CN114297532A - 一种基于人群移动轨迹的高清城市功能区识别方法及系统 - Google Patents
一种基于人群移动轨迹的高清城市功能区识别方法及系统 Download PDFInfo
- Publication number
- CN114297532A CN114297532A CN202111677121.6A CN202111677121A CN114297532A CN 114297532 A CN114297532 A CN 114297532A CN 202111677121 A CN202111677121 A CN 202111677121A CN 114297532 A CN114297532 A CN 114297532A
- Authority
- CN
- China
- Prior art keywords
- areas
- function
- area
- city
- sub
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于人群移动轨迹的高清城市功能区识别方法及系统,涉及城市智能计算技术领域,用以解决现有城市静态功能区划分方法不能根据人群移动轨迹对城市功能区进行动态有效地识别划分的问题。本发明的技术要点包括:将城市区域分割成多个细粒度的空间子区域;构建城市静态功能的全局表示;给定多个包含n个空间子区域的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中;将多个结合区域表示的移动轨迹输入预训练的双层biLSTM轨迹功能表征模型中,获得每个空间子区域的功能表示向量;对所有空间子区域的功能表示向量进行聚类分析,获得各个空间子区域的功能区类别。本发明可以实现对城市功能区域的精准划分。
Description
技术领域
本发明涉及城市智能计算技术领域,具体涉及一种基于人群移动轨迹的高清城市功能区识别方法及系统。
背景技术
城市区域是高密度人口、建成环境基础设施和社会经济活动集聚的空间区域。区域是人们消费、生活、工作和娱乐的场所的重要载体,而城市区域的功能则是作为城市区域的最重要特征之一。城市功能描述了特定类型的人类活动的土地利用,不同地区的土地利用不同,受地理、人口和历史等多种因素的影响。合理的城市分区和区域功能的发现是理解今天的城市和发展明天的城市研究的必要条件。城市功能区域划分为规划城市道路网、调整城市新兴建筑群和推荐移动兴趣点等多方面提供有力支持。随着移动计算的快速发展,大量的人类移动痕迹已经被收集,并提供了一个前所未有的机会,从一个新的角度来解决这个任务。基于这些数据,可以制定出准确、及时、清晰的城市功能布局分区方法。已有文献显示了研究人类移动模式的有效成果。例如,通过挖掘数据的出发地和目的地信息来分析城市功能;基于位置的社交网络,利用带有地理标记和时间标记的在线帖子来了解城市动态;基于从交通出行和兴趣点(point-of-interest,POI)签到中提取的人类流动性发现区域功能等经典方法。
然而,仍然存在三个关键的限制。首先,以往的研究中,学者们主要根据移动轨迹GPS数据,或是基于位置的社交网络数据(LBSNs)中提取断点式check-in数据来挖掘城市区域的功能,然而单点式签到数据或成对的出发地-目的地形式的(OD)轨迹数据不足以揭示一个人全天(如一整天)的活动轨迹的全景;其次,行政区划的运用使得城市功能分布呈现出粗粒度化,不适合应用高清的城市功能分布需求任务,粗粒度的区域划分已然不能满足日益精细的城市计算应用需求;第三,城市区域随着各类POI的分布已经拥有其固定的基本属性,然而城市是以人为核心的聚集区域,城市区域的功能也将受到人群移动轨迹目的的影响而逐渐改变,区域的基本属性导向人群轨迹方向,而人群移动目的反作用改变区域功能。所以,将一个区域单独标记为单一功能或标记为固定功能,忽略了在现实世界中土地使用的复杂性,区域功能的多样性和动态性都会随着人群移动轨迹不断发生变化。
发明内容
鉴于以上问题,本发明提出一种基于人群移动轨迹的高清城市功能区识别方法及系统,用以解决现有城市静态功能区划分方法不能根据人群移动轨迹对城市功能区进行动态有效地识别划分的问题。
根据本发明一方面,提供一种基于人群移动轨迹的高清城市功能区识别方法,该方法包括以下步骤:
步骤一、获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
步骤二、根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
步骤三、给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
步骤四、将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
步骤五、对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别。
进一步地,在步骤五之后还包括步骤六:基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
进一步地,步骤五中所述功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
进一步地,步骤二中所述改进的RotatE模型中改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
根据本发明另一方面,提供一种基于人群移动轨迹的高清城市功能区识别系统,该系统包括:
数据划分模块,其配置成获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
静态功能学习模块,其配置成根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
移动轨迹获取模块,其配置成给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
功能区识别模块,其配置成将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
