CN114238428B - 一种城市动态地理画像生成方法以及装置 - Google Patents

一种城市动态地理画像生成方法以及装置 Download PDF

Info

Publication number
CN114238428B
CN114238428B CN202210171490.6A CN202210171490A CN114238428B CN 114238428 B CN114238428 B CN 114238428B CN 202210171490 A CN202210171490 A CN 202210171490A CN 114238428 B CN114238428 B CN 114238428B
Authority
CN
China
Prior art keywords
model
data
geographic
time
training
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.)
Active
Application number
CN202210171490.6A
Other languages
English (en)
Other versions
CN114238428A (zh
Inventor
田鹏飞
孙伟
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.)
Yijing Zhilian (Suzhou) Technology Co.,Ltd.
Original Assignee
Yijing Zhilian Beijing 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 Yijing Zhilian Beijing Technology Co ltd filed Critical Yijing Zhilian Beijing Technology Co ltd
Priority to CN202210171490.6A priority Critical patent/CN114238428B/zh
Publication of CN114238428A publication Critical patent/CN114238428A/zh
Application granted granted Critical
Publication of CN114238428B publication Critical patent/CN114238428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种城市动态地理画像生成方法，包括：获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；将所述特征向量输入到所述预训练模型中，获得预测结果。本申请通过训练图神经网络模型的方式，可以只通过有限的数据，即可准确的进行地理动态画像的生成。本申请还提供一种城市动态地理画像生成装置。

