二神经网络模型对到访行为矩阵进行训练，获得到访行为数据的特征向量。
通过提取用户在目标城市中城市功能区域的到访行为数据的特征向量，可弥补低清晰度的卫星遥感影像数据，提高对卫星遥感影像数据的识别分类能力。
在一个实施例中，步骤S104之前，包括：
获取预训练用户到访行为数据，并将预训练用户到访行为数据分为第二训练数据集和第二测试数据集，通过第二神经网络模型对第二训练数据集进行训练，获得训练后的第二神经网络模型，并通过第二测试数据集对训练过程中每一次迭代训练后的第二神经网络模型进行测试，若每一次迭代训练后的第二神经网络模型均满足第二预设条件，则判定测试成功，获得预训练后的第二神经网络模型，用于提取到访行为数据的特征向量。
其中，预训练用户到访行为数据是指用于对神经网络模型进行预训练的用户到访行为数据。并且，预训练用户到访行为数据的数据量应远远大于到访行为数据。例如，可设定预训练用户到访行为数据为50万个，其中，可划分40万个为第二训练数据集，划分10万个为第二测试数据集。第二预设条件可根据实际情况进行具体设定。例如，设定第二预设条件与第一预设条件相同。
需要说明的是，第一神经网络模型和第二神经网络模型可以为深度神经网络模型。第一神经网络模型和第二神经网络模型可以采用相同的深度神经网络模型，也可以采用不同的深度神经网络模型。
S105、以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值。
S106、根据所述输出值确定目标城市中城市功能区域的类型。
在具体应用中，以目标城市中城市功能区域的卫星遥感影像数据的特征向量和用户在目标城市的到访行为数据的特征向量作为输入数据，输入预训练模型，通过预训练模型对输入数据进行多次全连接处理，最后通过逻辑回归模型(softmax)进行处理，计算卫星遥感影像数据中的城市功能区域属于每一种城市功能区域的概率值，获取概率值最高的城市功能区域类型作为该卫星遥感影像数据中的城市功能区域的类型。预训练模型可以为预训练后的多模融合模型。
在一个实施例中，所述步骤S102，包括：
S1021、对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
S1022、通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
在具体应用中，通过图像增强方法对卫星遥感影像数据进行预处理，去除卫星遥感影像数据中的异常图像数据，以提升图像质量，然后通过预训练后的第一神经网络模型中的卷积层、池化层对预处理后的卫星遥感影像数据进行卷积处理和平均池化处理，获得卫星遥感影像数据的特征向量。
其中，图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
异常图像数据可以是包含有噪音的图像数据或者清晰度低于预设清晰度的图像。预设清晰度可根据实际情况进行具体设定。
在本实施例中，设定第一神经网络模型可以为两层卷积层、两层池化层、一层卷积层和一层池化层。其中，卷积层用于提取卫星遥感影像数据的特征并输入池化层，池化层用于提取卷积层的输出数据中的特征向量。如图2所示，示例性的示出了一种第一神经网络模型的结构图。
图2中，第一神经网络模型包括两层卷积层、两层池化层、一层卷积层和一层池化层。
在一个实施例中，所述步骤S1021，包括：
S10211、通过图像增强方法对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；其中，所述图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
在具体应用中，由于卫星遥感影像数据的图像质量不稳定，在对卫星遥感影像数据进行特征提取之前，需要通过图像增强方法对卫星遥感影像数据进行预处理，去除包含噪音的卫星遥感影像数据、在浓雾天气下拍摄到的卫星遥感影像数据或清晰度低于预设清晰度的图像，获得预处理后的卫星遥感影像数据，以提高特征提取的准确率和效率。其中，图像增强方法包括但不限于图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。预设清晰度可根据实际情况进行具体设定。
在一个实施例中，所述步骤S104，包括：
S1041、将所述到访行为数据转化为矩阵；
S1042、通过第二神经网络模型对所述矩阵进行训练，获得到访行为数据的特征向量。
在具体应用中，对到访行为数据进行矩阵转化，获得到访行为数据的矩阵，并通过第二神经网络模型(如机器学习算法)对矩阵进行训练，获得到访行为数据的特征向量。
图3示例性的示出了一种提取到访行为数据的特征向量的流程示意图。
在一个实施例中，所述步骤S1041，包括：
S10411、提取所述到访行为数据的时间节点；
S10412、将所述时间节点转化为时间节点矩阵。
在具体应用中，提取到访行为数据的时间节点，以用户到访某一区域的时间作为时间节点，获得转化后的时间节点矩阵，其中，时间节点矩阵可根据预设规则进行排列。例如，以一个小时为单位，获得用户在26周内的时间节点矩阵，即可获得7*26*24的节点矩阵。
在一个实施例中，所述步骤S105，包括：
S1051、通过多模融合模型对所述卫星遥感影像数据的特征向量和到访行为数据的特征向量进行全连接处理，获得城市功能区域的类型的输出值；
S1052、根据所述城市功能区域的类型的输出值，计算所述城市功能区域对应不同类型的概率值，根据所述城市功能区域的类型的概率值确定目标城市中城市功能区域的类型。
在具体应用中，以卫星遥感影像数据的特征向量和到访行为数据的特征向量作为输入数据，输入多模融合模型，通过多模融合模型对输入数据作一次全连接处理，获得卫星遥感影像数据和到访行为数据的所有特征向量，并对卫星遥感影像数据和到访行为数据的所有特征向量进行一次全连接处理，获得城市功能区域的类型的输出值。通过逻辑回归模型对输出数据进行处理，计算卫星遥感影像数据中的城市功能区域与每一种城市功能区域的类型对应的概率值，获取概率值最大的城市功能区域的类型作为该卫星遥感影像数据中的城市功能区域的类型，并以此获得所有确定城市功能区域的类型的结果。
例如，获得A区域的卫星遥感影像数据，分别计算A区域与居民区、学校、工业园区、火车站、机场、公园、购物中心、行政区域以及医院等9种城市功能区域类型对应的概率值，若A区域与居民区对应的概率值最大，则A区域可被划分为居民区。
图4示例性的示出了通过多模融合模型进行城市功能区域分类的流程示意图。
本实施例通过分别对卫星遥感影像数据和到访行为数据进行处理，并结合处理后的卫星遥感影像数据和到访行为数据作为输入数据，通过预训练模型进行进一步处理，确定城市功能区域的类型的结果。避免了因卫星遥感数据的低清晰度带来的影响，提高了确定城市功能区域的类型的效率和结果的准确率，进而优化城市空间结构，提升城市管理效率。
