CN114363825A - 一种基于mr常驻地的建筑物属性识别方法及系统 - Google Patents
一种基于mr常驻地的建筑物属性识别方法及系统 Download PDFInfo
- Publication number
- CN114363825A CN114363825A CN202110579312.2A CN202110579312A CN114363825A CN 114363825 A CN114363825 A CN 114363825A CN 202110579312 A CN202110579312 A CN 202110579312A CN 114363825 A CN114363825 A CN 114363825A
- Authority
- CN
- China
- Prior art keywords
- building
- users
- place
- user
- permanent
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于MR常驻地的建筑物属性识别方法及系统,属于建筑物属性识别技术领域,包括以下步骤:S1:MR常驻地分析;S2:常驻地入楼处理;S3:模型参数整合及训练;S4:未知建筑物属性预测。本发明利用MR识别的常驻地作为数据输入源,精度高,覆盖广,时效性好;引入建筑物面积、居住地人口密度、工作地人口密度、工作地人数、居住地人数、周围人口密度指数作为模型入参可以有效反应建筑物的特征状况;通过LightGBM算法对建筑物属性模型训练,训练效率更高,使用内存更低;此外采用均方根误差RMSE,对模型进行有效的精准度评估,最终实现对已知参数的建筑物属性进行预测,精度较高,有效减少人力物力成本。
Description
技术领域
本发明涉及建筑物属性识别技术领域,具体涉及一种基于MR常驻地的建筑物属性识别方 法及系统。
背景技术
随着互联网、移动物联网、物联网、云计算的不断发展,社会各个领域都 在源源不断地产生大量的数据。数据资源被各国视为未来最重要的国家资产, 推动着未来人类社会生产、生活模式的改变和创新。近两年,各国不断颁布推 动大数据发展的政策,大数据应用也开始逐渐落地,从概念阶段正式进入成熟 阶段。电信运营商作为大数据的重要拥有者,其数据具备数量体大、类型多、 真实、准确的特点;近期电信运营商因传统业务发展饱和,导致其传统业务收 入不断下滑,急需新的业务增长点,与此同时各国际运营商亦积极开展战略转 型,布局大数据等新兴领域;所以围绕当前的数据金矿,充分挖掘、发挥数据 价值是当前电信运营商的必走之路,而在诸多运营商数据核心能力中,位置能 力就是其中之一,在对内运维优化、精准营销,对外数据变现、行业应用支撑 等方面起着至关重要的作用。
运营商获取建筑物属性,有利于针对不同场景的建筑物进行合作营销。然而,传统对建 筑物属性的识别通常是实地探测,往往需要花费大量的人力物力,效率较低,针对新建的建 筑物不能及时获取建筑物相关信息。因此,提出一种基于MR常驻地的建筑物属性识别方法及 系统。
发明内容
本发明所要解决的技术问题在于:如何解决传统对建筑物属性的识别方式中存在的人力 物力耗费大、效率较低、不能及时获取新建建筑物相关信息的问题,提供了一种基于MR常驻 地的建筑物属性识别方法。该方法先利用精准识别的常住工作地和常住居住地用户,就近依 附到建筑物之中,然后根据结果计算建筑物工作地和居住地的人数密度,以建筑物工作地用 户数、居住地用户数、建筑物面积、居住地用户人数、工作地用户人数、周围人口密度指数、 建筑物属性作为入参,通过LightGBM的机器学习算法对模型进行训练,并通过函数调用形式, 完成对未知建筑物的属性识别。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:MR常驻地分析
通过MR指纹库定位清晰刻画出用户轨迹,对多日用户轨迹聚类分析,分析出用户常住工 作地和居住地;
S2:常驻地入楼处理
基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中;在建筑物之外的用户 常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
S3:模型参数整合及训练
对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居 住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据整合,然后将建筑物 工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄 分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据作为模型出参进行模 型学习训练;
S4:未知建筑物属性预测
对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建筑物居住地用户数、 建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数参数, 对未知建筑物属性进行预测。
更进一步地,在所述步骤S1中,用户常驻地包括用户常住工作地、用户常住居住地。
更进一步地,在所述步骤S1中,用户常驻地的分析过程如下:
S11:取用户的MR测量报告信息,基于三点定位算法与MR指纹库相匹配,定位出每个用 户的每条MR测量报告的具体位置;
S12:通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析,分析出用户每 天的日居住地和日工作地位置;
S13:取一段周期内的用户日居住地和用户日工作地,聚类分析出用户的常住工作地和常 住居住地。