功能区聚类模块,其配置成对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别。
进一步地,系统还包括功能区注释模块,其配置成基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
进一步地,所述功能区聚类模块中所述功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
进一步地,所述静态功能学习模块中改进的RotatE模型中改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
根据本发明另一方面,提供一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的高清城市功能区识别方法。
根据本发明另一方面,提供一种计算机可读存储介质,为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的高清城市功能区识别方法。
根据本发明另一方面,还提出一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行实现如上所述的高清城市功能区识别方法。
本发明的有益技术效果是:
本发明提出的高清城市功能区域识别方法,可以实现对城市功能区域的精准划分,具有高度可解释性,且在区域人群流动预测和区域增强的POI推荐的多个应用任务中具有高度有效性和高质量的功能标注准确性。本发明可在城市管理方面实现道路规划、道路拥堵预测、智能交通调度等多种城市需求;在智能城市建设方面,为基于位置的社区服务、基于位置的兴趣点推荐、区域人群移动流量预测等多方面提供技术支撑。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明实施例一种基于人群移动轨迹的高清城市功能区识别方法的流程示意图;
图2是本发明实施例方法与其他方法对城市功能区识别划分的结果对比图;其中,图(a)对应TF-IDF(POI)方法;图(b)对应TF-IDF(T)方法;图(c)对应LDA主题模型;图(d)对应区域表征方法;图(e)对应本发明实施例方法;
图3是本发明实施例中A-F六个随机验证区域示例图。
图4是本发明实施例一种基于人群移动轨迹的高清城市功能区识别系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然,所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例,而不是全部的。基于本发明中的实施方式或实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例,都应当属于本发明保护的范围。
本发明实施例提供一种基于人群移动轨迹的高清城市功能区识别方法,该方法包括以下步骤:
步骤一、获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
步骤二、根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
步骤三、给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
步骤四、将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
步骤五、对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别。
本实施例中,可选地,在步骤五之后还包括步骤六:基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
本实施例中,可选地,步骤五中功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
本实施例中,可选地,步骤二中改进的RotatE模型中改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
本发明另一实施例提供一种基于人群移动轨迹的高清城市功能区识别方法,该方法通过分析从密集、广泛和全天候的蜂窝数据中提取的连续的人类痕迹,来分析城市功能在城市各区域中的清晰分布情况。主要包括:首先,将城市划分为细粒度的单元区域,每个单元区域至少覆盖一个基站;然后,通过建模基于兴趣点(point-of-interest,POI)分布的基站关系网络和带有停留点及转移事件信息的用户轨迹来表征基站的功能,同时考虑在连续的人群轨迹中动态的行程目的;最后,通过聚类集群基站,并结合局部感兴趣点信息标注功能区域。
如图1所示,该方法具体包括以下步骤:
步骤1、爬取城市的POI兴趣点数据和城市的道路交通网数据,并对城市区域和道路数据进行筛选和划分,利用地图编辑工具ARCMAP将主干道路进行去重和延长修正,形成由路网分割的多个无重叠细粒度自然区域,并根据城市主干道路和主要路段将城市分割成细粒度的空间子区域。
根据本发明实施例,兴趣点Point of Interest-POI,在地理信息系统中可以表示为任何一个建筑,大到一幢大楼、一个商场或者小至一家商店、一个公交站点等。每个POI包含名称、类别、坐标等方面信息,通过对城市的POI分布可以更好的了解不同区域的功能特性。在城市区域中,分布的POI类别数量可以反应出区域的功能分布情况和其发挥的功能属性。
步骤2、基于各子区域中兴趣点功能的分布情况和各子区域之间的关联性,构建了一个城市静态功能(Static Function)的全局表示(GS),基于知识图谱中的RotatE模型学习,构建了fRotate模型学习城市各个区域的静态功能,在fRotate中增加了一个限制条件:即对于所有类别的POI的静态功能的全局表示的总和为1,以保证静态功能的全局表征与后续训练模型的正相关性,也为了避免功能表示的过拟合。
步骤3、给定一个带N个区域C=(c1,c2,...,cn)的移动轨迹trace,结合从POI分布中学习区域的基本功能嵌入向量GS,将区域表示嵌入到移动轨迹traces中。例如,某条轨迹所经过的区域为(c1,c4,c3,c5),则其轨迹的区域表示向量为(GS 1,GS 4,GS 3,GS 5)。