Description

一种城市动态地理画像生成方法以及装置
技术领域
本申请请求保护一种数据处理技术，尤其涉及一种城市动态地理画像生成方法。本申请还涉及一种城市动态地理画像生成装置。
背景技术
城市动态地理画像，主要是通过预测的方式，判断城市POI（兴趣点）、人口流动数据、到访数据、销售额数据等。
现有技术中，城市动态地理画像主要是通过累计数据分析统计的方式，以及数据的变化规律，通过函数逼近真实值，进而达到预测的目的，现有技术中需要海量数据，以及长时间段的数据采集才能较为准确的进行预测，耗时费力，且预测结果正确率较低。
发明内容
为了提升城市动态地理画像的预测准确率，本申请提供一种城市动态地理画像生成方法。本申请还涉及一种城市动态地理画像生成装置。
本申请提供一种城市动态地理画像生成方法，包括：
获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；
为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；
根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；
将所述特征向量输入到所述预训练模型中，获得预测结果。
可选的，所述模型训练包括：
将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作；
调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型；
提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出；
以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
可选的，所述地理画像数据包括：城市POI、人口流动数据、到访数据和门店销售额。
可选的，所述预测目标包括：
POI开关店、人口流动数据、到访数据和销售额数据。
可选的，所述预训练模型包括一个或者多个预训练模型。
本申请还提供一种城市动态地理画像生成装置，包括：
划分模块，用于获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；
特征模块，用于为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；
训练模块，用于根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；
结果模块，用于将所述特征向量输入到所述预训练模型中，获得预测结果。
可选的，所述训练模块包括：
分割单元，将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作；
模型单元，用于调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型；
计算单元，用于提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出；
优化单元，用于以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
可选的，所述地理画像数据包括：城市POI、人口流动数据、到访数据和门店销售额。
可选的，所述预测目标包括：
POI开关店、人口流动数据、到访数据和销售额数据。
可选的，所述预训练模型包括一个或者多个预训练模型。
本申请相较于现有技术的优点是：
本申请提供一种城市动态地理画像生成方法，包括：获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；将所述特征向量输入到所述预训练模型中，获得预测结果。本申请通过训练图神经网络模型的方式，可以只通过有限的数据，即可准确的进行地理动态画像的生成。
附图说明
图1是本申请中城市动态地理画像生成流程图。
图2是本申请中模型训练流程图。
图3是本申请中城市动态地理画像生成装置示意图。
具体实施方式
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
本申请提供一种城市动态地理画像生成方法，包括：获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；将所述特征向量输入到所述预训练模型中，获得预测结果。本申请通过训练图神经网络模型的方式，可以只通过有限的数据，即可准确的进行地理动态画像的生成。
图1是本申请中城市动态地理画像生成流程图。
请参照图1所示，S101获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分。
所述城市地理数据是可以描述城市布局和状态的数据，包括城市的地形、建筑、功能区域、交通等数据。
在本申请中，所述地理数据的空间范围，根据分析范围确定，例如：当分析的是一个城市时，这所述城市地理数据的包含了整个城市。当分析的是一个区域的时候，这所述城市地理数据是整个区域的地理数据。
当获取到一个完整的城市地理数据后，将所述城市地理数据进行划分，形成多个网格组成的城市地理数据，即将所述地理数据按照预设大小的网格进行划分。优选的，所述网格大小为200m*200m。
同时，所述地理数据可以采用相同的网格大小，进行其他数据的划分，例如：城市的POI（兴趣点）、人口流动数据、到访数据或者销售额数据等。在本申请中所述网格是以地形为基础划分的，所述其他数据的划分也是以地形为基础的网格进行划分的。
请参照图1所示，S102为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量。
所述时间窗口是指采集数据的时间段，该时间窗口是以预设的确定的频率设置的，例如所述时间窗口可以是一天中任意一个时间段。
所述时间窗口的确定是根据所述城市的时区不同而设置成不同的时间段，其原因是时区的不同影响商业开展的时间不同。优选的，所述时间窗口的确定是需要选择一个无假期的时间段，并从所述无假期的时间段中确定所述时间窗口。需要指出的是，当选择生成假期时间段的城市动态地理画像，则需要根据假期的不同设置不同的时间窗口。
确定时间窗口后，则采集数据。具体的，根据所述时间窗口的周期进行数据的采集，生成特征向量。
本申请中，所述特征向量的生成是以时间为方向的。例如：数据A在第一个时间窗 口时采集的是
Figure DEST_PATH_IMAGE001
，在第二个时间窗口采集到的数据是
Figure 473504DEST_PATH_IMAGE002
，在第三个数据窗口采集到的数据 是
Figure DEST_PATH_IMAGE003
，则
Figure 373064DEST_PATH_IMAGE001
~
Figure 717458DEST_PATH_IMAGE002
表示为
Figure 684277DEST_PATH_IMAGE004
；
Figure 659186DEST_PATH_IMAGE002
~
Figure 78666DEST_PATH_IMAGE003
表示为
Figure DEST_PATH_IMAGE005
，其中
Figure 695592DEST_PATH_IMAGE004
、
Figure 516918DEST_PATH_IMAGE005
可以表示增量的大小。具体的，所述 特征向量的表达式如下：
Figure DEST_PATH_IMAGE007
其中
Figure 630105DEST_PATH_IMAGE008
表示的是两个数据在直角坐标系中的坐标相减，将所述特征向量集 合起来生成特征向量集。
请参照图1所示，S103根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型。
具体的，所述模型训练包括模型训练和模型评估，所述模型在训练完成后达到评估要求，才可以称为合格的预训练模型。