更进一步地,在所述步骤S12中,对于工作地识别,每天的时间范围取正常的工作时间, 早上08:00-11:00、下午14:00-17:00;对于居住地识别,每天的时间范围取正常的作息时间, 凌晨00:00-06:00、20:00-24:00。
更进一步地,在所述步骤S2中,PNPOLY算法的计算过程如下:
S21:取需要判断点的纵坐标并从目标点出发引一条射线;
S22:判断射线和多边形所有边的交点数目;
S23:如果有奇数个交点,则说明在内部,即用户常驻地在楼栋内;如果有偶数个交点, 则说明在外部,即用户常驻地在楼栋外。
更进一步地,各入参与出参的含义分别如下:
建筑物工作地用户数:常住工作地在该建筑物的用户总数;
建筑物居住地用户数:常住居住地在该建筑物的用户总数;
建筑物工作地用户年龄分布:常住工作地在该建筑物的用户年龄分布情况;
建筑物居住地用户年龄分布:常住居住地在该建筑物的用户年龄分布情况;
建筑物面积:建筑物的实际占地面积;
人口密度指数分布:建筑物内部及周边不同日期不同时间段的人口密度指数分区情况;
建筑物属性数据:表明建筑物实际属性。
更进一步地,在所述步骤S3中,在模型训练的初始阶段,取样本的80%数据集为训练数 据集,包含入参和出参;对这部分数据进行分析,利用训练集训练模型,建立一个分类或回 归模型;再用剩下20%的数据作为测试集,将训练好的模型应用于测试集上用于预测;根据模 型在测试集上的表现来选择最佳模型。
更进一步地,在所述步骤S4中,采用均方根误差RMSE来评估模型的预测精度,RMSE的 值越小,表明模型的预测结果越准确。
本发明还提供了一种基于MR常驻地的建筑物属性识别系统,采用上述的识别方法对未知 建筑物属性进行识别,包括:
用户常驻地分析模块,用于通过MR指纹库定位清晰刻画出用户轨迹,对多日用户轨迹聚 类分析,分析出用户常住工作地和居住地;
常驻地处理模块,用于基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中; 在建筑物之外的用户常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
整合训练模块,用于对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户 年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据 整合,然后将建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建 筑物居住地用户年龄分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据 作为模型出参进行模型学习训练;
属性预测模块,用于对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建 筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、 人口密度指数参数,对未知建筑物属性进行预测;
控制处理模块,用于向其他模块发出指令,完成相关动作;
所述用户常驻地分析模块、常驻地处理模块、整合训练模块、属性预测模块均与所述控 制处理模块电性连接。
本发明相比现有技术具有以下优点:该基于MR常驻地的建筑物属性识别方法及系统,首 先,利用MR识别的常驻地作为数据输入源,精度高,覆盖广,时效性好;其次,引入建筑物 面积、居住地人口密度、工作地人口密度、工作地人数、居住地人数、周围人口密度指数作 为模型入参可以有效反应建筑物的特征状况;通过LightGBM算法对建筑物属性模型训练,训 练效率更高,使用内存更低;此外采用均方根误差RMSE,对模型进行有效的精准度评估,最 终实现对已知参数的建筑物属性进行预测,精度较高,有效减少人力物力成本,值得被推广 使用。
附图说明
图1是本发明实施例二中基于MR常驻地的建筑物属性识别方法的流程示意图;
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施, 给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
本实施例提供一种技术方案:一种基于MR常驻地的建筑物属性识别方法,包括以下步骤:
S1:MR常驻地分析
通过MR指纹库定位清晰刻画出用户轨迹,对多日用户轨迹聚类分析,分析出用户常住工 作地和居住地;
S2:常驻地入楼处理
基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中;在建筑物之外的用户 常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
S3:模型参数整合及训练
对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居 住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据整合,然后将建筑物 工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄 分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据作为模型出参进行模 型学习训练;
S4:未知建筑物属性预测
对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建筑物居住地用户数、 建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数参数, 对未知建筑物属性进行预测。
在本实施例中,在所述步骤S1中,用户常驻地包括用户常住工作地、用户常住居住地。
在本实施例中,在所述步骤S1中,用户常驻地的分析过程如下:
S11:取用户的MR测量报告信息,基于三点定位算法与MR指纹库相匹配,定位出每个用 户的每条MR测量报告的具体位置;
