CN113642902A - 一种国土空间多元关联信息的处理方法 - Google Patents
一种国土空间多元关联信息的处理方法 Download PDFInfo
- Publication number
- CN113642902A CN113642902A CN202110944692.5A CN202110944692A CN113642902A CN 113642902 A CN113642902 A CN 113642902A CN 202110944692 A CN202110944692 A CN 202110944692A CN 113642902 A CN113642902 A CN 113642902A
- Authority
- CN
- China
- Prior art keywords
- region
- sub
- space
- area
- data
- 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 42
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种国土空间多元关联信息的处理方法,涉及数据处理技术领域。本发明包括数据获取与业务空间数据库建构、建立多元信息的空间关联、建立多元信息的时间关联、多元关联信息自动调用,该方法通过建构区域相关性自动识别模块,以便于提取和调用目标城市国土空间规划、交通规划、基础设施规划、土地管理规划相关业务的关联数据信息,本发明能够应对国土空间多元关联信息的智能识别,实现基于机器学习对国土空间数据信息进行自动关联与调用,用人工智能的方式使提升国土空间数据信息管理效率,使国土空间数据信息共享更为便捷。
Description
技术领域
本发明属于数据处理技术领域,特别是涉及一种国土空间多元关联信息的处理方法。
背景技术
国土空间多元关联信息是城市规划学科的重要研究内容之一,指通过国土空间不同数据信息的内在联系对国土空间信息的关联整合结果。合理的国土空间多元信息之间的关联结果,不仅可以通过信息间的快速关联提升国土空间背景下多业务的开展效率,打破国土空间背景下各项规划之间的信息壁垒,还可以拓展多规融合的内涵,助力规划体系下的“多规合一”。传统的国土空间多元信息未进行数据化的关联整合,并且由于数量庞大,涉及多个部门体系,容易导致多项规划业务产生冲突,业务效率难以提高。另一方面,人工智能的出现,提供了一种更加方便、更加高效的多元信息关联手段。通过建构业务空间数据库,智能建立多元信息的空间和时间关联,多元关联信息自动调用从而有效提高国土空间相关业务工作效率。
目前常见的国土空间多元信息关联方法,一种是仅依靠人脑智力判断,这种方法耗费大量的人力和时间,随意性大,缺乏效率和科学性;另一种是关联相同空间的信息数据,这种方法不考虑对邻域空间的业务影响,也不考虑时间的维度,对于其它业务的实用性低,无法提升多业务的数据共享效率。
发明内容
本发明的目的在于提供一种国土空间多元关联信息的处理方法,依照国土空间中业务属性,构建数据相关性的查询方法,提高国土数据库中业务数据的进行高效管理。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种国土空间多元关联信息的处理方法,包括如下步骤:
在数据库中获取一区域中一个目标子区域上具有的业务数据,其中,一区域至少具有两个子区域,其中一个子区域作为目标子区域;
获取区域内人的实时位置信息;
根据时位置信息构建关于子区域的空间数据集,其中,空间数据集具有子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度;
将至少5个空间数据集合并成区域空间数据集,以目标子区域和与之对应的具有空间相关的子区域作的区域属性为机器学习特征,生成识别模块;
通过识别模块获取数据库中在空间上具有关联的数据。
进一步地,根据时位置信息构建关于子区域的空间数据集包括如下步骤:
获取区域内一工作日的基于位置的服务数据;
对群体行为进行实时位置分析,若一群体在目标子区域和子区域的某一地点进行停留10分钟,其停留人数至少为100人,则判断目标子区域和子区域存在空间相关性,获取目标子区域和子区域的区域属性,生成子区域空间数据集。
进一步地,识别模块是经过机器学习的,通过学习每个目标子区域和其空间相关子区域在区域属性指标上的函数关系进行训练。
进一步地,作为学习标签的子区域和目标子区域是经过距离判定后的。
进一步地,子区域和目标子区域边界外的500m区域内具有交集。
进一步地,通过识别模块获取目标子区域在500m区域内具有交集的其他子区域的在空间上具有关联的数据。
进一步地,于数据库中在空间上具有关联的数据,建立在时间上具有关联的数据;
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
进一步地,调用时间和/或空间上具有关联的数据时,被调用的关联数据信息整合为独立二维码。
