CN113902185A - 区域用地性质的确定方法、装置、电子设备及存储介质 - Google Patents

区域用地性质的确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113902185A
CN113902185A CN202111160570.3A CN202111160570A CN113902185A CN 113902185 A CN113902185 A CN 113902185A CN 202111160570 A CN202111160570 A CN 202111160570A CN 113902185 A CN113902185 A CN 113902185A
Authority
CN
China
Prior art keywords
region
property
area
vector
land
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
Application number
CN202111160570.3A
Other languages
English (en)
Other versions
CN113902185B (zh
Inventor
路新江
窦德景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111160570.3A priority Critical patent/CN113902185B/zh
Publication of CN113902185A publication Critical patent/CN113902185A/zh
Priority to US17/957,275 priority patent/US20230024680A1/en
Application granted granted Critical
Publication of CN113902185B publication Critical patent/CN113902185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种区域用地性质的确定方法、装置、电子设备以及存储介质，涉及信息领域，尤其涉及深度学习领域。具体实现方案为：获取指定时刻多个区域之间的人员交互信息；根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量；在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质，从而对目标区域的用地性质进行预测。

Description

区域用地性质的确定方法、装置、电子设备及存储介质
技术领域
本公开涉及信息技术领域，尤其涉及深度学习技术领域。
背景技术
目前，常见的用地性质可以包括商业用地、商务用地、居民用地、道路与交通设施用地、公用设施用地、绿地与广场用地等。而随着我国城市化、工业化进程的加速，城市的面貌也在进行着日新月易的变化，一块子区域的用地性质也往往会发生变化。
由于不同的用地性质所对应的配套设施、道路规划等往往不同。因此，如何对区域用地性质进行预测，对城市规划等领域有着重要作用。
发明内容
本公开提供了一种区域用地性质的确定方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种区域用地性质的确定方法，包括：
获取指定时刻多个区域之间的人员交互信息；
根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；
在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；
根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；
利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质。
根据本公开的另一方面，提供了一种区域用地性质的确定装置，包括：
特征获取模块，用于获取指定时刻多个区域之间的人员交互信息；
向量更新模块，用于根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；
邻居区域确定模块，用于在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；
特征图生成模块，用于根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；
用地性质预测模块，用于利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质。
根据本公开的另一方面，还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上述任一区域用地性质的确定方法。
根据本公开的另一方面，还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上述任一区域用地性质的确定方法。
根据本公开的另一方面，还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上述任一区域用地性质的确定方法。
通过本公开的区域用地性质的确定方法、装置、电子设备以及存储介质，可以获取指定时刻多个区域之间的人员交互信息；根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质，从而对目标区域的用地性质进行预测。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第四实施例的示意图；
图4是根据本公开第五实施例的示意图；
图5是根据本公开第六实施例的示意图；
图6是根据本公开第七实施例的示意图；
图7是根据本公开第九实施例的示意图；
图8是根据本公开第十实施例的示意图；
图9是根据本公开第十三实施例的示意图；