S12:通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析,分析出用户每 天的日居住地和日工作地位置;
S13:取一段周期内的用户日居住地和用户日工作地,聚类分析出用户的常住工作地和常 住居住地。
在本实施例中,在所述步骤S12中,对于工作地识别,每天的时间范围取正常的工作时 间,早上08:00-11:00、下午14:00-17:00;对于居住地识别,每天的时间范围取正常的作息 时间,凌晨00:00-06:00、20:00-24:00。
在本实施例中,在所述步骤S2中,PNPOLY算法的计算过程如下:
S21:取需要判断点的纵坐标并从目标点出发引一条射线;
S22:判断射线和多边形所有边的交点数目;
S23:如果有奇数个交点,则说明在内部,即用户常住地在楼栋内;如果有偶数个交点, 则说明在外部,即用户常住地在楼栋外。
在本实施例中,各入参与出参的含义分别如下:
建筑物工作地用户数:工作地在该建筑物的用户总数;
建筑物居住地用户数:居住地在该建筑物的用户总数;
建筑物工作地用户年龄分布:工作地在该建筑物的用户年龄分布情况;
建筑物居住地用户年龄分布:居住地在该建筑物的用户年龄分布情况;
建筑物面积:建筑物的实际占地面积;
人口密度指数分布:建筑物内部及周边不同日期不同时间段的人口密度指数分区情况;
建筑物属性数据:表明建筑物实际属性。
在本实施例中,在所述步骤S3中,在模型训练的初始阶段,取样本的80%数据集为训练 数据集,包含入参和出参;对这部分数据进行分析,利用训练集训练模型,建立一个分类或 回归模型;再用剩下20%的数据作为测试集,将训练好的模型应用于测试集上用于预测;根据 模型在测试集上的表现来选择最佳模型。
在本实施例中,在所述步骤S4中,采用均方根误差RMSE来评估模型的预测精度,RMSE 的值越小,说明模型的预测结果越准确。
本实施例还提供了一种基于MR常驻地的建筑物属性识别系统,采用上述的识别方法对未 知建筑物属性进行识别,包括:
用户常驻地分析模块,用于通过MR指纹库定位清晰刻画出用户轨迹,对多日用户轨迹聚 类分析,分析出用户常住工作地和居住地;
常驻地处理模块,用于基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中; 在建筑物之外的用户常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
整合训练模块,用于对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户 年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据 整合,然后将建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建 筑物居住地用户年龄分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据 作为模型出参进行模型学习训练;
属性预测模块,用于对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建 筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、 人口密度指数参数,对未知建筑物属性进行预测;
控制处理模块,用于向其他模块发出指令,完成相关动作;
所述用户常驻地分析模块、常驻地处理模块、整合训练模块、属性预测模块均与所述控 制处理模块电性连接。
实施例二
如图1所示,本发明是利用精准的MR常驻地以及建筑物的轮廓进行建模分析,实现对未 知的建筑物属性进行识别,主要数据源及流程步骤如下:
数据源说明:
MR常驻地:包含利用MR指纹库定位轨迹,挖掘精准的MR用户工作地和居住地;
GIS建筑物数据:包含建筑物名称、建筑物属性、建筑物GIS经纬度序列。在用户常驻地 入楼栋处理时,需要知道建筑物的边界信息,根据用户的常驻地信息和楼栋边界判断用户是 否在该建筑物楼栋内。
流程步骤说明:
步骤一:MR常驻地分析
通过MR指纹库定位清晰刻画出用户轨迹,通过对多日用户轨迹聚类分析,分析出用户常 住工作地和居住地,精度高达50米。
在步骤一中,具体分析过程如下:
取用户的MR测量报告信息,基于三点定位算法与MR指纹库相匹配,定位出每个用户的 每条MR测量报告的具体位置;具体为取用户的MR测量报告信息,基于三点定位算法与MR指 纹库相匹配,定位出每个用户的每条MR测量报告的具体位置。
具体实现为首先需要建立一个MR指纹库,取MR数据和S1-U数据(xdr信令数据,含有 具体经纬度信息,关联度较低,可作为建库基础数据使用)相关联,取出关联结果并落入到 对应的50米栅格中,根据栅格中落入的点,分别计算每个栅格的特征信息(包含平均电平值、 主小区信息、邻区信息、ta值等),即为MR指纹库;最后定位的过程中,对于每一条需要定 位的MR测量报告信息,取其特征信息与MR指纹库相匹配,根据三点定位算法,找出三个与 该MR测量报告信息特征最为接近的栅格,计算三个栅格的平均经纬度即为该MR测量报告信 息的最终位置。
对于工作地识别,一般取正常的工作时间,早上08:00-11:00、下午14:00-17:00。对于 居住地识别,一般取正常的作息时间,凌晨00:00-06:00、20:00-24:00;
通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析,分析出用户每天的日 居住地和日工作地位置;
最后取一段周期内的用户日居住地和用户日工作地,聚类分析出用户的常住工作地和常 住居住地。
步骤二:常驻地入楼处理
基于PNPOLY算法进行点面计算,将用户常驻地(包括日常驻地与月常驻地)归入到建筑 物之中;在建筑物之外的用户常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常 驻地入楼。