图2是本申请中模型训练流程图。
请参照图2所示，S201将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作。
在进行模型训练时，所述特征向量是作为样本数据的，所述样本数据可以是通过人工收集的数据。
将所述特征向量首先进行分割，划分为训练集、验证集合测试集，所述训练集用于多所述模型进行训练，所述验证集用于训练完成的模型进行验证，所述测试集是用于训练完成的模型测试。
S202调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型。
所述时空动态相关性捕获模型是获取数据的时空动态相关性的模型都是由卷积神经网络生成的，所述时空动态相关性捕获模型根据输入的数据获得在时空内产生变化的数据；所述时空相关性捕获模型是指根据输入的数据获取时空相关性的数据。本申请将所述时空动态相关性捕获模型和时空相关性捕获模型进行串联，形成空间块，然后串联堆叠两个所述空间块生成本申请中的时空图网络卷积模型。
S203提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出。
具体的，首先输入训练集，进行模型的参数调整，获得模型参数，并更新所述时空图网络卷积模型。
S204以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
请训练完成后，依次输入测试集合验证集，进行模型测试和验证，最后生成预训练的时空图网络卷积模型。
接下来利用均方误差和拟合优度来进行模型评估，当所述模型评估合规，即可作为下一步中进行预测的预训练模型。
参照图1所示，S104将所述特征向量输入到所述预训练模型中，获得预测结果。
所述预测结果是将步骤S102中的特征向量输入到所述时空图网络卷积模型中得到的。具体的，所述预测结果包括：POI开关店、人口流动数据、到访数据和销售额数据。
所述预测结果可以是通过多个模型进行预测的，分别对不同的数据进行多个模型的训练，最后通过多个模型获得多个不同的预测结果，将所述多个不同的预测结果作为最终的预测结果。本申请中所述多个预测结果共同组成城市动态地理画像。
本申请还提供一种城市动态地理画像生成装置，包括：划分模块301，特征模块302，训练模块303，结果模块304。
图3是本申请中城市动态地理画像生成装置示意图。
请参照图3所示，划分模块301，用于获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分。
所述城市地理数据是可以描述城市布局和状态的数据，包括城市的地形、建筑、功能区域、交通等数据。
在本申请中，所述地理数据的空间范围，根据分析范围确定，例如：当分析的是一个城市时，这所述城市地理数据的包含了整个城市。当分析的是一个区域的时候，这所述城市地理数据是整个区域的地理数据。
当获取到一个完整的城市地理数据后，将所述城市地理数据进行划分，形成多个网格组成的城市地理数据，即将所述地理数据按照预设大小的网格进行划分。优选的，所述网格大小为200m*200m。
同时，所述地理数据可以采用相同的网格大小，进行其他数据的划分，例如：城市的POI（兴趣点）、人口流动数据、到访数据或者销售额数据等。在本申请中所述网格是以地形为基础划分的，所述其他数据的划分也是以地形为基础的网格进行划分的。
请参照图3所示，特征模块302，用于为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量。
所述时间窗口是指采集数据的时间段，该时间窗口是以预设的确定的频率设置的，例如所述时间窗口可以是一天中任意一个时间段。
所述时间窗口的确定是根据所述城市的时区不同而设置成不同的时间段，其原因是时区的不同影响商业开展的时间不同。优选的，所述时间窗口的确定是需要选择一个无假期的时间段，并从所述无假期的时间段中确定所述时间窗口。需要指出的是，当选择生成假期时间段的城市动态地理画像，则需要根据假期的不同设置不同的时间窗口。
确定时间窗口后，则采集数据。具体的，根据所述时间窗口的周期进行数据的采集，生成特征向量。
本申请中，所述特征向量的生成是以时间为方向的。例如：数据A在第一个时间窗 口时采集的是
Figure 536881DEST_PATH_IMAGE001
，在第二个时间窗口采集到的数据是
Figure 223078DEST_PATH_IMAGE002
，在第三个数据窗口采集到的数据 是
Figure 164489DEST_PATH_IMAGE003
，则
Figure 481201DEST_PATH_IMAGE001
~
Figure 875273DEST_PATH_IMAGE002
表示为
Figure 365160DEST_PATH_IMAGE004
；
Figure 629919DEST_PATH_IMAGE002
~
Figure 383112DEST_PATH_IMAGE003
表示为
Figure 61218DEST_PATH_IMAGE005
，其中、
Figure 558058DEST_PATH_IMAGE005
可以表示增量的大小。具体的，所述特征 向量的表达式如下：
Figure 447298DEST_PATH_IMAGE007
其中
Figure 105812DEST_PATH_IMAGE008
表示的是两个数据在直角坐标系中的坐标相减，将所述特征向量集 合起来生成特征向量集。
请参照图3所示，训练模块303，用于根据所述预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型。
具体的，所述模型训练包括模型训练和模型评估，所述模型在训练完成后达到评估要求，才可以称为合格的预训练模型。
请参照图2所示，S201将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作。
在进行模型训练时，所述特征向量是作为样本数据的，所述样本数据可以是通过人工收集的数据。
将所述特征向量首先进行分割，划分为训练集、验证集合测试集，所述训练集用于多所述模型进行训练，所述验证集用于训练完成的模型进行验证，所述测试集是用于训练完成的模型测试。
S202调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型。
所述时空动态相关性捕获模型是获取数据的时空动态相关性的模型都是由卷积神经网络生成的，所述时空动态相关性捕获模型根据输入的数据获得在时空内产生变化的数据；所述时空相关性捕获模型是指根据输入的数据获取时空相关性的数据。本申请将所述时空动态相关性捕获模型和时空相关性捕获模型进行串联，形成空间块，然后串联堆叠两个所述空间块生成本申请中的时空图网络卷积模型。
S203提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出。
具体的，首先输入训练集，进行模型的参数调整，获得模型参数，并更新所述时空图网络卷积模型。
S204以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
请训练完成后，依次输入测试集合验证集，进行模型测试和验证，最后生成预训练的时空图网络卷积模型。
接下来利用均方误差和拟合优度来进行模型评估，当所述模型评估合规，即可作为下一步中进行预测的预训练模型。
参照图1所示，结果模块304，用于将所述特征向量输入到所述预训练模型中，获得预测结果。
所述预测结果是将步骤S102中的特征向量输入到所述时空图网络卷积模型中得到的。具体的，所述预测结果包括：POI开关店、人口流动数据、到访数据和销售额数据。
所述预测结果可以是通过多个模型进行预测的，分别对不同的数据进行多个模型的训练，最后通过多个模型获得多个不同的预测结果，将所述多个不同的预测结果作为最终的预测结果。本申请中所述多个预测结果共同组成城市动态地理画像。