一种国土空间多元关联信息的处理方法,在数据库中获取一区域中一个目标子区域上具有的业务数据;其中,一区域至少具有两个子区域,其中一个子区域作为目标子区域;
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
进一步地,在二阶时间数据集中获取一区域中一个目标子区域上具有的业务数据,
获取区域内人的实时位置信息;
根据时位置信息构建关于子区域的空间数据集,其中,空间数据集具有子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度;
将至少5个空间数据集合并成区域空间数据集,以目标子区域和与之对应的具有空间相关的子区域作的区域属性为机器学习特征,生成识别模块;
通过识别模块获取二阶时间数据集中在空间上具有关联的数据。
本发明具有以下有益效果:
本发明通过从时间和空间维度进行信息关联,并利用人工智能智能提取国土空间多元关联信息,降低了传统国土空间多元信息关联的人为判断效率低的问题;突破了传统国土空间多元信息多规划间存在的壁垒问题;通过人工智能简化了国土空间多元信息的筛选流程。
通过高精度人群定位数据处理构建数据基础并以其他核心特征:容积率、绿化率、建筑平均高度、建筑最大高度、建筑密度进行机器训练,智能提取国土空间多元关联信息。突破了传统城市规划数据获取的人为判断和空间范围限制,提升了国土空间多元关联信息的获取效率,使城市规划的多元关联数据获取过程更加智能化和科学化;
本发明通过将目标城市的现状地形图数据和24小时的高精度人群定位数据以及国土空间规划、交通规划、基础设施规划、土地管理规划相关业务数据录入以街区为单位的业务空间数据库,通过人工智能机器学习进行信息关联,最大程度地提升了国土空间多元关联信息的提取效率;
本发明攻克了传统只通过人脑智力判断或者只对相同空间数据进行关联的方法局限,实现了从空间和时间多个维度对国土空间多元信息进行综合关联,有效避免了规划过程中对其它相关业务信息数据的筛选效率低的问题;
本发明通过自动调用的各街区单元的多元关联信息,将使用者挑选出的所需信息整合为独立二维码的形式,在确保自动化、高效化的同时也可以给使用者提供选择的机会;
本发明通过手机扫码的形式调取各街区的空间关联信息和时间关联信息并生成数据调用链接,使国土空间多元关联信息可视化、便携化,使用更为高效便捷。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为国土空间多元关联信息的处理方法流程图;
图2为500m缓冲区内街道选取图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1、一种国土空间多元关联信息的处理方法,在对信息进行提取之前首先要建立一个关于业务的数据库。
S001、构建数据库;在数据库中获取一区域中一个目标子区域上具有的业务数据,一区域至少具有两个子区域,其中一个子区域作为目标子区域;其中,优选的业务信息为建设类业务信息。
提取该区域内的子区域属性,具体的在实施过过程中,将一城市看作一个区域,城市内的街区作为一个子区域,提取的街区属性包括街区范围,街区编号,进一步的对街区的属性进行计算,其中街区的属性包括、绿化率、建筑平均高度、建筑最大高度、建筑密度。
1.1数据库包括区域内自然资源管理部门的现状地形图数据:
地形图数据经过计算后演化成为主要包括街区范围、街区编号、道路轮廓、每一个街区的总用地面积、绿地面积、各建筑高度、各建筑基底面积、各建筑总计容建筑面积、绿化轮廓、建筑轮廓、建筑层数;并利用网络开源地图平台下载获取以上数据对缺失数据进行补充;同时并结合实地调研整理而成的城市建筑、用地、道路等相关数据进行校核
五大街区属性为容积率、绿化率、建筑平均高度、建筑最大高度、建筑密度,根据以下公式进行计算:容积率=总计容建筑面积÷总用地面积,绿地率=绿地面积/总用地面积,建筑平均高度=各建筑高度之和/总建筑数量,建筑最大高度=max{各建筑高度},建筑密度=建筑物的基底面积总和/ 规划建设用地面积。
表1街区属性指标表
其中,Hmax为地块最高高度指标,Have为地块平均高度指标里,Save 为建筑平均基底面积指标,FAR为容积率指标,LR为绿化率指标,A为建筑基底面积,F为建筑层数,B为街区面积,L为绿化面积,n为地块内建筑总数。
1.2数据库中关于城市相关业务数据:
通过目标城市的自然资源管理部门获取目标城市相关业务数据,并提取其中的业务名称、业务年份和业务所在街区的编号,利用带有关键词识别功能、分辨率600dpi以上的扫描仪结合人工校核的方式将数据电子化,并录入Arcgis的空间数据存储数据库。其中,相关业务包含国土空间规划、交通规划、基础设施规划、土地管理规划。
1.3数据库中还存储有区域内人的实时位置数据:
通过网络开源地图平台下载获取目标城市随机某一个工作日的24小时的高精度人群定位数据,文件格式为shp,并存储在Arcgis的空间数据存储数据库中。其中,人群定位数据包含该城市范围内每一个人每一分钟的定位坐标数据集,且每一个数据都包含手机号标签。