在步骤二中,PNPOLY算法规则如下:
首先,需要取判断点的纵坐标并从目标点出发引一条射线。然后,判断射线和多边形所 有边的交点数目。如果有奇数个交点,则说明在内部,即用户常驻地在楼栋内;如果有偶数 个交点,则说明在外部,即用户常驻地在楼栋外。
步骤三:模型参数整合及训练
对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居 住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据整合,然后将建筑物 工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄 分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据作为模型出参进行模 型学习训练;
在步骤三中,输入参数(入参)的详细信息如下:
建筑物工作地用户数:常住工作地在该建筑物的用户总数;
建筑物居住地用户数:常住居住地在该建筑物的用户总数;
建筑物工作地用户年龄分布:常住工作地在该建筑物的用户年龄分布情况(年龄数据通 过由运营商客户登记的客户信息为准);
建筑物居住地用户年龄分布:常住居住地在该建筑物的用户年龄分布情况(年龄数据通 过由运营商客户登记的客户信息为准);
建筑物面积:建筑物的实际占地面积;
人口密度指数分布:建筑物内部及周边不同日期(周末及节假日与工作日分开提供)不 同时间段的人口密度指数分区情况(通过对不同时间段的MR测量报告信息定位计算分析出人 口密度指数分布)。
输出参数(出参)的详细信息如下:
建筑物属性数据:表明建筑物实际属性,如医院、高校、商超(商场超市)、写字楼等。
在步骤三中,模型训练的过程如下:
在模型训练的初始阶段,取样本的80%数据集为训练数据集,包含入参和出参。对这部分 数据进行探索性数据分析,获得对数据的初步了解,通常方法包括描述性统计(平均数、中位 数、模式、标准差)、数据可视化(热力图、箱形图、散点图、主成分分析)、数据整形-对数 据进行透视、分组、过滤等,利用训练集训练模型,建立一个分类或回归模型。用剩下20%的 数据作为测试集,将训练好的模型应用于测试集上用于预测。根据模型在测试集上的表现来 选择最佳模型,为了获得最佳模型,还可以进行参数优化。
步骤四:未知建筑物属性预测
对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建筑物居住地用户数、 建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数参数, 从而实现对未知建筑物属性进行预测。
为了保证模型训练后的精确度,采用均方根误差RMSE来评估其预测精度,RMSE的值越 小,说明模型的预测结果越准确。
需要说明的是,对于不同的建筑物属性,与所属人的职业属性特点关联性较强,对于入 参有较明显的特征。比如高校,每天的工作地用户和居住地用户数较为稳定,之间也没有明 显的差异;用户年龄分布趋于17-25周岁之间,较为集中;人口密度在工作日和周末以及白 天和晚上亦无明显差异。而对于写字楼来说,首先工作地用户和居住地用户差异较大;用户 年龄分布较为分散;人口密度在白天和晚上以及工作日和周末的差异非有明显的差异性。
在训练的模型中,通过对入参的大量迭代训练,每一种建筑物属性都与其自有的入参属 性较为拟合,对于新的入参输入到模型中,至少需要满足50%的入参的特征属性相拟合,就能 在模型中找到与其相拟合的特征值,以及出参-建筑物属性。在实际的测试过程中,对于高校、 写字楼、商超等具有明显特征的建筑物属性的识别准确率在90%左右,而对于医院等没有明 显特征的建筑物属性识别率在65%左右。
需要注意的是,在本实施例中,常驻地包括常住居住地与常住工作地,常住地即常住居 住地,同时也是用户居住地,工作地即常住工作地,同时也是用户工作地。
综上所述,上述实施例的基于MR常驻地的建筑物属性识别方法,首先,利用MR识别的 常驻地作为数据输入源,精度高,覆盖广,时效性好;其次,引入建筑物面积、居住地人口密度、工作地人口密度、工作地人数、居住地人数、周围人口密度指数作为模型入参可以有效反应建筑物的特征状况;通过LightGBM算法对建筑物属性模型训练,训练效率更高,使用内存更低;此外采用均方根误差RMSE,对模型进行有效的精准度评估,最终实现对已知参数的建筑物属性进行预测,精度较高,有效减少人力物力成本,值得被推广使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的, 不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进 行变化、修改、替换和变型。
Claims (9)
1.一种基于MR常驻地的建筑物属性识别方法,其特征在于,包括以下步骤:
S1:MR常驻地分析
通过MR指纹库定位刻画出用户轨迹,对多日用户轨迹聚类分析,分析出用户常住工作地和居住地;
S2:常驻地入楼处理
基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中;在建筑物之外的用户常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
S3:模型参数整合及训练
对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据整合,然后将建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据作为模型出参进行模型学习训练;
S4:未知建筑物属性预测
对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数参数,对未知建筑物属性进行预测。
