CN114579891B - 一种基于多源大数据的个性化宜居地图推荐方法和装置 - Google Patents
一种基于多源大数据的个性化宜居地图推荐方法和装置 Download PDFInfo
- Publication number
- CN114579891B CN114579891B CN202210478286.9A CN202210478286A CN114579891B CN 114579891 B CN114579891 B CN 114579891B CN 202210478286 A CN202210478286 A CN 202210478286A CN 114579891 B CN114579891 B CN 114579891B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- type
- livable
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000008451 emotion Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 87
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008566 social perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/90—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
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/16—Real estate
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于多源大数据的个性化宜居地图推荐方法和装置,通过预先建立的卷积神经网络宜居特征数据网络模型对获取的多源大数据进行分析,获取第一类型数据和第二类型数据,并基于不同的数据类型分别进行处理,以得到满足用户宜居需求的数据源类型,从而根据预先建立的特征‑宜居偏好模型形成宜居地图数据,并能够根据更新的数据进行数据模型的优化,从而实现个性化宜居地图的构建与推荐,使得对城市进行高时空分辨率、连接城市居民客观行为和主观感受、满足个性化需求的宜居评估和多场景规划应用成为可能。
Description
技术领域
本发明图像处理技术领域,具体涉及一种基于多源大数据的个性化宜居地图推荐方法和装置。
背景技术
传统城市宜居规划多从城市整体层面出发,采用聚合统计数据进行分析评价,这种模式满足了近年来我国城市快速发展的需要,但随着人民生活水平不断提高,城市居民对高品质城市空间和高质量人居环境的需求日益增长,传统宜居评价和规划模式对城市居民宜居的主观感受、个性化差异考虑不足,已难以满足城市治理的精细化、品质化需求。
随着3S技术、物联网和人工智能等技术的发展,城市环境、时空行为和宜居偏好等海量客观和主观数据均可被采集,以空间分析和空间智能为主的社会感知技术可对这些数据进行高效处理,使得面向企业和居民等用户,对城市进行高时空分辨率、连接城市居民客观行为和主观感受、满足个性化需求的宜居评估和多场景规划应用成为可能。
现有技术中应用到城市宜居规划环境下的数据处理方案,目前应用的方式较少,而针对现有技术中的一些数据处理方案则包括较多方式:如梯度增强回归树(GBRT)和随机森林(RF)进行道路交叉口的交通流量预测,采用极端梯度提升树(XGBoost)算法处理大量的交通数据;如在空气质量影响因素的数据分析中,采用大数据和机器学习技术识别全国范围内的空气质量高影响因素,即采用极端梯度提升(XGBoost)来建立关系模型和度量变量来对空气质量影响因素进行分析;还例如,将XGBoost模型应用在城市功能区划领域,还研究了一套常用的城市功能区分类方法,包括多项式逻辑回归、K近邻、决策树、支持向量机(SVM)和随机森林,并与极端梯度提升(XGBoost)模型进行比较,然而这些方面的研究,并未发现相关方法应用在城市的宜居评价方面。
发明内容
为解决上述技术问题,本发明提出了一种基于多源大数据的个性化宜居地图推荐方法和装置,通过对多源大数据的分析处理,实现城市进行高时空分辨率、连接城市居民客观行为和主观感受、满足个性化需求的宜居评估和多场景规划应用成为可能,提升用户城市宜居体验。
根据本发明得到实施例,本发明提出了一种基于多源大数据的个性化宜居地图推荐方法,所述方法包括:
一种基于多源大数据的个性化宜居地图推荐方法,其特征在于,所述方法包括:
S1. 接收用户发送的基于一指定应用程序的数据处理请求;
S2. 解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型;
S3. 若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,并结合第一类型数据形成个体时空行为特征数据,并进入步骤S5;
S4. 若为第二类型数据,则直接进入步骤S5;
S5. 将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
其中,所述第一类型数据为用户行为特征数据,所述第二类型数据为用户主观宜居特征数据。
进一步的,所述接收用户发送的基于一指定应用程序的数据处理请求的步骤还包括,用户主动发送基于一指定应用程序的数据处理请求,或者周期性主动向用户获取基于一指定应用程序的数据处理请求。
进一步的,所述数据处理请求中包括用户属性信息和数据处理请求类型,其中,所述用户属性信息包括用户识别码、用户名中的一种或多种,所述数据处理请求类型中的数据包括第一类型数据、第二类型数据中的一种或者两种。
进一步的,解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型的步骤之前还包括,预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型。