Claims (8)

1.一种城市动态地理画像生成方法，其特征在于，包括：
获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；
为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；
根据预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；
将所述特征向量输入到所述预训练模型中，获得预测结果；
其中，所述模型训练包括：
将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作；
调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型；
提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出；
以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
2.根据权利要求1所述城市动态地理画像生成方法，其特征在于，所述地理画像数据包括：城市POI、人口流动数据、到访数据和门店销售额。
3.根据权利要求1所述城市动态地理画像生成方法，其特征在于，所述预测目标包括：
POI开关店、人口流动数据、到访数据和销售额数据。
4.根据权利要求1所述城市动态地理画像生成方法，其特征在于，所述预训练模型包括一个或者多个预训练模型。
5.一种城市动态地理画像生成装置，其特征在于，包括：
划分模块，用于获取城市的地理数据，将所述地理数据按照预设大小的网格进行划分；
特征模块，用于为所述网格设置多个时间窗口，获取每个所述时间窗口时期的地理画像数据，并将所述地理画像数据按照所述时间窗口的时间顺序生成特征向量；
训练模块，用于根据预测目标建模并进行模型训练，利用均方误差和拟合优度来进行模型评估，获得预训练模型；
结果模块，用于将所述特征向量输入到所述预训练模型中，获得预测结果；
其中，所述训练模块包括：
分割单元，将所述特征向量的集合分割成训练集、验证集合测试集后，进行归一化处理和随机Shuffle操作；
模型单元，用于调用时空动态相关性捕获模型和时空相关性捕获模型串联成时空块，串联堆叠两个所述时空块生成时空图网络卷积模型；
计算单元，用于提取所述特征向量的空间特征和时间特征，并将所述特征向量输入到所述时空图网络卷积模型，获得向前传播输出；
优化单元，用于以均方误差为优化损失函数，进行梯度反向传播优化，迭代学习得到模型的参数，获得预训练模型。
6.根据权利要求5所述城市动态地理画像生成装置，其特征在于，所述地理画像数据包括：城市POI、人口流动数据、到访数据和门店销售额。
7.根据权利要求5所述城市动态地理画像生成装置，其特征在于，所述预测目标包括：
POI开关店、人口流动数据、到访数据和销售额数据。
8.根据权利要求5所述城市动态地理画像生成装置，其特征在于，所述预训练模型包括一个或者多个预训练模型。
CN202210171490.6A 2022-02-24 2022-02-24 一种城市动态地理画像生成方法以及装置 Active CN114238428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210171490.6A CN114238428B (zh) 2022-02-24 2022-02-24 一种城市动态地理画像生成方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210171490.6A CN114238428B (zh) 2022-02-24 2022-02-24 一种城市动态地理画像生成方法以及装置