步骤4、为捕获时序轨迹相关的动态功能嵌入表示,进一步分析连续的出行轨迹中的动态出行目的,将移动轨迹traces送入由trace-biLSTM和function-biLSTM构成的轨迹功能表征模型中;其中,由每层前向轨迹功能表示模型通过前序经过的基站区域(c1,c2,...,ci-1)预测后序的基站区域ci的功能,同时,每层的向后轨迹功能表示模型通过后续基站区域(ci+1,ci+2,...,cn)预测前一个基站区域ci。
步骤5、经过第一层trace-biLSTM训练,得到更关注连续移动轨迹结构信息的基站区域嵌入表示;每个基站(c1,c2,...,cn)的输入是对应的静态功能向量表示(Gc1,Gc2,...,Gcn),通过前向LSTM和后向LSTM,分别得到前向输出(L1fc1,L1fc2,...,L1fcn)和后向输出((L1bc1,L1bc2,...,L1bcn)。
步骤6、经过第二层function-biLSTM训练,得到更关注移动轨迹功能信息的基站区域嵌入表示;通过前向LSTM和后向LSTM,分别得到前向输出((L2fz1,L2fz2,...,L2fzn))和后向输出((L2bc1,L2bc2,...,L2bcn)。
步骤7、然后,得到每个区域的功能表示向量表示ZF=(Gci,L1fci,L1bci,L2fci,L2bci)。
步骤8、使用k-means聚类方法对区域功能表征结果进行分析,把城市区域聚类划分为k类功能区域集合,获得各个区域的功能类别。
步骤9、基于区域内POI功能等级、区域内POI类别纯度和区域间移动轨迹访问频率三个信息注释每个区域集群的实际功能。三个指标来标注区域的实际功能:
(i)区域内POI的功能强度。POI的功能强度具有不同的等级,POI功能强度会影响所在区域功能。例如在一个车站区域内有很多餐厅和商店,但这些生活娱乐类的POI是依附于车站存在的,因此,车站类的POI等级要明显高于它周围的生活娱乐类POI。表1展示本发明定义的POI功能强度排名,#1为最高功能强度,#12为最低功能强度。
(ii)区域内POI的分布纯度。例如,在某个区域内部分布的全部都是银行类的POI,则这个区域一定是金融功能区域。
(iii)区域内轨迹的访问频次,在区域z中。例如,通过统计发现某个基站区域celli的轨迹访问频次要远远高于其周围基站区域,则这片区域的功能是由基站区域celli的功能属性主导。表2展示本发明中功能区域内的POI分布纯度和访问频次排名,表中DP为各类功能区域内POI的分布纯度;AFR为各类功能区域内POI的访问频次排名。
表1 POI功能强度排名
表2 功能区域内的POI纯度和访问频次排名
进一步通过实验验证本发明的技术效果。
通过在长春市市区信令数据集和POI数据集上进行实验,实验结果表明本发明方法可以实现对城市功能区域的细粒度划分,并且对区域内的功能组成和分布具有高解释性。为了检验本发明方法的有效性,使用真实长春市市区信令数据集和POI数据集、长春市地图及路网数据数据集,分别从定量验证和定性验证两个方面对基于通过人群移动轨迹的高清城市功能区识别方法的有效性进行评估检验。
基线算法采用四种经典的城市区域划分算法进行对比,分别是:(1)利用POI的TF-IDF区域划分方法;(2)利用信令数据T的TF-IDF区域划分方法;(3)LDA主题模型区域划分方法;(4)基于区域表征学习的功能区划分方法。
在定量验证中,将清城市功能区识别方法获得的基站区域表征结果应用于两个应用:预测区域内的人流和推荐基于兴趣点的区域增强。通过预测应用和推荐应用的评价指标来测量区域表征模型的结果和性能。
区域人群流量预测应用的评价指标为:中位数绝对误差(MeAE)和解释方差分数(EVS);区域增强推荐应用的评价指标为:召回率(recall)、准确率(precision)、平均倒数排名(MRR-Mean Reciprocal Rank)和归一化折现累积增益(NDCG)来评估绩效;评估结果见表3。
表3
在定性验证中,通过与两种权威地图进行比较,并随机选取六个区域进行验证,将结果与《长春市土地利用规划2006-2020》进行比较,验证其合理性;对实时卫星地图进行匹配,检测结果的准确性。
将本发明方法的实际划分结果与基线划分结果进行对比,如图2所示。从对比图中可以看出,仅依照POI分布纯度的划分方法并不能准确划分区域功能,其结果只是依照POI的分布将城市区域划分为不同区域层;对于TF-IDF方法(POI和轨迹)划分的不同功能区域,其结果因数据稀疏分布,识别功能区域结果较差,存在大面积区域功能混淆,许多功能不同的区域被划分为同一类别;LAD的结果表现得要好一些,但仍然存在边缘区域功能标签缺失的缺陷,这很大程度上影响了区域识别结果的准确度;本发明方法可以更准确地划分城市功能区域。
图3为A-F六个随机验证区域,图3中展示了POI基础功能区域划分、TF-IDF(POI)、TF-IDF(信令数据)、LDA主题模型、区域表征方法的区域功能划分结果,图中每个颜色表示一种功能集群分类,用于区分不同功能的城市区域;其中,每个基站区域为混合POI功能覆盖,所以功能区域聚类数与POI的12类属性功能非必要协调统一;通过性能评价参数,选取k=10为最终最优聚类参数。与验证标准对比,本发明方法可以更准确的划分城市功能区域。
本发明对长春市高清城市功能区划分标注结果如下:Func0(住宅区域),Func1(商业区域),Func2(商务区域),Func3(车站区域),Func4(医疗区域),Func5(教育科技区域),Func6(政府机构区域),Func7(旅游景区),Func8(汽车服务区域),Func9(休闲娱乐区域),Func10(新发展区域)。
通过与各项验证指标进行对比,本发明方法可以更准确的划分城市功能区,结合实时信息推送,可在城市管理方面实现道路规划、道路拥堵预测、智能交通调度等多种城市需求;可在智能城市建设方面,为基于位置的社区服务、基于位置的兴趣点推荐、区域人群移动流量预测等多方面提供技术支撑。
本发明另一实施例提供一种基于人群移动轨迹的高清城市功能区识别系统,如图4所示,该系统包括:
数据划分模块10,其配置成获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