进一步的,解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型的步骤包括:解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据。
进一步的,若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,并结合第一类型数据形成个体时空行为特征数据的步骤包括:若为第一类型数据,则提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种。
进一步的,将所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述地图数据的推荐消息的步骤具体包括:预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型,将实时获取的个体时空行为特征数据或者第二类型数据输入至构建的特征-宜居偏好模型,以输出地图数据,并实时向用户发送基于地图数据的推荐消息。
根据本发明的实施例,本发明还提出了一种基于多源大数据的个性化宜居地图推荐装置,所述装置包括:
接收模块,用于接收用户发送的基于一指定应用程序的数据处理请求;
解析模块,用于解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取;
预处理模块,用于判断出当前请求的数据源类型,若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,结合第一类型数据形成个体时空行为特征数据,将个体时空行为特征数据发送至推送模块;若为第二类型数据,则直接将第二类型数据发送至推送模块;
推送模块,用于将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
其中,所述第一类型数据为用户行为特征数据,所述第二类型数据为用户主观宜居特征数据。
进一步的,所述装置还包括第一预构建模块和第二预构建模块,其中,
所述第一预构建模块,用于预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型;
所述第二预构建模块,用于预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型。
进一步的,所述处理模块还包括第一预处理模块和第二预处理模块,其中,
所述第一预处理模块,解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据;
所述第二预处理模块,用于当判断出数据类型为第一类型数据时,提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种。
本文提出了一种基于多源大数据的个性化宜居地图推荐方法和装置,通过预先建立的卷积神经网络宜居特征数据网络模型对获取的多源大数据进行分析,获取第一类型数据和第二类型数据,并基于不同的数据类型分别进行处理,以得到满足用户宜居需求的数据源类型,从而根据预先建立的特征-宜居偏好模型形成宜居地图数据,并能够根据更新的数据进行数据模型的优化,从而实现个性化宜居地图的构建与推荐,使得对城市进行高时空分辨率、连接城市居民客观行为和主观感受、满足个性化需求的宜居评估和多场景规划应用成为可能。
附图说明
图1为本发明提出的基于多源大数据的个性化宜居地图推荐方法流程图;
图2为本发明提出的基于多源大数据的个性化宜居地图推荐方法卷积神经网络示意图;
图3为本发明提出的居民个性化宜居映射模型XGBoost算法示意图;
图4为本发明提出的基于多源大数据的个性化宜居地图推荐装置示意图。
具体实施方式
为便于理解,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
如图1所示,一种基于多源大数据的个性化宜居地图推荐方法,其特征在于,所述方法包括:
S1. 接收用户发送的基于一指定应用程序的数据处理请求。
在本发明的实施例中,接收用户发送的基于一指定应用程序的数据处理请求,包括用户主动发送基于一指定应用程序的数据处理请求,或者周期性主动向用户获取基于一指定应用程序的数据处理请求。在这里需要说明的是,用户通过一指定应用程序中的应用程序可以为一款预先设计的宜居APP或者获取宜居地图APP,用户通过该APP输入相应宜居数据,以获取推送的地图数据。用户点击APP应用程序的过程实际上就是与APP服务端进行交互的过程。
在本实施例的数据处理请求中,数据处理请求包括用户属性信息和数据处理请求类型,其中,所述用户属性信息包括用户识别码、用户名的一种或多种,所述数据处理请求类型中的数据包括第一类型数据、第二类型数据中的一种或者两种。根据本发明的目的,用户通过应用程序来获取地图数据,实际上在相同时间或者不同时间都会有不同的用户进行数据请求,因此,在数据请求中携带着用户识别码、用户名或者用户身份信息,是基于数据返回时也能返回至对应的用户,而不能随意发给无关联的其他用户。当然,在本实施例中,还可以包括其他用于标识用户身份的信息,本实施例不作具体限制。其次,该数据处理请求还包括第一类型数据、第二类型数据中的一种或者多种,其中,第一类型数据为用户行为特征数据,第二类型数据为用户主观宜居特征数据。