将以上获取的所有数据进行坐标、高程的统一耦合,利用格式集成技术、坐标转换技术、集成平台技术等,将这些多源空间大数据以统一量纲与格式为基准,进行多种数据的融合处理。其中,坐标系转换技术对不同空间坐标的基础数据进行坐标转换,使用同一套坐标,即国家2000坐标系;集成平台技术将同一城市空间的不同数据进行叠加并汇总于同一数据平台,用以数据的分析和处理,数据格式统一为supermap兼容的shp、mdb、 gdb格式。使用64核处理器以上云计算工作站把融合完成的所有数据通过对应的街区编号进行关联并输入到地理信息系统平台中,构建以街区为单位的业务空间数据库。
S002:将多远信息在空间上进行关联,获得业务信息在空间上的空间数据集:
获取区域内人的实时位置信息。
根据时位置信息构建关于子区域的空间数据集:
具体的,获取区域内一工作日的基于位置的服务数据,对群体行为进行实时位置分析;
若一群体在目标子区域和子区域的某一地点进行停留10分钟,其停留人数至少为100人,则判断目标子区域和子区域存在空间相关性,获取目标子区域和子区域的区域属性,生成子区域空间数据集。
2.1,在距离位置上确定区域的关联条件,优选的,子区域和目标子区域边界外的500m区域内具有交集,通过识别模块获取目标子区域在500m 区域内具有交集的其他子区域的在空间上具有关联的数据。
对所有子区域,通过区域轮廓数据生成面,以每个区域的边为界限,向外延伸500m记为缓冲区域,并自动提取缓冲区内的所有街区。其中,缓冲区内的所有街区,指提取被建立的500m缓冲区覆盖,并且被覆盖部分的面积≥街区自身总面积50%的街区,如图2所示。
在具体的实施过程中,一个区域表示一个城市,城市内的街区作为一个子区域。
2.2生成一个子区域空间数据集:随机抽取一个街区,记为DA,及街区DA所在500m缓冲区内的所有街区D1-Dn,调取以上街区的高精度人群定位数据,若街区D1-Dn中的任一街区与目标街区DA满足以下条件,则该街区与街区DA存在空间相关性;具体的:获取目标城市某一工作日的 LBS数据,当某两个街区,有同一个人都停留时间超过十分钟并且这样的人不少于200人,则这两个街区具有相关性,其中在遴选样本时,为了提高样本质量,以百人级作为作为样本单位。其中,同一个人根据高精度人群定位数据的手机号标签判断,将手机号标签相同的数据定义为同一个人的数据。通过以上方法找出与街区DA存在空间相关性的街区DX1-DXn的街区编号,并通过街区编号关联提取以上街区的容积率、绿化率、建筑平均高度、建筑最大高度、建筑密度五大街区属性,生成数据集MA,并以文件格式为shp存储在Arcgis的空间数据存储数据库中。
2.3,生成区域空间数据集,将至少5个空间数据集合并成区域空间数据集,以所述目标子区域和与之对应的具有空间相关的所述子区域作的区域属性为机器学习特征,生成识别模块;
其中,空间数据集具有子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度,具体的,识别模块是经过机器学习的,通过学习每个目标子区域和其空间相关子区域在区域属性指标上的函数关系进行训练。
另外的,作为学习标签的子区域和目标子区域是经过距离判定后的,即经过步骤2.1判定后的数据才作为训练素材;
具体的,实施的过程中以2.2中相同的方式中抽取了50个街区,生成50个街区对应的50个数据集,M1-M50,使用64G以上内存,配置有 GTX1070以上GPU的工作站,将以上数据集中的街区以及与之对应的空间相关街区作为机器学习标签,采用无监督分类机器学习算法,对每一个数据集中的五大街区属性进行机器学习训练,生成街区相关性自动识别模型簇,进而构建识别模块。
2.4,通过识别模块获取数据库中在空间上具有关联的数据。
S003、于数据库中在空间上具有关联的数据,建立在时间上具有关联的数据集;
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
具体的,对每个街区标上该街区内业务的业务名称和与业务名称相对应的业务时间两个标签,其中,业务时间包括业务从开始到结束的所有年份。
自动关联业务时间标签中具有同一年份的街区,此为一阶时间关联。其中,提取相同年份标签所对应的业务名称也相同的街区,进行二阶时间关联。并将一阶时间关联和二阶时间关联的结果以标签形式通过街区编码与对应街区关联。
S004、调用时间和/或空间上具有关联的数据时,被调用的关联数据信息整合为独立二维码。
在具体实施的过程中:
把上述所有数据输入到配置2.3GHz以上处理器,内存128GB以上,单节点存储容量在12T以上的云存储设备中,建立多元关联信息自动调用库。
对于空间关联信息,通过输入业务所在街区编号,自动调用步骤S002 中得到的该街区在500m缓冲区内与之存在空间相关性的其它街区,并在多元关联信息自动调用库中获取以上街区内的所有业务数据。