静态功能学习模块20,其配置成根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
移动轨迹获取模块30,其配置成给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
功能区识别模块40,其配置成将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
功能区聚类模块50,其配置成对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别;
功能区注释模块60,其配置成基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
本实施例中,可选地,功能区聚类模块50中功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
本实施例中,可选地,静态功能学习模块20中所述改进的RotatE模型中改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
本实施例所述的一种基于人群移动轨迹的高清城市功能区识别系统的功能可以由前述一种基于人群移动轨迹的高清城市功能区识别方法实施例说明,因此本实施例未详述部分,可参见以上方法实施例,在此不再赘述。
本发明另一实施例提供一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的高清城市功能区识别方法。
本发明另一实施例提供一种计算机可读存储介质,为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的高清城市功能区识别方法。
本发明另一实施例还提供一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行实现如上所述的高清城市功能区识别方法。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种基于人群移动轨迹的高清城市功能区识别方法,其特征在于,包括以下步骤:
步骤一、获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
步骤二、根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
步骤三、给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
步骤四、将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
步骤五、对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别。
2.根据权利要求1所述的一种基于人群移动轨迹的高清城市功能区识别方法,其特征在于,在步骤五之后还包括步骤六:基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
3.根据权利要求2所述的一种基于人群移动轨迹的高清城市功能区识别方法,其特征在于,步骤五中所述功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
4.根据权利要求3所述的一种基于人群移动轨迹的高清城市功能区识别方法,其特征在于,步骤二中改进的RotatE模型中改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
5.一种基于人群移动轨迹的高清城市功能区识别系统,其特征在于,包括:
数据划分模块,其配置成获取城市的POI兴趣点数据和道路交通网数据,并对城市区域和道路交通网数据进行筛选和划分,将城市区域分割成多个细粒度的空间子区域;
静态功能学习模块,其配置成根据各个空间子区域中兴趣点功能的分布情况和子区域之间的关联性,基于知识图谱中改进的RotatE模型学习各个空间子区域的静态功能,从而构建城市静态功能的全局表示;
移动轨迹获取模块,其配置成给定多个包含n个空间子区域C=(c1,c2,...,cn)的移动轨迹,结合空间子区域的静态功能,将静态功能的区域表示嵌入到每个移动轨迹中,从而获得多个结合区域表示的移动轨迹;
功能区识别模块,其配置成将多个结合区域表示的移动轨迹即静态功能表示向量Gci,i=1,2,3……,n输入预训练的双层biLSTM轨迹功能表征模型中,每层biLSTM轨迹功能表征模型包括前向轨迹功能表示模型和后向轨迹功能表示模型,由前向轨迹功能表示模型通过前续经过的空间子区域(c1,c2,...,ci-1)预测后序经过的空间子区域ci的功能,由后向轨迹功能表示模型通过后续经过的空间子区域(ci+1,ci+2,...,cn)预测前一个空间子区域ci的功能;其中,经过第一层biLSTM轨迹功能表征模型预测,获得第一前向输出L1fci,i=1,2,3,……,n和第一后向输出L1bci,i=1,2,3……,n;经过第二层biLSTM轨迹功能表征模型预测,获得第二前向输出L2fci,i=1,2,3……,n和第二后向输出L2bci,i=1,2,3……,n;从而获得每个空间子区域的功能表示向量ZF=(Gci,L1fci,L1bci,L2fci,L2bci);
功能区聚类模块,其配置成对所有空间子区域的功能表示向量进行聚类分析,将城市所有空间子区域聚类划分为多类功能区域集合,从而获得各个空间子区域的功能区类别。
6.根据权利要求5所述的一种基于人群移动轨迹的高清城市功能区识别系统,其特征在于,还包括功能区注释模块,其配置成基于城市区域内POI功能强度等级、POI分布纯度和区域内移动轨迹访问频率注释每个空间子区域的实际功能。
7.根据权利要求6所述的一种基于人群移动轨迹的高清城市功能区识别系统,其特征在于,所述功能区聚类模块中所述功能区类别包括住宅区域、商业区域、商务区域、车站区域、医疗区域、教育科技区域、政府机构区域、旅游景区、汽车服务区域、休闲娱乐区域、新发展区域。
8.根据权利要求7所述的一种基于人群移动轨迹的高清城市功能区识别系统,其特征在于,所述静态功能学习模块中所述改进的RotatE模型改进之处在于增加一个限制条件:所有类别的POI静态功能的全局表示的总和为1,以保证静态功能的全局表示与biLSTM轨迹功能表征模型的正相关性。