Publications (2)

Publication Number Publication Date
CN114238428A CN114238428A (zh) 2022-03-25
CN114238428B true CN114238428B (zh) 2022-05-13

Family

ID=80748078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210171490.6A Active CN114238428B (zh) 2022-02-24 2022-02-24 一种城市动态地理画像生成方法以及装置

Country Status (1)

Country Link
CN (1) CN114238428B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN111568412A (zh) * 2020-04-03 2020-08-25 中山大学 一种利用脑电信号重建视觉图像的方法及装置
CN113869990A (zh) * 2021-12-02 2021-12-31 山东融瓴科技集团有限公司 基于时空表示学习模型的商铺租赁定价方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325165B (zh) * 2020-02-26 2023-05-05 中南大学 考虑空间关系信息的城市遥感影像场景分类方法
CN113222218B (zh) * 2021-04-16 2022-06-10 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN111568412A (zh) * 2020-04-03 2020-08-25 中山大学 一种利用脑电信号重建视觉图像的方法及装置
CN113869990A (zh) * 2021-12-02 2021-12-31 山东融瓴科技集团有限公司 基于时空表示学习模型的商铺租赁定价方法

Also Published As

Publication number Publication date
CN114238428A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN110210644A (zh) 基于深度神经网络集成的交通流量预测方法
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN109740588A (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
CN112131731B (zh) 一种基于空间特征向量滤波的城市生长元胞模拟方法
Xu et al. Urban noise mapping with a crowd sensing system
CN111611918B (zh) 基于航拍数据和深度学习的交通流数据集采集及构建方法
CN111832228A (zh) 基于cnn-lstm的振动传递系统
Nan et al. Groundwater parameter estimation using the ensemble Kalman filter with localization
CN111598460A (zh) 土壤重金属含量的监测方法、装置、设备及存储介质
CN115561834A (zh) 基于人工智能气象短临预报一体机
CN114241332A (zh) 一种基于深度学习的固废场识别方法、装置以及存储介质
CN109684910A (zh) 一种网络检测输电线路地表环境变化的方法及系统
CN115761888A (zh) 基于nl-c3d模型的塔吊操作人员异常行为检测方法
Can et al. CENSE Project: general overview
CN114238428B (zh) 一种城市动态地理画像生成方法以及装置
CN113640712A (zh) 一种舰船垂向感应磁场垂向分量的预测方法
CN110363863B (zh) 一种神经网络的输入数据生成方法和系统
CN116012709B (zh) 一种高分辨率遥感影像建筑物提取方法及系统
Chen et al. A novel prediction approach for exploring PM2. 5 spatiotemporal propagation based on convolutional recursive neural networks
CN115730718A (zh) 结合超光谱卫星与人工智能的大气no2时空预测算法
CN112528803B (zh) 道路特征提取方法、装置、设备及存储介质
CN114881309A (zh) 一种城市活力与碳排空间特征相关性的测度方法
CN113971348A (zh) 一种基于综合能源系统的源端功率短期预测方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 1101, Floor 11, Office Building B, Suzhou Bay Central Plaza, 99 Youxiang Road, Wuzhong District, Suzhou, Jiangsu

Patentee after: Yijing Zhilian (Suzhou) Technology Co.,Ltd.

Address before: 3015, 3 / F, 6 Chuangye Road, Shangdi Information Industry base, Haidian District, Beijing 100085

Patentee before: Yijing Zhilian (Beijing) Technology Co.,Ltd.

CP03 Change of name, title or address