2.根据权利要求1所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S1中,用户常驻地包括用户常住工作地、用户常住居住地。
3.根据权利要求2所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S1中,用户常驻地的分析过程如下:
S11:取用户的MR测量报告信息,基于三点定位算法与MR指纹库相匹配,定位出每个用户的每条MR测量报告的具体位置;
S12:通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析,分析出用户每天的日居住地和日工作地位置;
S13:取一段周期内的用户日居住地和用户日工作地,聚类分析出用户的常住工作地和常住居住地。
4.根据权利要求3所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S12中,对于工作地识别,每天的时间范围取正常的工作时间,早上08:00-11:00、下午14:00-17:00;对于居住地识别,每天的时间范围取正常的作息时间,凌晨00:00-06:00、20:00-24:00。
5.根据权利要求4所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S2中,PNPOLY算法的计算过程如下:
S21:取需要判断点的纵坐标并从目标点出发引一条射线;
S22:判断射线和多边形所有边的交点数目;
S23:如果有奇数个交点,则说明在内部,即用户常驻地在楼栋内;如果有偶数个交点,则说明在外部,即用户常驻地在楼栋外。
6.根据权利要求1所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S3中,各入参与出参的含义分别如下:
建筑物工作地用户数:常住工作地在该建筑物的用户总数;
建筑物居住地用户数:常住居住地在该建筑物的用户总数;
建筑物工作地用户年龄分布:常住工作地在该建筑物的用户年龄分布情况;
建筑物居住地用户年龄分布:常住居住地在该建筑物的用户年龄分布情况;
建筑物面积:建筑物的实际占地面积;
人口密度指数分布:建筑物内部及周边不同日期不同时间段的人口密度指数分区情况;
建筑物属性数据:表明建筑物实际属性。
7.根据权利要求6所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S3中,在模型训练的初始阶段,取样本的80%数据集为训练数据集,包含入参和出参;对这部分数据进行分析,利用训练集训练模型,建立一个分类或回归模型;再用剩下20%的数据作为测试集,将训练好的模型应用于测试集上用于预测;根据模型在测试集上的表现来选择最佳模型。
8.根据权利要求1所述的一种基于MR常驻地的建筑物属性识别方法,其特征在于:在所述步骤S4中,采用均方根误差RMSE来评估模型的预测精度,RMSE的值越小,表明模型的预测结果越准确。
9.一种基于MR常驻地的建筑物属性识别系统,采用如权利要求1~8任一项所述的识别方法对未知建筑物属性进行识别,包括:
用户常驻地分析模块,用于通过MR指纹库定位清晰刻画出用户轨迹,对多日用户轨迹聚类分析,分析出用户常住工作地和居住地;
常驻地处理模块,用于基于PNPOLY算法进行点面计算,将用户常驻地归入到建筑物之中;在建筑物之外的用户常驻地采用计算距离方式,就近依附到楼栋的方法,将用户常驻地入楼;
整合训练模块,用于对建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布、建筑物属性数据整合,然后将建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数分布作为模型入参,建筑物属性数据作为模型出参进行模型学习训练;
属性预测模块,用于对经过评估后输出的模型进行封装,输入建筑物工作地用户数、建筑物居住地用户数、建筑物工作地用户年龄分布、建筑物居住地用户年龄分布、建筑物面积、人口密度指数参数,对未知建筑物属性进行预测;
控制处理模块,用于向其他模块发出指令,完成相关动作;
所述用户常驻地分析模块、常驻地处理模块、整合训练模块、属性预测模块均与所述控制处理模块电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579312.2A CN114363825B (zh) | 2021-05-26 | 2021-05-26 | 一种基于mr常驻地的建筑物属性识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579312.2A CN114363825B (zh) | 2021-05-26 | 2021-05-26 | 一种基于mr常驻地的建筑物属性识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114363825A true CN114363825A (zh) | 2022-04-15 |
CN114363825B CN114363825B (zh) | 2023-08-29 |
Family
ID=81096205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110579312.2A Active CN114363825B (zh) | 2021-05-26 | 2021-05-26 | 一种基于mr常驻地的建筑物属性识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114363825B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105657725A (zh) * | 2016-02-01 | 2016-06-08 | 重庆邮电大学 | 一种基于手机信令数据的城市功能区辐射区域界定方法 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