图10是根据本公开第十四实施例的示意图；
图11是用来实现本公开实施例的区域用地性质的确定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。
根据本公开的一方面，提供了一种区域用地性质的确定方法，参见图1，包括：
步骤S11，获取指定时刻多个区域之间的人员交互信息。
本公开中的区域可以是指一个街区，实际使用过程中该街区可以是多条道路围成的一块区域，例如，常见的四条道路围成的方形区域，或三条道路围成的三角形区域。其中，人员交互可以是指区域间人员的流动或区域间的相互检索等，例如区域A中的人员前往区域B，或，区域A中的人员对区域B的信息进行检索。当人员交互是指区域间人员的流动时，人员交互信息为流动的人员的流动频次，例如，t时刻，区域A中有13人正在前往了区域B，则可以将流动频次13作为人员交互信息。当人员交互是区域间的相互检索时，人员交互信息为区域间的相互检索的频次，例如，t时刻，区域A中有10人正在对区域B的环境进行检索、区域A中有8人正在对区域B美食进行检索、区域A中有6人正在对区域B的教育信息进行检索，则可以将检索的总次数24作为人员交互信息。
本公开中，还可以根据指定时刻多个区域之间的人员交互信息设定每一区域的动态邻居区域，针对每一区域，该区域的动态邻居区域是与该区域存在人员交互的区域。例如，t时刻，有来自区域A的人正在前往了区域B，则可以将A区域确定为B区域的动态邻居区域。再例如，t时刻，区域A中有人正在检索区域B的相关信息，则可以将A区域确定为B区域的动态邻居区域。
本公开的方法应用于智能终端，通过该智能终端可以利用预先训练好的卷积模型对区域用地性质进行预测，具体的，该智能终端可以是电脑或服务器等。
步骤S12，根据人员交互信息对各区域的初始表征向量进行更新，得到各区域的嵌入表征向量。
其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的向量。本公开中的用地性质可以用于表示区域中土地的用途属性，例如，用地性质可以包括商业用地、商务用地、居民用地、道路与交通设施用地、绿地与广场用地等。根据区域内的初始用地性质计算得到该区域的初始表征向量，可以通过针对不同的用地性质设置不同的权重，然后根据区域内的初始用地性质对应的权重计算得到该区域的初始表征向量。例如，可以预先设定商业用地、商务用地、居民用地对应的权重分别为1.1、0.7、0.3，在根据区域内的初始用地性质计算得到该区域的初始表征向量，可以根据区域内用地在初始状态下的用地性质查找对应的权重，并且由于区域中往往包括多个子区域，每个子区域的用地性质往往不同，通过对各个子区域的用地性质对应的权重进行组合，可以生成对应的向量。
可选的，根据人员交互信息对各区域的初始表征向量进行更新，得到各区域的嵌入表征向量，包括：根据人员交互信息和各区域的初始表征向量，计算得到各区域的融合特征向量；根据预设系数，对各区域的融合特征向量和各区域的初始表征向量进行加权求和，得到各区域的嵌入表征向量。
具体的，计算各区域的嵌入表征向量，可以根据各个区域的人员交互信息和初始表征向量，针对各个区域进行人员交互信息和初始表征向量的聚合，得到聚合特征向量，然后，根据预设系数，对各区域的融合特征向量和各区域的初始表征向量进行加权求和。例如，针对指定区域，可以通过预设公式(1)和(2)计算得到嵌入表征向量：
Figure BDA0003290029160000051
Figure BDA0003290029160000052
其中，公式(1)和(2)中的λ1、λ2为预设系数，实际使用过程中为超参数；d表示动态关系，即两个区域之间的存在的人员交互关系；D为动态关系的集合；W(u)为指定区域u的初始表征向量；
Figure BDA0003290029160000053
为t时刻指定区域的人员交互信息；v表示指定区域的动态邻居区域；N′(u)为指定区域的动态邻居区域的集合；
Figure BDA0003290029160000054
表示聚合特征向量；W′(u)表示嵌入表征向量。
通过根据人员交互信息和各区域的初始表征向量，通过预设公式计算得到各区域的融合特征向量，并根据融合特征向量计算得到嵌入表征向量，可以实现区域用地性质的动态特性的人员交互信息和静态特征的初始表征向量的融合，从而可以通过包含静态特征和动态特征的特征对区域用地性质进行预测，从而提高预先结果的准确性。
步骤S13，在各区域中选取目标区域，并选取目标区域周边预设范围内的多个静态邻居区域。
其中，目标区域可以为当前准备进行用地性质进行预测的区域。确定目标区域周边预设范围内的多个静态邻居区域，可以以该目标区域为中心，选取周边预设距离内的区域作为静态邻居区域，由于通过距离所确定的邻居区域其距离不会随着时间变化，因此，本公开中将这一类邻居区域称为静态邻居区域。例如，可以以该目标区域为中心，选取周边2公里范围内的所有区域作为静态邻居区域，再例如，将与该目标区域相邻的区域以及相邻1个区域以内的区域作为静态邻居区域。
可选的，在各区域中选取目标区域，并选取目标区域周边预设范围内的多个静态邻居区域，包括：在各区域中选取待进行用地性质预测的区域，得到目标区域；在目标区域周边预设范围内随机选取多个区域，得到多个静态邻居区域。如，可以在各区域中选取目标区域，在目标区域周边预设范围内随机选取多个区域，得到多个静态邻居区域。如，可以以该目标区域为中心，在周边2公里范围内的所有区域中随机选取多个区域作为静态邻居区域。通过在各区域中进行候选邻居区域的选取，可以减少需要进行分析的静态邻居区域的数量，从而提高分析速度。
步骤S14，根据目标区域和多个静态邻居区域的嵌入表征向量，生成目标区域的特征图。
其中，根据目标区域和多个静态邻居区域的嵌入表征向量生成目标区域的特征图，可以以目标区域和各个静态邻居区域为节点生成目标区域的特征图。并且，特征图中可以包括目标区域和多个静态邻居区域的嵌入表征向量。例如，特征图中可以包括目标区域对应的节点A，以及区域A的静态邻居区域B、C、D对应的节点B、节点C、节点D，以及各个节点的嵌入表征向量。
步骤S15，利用特征图对目标区域进行用地性质的预测，得到目标区域在下一时刻的预测用地性质。