对于时间关联信息,通过输入业务所在街区编号,自动调用步骤S003 中所提到的该街区的一阶时间关联街区和二阶时间关联街区的所有业务数据。
将通过步骤S002和用步骤S003中自动调用的各街区单元的多元关联信息提供给多元关联信息自动调用的使用者挑选,将使用者挑选出的所需信息整合为独立二维码的形式,通过手机扫码调取各街区的空间关联信息和时间关联信息并生成数据调用链接,点击链接即可调用数据。其中,所述的链接是连接到业务空间数据库中的。
实施例2、一种国土空间多元关联信息的处理方法,该处理方法是在区域内以二阶时间数据集为数据基础进行构建空间数据集的。
在数据库中获取一区域中一个目标子区域上具有的业务数据;其中,一区域至少具有两个子区域,其中一个子区域作为目标子区域;
提取该区域内的子区域属性,具体的在实施过过程中,将一城市看作一个区域,城市内的街区作为一个子区域,提取的街区属性包括街区范围,街区编号,进一步的对街区的属性进行计算,其中街区的属性包括容积率、绿化率、建筑平均高度、建筑最大高度、建筑密度。
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
其中,在二阶时间数据集中的业务数据无缓冲区的限制
进一步地,在二阶时间数据集中获取一区域中一个目标子区域上具有的业务数据。
获取区域内人的实时位置信息。
根据时位置信息构建关于子区域的空间数据集:
具体的,获取区域内一工作日的基于位置的服务数据,对群体行为进行实时位置分析;
若一群体在目标子区域和子区域的某一地点进行停留10分钟,其停留人数至少为100人,则判断目标子区域和子区域存在空间相关性,获取目标子区域和子区域的区域属性,生成子区域空间数据集。
在距离位置上确定区域的关联条件,优选的,子区域和目标子区域边界外的500m区域内具有交集,通过识别模块获取目标子区域在500m区域内具有交集的其他子区域的在空间上具有关联的数据。
对所有子区域,通过区域轮廓数据生成面,以每个区域的边为界限,向外延伸500m记为缓冲区域,并自动提取缓冲区内的所有街区。其中,缓冲区内的所有街区,指提取被建立的500m缓冲区覆盖,并且被覆盖部分的面积≥街区自身总面积50%的街区。
在具体的实施过程中,一个区域表示一个城市,城市内的街区作为一个子区域,如图2所示,以杭州市为例。
生成一个子区域空间数据集:随机抽取一个街区,记为DA,及街区 DA所在500m缓冲区内的所有街区D1-Dn,调取以上街区的高精度人群定位数据,若街区D1-Dn中的任一街区与目标街区DA满足以下条件,则该街区与街区DA存在空间相关性;具体的:获取目标城市某一工作日的LBS 数据,当某两个街区,有同一个人都停留时间超过十分钟并且这样的人不少于200人,则这两个街区具有相关性,其中在遴选样本时,为了提高样本质量,以百人级作为作为样本单位。其中,同一个人根据高精度人群定位数据的手机号标签判断,将手机号标签相同的数据定义为同一个人的数据。通过以上方法找出与街区DA存在空间相关性的街区DX1-DXn的街区编号,并通过街区编号关联提取以上街区的容积率、绿化率、建筑平均高度、建筑最大高度、建筑密度五大街区属性,生成数据集MA,并以文件格式为shp存储在Arcgis的空间数据存储数据库中。
生成区域空间数据集,将至少5个空间数据集合并成区域空间数据集,以目标子区域和与之对应的具有空间相关的子区域作为机器学习标签,生成识别模块;
其中,空间数据集具有子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度,具体的,识别模块是经过机器学习的,通过学习每个目标子区域和其空间相关子区域在区域属性指标上的函数关系进行训练。
另外的,作为学习标签的子区域和目标子区域是经过距离判定后的,即经过步骤缓冲区域判定后的数据才作为训练素材;
具体的,实施的过程中以2.2中相同的方式中抽取了50个街区,生成 50个街区对应的50个数据集,M1-M50,使用64G以上内存,配置有 GTX1070以上GPU的工作站,将以上数据集中的街区以及与之对应的空间相关街区作为机器学习标签,采用无监督分类机器学习算法,对每一个数据集中的五大街区属性进行机器学习训练,生成街区相关性自动识别模型簇,进而构建识别模块。
通过识别模块获取数据库中在空间上具有关联的数据
将至少5个空间数据集合并成区域空间数据集,以目标子区域和与之对应的具有空间相关的子区域作为机器学习标签,生成识别模块;
通过识别模块获取二阶时间数据集中在空间上具有关联的数据。
调用时间和/或空间上具有关联的数据时,被调用的关联数据信息整合为独立二维码,具体过程类似实施例1。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种国土空间多元关联信息的处理方法,其特征在于,包括如下步骤:
在数据库中获取一区域中一个目标子区域上具有的业务数据,其中,一所述区域至少具有两个所述子区域,其中一个所述子区域作为所述目标子区域;
获取所述区域内人的实时位置信息;