本发明的目的是为用户提供宜居地图数据,这就使得在向用户推送数据时,包括了两种情况,一种是用户首次或者随意选取的一些数据,这些数据使得用户希望通过应用程序能够自行匹配出其所希望得到的宜居数据,并根据该宜居数据来进行地图数据推送,另外一种是用户已经使用过该应用程序,其也能输入部分宜居特征数据,但是因为实际居住环境的不同,使得用户更换居住环境,这就使得用户可能只需要输入部分地址信息就可以获取其所对应的宜居地图数据,当然也可以认为,第二种数据实际上是用户的宜居数据已经被收纳。因此,在本发明中设置了两种类型数据,具体数据类型前文已经阐述。需要说明的是,这两种数据具体的可以根据实际需要进行设置,第一类型数据,居民个体属性及行为偏好数据,包括性别、年龄、职业等个人基本属性,家庭人数、老人、小孩数量等家庭属性,居住、就业、出行、休闲等行为属性。第二类型数据,是用户基于先前的如第一类型数据产生的宜居特征数据,进行宜居地图的推送。
S2. 解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型。
在本实施例中,由于如步骤S1所阐述的内容,数据源包括了两种类型,即第一类型数据和第二类型数据,因此,需要对不同的数据类型进行甄别,以确定出当前用户发送的请求数据是何种类型,从而有针对性的进行数据分析。在本文中,引入了卷积神经网络宜居特征数据网络模型来对数据源的特征进行提取,以识别出为何种类型数据。卷积神经网络宜居特征数据网络模型是一种比较常见的数据处理模型,本文对此并不作具体限定,实际上,本文的目的也并不是对于卷积神经网络算法的改进,而是将其应用到本发明的目的中。
如图2所示,本实施例中使用卷积神经网络方法,针对各项宜居指标特点对居民属性进行特征提取。利用卷积神经网络提取的特征比简单的投影、方向,重心都要更科学,而且利用不同的卷积、池化和最后输出的特征向量的大小控制整体模型的拟合能力,不容易产生过拟合现象。卷积神经网络主要有卷积、激活、池化三种结构组成,卷积的过程是将卷积核在二维空间里移动,计算卷积核所有权重与其输入样本上对应的权重之和,并引入相应的激活函数,从而识别出第一类型数据和第二类型数据。
基于上述内容,为了实现本发明目的,本实施例中需要预先建立这样的网络模型,具体为预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型。该模型是通过多源大数据模式下各种数据集的训练过程,来建立初始卷积神经网络宜居特征数据网络模型如前文所阐述的,该模型的构思正是基于现有的卷积神经网络方法实现。实际上,该模型设置了两类训练后的数据集即用户行为特征数据集和用户主观宜居特征数据集。
在本实施例中,解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据。需要说明的是,本发明的编号设置是当每一次接收到用户的数据请求后都会赋予一个编号,当返回数据后,该编号与用户编码对应存储至缓存中,同时将编号与对应的请求的地图数据进行云存储,从而使得当前缓存中不占用过多存储空间,在需要时,调用即可。
S3. 若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,并结合第一类型数据形成个体时空行为特征数据,并进入步骤S5。
在本实施例中,根据前文所述的内容,第一类型数据为用户首次输入数据或者根据实际情况输入的数据,然而这些数据还不足以对用户的需求进行精确定位,因此,本发明创造性提出了非指定应用程序,根据本发明的目的,为用户推送地图数据,而为了使得推送数据的精准性,就需要多源大数据作为支撑,因此,当接收到用户发送的是第一类型数据时,实际上更希望从用户处获取其一些偏好类型数据,而这些可能是来自于用户日常使用的其他应用程序中提取到的,当然,本发明的目的不在于自动获取,而是需要用户授权才可以实现,因此,当接收到的数据为第一类型数据时,需要与用户进行一次交互,以获取其授权的其他APP或者应用程序的用户日常行为痕迹数据。因此,当解析出来用户发送的数据是第一类型数据后,则提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种。基于此,第一类型数据的形成过程结束。
根据本发明的目的,若在收到为第一类型数据后,用户拒绝授权访问其他应用程序,则根据第一类型数据,返回遍历卷积神经网络宜居特征数据网络模型,并匹配出最接近的类型数据,实际上,在现有技术中已经存在这样的方式,比如赋予不同的关键词以权重值,查找出权重值最接近的数据,以供用户参考,在此,本发明不作具体限定。
S4. 若为第二类型数据,则直接进入步骤S5。
在本实施例中,若为第二类型数据,实际上是可以直接进入到地图数据的形成过程中,然而实际上,基于第二类型数据的用户可能还会增加一些其他类型数据,比如在原有数据的选择基础上增加新的筛选数据过程,这就需要将这些数据经过卷积神经网络的用户主观宜居特征数据集进行训练,以优化网络模型。
S5. 将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
在本实施例中,将所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述地图数据的推荐消息的步骤具体包括:预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型,将实时获取的个体时空行为特征数据或者第二类型数据输入至构建的特征-宜居偏好模型,以输出地图数据,并实时向用户发送基于地图数据的推荐消息。
如图3所示,在本实施例中,可以采用XGBoost算法构建行为特征-宜居偏好模型,在确定各宜居指标的最有居民特征向量的基础上,利用XGBoost算法构建个性化宜居指标权重模型组,即使用XGBoost分别对各个行为特征-宜居偏好进行模型构建,并进行整合。本发明基于的XGBoost算法构建模型,在前文中匹配出数据类型后,则需要引入地图信息,以绘制出基于类型数据的地图数据,以作为推荐的地图数据推送给用户。根据本发明的目的,为了使得地图数据的多样化类型,还可以在指定应用程序中设置基于环境和时间的影响因子数据,当形成地图数据后,在推送的地图数据中植入环境和时间数据,以显示出何时可以实地去看宜居地,或者为用户推送宜居地的一段时间的气候条件,以供用户参考是否适合其居住。
如图4所示,根据本发明的实施例,本发明还提出了一种基于多源大数据的个性化宜居地图推荐装置,所述装置包括:
接收模块401,用于接收用户发送的基于一指定应用程序的数据处理请求;
解析模块402,用于解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取;
预处理模块403,用于判断出当前请求的数据源类型,若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,结合第一类型数据形成个体时空行为特征数据,将个体时空行为特征数据发送至推送模块;若为第二类型数据,则直接将第二类型数据发送至推送模块;
推送模块404,用于将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
其中,所述第一类型数据为用户行为特征数据,所述第二类型数据为用户主观宜居特征数据。
所述装置还包括第一预构建模块405和第二预构建模块406,其中,
所述第一预构建模块,用于预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型;
所述第二预构建模块,用于预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型。
所述处理模块还包括第一预处理模块4031和第二预处理模块4032,其中,
所述第一预处理模块4031,解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据;
所述第二预处理模块4032,用于当判断出数据类型为第一类型数据时,提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种。
个性化宜居地图提取的居民用户个人行为和偏好特征能够为城市交通规划优化提供有力依据,城市交通是实现居民出行的基础,城市交通主要用于居民出行的起始地和目的地,因此,构建群体智能模型,利用遗传算法,求解居民用户的群体分不同时段、不同出行目的的出行需求,对日常、通勤以及休憩等出行需求进行聚合和分类,并构建全天不同时段的居民出行需求图谱。对于城市路网,提取不同时段路网的薄弱点、拥堵路段,进行重点优化。对于城市公交网络,根据居民出行需求提取不同时段的公交走廊,优化公交线路和站点设置,合理分配公交资源,调整公交到站时刻表,为居民提供优质有效的公交服务,以实现绿色出行,解决城市交通问题。
规划尺度方面,个性宜居地图提供的是个体粒度的宜居偏好和行为活动特征,基于不同尺度、不同层级的涌现模式,构建群体智能模型,能够自下而上的从精细粒度到粗粒度再到宏观城市层面对城市各级别区划进行规划与优化,实现各层级规划的统一性。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (6)
1.一种基于多源大数据的个性化宜居地图推荐方法,其特征在于,所述方法包括:
S1. 接收用户发送的基于一指定应用程序的数据处理请求,所述数据处理请求包括用户属性信息和数据处理请求类型,其中,所述用户属性信息包括用户识别码、用户名中的一种或多种,所述数据处理请求类型中的数据包括第一类型数据、第二类型数据中的一种或者两种;
S2. 解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型;
S3. 若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,并结合第一类型数据形成个体时空行为特征数据,并进入步骤S5;
S4. 若为第二类型数据,则直接进入步骤S5;
S5. 将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
其中,解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型的步骤之前包括:预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型;
解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取,以判断出当前请求的数据源类型的步骤包括:解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据;
所述第一类型数据为用户行为特征数据,所述第二类型数据为用户主观宜居特征数据。
2.根据权利要求1所述的基于多源大数据的个性化宜居地图推荐方法,其特征在于,所述接收用户发送的基于一指定应用程序的数据处理请求的步骤还包括,用户主动发送基于一指定应用程序的数据处理请求,或者周期性主动向用户获取基于一指定应用程序的数据处理请求。
3.根据权利要求1所述的基于多源大数据的个性化宜居地图推荐方法,其特征在于,若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,并结合第一类型数据形成个体时空行为特征数据的步骤包括:若为第一类型数据,则提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种。
4.根据权利要求3所述的基于多源大数据的个性化宜居地图推荐方法,其特征在于,将所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述地图数据的推荐消息的步骤具体包括:预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型,将实时获取的个体时空行为特征数据或者第二类型数据输入至构建的特征-宜居偏好模型,以输出地图数据,并实时向用户发送基于地图数据的推荐消息。
5.一种基于多源大数据的个性化宜居地图推荐装置,其特征在于,所述装置包括:
接收模块,用于接收用户发送的基于一指定应用程序的数据处理请求;
解析模块,用于解析所述数据处理请求中的数据源,将所述数据源输入至预先设置的卷积神经网络宜居特征数据网络模型中,对数据源特征进行提取;