一个例子中，利用特征图对目标区域进行用地性质的预测，得到目标区域在下一时刻的预测用地性质，包括：利用预先训练的图卷积网络对特征子图进行分析，得到目标街区在下一时刻的预测用地性质，其中，预先训练的图卷积网络是利用历史用地性质训练得到的网络模型。其中，利用预先训练的图卷积网络对特征图进行分析，得到目标区域在下一时刻的预测用地性质，可以通过图卷积网络分析计算得到目标区域下一时刻的表征向量，然后根据表征向量中各个数值，通过预先设定的用地性质和权重之间的对应关系，查找各数值对应的用地性质，得到目标区域在下一时刻的预测用地性质。
其中，预先训练的图卷积网络是利用历史用地性质训练得到的网络模型。具体的，图卷积网络的训练过程可以包括：获取某一区域的多个时间段的用地性质信息；通过该多个时间段的用地性质信息生成多幅样本子图；将该多幅子图输入代训练的图卷积网络中，通过该图卷积网络对该区域的用地性质进行预测，得到预测结果；将得到的预测结果与预先获取的下一时间段的实际用地性质进行对比，判断是否正确；根据判断结果计算该待训练的图卷积网络当前的损失；根据计算得到的损失通过反向传播优化算法进行模型参数的优化；通过参数优化后的模型重新接收样本子图，并对用地性质进行预测；直至计算得到的损失小于预设阈值，得到训练好的图卷积网络。
可见，本公开实施例的方法，通过区域的用地性质设置嵌入表征向量，然后利用目标区域和多个静态邻居区域的嵌入表征向量生成目标子图，最后利用特征图对目标区域进行用地性质的预测，得到目标区域在下一时刻的预测用地性质。实现对区域用地性质的预测，从而可以通过预测得到的区域用地性质对城市规划等提供参考。不但可以利用静态关联信息容易获取的特点提高预测的速度，还可以通过动态关联信息与静态关联信息的结合进行预测的方式提高预测的精度。
可选的，参见图2，上述步骤S12根据人员交互信息对各区域的初始表征向量进行更新，得到各区域的嵌入表征向量之前，上述方法还包括：
步骤S21，针对任一区域，统计该区域中各子区域的初始用地性质；
步骤S22，根据该区域中各子区域的初始用地性质和预先设定的不同用地性质对应的权重，得到该区域中各子区域对应的权重；
步骤S23，根据该区域中各子区域对应的权重，生成该区域的初始表征向量。
在实际使用过程中，同一区域中的用地根据用地性质又往往可以分为多个子区域。例如，当某一区域中存在学校、居民小区、写字楼等，可以将学校、居民小区、写字楼各自划分为一个子区域。因此在统计任一区域中各子区域的初始用地性质时，可以包括多种用地性质。具体的，在统计任一区域中各子区域的初始用地性质时，还可以包括不同用地性质对应的子区域的位置。
根据任一区域中各子区域的初始用地性质和预先设定的不同用地性质对应的权重，得到任一区域中各子区域的权重，可以通过预先针对不同的用地性质设置不同的权重，然后根据区域内的初始用地性质查找对应的权重。例如，可以预先设定商业用地、商务用地、居民用地对应的权重分别为1.1、0.7、0.3，从而当任一区域中各子区域的初始用地性质为：商业用地、居民用地、商务用地、居民用地时，得到的该区域中各子区域的权重分别为：1.1、0.3、0.7、0.3。
根据任一区域中各子区域的权重生成任一区域的初始表征向量，可以通过设定预设顺序，然后根据该顺序依次选取区域中对应的子区域的权重生成初始表征向量。例如，对于某一区域，根据从左到右，从上到下的顺序，依次得到该区域中各个子区域的用地性质为：居民用地、商务用地、商业用地、居民用地，则排序后的权重为：0.3、0.7、1.1、0.3，生成的初始表征向量为：(0.3、0.7、1.1、0.3)。
可见，通过本申请实施例的方法，可以针对区域中的用地性质设置不同的权重，然后根据该权重生成任一区域的初始表征向量，从而实现根据区域内各个子区域的用地性质对区域的用地性质的预测，提高预测结果的准确率。
可选的，人员交互信息包括第一交互信息和/或第二交互信息，获取指定时刻多个区域之间的人员交互信息，包括：
获取指定时刻多个区域之间相互流动的人员的流动频次，并将流动频次作为第一交互信息；
和/或，
获取指定时刻多个区域之间人员的区域检索频次，并将区域检索频次作为第二交互信息。
在实际使用过程中人员交互信息可以是指与人相关的特征，并且，该人员交互信息往往会随时间变化。如，获取指定时刻多个区域之间相互流动的人员的流动频次，并将流动频次作为人员交互信息，由于不同时间段多个区域之间相互流动的人员的数量往往不同，可以通过获取指定时刻相互流动的人员的频次，并将该频次作为指定时刻多个区域之间的人员交互的人员交互信息。例如，t时刻，区域A中有13个人员正在前往区域B，则可以将流动频次13作为人员交互信息。再例如，获取指定时刻多个区域之间检索的频次，并将检索的频次作为人员交互信息，例如，t时刻，区域A中有10人正在对区域B的环境进行检索、区域A中有8人正在对区域B美食进行检索、区域A中有6人正在对区域B的教育信息进行检索，则可以将检索的总次数24作为人员交互信息。在实际使用过程中，还可以同时获取指定时刻多个区域之间相互流动的人员的流动频次和指定时刻多个区域之间检索的频次，并通过预设权重对相互流动的人员的流动频次和区域之间检索的频次进行加权求和的方式，得到人员交互信息。例如，通过预设权重0.5和0.2对指定时刻多个区域之间相互流动的人员的流动频次13和指定时刻多个区域之间检索的频次24进行加权求和，得到指定时刻多个区域之间的人员交互的人员交互信息为11.3。
可见，通过本公开实施例的方法，通过多个区域之间相互流动的人员的流动频次和/或多个区域之间检索的频次计算得到的嵌入表征向量，并根据嵌入表征向量进行用地性质的预测，从而可以通过包含人员人员交互信息的特征进行预测，提高预测的准确率。
可选的，参见图3，上述方法，还包括：
步骤S31，获取多个静态邻居区域的初始表征向量；
步骤S32，对多个静态邻居区域的初始表征向量进行拼接，得到第一静态邻接矩阵；
步骤S33，针对多个静态邻居区域中的任一区域，对多个静态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二静态邻接矩阵；
步骤S34，通过预设效能函数，计算并比较第一静态邻接矩阵和第二静态邻接矩阵的贡献度；