根据所述时位置信息构建关于所述子区域的空间数据集,其中,所述空间数据集具有所述子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度;
将至少5个空间数据集合并成区域空间数据集,以所述目标子区域和与之对应的具有空间相关的所述子区域作的区域属性为机器学习特征,生成识别模块;
通过所述识别模块获取所述数据库中在空间上具有关联的数据。
2.根据权利要求1所述的一种国土空间多元关联信息的处理方法,其特征在于,根据所述时位置信息构建关于所述子区域的空间数据集包括如下步骤:
获取区域内一工作日的基于位置的服务数据;
对群体行为进行实时位置分析,若一群体在所述目标子区域和子区域的某一地点进行停留10分钟,其停留人数至少为100人,则判断所述目标子区域和子区域存在空间相关性,获取目标子区域和子区域的区域属性,生成子区域空间数据集。
3.根据权利要求2所述的一种国土空间多元关联信息的处理方法,其特征在于,识别模块是经过机器学习的,通过学习每个目标子区域和其空间相关子区域在区域属性指标上的函数关系进行训练。
4.根据权利要求1-3任一所述的一种国土空间多元关联信息的处理方法,其特征在于,作为学习标签的所述子区域和所述目标子区域是经过距离判定后的。
5.根据权利要求4所述的一种国土空间多元关联信息的处理方法,其特征在于,所述子区域和所述目标子区域边界外的500m区域内具有交集。
6.根据权利要求5所述的一种国土空间多元关联信息的处理方法,其特征在于,通过识别模块获取所述目标子区域在500m区域内具有交集的其他子区域的在空间上具有关联的数据。
7.根据权利要求6所述的一种国土空间多元关联信息的处理方法,其特征在于,于所述数据库中在空间上具有关联的数据,建立在时间上具有关联的数据;
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
8.根据权利要求7所述的一种国土空间多元关联信息的处理方法,其特征在于,调用时间和/或空间上具有关联的数据时,被调用的关联数据信息整合为独立二维码。
9.一种国土空间多元关联信息的处理方法,其特征在于,在数据库中获取一区域中一个目标子区域上具有的业务数据;其中,一所述区域至少具有5个所述子区域,其中一个所述子区域作为所述目标子区域;
于一区域的目标子区域和其他子区域,查询业务名称的时间属性;
根据时间属性相同的业务生成区域一阶时间数据集;
于一阶时间数据集中获取同一业务名称属性相同的业务,生成二阶时间数据集。
10.根据权利要求9所述的一种国土空间多元关联信息的处理方法,其特征在于,在二阶时间数据集中获取一区域中一个目标子区域上具有的业务数据,
获取所述区域内人的实时位置信息;
根据所述时位置信息构建关于所述子区域的空间数据集,其中,所述空间数据集具有所述子区域的区属性数据,区属性包括容积率、绿化率、建筑平均高度、建筑最大高度和建筑密度;
将至少5个空间数据集合并成区域空间数据集,以所述目标子区域和与之对应的具有空间相关的所述子区域作的区域属性为机器学习特征,生成识别模块;
通过所述识别模块获取所述二阶时间数据集中在空间上具有关联的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944692.5A CN113642902A (zh) | 2021-08-17 | 2021-08-17 | 一种国土空间多元关联信息的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944692.5A CN113642902A (zh) | 2021-08-17 | 2021-08-17 | 一种国土空间多元关联信息的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642902A true CN113642902A (zh) | 2021-11-12 |
Family
ID=78422357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944692.5A Pending CN113642902A (zh) | 2021-08-17 | 2021-08-17 | 一种国土空间多元关联信息的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642902A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092680A (zh) * | 2017-04-21 | 2017-08-25 | 中国测绘科学研究院 | 一种基于地理网格的政务信息资源整合方法 |
CN109816581A (zh) * | 2019-01-25 | 2019-05-28 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
