CN114444941A - 一种基于多源大数据的老龄友好街道建成环境审计系统 - Google Patents
一种基于多源大数据的老龄友好街道建成环境审计系统 Download PDFInfo
- Publication number
- CN114444941A CN114444941A CN202210105052.XA CN202210105052A CN114444941A CN 114444941 A CN114444941 A CN 114444941A CN 202210105052 A CN202210105052 A CN 202210105052A CN 114444941 A CN114444941 A CN 114444941A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- auditing
- classification
- perception
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012550 audit Methods 0.000 claims abstract description 20
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 4
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 3
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 2
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 2
- 101150041570 TOP1 gene Proteins 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101150032437 top-3 gene Proteins 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005548 health behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多源大数据的老龄友好街道建成环境审计系统,包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块,数据采集模块用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据;数据分类审计模块用于获取数据采集模块的数据,并对图像数据进行分类,根据分类结果查表,使用查表获取的数据处理方法处理图像数据,获取不同类型指标的评估数值;数据汇总分析模块用于获取数据分类审计模块的评估数值,并计算每个输出单元的分项指标数值,并根据分项指标数值计算得到结果数据;审计结果输出模块用于获取数据汇总分析模块的结果数据,并将结果数据可视化并输出。与现有技术相比,本发明具有审计效率高等优点。
Description
技术领域
本发明涉及城市建成环境审计技术领域,尤其是涉及一种基于多源大数据的老龄友好街道建成环境审计系统。
背景技术
老龄友好即关注城市中在建成环境制约下弱势的老年人群的空间品质需求。众多既有研究已揭示,老年群体的健康水平在很大程度上得益于自身参与的健康行为和环境给予的支持,对于老年人来说,由于其身体机能以及社会经济属性等会特点,老年人的活动空间十分有限,步行是老年人主要的出行方式,步行活动为老年人健康促进具有重要的积极作用,而社区(特别是街道)则是老年人步行活动的主要载体空间。诸多既有研究表明,改善街道可步行性、道路连通性、活动场所多样性、设施可达性等客观建成环境特征对老年人步行行为促进具有积极影响。整体上,街道是老年人参与社会生活的重要公共空间。对于老年人而言,其在街道中寻求满足日常生活需要的同时,也与社区环境建立起情感的纽带。而良好的归属感和社区意识有利于促进老年人参与社会活动,提高老年人的身心健康和幸福感。
在全面改善城市街道环境老龄友好性的过程中,首先不可避免地应对街道建成环境状况进行结构化审计,近年来建成环境审计领域中基于田野的环境审计运用急剧增加,主要是由于在公共健康领域,人们对建成环境与一系列与健康相关的行为(例如体力活动、步行、骑行)等的关系研究兴趣激增的原因。国际上开展社区建成,审计的模式各有不同,具体可分为现场审计和在线审计二类。建成环境审计的对象为环境中的独立元素,早期的许多审计工具要求审计人员步行或驾车穿过一个社区、公园或道路,使用既定的标准模板系统地对建成环境特征进行编码记录,便于记录中微观建成环境要素(例如坐等空间、树木、人行道宽度等)对人们直接空间感受的影响,这种传统审计方法中需要对审计人员进行专业培训,并要求审计人员在实地进行观测与记录,这类审计方法大多依赖人工、耗时大效率低,且适用的审计范围大大受限制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源大数据的老龄友好街道建成环境审计系统。
本发明的目的可以通过以下技术方案来实现:
一种基于多源大数据的老龄友好街道建成环境审计系统,包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块,其中:
数据采集模块:用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据,城市街景影像数据包括图像数据;
数据分类审计模块:用于获取数据采集模块的数据,并通过对应的数据处理方法,获取不同类型指标的评估数值;
数据汇总分析模块:用于获取数据分类审计模块的评估数值,并计算每个输出单元的分项指标数值,并根据分项指标数值计算得到结果数据;