步骤S35，若不相等，则将该区域用地性质作为目标区域的预测用地性质的解释。
由于本公开中利用预先训练好的图卷积网络对特征图进行分析，得到目标区域在下一时刻的预测用地性质的过程类似于“黑盒”，为了便于对本公开中利用预先训练好的图卷积网络对特征图进行分析的过程进行理解，本公开中对该过程进行解释，以满足实际使用过程中业务场景的需求。例如，当目标区域的预测用地性质为商业用地时，可以根据静态邻居区域的用地性质解释为什么目标区域的预测用地性质为商业用地，如当目标区域的静态邻居区域的用地性质为商业用地时，目标区域也会发展商业，导致目标区域的预测用地性质为商业用地性质。
其中，对多个静态邻居区域的初始表征向量进行拼接，得到静态邻接矩阵，可以对多个静态邻居区域的初始表征向量按照预设顺序进行排列，组成静态邻接矩阵。例如，将N各向量按照从上到下的顺序进行排列，则可以组成一个N行的矩阵。具体的，还可以通过预设数值对某一个或多个向量进行填充，向量a为(1、12、31、15、5、12)，向量b为(2、10、30、5)在生成矩阵时，为了使得每一向量的长度相等，可以对向量b进行填充，填充后的b向量为(2、10、30、5、0、0)，然后根据该矩阵可以生成一个2行6列的矩阵。
其中，本公开中的效能函数可以用于计算多个静态邻居区域中各区域的初始表征向量对静态邻接矩阵的影响，具体的，该效能函数可以为F(x)函数。具体的，本公开中可以通过效能函数，依次针对每一区域的初始表征向量计算静态邻接矩阵中存在该区域的初始表征向量的状态下的效能和不存在该区域的初始表征向量的状态下的效能，并比较。
具体的，可以计算静态邻接矩阵中存在该区域的初始表征向量的状态下的效能和不存在该区域的初始表征向量的状态下的效能，当二者不一致，则将其作为目标区域的预测用地性质的解释。例如，针对目标区域当预测得到该区域的预测用地性质为商业用地时，可以通过相邻区域的用地性质对目标区域的用地性质进行解释，如，通过分析，当相邻区域的用地性质均为商业用地时，目标区域下一时刻的用地性质可能会转变为商业用地。
具体的，可以包括：
1、选取目标区域u的静态邻居区域的集合S，并根据各静态邻居区域s的初始表征矩阵构造邻接矩阵A；
2、
Figure BDA0003290029160000111
令S′＝S\s，A′＝A(S′)；针对所有静态邻居区域中的任一相邻区域，选取所有相邻区域中除该区域之外的其他区域的集合S′，根据S′中各区域的初始表征向量生成的矩阵A′；
3、通过预设效能函数M，计算静态邻接矩阵中存在该区域的初始表征向量的状态下的效能M(u,S,A)和不存在该区域的初始表征向量的状态下的效能M(u,S′,A′)，如果M(u,S,A)≠M(u,S′,A′)，则将该区域的用地性质作为目标区域的用地性质的解释；
4、若静态邻接矩阵中存在该区域的初始表征向量的状态下的效能M(u,S,A)和不存在该区域的初始表征向量的状态下的效能M(u,S′,A′)相等，则舍弃该区域，从目标区域u的静态邻居区域的集合S中重新选取一个区域重复上述步骤2和3，直至选取完所有的区域，将所有的可以作为目标区域的用地性质的解释的区域进行组合，得到集合E。
可见，通过本公开实施例的方法，可以通过目标区域的邻居区域的特征对目标区域的预测用地性质的解释。从而可以便于用户的理解，满足实际使用过程中业务场景的需求。
可选的，参见图4，上述方法，还包括：
步骤S41，确定在指定时刻与目标区域存在人员交互的各区域，得到各动态邻居区域；
步骤S42，对各动态邻居区域的初始表征向量进行拼接，得到第一动态邻接矩阵；
步骤S43，针对各动态邻居区域中的任一区域，对各动态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二动态邻接矩阵；
步骤S44，通过预设效能函数，计算并比较第一动态邻接矩阵和第二动态邻接矩阵的贡献度；
步骤S45，若不相等，则将该区域用地性质作为目标区域的预测用地性质的解释。
在实际使用过程中还可以通过指定时刻与目标区域进行人员交互的区域作为目标区域的预测用地性质的解释。具体的计算方法与上述实施例类似。可以针对指定时刻与目标区域进行人员交互的各区域，通过计算动态邻接矩阵中存在该区域的初始表征向量的状态下的效能和不存在该区域的初始表征向量的状态下的效能，当二者不一致，则将其作为目标区域的预测用地性质的解释。
可见，通过本公开实施例的方法，可以通过指定时刻与目标区域进行人员交互的区域，作为目标区域的预测用地性质的解释。从而可以便于用户的理解，满足实际使用过程中业务场景的需求。
可选的，本公开的区域用地变迁的预测方法可以参见图5，包括：
1、将目标城市依据路网信息划分成若干个区域这里将区域称为block；
2、根据block内用地性质，计算每个block的用地性质权重分布，并选取block内用地分布权重最高的用地为block的代表性用地；
3、对于目标区域，与其关联的区域可以分为静态关联邻域区域和动态关联邻域区域。基于距离关系与u关联的区域为静态关联邻域区域，基于人员移动轨迹与u关联的区域则为动态关联邻域区域，其中，距离关系不随时间变化，而用户移动行为则会随着时间推移而发生变化；
4、对目标区域的的相邻区域进行采样，选取在t时刻的动态关系(如用户到访)，将目标区域的邻居区域作为其邻居节点集合；
5、以目标区域的用地分布权重向量作为目标区域的初始表征向量，并依据t时刻的动态关系计算得到目标区域的嵌入表征向量，对目标区域的初始表征向量进行更新；
6、将更新后的目标区域表征向量作为节点特征，再依据静态关系对目标区域的静态关联邻居进行随机采样，根据采样后得到的子图，利用ST-GCN(Spatial Temporal GraphConvolutional Neural Network)进行图卷积运算，输出下一时刻的用地性质。
根据本公开的另一方面，提供了一种区域用地性质的确定装置，参见图6，包括：
特征获取模块601，用于获取指定时刻多个区域之间的人员交互信息；
向量更新模块602，用于根据人员交互信息对各区域的初始表征向量进行更新，得到各区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；