9.一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的高清城市功能区识别方法。
10.一种计算机可读存储介质,为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如权利要求1-4中任一项所述的高清城市功能区识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677121.6A CN114297532B (zh) | 2021-12-31 | 2021-12-31 | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677121.6A CN114297532B (zh) | 2021-12-31 | 2021-12-31 | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297532A true CN114297532A (zh) | 2022-04-08 |
CN114297532B CN114297532B (zh) | 2023-04-07 |
Family
ID=80975922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677121.6A Active CN114297532B (zh) | 2021-12-31 | 2021-12-31 | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297532B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862001A (zh) * | 2022-04-27 | 2022-08-05 | 哈尔滨工业大学 | 一种基于区域功能增强特征的城市人群流量预测方法及系统 |
CN116227791A (zh) * | 2023-05-08 | 2023-06-06 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
CN116362422A (zh) * | 2023-05-31 | 2023-06-30 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834666A (zh) * | 2015-03-06 | 2015-08-12 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
US20150356868A1 (en) * | 2014-06-04 | 2015-12-10 | Cuende Infometrics, S.A. | System and method for measuring the real traffic flow of an area |
CN113378891A (zh) * | 2021-05-18 | 2021-09-10 | 东北师范大学 | 基于轨迹分布表示的城市区域关系可视分析方法 |
CN113806419A (zh) * | 2021-08-26 | 2021-12-17 | 西北大学 | 基于时空大数据的城市区域功能识别模型及识别方法 |
-
2021
- 2021-12-31 CN CN202111677121.6A patent/CN114297532B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356868A1 (en) * | 2014-06-04 | 2015-12-10 | Cuende Infometrics, S.A. | System and method for measuring the real traffic flow of an area |
CN104834666A (zh) * | 2015-03-06 | 2015-08-12 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
CN113378891A (zh) * | 2021-05-18 | 2021-09-10 | 东北师范大学 | 基于轨迹分布表示的城市区域关系可视分析方法 |
CN113806419A (zh) * | 2021-08-26 | 2021-12-17 | 西北大学 | 基于时空大数据的城市区域功能识别模型及识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862001A (zh) * | 2022-04-27 | 2022-08-05 | 哈尔滨工业大学 | 一种基于区域功能增强特征的城市人群流量预测方法及系统 |
CN114862001B (zh) * | 2022-04-27 | 2023-06-02 | 哈尔滨工业大学 | 一种基于区域功能增强特征的城市人群流量预测方法及系统 |
CN116227791A (zh) * | 2023-05-08 | 2023-06-06 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
CN116227791B (zh) * | 2023-05-08 | 2023-09-05 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
CN116362422A (zh) * | 2023-05-31 | 2023-06-30 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
CN116362422B (zh) * | 2023-05-31 | 2023-08-08 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114297532B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vargas-Munoz et al. | OpenStreetMap: Challenges and opportunities in machine learning and remote sensing | |