审计结果输出模块:用于获取数据汇总分析模块的结果数据,并将结果数据结合城市路网数据和城市兴趣点数据进行可视化并输出。
进一步地,所述数据分类审计模块获取图像数据后,根据四层分类模型对图像数据进行分类,获取图像数据的分类结果;根据分类结果,结合现有的审计指标分类表,获取图像对应的数据处理方法。
进一步地,所述数据分类审计模块对数据的处理方法包括物体检测识别、物体语义分割、场所感知分析和地理空间数据分析。
进一步地,所述物体检测识别包括将图片输入物体检测模型中,得到检测结果;
所述物体检测模型的训练过程如下:
S1、获取带有标定评估信息的评估训练图像,并对标定评估信息进行预处理;
S2、使用第一YOLOv5网络模型提取评估训练图像的特征;
S3、根据特征和预处理后的标定评估信息计算出损失函数,根据损失函数通过反向传播训练第一YOLOv5网络模型,最后得到物体检测模型。
进一步地,所述物体语义分割包括将图片输入物体语义模型中,得到检测结果;
所述物体语义模型的训练过程如下:
A1、获取带有标定评估信息的评估训练图像,生成和原先图像大小一致的mask图;
A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征;
A3、根据特征和mask图计算出损失函数,根据损失函数通过反向传播训练第一BiseNet_v2网络模型,最后得到物体语义模型。
进一步地,所述场所感知分析包括以下步骤:
B1、将所有图像数据输入场所感知判别模型,将图像两两进行比对,直至所有图像对比了十次以上,得到所有图像的相应感知评分大小;
B2、获取每张图片在对比中相应场所感知强度(如安全性等)较高、较低和相同的次数,计算感知强度分数,计算表达式如下:
式中,pi表示第i张图像在对比中相应感知强度(如安全性等)较高的次数,ni表示第i张图像在对比中相应感知强度(如安全性等)较低的次数,ei表示第i张图像在对比中相应感知强度(如安全性等)相同的次数,Qi表示感知强度分数;
根据感知强度分数的大小将图像分为十类,每一类均包含训练集图像和测试集图像,并计算每一类图像的感知强度均值和感知强度方差;
B3、将训练集图像和对应的感知强度分数输入感知强度分类网络进行训练,得到训练好的感知强度分类网络;
B4、将测试集图像输入训练好的感知强度分类网络中,得到每个分类的概率,将每一类的概率乘以感知强度方差,再加上感知强度均值,得到每一类的感知评分,将所有类的感知评分加权平均后,得到评估数值。
进一步地,所述感知强度分类网络的训练过程如下:
根据图像和感知强度分数,通过均方差公式计算出网络损失函数值;通过优化器反馈并调节损失函数值,当损失函数值最小时,保存当前感知强度分类网络作为训练好的感知强度分类网络。
进一步地,所述感知强度(如安全性)判别模型的建立过程如下:
获取图像的安全性判定值,将图像和对应的安全性判定值输入神经网络中进行训练,得到安全判别模型。
进一步地,所述数据汇总分析模块根据分项指标数值使用AHP层次分析法将数据分层并获取底层标准化数据,再根据专家打分结果对每个层级的数据加权计算,将所有计算结果加至底层标准化数据,得到结果数据。
进一步地,所述数据汇总分析模块对接收到的连续分布的数据通过自然领域空间插值方法计算分项指标数值,对接收到的离散分布的数据通过核密度计算方法计算分项指标数值。
进一步地,所述审计结果输出模块包括指标对比子模块、空间评估子模块和查询子模块,其中,指标对比子模块用于对比其它地区的结果数据,空间评估子模块用于实时展示可视化效果,查询子模块可查看结果数据的数据图表。
与现有技术相比,本发明具有以下优点:
1、本发明设置了数据采集模块,用于获取城市街景图像信息和用于数据在地图上可视化的城市路网数据和城市兴趣点数据,并设置了数据分类审计模块,对图像进行分类并使用数据处理方法处理图像数据得到城市街景的不同指标,并通过数据汇总分析模块计算得到对应的结果数据,最后通过审计结果输出模块将结果数据可视化。相比起传统的通过审计人员观测记录的审计方法,本发明有效提升了审计的效率,可同时处理大量数据,且依据于不同的数据处理方法,使得审计结果更为准确,继而实现了城市街道老龄友好性的改善。
2、本发明数据分类审计模块中使用物体检测识别、物体语义分割、场所感知分析和地理空间数据分析等方法对数据进行处理,对于不同的指标使用不同的识别方法,将图片输入至不同的识别网络中得到不同类型指标的评估数值,使对于街道的审计结果更具多样性,
3、本发明中的数据汇总分析模块通过AHP层次分析法结合专家打分结果的方式对评估数值进行计算,将数据分层并赋予权值,使得结果更准确。
附图说明
图1为本发明的系统结构示意图。
图2为本发明在数据汇总分析模块对连续数据的处理示意图。
图3为本发明在数据汇总分析模块对离散数据的处理示意图。
图4为本发明空间评估子模块的展示示意图。
图5为本发明指标对比子模块的展示示意图。
图6为本发明查询子模块的展示示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,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。
本实施例提供了一种基于多源大数据的老龄友好街道建成环境审计系统,如图1所示,包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块,其中:
数据采集模块用于获取城市街景影像数据、城市路网数据和城市兴趣点数据,其中城市街景影像数据采用百度街景地图数据,视点高度为街景车设备高度(约2.3米),视线角度取15°仰角,计算图片尺寸为600x480,采样点间距50米,每个采样点全景照片切为6张,取前后左右4张即0°、90°、180°、270°四张计算。城市路网数据和城市兴趣点数据(Point ofInterest,简称POI)为开放平台获取。对应的分布关系如表1所示:
表1城市街景影像数据、城市路网数据和城市兴趣点数据不同城市对应表
城市A | 城市B | 城市C | 城市D | |
区域面积(km<sup>2</sup>) | 1143.77 | 910.83 | 906.87 | 878.47 |
路网长度(km) | 10585.52 | 8484.07 | 10140.41 | 6080.46 |
街景图片数量 | 618580 | 1044044 | 766152 | 432856 |
POI数量 | 1704929 | 2122888 | 2055428 | 867070 |
数据分类审计模块用于获取数据采集模块的数据,并根据四层分类模型对图像数据进行分类,获取图像数据的分类结果。并根据分类结果查表获取对应的数据处理方法,并通过对应的数据处理方法,获取不同类型指标的评估数值。
其中四层分类模型可选用Haar级联分类器模型或OpenCV级联分类器模型,四层分类类型分别为一级指标、二级指标、三级指标和四级指标(可参考表2)。
获取分类结果后,依据具体分类结果的不同,共涉及4类实现技术,分别为物体检测识别、物体语义分割、场所感知分析和地理空间数据分析,具体识别的指标和使用的方法对应关系如表2所示。
表2针对老人的审计指标评估数值类型和数据处理方法的对应表
物体检测识别的步骤包括将图片输入物体检测模型中,得到评估数值。每种评估数值均对应一种特定的物体检测模型,主要区别在于训练时使用的标定信息不同。物体检测模型的建立方法如下:
S1、获取带有标定评估信息的评估训练图像,比如建立的是评价交通信号灯数量的物体检测模型,标定评估信息就是图像中交通信号灯的数量,并对标定评估信息进行预处理,将标定信息转化为特定格式文本文件。
S2、使用第一YOLOv5网络模型,YOLOv5网络模型架构包括四个部分:
输入端:表示输入的图片,该网络的输入图像大小为608*608,包含一个图像预处理阶段,即将输入图像缩放到网络的输入大小,并进行归一化等操作。使用Mosaic数据增强操作提升模型的训练速度和网络的精度。
基准网络:通常是一些性能优异的分类器种的网络,该模块用来提取一些通用的特征。不仅使用了CSPDarknet53结构,且使用Focus结构作为基准网络。
Neck网络:Neck网络进一步提升特征的多样性及鲁棒性。
Head输出端:用于完成特征的输出。
S3、根据特征和预处理后的标定评估信息计算出损失函数,根据损失函数通过反向传播训练第一YOLOv5网络模型,最后得到物体检测模型。
物体语义分割的步骤包括将图片输入物体检测模型中,得到评估数值。每种评估数值均对应一种特定的物体语义分割模型,主要区别在于训练时使用的标定信息不同。物体语义模型的建立方法如下:
A1、获取带有标定评估信息的评估训练图像,生成和原先图像大小一致的mask图,即像素均为1的背景图。
A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征,BiseNet_v2是一种将low-level细节和high-level语义都兼顾的网络架构。
A3、根据特征和mask图计算出损失函数,根据损失函数通过反向传播训练第一BiseNet_v2网络模型,最后得到物体语义模型。
其中损失函数为联合损失函数,其中主损失函数用于监督模型的训练,辅助损失函数用于监督Context Path的训练,且所有的损失函数均为Softmax函数。最终的损失函数L表达式如下:
式中,X表示损失函数预测值,W表示损失函数目标值,Lp表示主损失函数,Li表示不同阶段的辅助损失函数,Xi表示Xception第i阶段的输出,∝取0.5。
场所感知分析包括以下步骤:
B1、将所有图像数据输入场所感知(如安全性)判别模型,得到所有图像的安全性大小,并根据安全性大小将图像两两进行比对,直至所有图像对比了十次以上,得到所有图像的相应感知评分大小。
安全判别模型的建立方法如下:
首先,投放超过2000份调查问卷,内容包括城市街道图片,选项为分数从1~10的安全性判定值,将这些图片和安全性判定值作为安全判别模型的训练图像和训练标签,输入神经网络中训练得到安全判别模型。
这里举安全性作为场所感知分析的例子进行说明,根据图2和图3,问卷还包括整洁度、趣味性等内容,即还会包括其它参数的判别模型及对应的输出结果,在本实施例中不进行赘述。
B2、获取每张图片在对比中安全性较大、安全性较小和安全性相同的次数,计算感知强度分数,计算表达式如下:
式中,pi表示第i张图像在对比中安全性较大的次数,ni表示第i张图像在对比中安全性较小的次数,ei表示第i张图像在对比中安全性相同的次数,Qi表示感知强度分数,其值的区间为0~10。
根据感知强度分数的大小将图像分为十类,每一类的包括不少于300张图像,每一类均包含训练集图像和测试集图像,比例为8:2,并计算每一类图像的感知强度均值和感知强度方差。
B3、本实施例采用DenseNet在PyTorch深度学习框架下对训练集图片进行分批次训练,首先建立感知强度分类网络,将图片及其对应感知强度分数放入网络训练,并通过均方差公式计算出网络损失函数值;
通过优化器向前反馈并进行网络调节,并重新计算损失函数值,使损失函数逐减至最小并保存损失函数最小时的感知强度分类网络,并计算模型的topk准确率,并重复此步骤调整学习率、损失函数、批量大小参数,直到所述topk准确率满足top1>30%且top3>80%得到训练好的感知强度分类网络。
其中topk表示准确度算法,比如top1指的是在测试图片输入感知强度分类网络时,所输出的概率最大的分类和实际分类相同的概率;而top3指的是所输出的概率前三大的分类中,至少有一个预测的分类与实际分类相同的概率。