预处理模块,用于判断出当前请求的数据源类型,若为第一类型数据,则向用户返回一响应请求,以获取用户授权后的非指定应用程序的用户行为特征痕迹数据,结合第一类型数据形成个体时空行为特征数据,将个体时空行为特征数据发送至推送模块;若为第二类型数据,则直接将第二类型数据发送至推送模块;
推送模块,用于将实时获取的所述个体时空行为特征数据或者第二类型数据输入至预先构建的特征-宜居偏好模型,以形成宜居地图数据,向用户发送基于所述宜居地图数据的推荐消息;
其中,所述处理模块还包括第一预处理模块和第二预处理模块,
所述第一预处理模块,解析所述数据处理请求中的数据源,提取出数据源中携带的用户属性信息和数据处理请求类型,缓存所述用户属性信息,并在缓存过程中为用户属性信息设置一编号,并将该编号赋值给与用户属性信息对应的数据处理请求类型的数据中,将数据处理请求类型的数据输入至预先设置的卷积神经网络宜居特征数据网络模型中,分别遍历用户行为特征数据集和用户主观宜居特征数据集,遍历后,输出遍历结果,以得到第一类型数据或者第二类型数据;
所述第二预处理模块,用于当判断出数据类型为第一类型数据时,提取出编号信息,调取与该编号信息对应的用户属性信息,基于该用户属性信息,向用户发送基于非指定应用程序的用户行为特征痕迹数据的获取请求,用户接收到该获取请求后,确定出授权访问的非指定应用程序,在所述非指定应用程序提取出用户行为特征痕迹数据并经用户授权后,返回非指定应用程序的用户行为特征痕迹数据,将所述用户行为特征痕迹数据与第一类型数据形成个体时空行为特征数据,其中,所述用户行为特征痕迹数据包括用户情感偏好数据、工作行为偏好数据、消费行为偏好数据或者休闲行为偏好数据中的一种或多种;
所述第一类型数据为用户行为特征数据,所述第二类型数据为用户主观宜居特征数据。
6.根据权利要求5所述的基于多源大数据的个性化宜居地图推荐装置,其特征在于,所述装置还包括第一预构建模块和第二预构建模块,其中,
所述第一预构建模块,用于预先采集基于用户行为特征数据集和用户主观宜居特征数据集,通过卷积神经网络构建基于用户行为特征数据集和用户主观宜居特征数据集的卷积神经网络宜居特征数据网络模型;
所述第二预构建模块,用于预先采集基于个体时空行为特征数据和第二类型数据的地图模型训练集,并引入基于位置的地图数据,通过训练,构建成基于位置数据和地图模型训练集的特征-宜居偏好模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478286.9A CN114579891B (zh) | 2022-05-05 | 2022-05-05 | 一种基于多源大数据的个性化宜居地图推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478286.9A CN114579891B (zh) | 2022-05-05 | 2022-05-05 | 一种基于多源大数据的个性化宜居地图推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114579891A CN114579891A (zh) | 2022-06-03 |
CN114579891B true CN114579891B (zh) | 2022-07-15 |
Family
ID=81785128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210478286.9A Active CN114579891B (zh) | 2022-05-05 | 2022-05-05 | 一种基于多源大数据的个性化宜居地图推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114579891B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103685371A (zh) * | 2012-09-10 | 2014-03-26 | 上海丫丫信息科技有限公司 | 基于在线地图选择用户地点信息的方法 |
CN108810036A (zh) * | 2017-04-26 | 2018-11-13 | 高德信息技术有限公司 | 地理位置信息的处理方法、装置与系统 |
CN113239295A (zh) * | 2021-05-18 | 2021-08-10 | 北京百度网讯科技有限公司 | 搜索方法、装置、电子设备以及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6366429B2 (ja) * | 2014-09-01 | 2018-08-01 | シャープ株式会社 | 生活圏判定装置 |
KR102365967B1 (ko) * | 2017-09-22 | 2022-02-23 | 라인 가부시키가이샤 | 위치 데이터가 포함된 컨텐츠를 이용한 추천 방법 및 그 시스템 |
US20190188284A1 (en) * | 2017-12-20 | 2019-06-20 | Mastercard International Incorporated | Relocation community recommendation system and method with payment transaction data aggregation and demographic profiling |
-
2022
- 2022-05-05 CN CN202210478286.9A patent/CN114579891B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103685371A (zh) * | 2012-09-10 | 2014-03-26 | 上海丫丫信息科技有限公司 | 基于在线地图选择用户地点信息的方法 |