CN114297532B (zh) | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 | |
Skov-Petersen et al. | How do cyclists make their way?-A GPS-based revealed preference study in Copenhagen | |
Zheng | Urban computing | |
Sevtsuk et al. | Predicting pedestrian flow along city streets: A comparison of route choice estimation approaches in downtown San Francisco | |
CN110503485B (zh) | 地理区域分类方法及装置、电子设备、存储介质 | |
Gao et al. | Identification of urban regions’ functions in Chengdu, China, based on vehicle trajectory data | |
Guler et al. | Location evaluation of bicycle sharing system stations and cycling infrastructures with best worst method using GIS | |
Hashimoto et al. | An agent-based model reveals lost person behavior based on data from wilderness search and rescue | |
Fang et al. | Urban map inference by pervasive vehicular sensing systems with complementary mobility | |
Mor et al. | Who is a tourist? Classifying international urban tourists using machine learning | |
Patnaik et al. | Application of genetic programming clustering in defining LOS criteria of urban street in Indian context | |
Chaudhuri et al. | Application of web-based Geographical Information System (GIS) in tourism development | |
Chmielewski et al. | Analysis of selected types of transport behaviour of urban and rural population in the light of surveys | |
Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
CN108764518A (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
Tao et al. | Progressive visual analysis of traffic data based on hierarchical topic refinement and detail analysis | |
Dunne et al. | A large scale method for extracting geographical features on bus routes from OpenStreetMap and assessment of their impact on bus speed and reliability | |
Suel et al. | Do poverty and wealth look the same the world over? A comparative study of 12 cities from five high-income countries using street images | |
Shen et al. | Urban activity mining framework for ride sharing systems based on vehicular social networks | |
Liu et al. | Discovering urban functions of high-definition zoning with continuous human traces | |
Huang et al. | Identifying Urban Functional Regions by LDA Topic Model with POI Data | |
Ferreira et al. | Urban security analysis in the city of Bogota using complex networks | |
Wang et al. | Analyzing Spatiotemporal Characteristics of Taxi Drivers’ Cognition to Passenger Source Based on Trajectory Data | |
Pandey et al. | Urban growth modelling using cellular automata—Markov (CA-Markov) technique |
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 |