邻居区域确定模块603，用于在各区域中选取目标区域，并选取目标区域周边预设范围内的多个静态邻居区域；
特征图生成模块604，用于根据目标区域和多个静态邻居区域的嵌入表征向量，生成目标区域的特征图；
用地性质预测模块605，用于利用特征图对目标区域进行用地性质的预测，得到目标区域在下一时刻的预测用地性质。
可选的，参见图7，还包括：
用地性质统计模块701，用于针对任一区域，统计该区域中各子区域的初始用地性质；
权重设定模块702，用于根据该区域中各子区域的初始用地性质和预先设定的不同用地性质对应的权重，得到该区域中各子区域对应的权重；
向量生成模块703，用于根据该区域中各子区域对应的权重，生成该区域的初始表征向量。
可选的，参见图8，向量更新模602，包括：
嵌入表征计算子模块801，用于根据人员交互信息和各区域的初始表征向量，计算得到各区域的融合特征向量；
加权求和子模块802，用于根据预设系数，对各区域的融合特征向量和各区域的初始表征向量进行加权求和，得到各区域的嵌入表征向量。
可选的，人员交互信息包括第一交互信息和/或第二交互信息，
特征获取模块601，具体获取指定时刻多个区域之间相互流动的人员的流动频次，并将流动频次作为第一交互信息；和/或，获取指定时刻多个区域之间人员的区域检索频次，并将区域检索频次作为第二交互信息。
可选的，邻居区域确定模块603，具体用于在各区域中选取待进行用地性质预测的区域，得到目标区域；在目标区域周边预设范围内随机选取多个区域，得到多个静态邻居区域。
可选的，参见图9，还包括：
邻居区域向量获取模块901，用于获取多个静态邻居区域的初始表征向量；
第一静态向量拼接模块902，用于对多个静态邻居区域的初始表征向量进行拼接，得到第一静态邻接矩阵；
第二静态向量拼接模块903，用于针对多个静态邻居区域中的任一区域，对多个静态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二静态邻接矩阵；
第一贡献度计算模块904，用于通过预设效能函数，计算并比较第一静态邻接矩阵和第二静态邻接矩阵的贡献度；
第一解释确定模块905，用于若不相等，则将该区域用地性质作为目标区域的预测用地性质的解释。
可选的，参见图10，还包括：
交互区向量获取模块1001，用于确定在指定时刻与目标区域存在人员交互的各区域，得到各动态邻居区域；
第一动态向量拼接模块1002，用于对各动态邻居区域的初始表征向量进行拼接，得到第一动态邻接矩阵；
第二动态向量拼接模块1003，用于针对各动态邻居区域中的任一区域，对各动态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二动态邻接矩阵；
第二贡献度计算模块1004，用于通过预设效能函数，计算并比较第一动态邻接矩阵和第二动态邻接矩阵的贡献度；
第二解释确定模块1005，用于通过预设效能函数，计算并比较第一动态邻接矩阵和第二动态邻接矩阵的贡献度。
可选的，用地性质预测模块605，具体用于利用预先训练的图卷积网络对特征子图进行分析，得到目标街区在下一时刻的预测用地性质，其中，预先训练的图卷积网络是利用历史用地性质训练得到的网络模型。
可见，本公开实施例的装置，通过区域的用地性质设置嵌入表征向量，然后利用目标区域和多个静态邻居区域的嵌入表征向量生成目标子图，最后利用特征图对目标区域进行用地性质的预测，得到目标区域在下一时刻的预测用地性质。不但可以实现对区域用地性质的预测，还可以通过预测得到的区域用地性质对城市规划等提供参考。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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11示出了可以用来实施本公开的实施例的示例电子设备1200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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如区域用地性质的确定方法。例如，在一些实施例中，区域用地性质的确定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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的区域用地性质的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101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用地性质的确定方法。
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)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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (19)

1.一种区域用地性质的确定方法，包括：
获取指定时刻多个区域之间的人员交互信息；
根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；
在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；
根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；
利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质。
2.根据权利要求1所述的方法，在所述根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量之前，所述方法还包括：
针对任一区域，统计该区域中各子区域的初始用地性质；
根据该区域中各子区域的初始用地性质和预先设定的不同用地性质对应的权重，得到该区域中各子区域对应的权重；
根据该区域中各子区域对应的权重，生成该区域的初始表征向量。