CN112559907A (zh) * | 2020-12-09 | 2021-03-26 | 北京国研数通软件技术有限公司 | 基于时空标签时空关联的基础数据检索与集成展示方法 |
CN112612908A (zh) * | 2021-01-05 | 2021-04-06 | 上海云扣科技发展有限公司 | 自然资源知识图谱构建方法、装置、服务器及可读存储器 |
-
2021
- 2021-08-17 CN CN202110944692.5A patent/CN113642902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092680A (zh) * | 2017-04-21 | 2017-08-25 | 中国测绘科学研究院 | 一种基于地理网格的政务信息资源整合方法 |
CN109816581A (zh) * | 2019-01-25 | 2019-05-28 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
CN112559907A (zh) * | 2020-12-09 | 2021-03-26 | 北京国研数通软件技术有限公司 | 基于时空标签时空关联的基础数据检索与集成展示方法 |
CN112612908A (zh) * | 2021-01-05 | 2021-04-06 | 上海云扣科技发展有限公司 | 自然资源知识图谱构建方法、装置、服务器及可读存储器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092680B (zh) | 一种基于地理网格的政务信息资源整合方法 | |
CN108446293A (zh) | 一种基于城市多源异构数据构建城市画像的方法 | |
CN107506393B (zh) | 一种农业大数据模型及其在农业上的应用 | |
CN106897417A (zh) | 一种基于多源大数据融合的城市空间全息地图的构建方法 | |
CN111930868A (zh) | 一种基于多维数据采集的大数据行为轨迹分析方法 | |
CN106470216A (zh) | 一种基于信息共享、交互的内容管理系统 | |
US20230394408A1 (en) | Road network operation management method and device, storage medium, and terminal | |
GB2606114A (en) | Community life circle space identification method and system, computer device and storage medium | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN112332981B (zh) | 一种数据处理的方法和装置 | |
CN104615701A (zh) | 基于视频云平台的智慧城市嵌入式大数据可视化引擎集群 | |
CN112365391A (zh) | 一种基于“国土调查”数据的用地多样性计量方法 | |
CN111190982A (zh) | 一种基于大数据的共享单车管理方法及系统 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
CN111104449A (zh) | 基于地理空间画像挖掘的多源城市时空标准地址融合方法 | |
Schoier et al. | Spatial data mining for highlighting hotspots in personal navigation routes | |
CN112508332A (zh) | 一种顾及多维特征的渐进式乡村聚落整治分区方法 | |
CN108121707B (zh) | 一种城乡建设大数据智能监管系统 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN109254984B (zh) | 基于od数据感知城市动态结构演化规律的可视分析方法 | |
CN113420059A (zh) | 一种市民热线问题主动治理方法和装置 | |
CN117479136A (zh) | 基于手机信令的应急救援方案获取方法、装置及设备 | |
US11836637B2 (en) | Construction method of human-object-space interaction model based on knowledge graph | |
CN111382165A (zh) | 一种移动国土管理系统 | |
CN113642902A (zh) | 一种国土空间多元关联信息的处理方法 |
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 |