B4、将测试集图像输入训练好的感知强度分类网络中,得到每个分类的概率,将每一类的概率乘以感知强度方差,再加上感知强度均值,得到每一类的感知评分,将所有类的感知评分加权平均后,即可得到评估数值。
地理空间数据分析为现有技术,在本实施例中不进行赘述。
数据汇总分析模块用于获取数据分类审计模块的评估数值,并计算每个输出单元的分项指标数值,并根据分项指标数值计算得到结果数据,具体计算方法如下:
首先,由于在评估数值中,存在像数量这样的离散分布的点数据,也存在安全性这样的连续分布的点数据,因此选用不同的方法计算分项指标数值。针对数值连续分布的点数据采用自然邻域空间插值方法,计算每一输出单元(10m*10m的像元)内的分项指标数值;针对数值离散分布的点数据采用和密度计算方法,计算每一输出单元内分项指标数值,具体计算过程如图2和图3所示。
计算出分项指标数值后,依据AHP层次分析法叠加方式对数据进行分层,首先计算底层标准化数据;而后通过专家打分结果获取各层级的权值,计依次加权叠加各层级指标值,计算结果数据。并将结果数据录入地理空间信息系统汇总,形成城市年龄友好街道建成环境特征数据库。
其中专家打分结果为现有的评分结果。
审计结果输出模块包括指标对比子模块、空间评估子模块和查询子模块,提供老龄友好街道结果查询、问题诊断和提升建议等功能,其中,指标对比子模块用于对比其它地区城市的结果数据,空间评估子模块用于结合城市路网数据和城市兴趣点数据,在地图上实时展示结果数据的可视化效果,使数据更为直观,查询子模块可查看结果数据的数据图表,并下载问题诊断和提升建议报告。
审计结果输出模块的具体实际使用图如图4~图6所示。根据图4可知,空间评估子模块在地图的左侧一栏为指标的选取,通过选取指标类型,可以看到指标在地图上具体位置的对应结果数据,同时右侧会显示对于结果数据的分析结果。
根据图5可知,指标对比子模块可通过雷达图将不同指标的结果展示出来,此处为3个城市的不同指标示意图。
根据图6可知,查询子模块对于不同指标层选用不同的数据图表显示数据,可直接选取查询范围进行信息的获取。
本实施例还包括一种基于多源大数据的年龄友好街道建成环境审计装置,包括存储器和处理器,存储器中存储上述基于多源大数据的年龄友好街道建成环境审计系统,所述处理器调用存储器中的系统运行,完成年龄友好街道建成环境审计。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (11)
1.一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块,其中:
数据采集模块:用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据,城市街景影像数据包括图像数据;
数据分类审计模块:用于获取数据采集模块的数据,并对图像数据进行分类,根据分类结果查表,使用查表获取的数据处理方法处理图像数据,获取不同类型指标的评估数值;
数据汇总分析模块:用于获取数据分类审计模块的评估数值,并计算每个输出单元的分项指标数值,并根据分项指标数值计算得到结果数据;
审计结果输出模块:用于获取数据汇总分析模块的结果数据,并将结果数据结合城市路网数据和城市兴趣点数据进行可视化并输出。
2.根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述数据分类审计模块获取图像数据后,根据四层分类模型对图像数据进行分类,获取图像数据的分类结果;根据分类结果,结合现有的审计指标分类表,获取图像对应的数据处理方法。
3.根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述数据分类审计模块的数据处理方法包括物体检测识别、物体语义分割、场所感知分析和地理空间数据分析。
4.根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述物体检测识别包括将图片输入物体检测模型中,得到评估数值;
所述物体检测模型的训练过程如下:
S1、获取带有标定评估信息的评估训练图像,并对标定评估信息进行预处理;
S2、使用第一YOLOv5网络模型提取评估训练图像的特征;
S3、根据特征和预处理后的标定评估信息计算出损失函数,根据损失函数通过反向传播训练第一YOLOv5网络模型,最后得到物体检测模型。
5.根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述物体语义分割包括将图片输入物体语义模型中,得到评估数值;
所述物体语义模型的训练过程如下:
A1、获取带有标定评估信息的评估训练图像,生成和原先图像大小一致的mask图;
A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征;
A3、根据特征和mask图计算出损失函数,根据损失函数通过反向传播训练第一BiseNet_v2网络模型,最后得到物体语义模型。
6.根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述场所感知分析包括以下步骤:
B1、将所有图像数据输入场所感知判别模型,将图像两两进行比对,直至所有图像对比了十次以上,得到所有图像的相应感知评分大小;
B2、获取每张图片在对比中相应场所感知强度较高、较低和相同的次数,计算感知强度分数,计算表达式如下:
式中,pi表示第i张图像在对比中相应感知强度较高的次数,ni表示第i张图像在对比中相应感知强度较低的次数,ei表示第i张图像在对比中相应感知强度相同的次数,Qi表示感知强度分数;
根据感知强度分数的大小将图像分为十类,每一类均包含训练集图像和测试集图像,并计算每一类图像的感知强度均值和感知强度方差;
B3、将训练集图像和对应的感知强度分数输入感知强度分类网络进行训练,得到训练好的感知强度分类网络;