3.根据权利要求1所述的方法，其中，所述根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，包括：
根据所述人员交互信息和各所述区域的初始表征向量，计算得到各所述区域的融合特征向量；
根据预设系数，对各所述区域的融合特征向量和各所述区域的初始表征向量进行加权求和，得到各所述区域的嵌入表征向量。
4.根据权利要求1所述的方法，其中，所述人员交互信息包括第一交互信息和/或第二交互信息，所述获取指定时刻多个区域之间的人员交互信息，包括：
获取指定时刻多个区域之间相互流动的人员的流动频次，并将所述流动频次作为所述第一交互信息；
和/或，
获取指定时刻多个区域之间人员的区域检索频次，并将所述区域检索频次作为所述第二交互信息。
5.根据权利要求1所述的方法，其中，所述在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域，包括：
在各所述区域中选取待进行用地性质预测的区域，得到目标区域；
在所述目标区域周边预设范围内随机选取多个区域，得到所述多个静态邻居区域。
6.根据权利要求1所述的方法，还包括：
获取所述多个静态邻居区域的初始表征向量；
对所述多个静态邻居区域的初始表征向量进行拼接，得到第一静态邻接矩阵；
针对所述多个静态邻居区域中的任一区域，对所述多个静态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二静态邻接矩阵；
通过预设效能函数，计算并比较所述第一静态邻接矩阵和所述第二静态邻接矩阵的贡献度；
若不相等，则将该区域用地性质作为所述目标区域的预测用地性质的解释。
7.根据权利要求1所述的方法，还包括：
确定在指定时刻与所述目标区域存在人员交互的各区域，得到各动态邻居区域；
对各所述动态邻居区域的初始表征向量进行拼接，得到第一动态邻接矩阵；
针对各所述动态邻居区域中的任一区域，对各所述动态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二动态邻接矩阵；
通过预设效能函数，计算并比较所述第一动态邻接矩阵和所述第二动态邻接矩阵的贡献度；
若不相等，则将该区域用地性质作为所述目标区域的预测用地性质的解释。
8.根据权利要求1所述的方法，其中，所述利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质，包括：
利用预先训练的图卷积网络对所述特征子图进行分析，得到所述目标街区在下一时刻的预测用地性质，其中，所述预先训练的图卷积网络是利用历史用地性质训练得到的网络模型。
9.一种区域用地性质的确定装置，包括：
特征获取模块，用于获取指定时刻多个区域之间的人员交互信息；
向量更新模块，用于根据所述人员交互信息对各所述区域的初始表征向量进行更新，得到各所述区域的嵌入表征向量，其中，针对任一区域，该区域的初始表征向量是根据该区域的初始用地性质计算得到的；
邻居区域确定模块，用于在各所述区域中选取目标区域，并选取所述目标区域周边预设范围内的多个静态邻居区域；
特征图生成模块，用于根据所述目标区域和所述多个静态邻居区域的嵌入表征向量，生成所述目标区域的特征图；
用地性质预测模块，用于利用所述特征图对所述目标区域进行用地性质的预测，得到所述目标区域在下一时刻的预测用地性质。
10.根据权利要求9所述的装置，还包括：
用地性质统计模块，用于针对任一区域，统计该区域中各子区域的初始用地性质；
权重设定模块，用于根据该区域中各子区域的初始用地性质和预先设定的不同用地性质对应的权重，得到该区域中各子区域对应的权重；
向量生成模块，用于根据该区域中各子区域对应的权重，生成该区域的初始表征向量。
11.根据权利要求9所述的装置，其中，所述向量更新模块，包括：
嵌入表征计算子模块，用于根据所述人员交互信息和各所述区域的初始表征向量，计算得到各所述区域的融合特征向量；
加权求和子模块，用于根据预设系数，对各所述区域的融合特征向量和各所述区域的初始表征向量进行加权求和，得到各所述区域的嵌入表征向量。
12.根据权利要求9所述的装置，其中，所述人员交互信息包括第一交互信息和/或第二交互信息，
所述特征获取模块，具体获取指定时刻多个区域之间相互流动的人员的流动频次，并将所述流动频次作为所述第一交互信息；和/或，获取指定时刻多个区域之间人员的区域检索频次，并将所述区域检索频次作为所述第二交互信息。
13.根据权利要求9所述的装置，其中，
所述邻居区域确定模块，具体用于在各所述区域中选取待进行用地性质预测的区域，得到目标区域；在所述目标区域周边预设范围内随机选取多个区域，得到所述多个静态邻居区域。
14.根据权利要求9所述的装置，还包括：
邻居区域向量获取模块，用于获取所述多个静态邻居区域的初始表征向量；
第一静态向量拼接模块，用于对所述多个静态邻居区域的初始表征向量进行拼接，得到第一静态邻接矩阵；
第二静态向量拼接模块，用于针对所述多个静态邻居区域中的任一区域，对所述多个静态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二静态邻接矩阵；
第一贡献度计算模块，用于通过预设效能函数，计算并比较所述第一静态邻接矩阵和所述第二静态邻接矩阵的贡献度；
第一解释确定模块，用于若不相等，则将该区域用地性质作为所述目标区域的预测用地性质的解释。
15.根据权利要求9所述的方法，还包括：
交互区向量获取模块，用于确定在指定时刻与所述目标区域存在人员交互的各区域，得到各动态邻居区域；
第一动态向量拼接模块，用于对各所述动态邻居区域的初始表征向量进行拼接，得到第一动态邻接矩阵；
第二动态向量拼接模块，用于针对各所述动态邻居区域中的任一区域，对各所述动态邻居区域中除该区域外的其他区域的初始表征向量进行拼接，得到第二动态邻接矩阵；
第二贡献度计算模块，用于通过预设效能函数，计算并比较所述第一动态邻接矩阵和所述第二动态邻接矩阵的贡献度；
第二解释确定模块，用于通过预设效能函数，计算并比较所述第一动态邻接矩阵和所述第二动态邻接矩阵的贡献度。
16.根据权利要求9所述的装置，其中，