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确定城市功能区域的类型的方法，图5示出了本申请实施例提供的确定城市功能区域的类型的装置的结构框图，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5，该确定城市功能区域的类型的装置100包括：
第一获取模块101，用于获取目标城市中城市功能区域的卫星遥感影像数据；
第一处理模块102，用于对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；
第二获取模块103，用于获取用户在目标城市的到访行为数据；
第二处理模块104，用于对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
数据处理模块105，用于以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；
确定模块106，用于根据所述输出值确定目标城市中城市功能区域的类型。
在一个实施例中，所述第一处理模块102，包括：
预处理单元1021，用于对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
第一处理单元1022，用于通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
在一个实施例中，所述预处理单元1021，包括：
预处理子单元10211，用于通过图像增强方法对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；其中，所述图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
在一个实施例中，所述第二处理模块104，包括：
矩阵转化单元1041，用于将所述到访行为数据转化为矩阵；
第二处理单元1042，用于通过第二神经网络模型对所述矩阵进行训练，获得到访行为数据的特征向量。
在一个实施例中，所述矩阵转化单元1041，包括：
提取子单元10411，用于提取所述到访行为数据的时间节点；
转化子单元10412，用于将所述时间节点转化为时间节点矩阵。
在一个实施例中，所述数据处理模块105，包括：
全连接处理单元1051，用于通过多模融合模型对所述卫星遥感影像数据的特征向量和到访行为数据的特征向量进行全连接处理，获得城市功能区域的类型的输出值；
计算单元1052，用于根据所述城市功能区域的类型的输出值，计算所述城市功能区域对应不同类型的概率值，根据所述城市功能区域的类型的概率值确定目标城市中城市功能区域的类型。
本实施例通过分别对卫星遥感影像数据和到访行为数据进行处理，并结合处理后的卫星遥感影像数据和到访行为数据作为输入数据，通过预训练模型进行进一步处理，确定城市功能区域的类型的结果。避免了因卫星遥感数据的低清晰度带来的影响，提高了确定城市功能区域的类型的效率和结果的准确率，进而优化城市空间结构，提升城市管理效率。
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。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个确定城市功能区域的类型的方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60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。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器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。
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各个方法实施例中的步骤。
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各个方法实施例中的步骤。
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，Random AccessMemory)、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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种确定城市功能区域的类型的方法，其特征在于，包括：
获取目标城市中城市功能区域的卫星遥感影像数据；
对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；
获取用户在目标城市的到访行为数据；
对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；
根据所述输出值确定目标城市中城市功能区域的类型。
2.如权利要求1所述的确定城市功能区域的类型的方法，其特征在于，所述对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量，包括：
对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
3.如权利要求2所述的确定城市功能区域的类型的方法，其特征在于，所述对所述卫星遥感影像数据进行处理进行预处理，获得预处理后的卫星遥感影像数据，包括：
通过图像增强方法对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；其中，所述图像增强方法包括图像去雾处理方法、直方图均衡处理方法、图像去噪处理方法中的至少一种。
4.如权利要求1所述的确定城市功能区域的类型的方法，其特征在于，所述对所述到访行为数据进行处理，获得所述到访行为数据的特征向量，包括：
将所述到访行为数据转化为矩阵；
通过第二神经网络模型对所述矩阵进行训练，获得到访行为数据的特征向量。
5.如权利要求4所述的确定城市功能区域的类型的方法，其特征在于，所述将所述到访行为数据转化为矩阵，包括：
提取所述到访行为数据的时间节点；
将所述时间节点转化为时间节点矩阵。
6.如权利要求1所述的确定城市功能区域的类型的方法，其特征在于，所述预训练模型为多模融合模型；
所述根据所述城市功能区域的类型的输出值确定目标城市中城市功能区域的类型，包括：
通过多模融合模型对所述卫星遥感影像数据的特征向量和到访行为数据的特征向量进行全连接处理，获得城市功能区域的类型的输出值；
根据所述城市功能区域的类型的输出值，计算所述城市功能区域对应不同类型的概率值，根据所述城市功能区域的类型的概率值确定目标城市中城市功能区域的类型。
7.一种确定城市功能区域的类型的装置，其特征在于，包括：
第一获取模块，用于获取目标城市中城市功能区域的卫星遥感影像数据；
第一处理模块，用于对所述卫星遥感影像数据进行处理，获得所述卫星遥感影像数据的特征向量；