B4、将测试集图像输入训练好的感知强度分类网络中,得到每个分类的概率,将每一类的概率乘以感知强度方差,再加上感知强度均值,得到每一类的感知评分,将所有类的感知评分加权平均后,得到评估数值。
7.根据权利要求6所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述感知强度分类网络的训练过程如下:
根据图像和感知强度分数,通过均方差公式计算出网络损失函数值;通过优化器反馈并调节损失函数值,当损失函数值最小时,保存当前感知强度分类网络作为训练好的感知强度分类网络。
8.根据权利要求6所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,各类场所感知判别模型的建立过程如下:
获取图像的相应场所感知判定值,将图像和对应的场所感知判定值输入神经网络中进行训练,得到各类场所感知判别模型。
9.根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述数据汇总分析模块对接收到的连续分布的数据通过自然领域空间插值方法计算分项指标数值,对接收到的离散分布的数据通过和密度计算方法计算分项指标数值。
10.根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述数据汇总分析模块根据分项指标数值使用AHP层次分析法将数据分层并获取底层标准化数据,再根据专家打分结果对每个层级的数据加权计算,将所有计算结果加至底层标准化数据,得到结果数据。
11.根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统,其特征在于,所述审计结果输出模块包括指标对比子模块、空间评估子模块和报告查询子模块,其中,指标对比子模块用于对比其它地区的结果数据,空间评估子模块用于实时展示可视化效果,查询子模块可查看结果数据的数据图表。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105052.XA CN114444941A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
PCT/CN2023/071296 WO2023143000A1 (zh) | 2022-01-28 | 2023-01-09 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105052.XA CN114444941A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444941A true CN114444941A (zh) | 2022-05-06 |
Family
ID=81369222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210105052.XA Pending CN114444941A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114444941A (zh) |
WO (1) | WO2023143000A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143000A1 (zh) * | 2022-01-28 | 2023-08-03 | 同济大学 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456288B (zh) * | 2023-12-22 | 2024-03-26 | 广东铭太信息科技有限公司 | 一种智能化审计监管预警系统及方法 |
CN118035851B (zh) * | 2024-04-11 | 2024-07-02 | 网思科技集团有限公司 | 一种基于数字孪生的智慧城市环境监测方法、系统和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10746556B2 (en) * | 2017-06-16 | 2020-08-18 | Walkspan, Inc. | Recommendation system and method to evaluate the quality of sidewalks and other pedestrian flow zones as a means to operationalize walkability |
EP3994627A4 (en) * | 2020-01-29 | 2022-11-02 | Urban Dashboard Ltd | COMPUTERIZED SYSTEM AND METHOD FOR CALCULATING AN ECONOMIC FEASIBILITY ANALYSIS FOR AN URBAN PLANNING MODEL |
CN111814597A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种耦合多标签分类网络和yolo的城市功能分区方法 |
CN112418674A (zh) * | 2020-11-24 | 2021-02-26 | 中国地质大学(武汉) | 基于城市多源数据的街道空间品质测度评价方法和系统 |
CN114444941A (zh) * | 2022-01-28 | 2022-05-06 | 同济大学 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
CN114331232B (zh) * | 2022-03-15 | 2022-05-27 | 河北省地理信息集团有限公司 | 街道空间品质监测评估预警方法 |