所述用地性质预测模块，具体用于利用预先训练的图卷积网络对所述特征子图进行分析，得到所述目标街区在下一时刻的预测用地性质，其中，所述预先训练的图卷积网络是利用历史用地性质训练得到的网络模型。
17.一种电子设备，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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202111160570.3A 2021-09-30 2021-09-30 区域用地性质的确定方法、装置、电子设备及存储介质 Active CN113902185B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111160570.3A CN113902185B (zh) 2021-09-30 2021-09-30 区域用地性质的确定方法、装置、电子设备及存储介质
US17/957,275 US20230024680A1 (en) 2021-09-30 2022-09-30 Method of determining regional land usage property, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111160570.3A CN113902185B (zh) 2021-09-30 2021-09-30 区域用地性质的确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113902185A true CN113902185A (zh) 2022-01-07
CN113902185B CN113902185B (zh) 2023-10-31

Family

ID=79189784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111160570.3A Active CN113902185B (zh) 2021-09-30 2021-09-30 区域用地性质的确定方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20230024680A1 (zh)
CN (1) CN113902185B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210342962A1 (en) * 2009-08-31 2021-11-04 Leigh W Budlong System and method for standardizing and tracking land use utility
CN116484266B (zh) * 2023-05-18 2023-11-24 广东国地规划科技股份有限公司 一种精细城市用地类型识别模型训练方法
CN116384157B (zh) * 2023-05-26 2023-08-18 北京师范大学 土地利用变化模拟方法
CN116664663B (zh) * 2023-07-21 2023-10-20 湖北泰跃卫星技术发展股份有限公司 计算农作物面积的方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201927A (zh) * 2006-12-14 2008-06-18 中国科学院东北地理与农业生态研究所 区域土地退化的动态评价及分区预警系统
US20100029286A1 (en) * 2005-05-13 2010-02-04 Bernd Pfeiffer Generation of a space-related traffic database in a radio network
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN111382330A (zh) * 2020-03-10 2020-07-07 智慧足迹数据科技有限公司 一种土地用地性质识别方法、装置、电子设备及存储介质
CN111651502A (zh) * 2020-06-01 2020-09-11 中南大学 一种基于多子空间模型的城市功能区识别方法
CN111858820A (zh) * 2020-07-24 2020-10-30 北京百度网讯科技有限公司 用地性质识别方法、装置、电子设备及存储介质
CN112070056A (zh) * 2020-09-17 2020-12-11 京师天启(北京)科技有限公司 一种基于面向对象和深度学习的敏感用地识别方法
CN112784732A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 地物类型变化的识别、模型训练方法、装置、设备及介质
CN112883133A (zh) * 2021-02-01 2021-06-01 南京航空航天大学 基于时序数据和功能演变数据的流量预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100029286A1 (en) * 2005-05-13 2010-02-04 Bernd Pfeiffer Generation of a space-related traffic database in a radio network
CN101201927A (zh) * 2006-12-14 2008-06-18 中国科学院东北地理与农业生态研究所 区域土地退化的动态评价及分区预警系统
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN111382330A (zh) * 2020-03-10 2020-07-07 智慧足迹数据科技有限公司 一种土地用地性质识别方法、装置、电子设备及存储介质
CN111651502A (zh) * 2020-06-01 2020-09-11 中南大学 一种基于多子空间模型的城市功能区识别方法