第二获取模块，用于获取用户在目标城市的到访行为数据；
第二处理模块，用于对所述到访行为数据进行处理，获得所述到访行为数据的特征向量；
数据处理模块，用于以所述卫星遥感影像数据的特征向量和所述到访行为数据的特征向量作为输入数据，输入预训练模型并进行处理，获得城市功能区域的类型的输出值；
确定模块，用于根据所述输出值确定目标城市中城市功能区域的类型。
8.如权利要求7所述的确定城市功能区域的类型的装置，其特征在于，所述第一处理模块，包括：
预处理单元，用于对所述卫星遥感影像数据进行预处理，获得预处理后的卫星遥感影像数据；
第一处理单元，用于通过第一神经网络模型对所述预处理后的卫星遥感影像数据进行处理，获得卫星遥感影像数据的特征向量。
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6任一项所述的方法。
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6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165711.XA CN113392859A (zh) | 2020-03-11 | 2020-03-11 | 一种确定城市功能区域的类型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165711.XA CN113392859A (zh) | 2020-03-11 | 2020-03-11 | 一种确定城市功能区域的类型的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113392859A true CN113392859A (zh) | 2021-09-14 |
Family
ID=77615293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010165711.XA Pending CN113392859A (zh) | 2020-03-11 | 2020-03-11 | 一种确定城市功能区域的类型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392859A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学（武汉） | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
| CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
| CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
| CN110659427A (zh) * | 2019-09-06 | 2020-01-07 | 北京百度网讯科技有限公司 | 基于多源数据的城市功能划分方法、装置和电子设备 |
-
2020
- 2020-03-11 CN CN202010165711.XA patent/CN113392859A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学（武汉） | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
| CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
| CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
| CN110659427A (zh) * | 2019-09-06 | 2020-01-07 | 北京百度网讯科技有限公司 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340131B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
| CN110246148B (zh) | 多模态的深度信息融合和注意力学习的显著性检测方法 | |
| CN112200041B (zh) | 视频动作识别方法、装置、存储介质与电子设备 | |
| CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
| CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
| CN112270710A (zh) | 位姿确定方法、位姿确定装置、存储介质与电子设备 | |
| KR102468309B1 (ko) | 영상 기반 건물 검색 방법 및 장치 | |
| CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
| CN112819073B (zh) | 分类网络训练、图像分类方法、装置和电子设备 | |
| CN112614110A (zh) | 评估图像质量的方法、装置及终端设备 | |
| KR20240127952A (ko) | 이미지 처리 방법 및 장치 | |
| CN110991298A (zh) | 图像的处理方法和装置、存储介质及电子装置 | |
| CN114358979A (zh) | 酒店匹配方法、装置、电子设备及存储介质 | |
| CN113128278B (zh) | 一种图像识别方法及装置 | |
| CN113392859A (zh) | 一种确定城市功能区域的类型的方法及装置 | |
| CN114742707B (zh) | 多源遥感图像拼接方法、装置、电子设备和可读介质 | |
| CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
| CN112801287B (zh) | 神经网络性能评估方法及装置、电子设备及存储介质 | |
| CN111898658B (zh) | 图像分类方法、装置和电子设备 | |
| CN114418629A (zh) | 一种用户流失预测方法、装置、电子设备及可读存储介质 | |
| CN114140427A (zh) | 一种物体检测方法及装置 | |
| CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN113807152A (zh) | 图像处理、模型训练方法和装置 | |
| CN118397315B (zh) | 低能见度图像匹配方法、装置、计算机设备及存储介质 | |
| CN112149470B (zh) | 一种行人重识别方法和装置 |
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 |