-
2022
- 2022-01-28 CN CN202210105052.XA patent/CN114444941A/zh active Pending
-
2023
- 2023-01-09 WO PCT/CN2023/071296 patent/WO2023143000A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143000A1 (zh) * | 2022-01-28 | 2023-08-03 | 同济大学 | 一种基于多源大数据的老龄友好街道建成环境审计系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023143000A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444941A (zh) | 一种基于多源大数据的老龄友好街道建成环境审计系统 | |
Dai et al. | Analyzing the correlation between visual space and residents' psychology in Wuhan, China using street-view images and deep-learning technique | |
Yin et al. | ‘Big data’for pedestrian volume: Exploring the use of Google Street View images for pedestrian counts | |
CN110647692A (zh) | 一种基于大数据的多维文旅数据监测及呈现方法 | |
CN113887446A (zh) | 一种基于神经网络的音视频联合行人意外跌倒监控方法 | |
CN112417204A (zh) | 一种基于实时路况的音乐推荐系统 | |
Oliveira et al. | Bikeway: A multi-sensory fuzzy-based quality metric for bike paths and tracks in urban areas | |
Huang et al. | A collaborative perception method of human-urban environment based on machine learning and its application to the case area | |
He et al. | Using open data and deep learning to explore walkability in Shenzhen, China | |
Zeng et al. | Measuring cyclists’ subjective perceptions of the street riding environment using K-means SMOTE-RF model and street view imagery | |
Ma | Deep exploration of street view features for identifying urban vitality: a case study of Qingdao city | |
Yu et al. | Can we trust our eyes? Interpreting the misperception of road safety from street view images and deep learning | |
CN117829370A (zh) | 一种交通事故严重程度预测方法、系统及计算机设备 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及系统 | |
CN117392668A (zh) | 一种麦田小麦赤霉病状态评估方法、系统及电子设备 | |
Zhang et al. | Urban visual intelligence: Studying cities with AI and street-level imagery | |
Hu et al. | UPDExplainer: An interpretable transformer-based framework for urban physical disorder detection using street view imagery | |
CN116434203A (zh) | 考虑驾驶人语言因素的愤怒驾驶状态识别方法 | |
CN116863271A (zh) | 一种基于改进yolo v5的轻量级红外火焰检测方法 | |
CN116167661A (zh) | 一种基于空间错位的土地利用变化模拟可信度评估方法 | |
Ito et al. | Understanding urban perception with visual data: A systematic review | |
Ogawa et al. | Evaluating the subjective perceptions of streetscapes using street-view images | |
CN114674338A (zh) | 基于分层输入输出和双注意力跳接的道路可行驶区域精细推荐方法 | |
Wu et al. | Caption Generation from Road Images for Traffic Scene Construction |
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 |