CN111858820A (zh) * 2020-07-24 2020-10-30 北京百度网讯科技有限公司 用地性质识别方法、装置、电子设备及存储介质
CN112070056A (zh) * 2020-09-17 2020-12-11 京师天启(北京)科技有限公司 一种基于面向对象和深度学习的敏感用地识别方法
CN112784732A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 地物类型变化的识别、模型训练方法、装置、设备及介质
CN112883133A (zh) * 2021-02-01 2021-06-01 南京航空航天大学 基于时序数据和功能演变数据的流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BO HUANG 等: "Spatiotemporal Reflectance Fusion via Sparse Representation", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 50, no. 10, pages 3707 - 3716, XP011463630, DOI: 10.1109/TGRS.2012.2186638 *
IRWIN, EG 等: "Interacting agents, spatial externalities and the evolution of residential land use patterns", 《JOURNAL OF ECONOMIC GEOGRAPHY》, vol. 2, no. 1, pages 31 - 54 *
吴奇龙 等: "城市兴趣点演化规律的可预测性分析", 《浙江大学学报(工学版)》, vol. 53, no. 9, pages 1768 - 1778 *
荣燕妮: "城市空间动态数据挖掘方法及应用研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》, no. 7, pages 008 - 37 *

Also Published As

Publication number Publication date
US20230024680A1 (en) 2023-01-26
CN113902185B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN113902185B (zh) 区域用地性质的确定方法、装置、电子设备及存储介质
CN111858820B (zh) 用地性质识别方法、装置、电子设备及存储介质
CA2797401C (en) Automated social networking graph mining and visualization
Long et al. Mapping block-level urban areas for all Chinese cities
CN107563803B (zh) 一种基于耗费距离栅格的商圈划分方法
Carreno et al. A cellular automaton approach to spatial electric load forecasting
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
KR20220026999A (ko) 목적지 예측 방법, 장치, 전자 기기 및 저장 매체
Barreira-González et al. Configuring the neighbourhood effect in irregular cellular automata based models
EP4174712A1 (en) Coding method and apparatus for geographic location area, and method and apparatus for establishing coding model
Ai et al. Generation of constrained network Voronoi diagram using linear tessellation and expansion method
CN115759499A (zh) 一种基于优化算法的路径规划方法、装置、设备及介质
Hu et al. Visualizing dynamic graphs with heat triangles
CN110276387A (zh) 一种模型的生成方法及装置
Fan et al. A deep reinforcement learning model for resilient road network recovery under earthquake or flooding hazards
CN114549058A (zh) 选址方法、装置、电子设备和可读存储介质
CN112883133A (zh) 基于时序数据和功能演变数据的流量预测方法
CN117194687A (zh) 多媒体推荐方法、装置、设备及存储介质
KR101476172B1 (ko) 이종의 도로망 데이터 셋에서 면 객체 매칭 기반 변화탐지 방법
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
Peng et al. Using the A Algorithm to Find Optimal Sequences for Area Aggregation
JP2017049954A (ja) 推定装置、推定方法及びプログラム
CN115330069A (zh) 信息处理方法及装置
Reijsbergen Probabilistic modelling of station locations in bicycle-sharing systems
CN114943407A (zh) 区域规划方法、装置、设备、可读存储介质及程序产品

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