US20180137221A1 (en) * | 2016-11-17 | 2018-05-17 | Electronics And Telecommunications Research Nstitute | Apparatus and method for analyzing buildings |
WO2020052152A1 (zh) * | 2018-09-13 | 2020-03-19 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN112105052A (zh) * | 2020-09-14 | 2020-12-18 | 智慧足迹数据科技有限公司 | 楼宇类型确定方法、装置、服务器及存储介质 |
-
2021
- 2021-05-26 CN CN202110579312.2A patent/CN114363825B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105657725A (zh) * | 2016-02-01 | 2016-06-08 | 重庆邮电大学 | 一种基于手机信令数据的城市功能区辐射区域界定方法 |
US20180137221A1 (en) * | 2016-11-17 | 2018-05-17 | Electronics And Telecommunications Research Nstitute | Apparatus and method for analyzing buildings |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
WO2020052152A1 (zh) * | 2018-09-13 | 2020-03-19 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN112105052A (zh) * | 2020-09-14 | 2020-12-18 | 智慧足迹数据科技有限公司 | 楼宇类型确定方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
李铁铮,翟永梅: "《震害预测中建筑物属性信息提取方法研究》", 《灾害学》, vol. 25, no. 0 * |
Also Published As
Publication number | Publication date |
---|---|
CN114363825B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Housing submarket classification: The role of spatial contiguity | |
Yu et al. | Analysing the spatial-temporal characteristics of bus travel demand using the heat map | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN108282860A (zh) | 数据处理方法及装置 | |
CN111554408B (zh) | 城市内部登革热时空预测方法、系统及电子设备 | |
Ghodousi et al. | Analyzing public participant data to evaluate citizen satisfaction and to prioritize their needs via K-means, FCM and ICA | |
KR20110102125A (ko) | 유동인구 정보 분석 장치 및 그 방법 | |
CN116467788B (zh) | 一种无障碍环境建设管理方法及系统 | |
CN112949997A (zh) | 用于城市规划设计中的社区画像的系统和方法 | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN112364907A (zh) | 待测用户常驻地普查方法、系统、服务器和存储介质 | |
CN110288125B (zh) | 一种基于手机信令数据的通勤模型建立方法及应用 | |
CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
CN108416524A (zh) | 基于一张图通用框架的产业规划精细化解读方法 | |
CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN114219379A (zh) | 一种适用于社区服务圈的资源配套评估方法、及系统 | |
KR20100123408A (ko) | Gis 기반의 가맹점 마케팅 지원 시스템 및 방법 | |
KR20110102126A (ko) | 상권정보 제공 시스템 | |
CN111797145A (zh) | 一种电力客户容忍度评价分类方法 | |
CN114363825B (zh) | 一种基于mr常驻地的建筑物属性识别方法及系统 | |
CN115829811A (zh) | 一种县域公共服务设施配置评估方法及系统 | |
CN115809280A (zh) | 一种群租房识别及迭代识别方法 | |
CN110428627B (zh) | 一种公交出行潜力区域识别方法及识别系统 |
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 |