CN108810036A (zh) * | 2017-04-26 | 2018-11-13 | 高德信息技术有限公司 | 地理位置信息的处理方法、装置与系统 |
CN113239295A (zh) * | 2021-05-18 | 2021-08-10 | 北京百度网讯科技有限公司 | 搜索方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
移动网络环境下情景敏感的个性化信息推荐系统研究;周朴雄等;《图书情报工作》;20121005(第19期);第80-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114579891A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Using graph structural information about flows to enhance short-term demand prediction in bike-sharing systems | |
Liu et al. | Simulating urban growth by integrating landscape expansion index (LEI) and cellular automata | |
KR102089100B1 (ko) | 이미지 데이터베이스 기반 상호인식차를 최소화하는 인테리어 서비스 제공 시스템 | |
Li et al. | Statistical analysis of tourist flow in tourist spots based on big data platform and DA-HKRVM algorithms | |
Provoost et al. | Predicting parking occupancy via machine learning in the web of things | |
Wu et al. | Using street view images to examine the association between human perceptions of locale and urban vitality in Shenzhen, China | |
CN107767153B (zh) | 一种数据处理方法及装置 | |
CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
CN111506689B (zh) | 基于人工智能的电子地图渲染方法、装置及电子设备 | |
CN106844538A (zh) | 一种应用于物联网搜索的多属性排序方法与装置 | |
Tian et al. | Characterizing the activity patterns of outdoor jogging using massive multi-aspect trajectory data | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
Gao et al. | CLUMondo-BNU for simulating land system changes based on many-to-many demand–supply relationships with adaptive conversion orders | |
CN114329240A (zh) | 选址特征筛选方法、装置、电子设备及存储介质 | |
Sun et al. | Tourism demand forecasting of multi-attractions with spatiotemporal grid: a convolutional block attention module model | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN114579891B (zh) | 一种基于多源大数据的个性化宜居地图推荐方法和装置 | |
CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
Wang et al. | Deepfm-based taxi pick-up area recommendation | |
Li et al. | Human perception evaluation system for urban streetscapes based on computer vision algorithms with attention mechanisms | |
CN112231481A (zh) | 网址的分类方法、装置、计算机设备和存储介质 | |
CN114911889A (zh) | 基于多源大数据和机器学习的宜居地图推荐方法和装置 | |
CN114445136A (zh) | 一种基于大数据采集的旅游营销系统 | |
Yang et al. | Research on Assignment Algorithm of Personalized Intelligent Recommended Computing Based on Group Intelligence Perception | |
Qu et al. | The application of interactive methods under swarm computing and artificial intelligence in image retrieval and personalized analysis |
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 |