CN114706930A - 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法 - Google Patents

一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法 Download PDF

Info

Publication number
CN114706930A
CN114706930A CN202210216829.XA CN202210216829A CN114706930A CN 114706930 A CN114706930 A CN 114706930A CN 202210216829 A CN202210216829 A CN 202210216829A CN 114706930 A CN114706930 A CN 114706930A
Authority
CN
China
Prior art keywords
aoi
traffic cell
data
geohash
traffic
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
Application number
CN202210216829.XA
Other languages
English (en)
Inventor
王炜
王宇航
华雪东
魏雪延
赵德
王建
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210216829.XA priority Critical patent/CN114706930A/zh
Publication of CN114706930A publication Critical patent/CN114706930A/zh
Pending legal-status Critical Current

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
    • G06F16/29—Geographical information databases
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2255—Hash tables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，包括以下步骤：对交通小区数据和AOI数据分别进行预处理，得到各自对应的几何多边形对象、几何中心点对象以及编号等信息；将几何中心点经纬度信息输入到GeoHash算法中，确定其对应的GeoHash字符串编码；通过推演点法确定单个交通小区周围八个邻域的GeoHash字符串编码；基于加载到哈希表中的AOI数据，通过遍历交通小区九宫格区域的所有GeoHash编码，确定此交通小区附近的所有AOI；将交通小区依次与其附近的AOI在空间位置上进行相交操作，相交部分的面积即为此交通小区中此AOI对应用地类型的面积值；遍历完所有交通小区，即可确定每个交通小区每种用地类型的面积。

Description

一种基于AOI数据和GeoHash算法的交通小区各类型用地面积 统计方法
技术领域
本发明涉及一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，属于交通仿真和交通大数据等技术领域的工程技术领域。
背景技术
交通工程学科是一门集自然科学与社会科学于一体的综合性学科，随着现代科学技术的发展，交通领域也在向着智能化的方向发展；交通规划作为交通工程学科的重要组成，其涵盖的方法和技术中也开始广泛应用大数据、人工智能等新技术；比如交通需求的研究，传统获取交通需求的方法多为人工调查，成本高精度差，而随着新型技术的出现，基于大数据的新型交通需求预测方法快速发展，可通过获取人口和土地利用等数据预测交通小区在交通需求方面的发生与吸引，让交通需求的获取更便捷、更科学。
AOI的全称是Area Of Interest，可类比兴趣点POI(Point Of Interest)的含义翻译为兴趣面，用来表示地图数据中区域状的地理实体。通过关键词在百度或高德等地图引擎中搜索得到的点位置信息为POI数据，而得到的面域结果即为AOI数据。AOI数据可以直观形象的描述出空间各用地类型的分布情况，AOI数据使用多级标签来表示其对应地理实体所属于的用地类型，从一级到多级逐渐细化描述地理实体所属的用地类型，并且随着国内各大地图服务公司的快速发展，AOI数据的数量、质量、覆盖范围以及更新频率等多个方面都有了巨大提升。所以，丰富的AOI数据让交通小区内各类型用地面积的精确统计成为可能。
GeoHash是一种附近空间目标搜索算法，基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码；其能将点的二维坐标映射为一个字符串编码，每个编码代表一个特定的矩形区域，在该矩形区域内所有点的坐标都共用这个编码，字符串编码越长精度越高，对应的矩形区域越小。使用AOI数据研究交通小区的土地利用情况，以往需要遍历全量AOI数据来搜索与交通小区相交的AOI，而使用Geohash算法则可以快速确定交通小区周围的AOI数据，提高算法的搜索效率，更快的统计出交通小区各类型用地的面积。
发明内容
发明目的：本发明通过对交通小区数据与AOI数据的处理，使用GeoHash算法高效统计出交通小区的土地利用情况，目标提出一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法。
技术方案：一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，该方法包括以下步骤：
(1)读取交通小区数据和AOI数据，具体包含以下数据：
(11)交通小区数据由两部分组成，其一是交通小区边界数据，包括交通小区编号及其对应的边界拓扑点编号序列，其二是拓扑点坐标数据，包括拓扑点编号、拓扑点x坐标、拓扑点y坐标；
(12)AOI数据的属性包括AOI编号、AOI名称、AOI类型标签、AOI对应POI的经纬度、AOI的面积以及AOI边界拓扑点编号序列；
(2)对交通小区数据和AOI数据进行预处理，具体步骤如下：
(21)通过对步骤(1)中交通小区数据的预处理，输出交通小区的编号、几何中心点和几何多边形的字符串描述，具体步骤为：以拓扑点编号为键，以拓扑点x和y坐标的集合为值，将坐标集合转化为UTM平面坐标后加载到初始化的哈希表中；根据每个交通小区的边界拓扑点编号序列，通过哈希表确定对应的拓扑点坐标序列；将此拓扑点坐标序列转化为空间几何中的多边形对象，同时生成多边形对象的几何中心点对象；使用WKT(一种用于表示点、线、多边形等矢量几何对象的一种文本标记语言)将中心点对象和多边形对象输出为字符串的格式；
(22)通过对步骤(1)中AOI数据的预处理，输出AOI的编号、类型编码、几何中心点和几何多边形的字符串描述，具体步骤为：明确所研究的土地利用类型种类范围，指定范围内每种用地类型对应的类型编码，并确定AOI原始类型标签与所研究土地利用类型种类的映射关系；基于此，对AOI原始类型标签中的一级标签进行提取、映射和转化为自定义的类型编码；先将AOI边界拓扑点编号序列中的坐标转化为UTM平面坐标，再将其转化为空间几何中的多边形对象，同时生成多边形对象的几何中心点对象；最后使用WKT将中心点对象和多边形对象输出为字符串的格式；
(3)对空间坐标点进行GeoHash编码处理：根据研究的精度等级确定对应的GeoHash编码精度，即期望输出的GeoHash字符串编码的长度；交通小区数据与AOI数据的GeoHash编码原理相同，基于步骤(2)中的数据，针对每一条数据读取其几何中心点的WKT，并提取出几何中心点的坐标信息，将其转化为经纬度坐标后，与确定的编码精度一同输入到GeoHash算法中，即可输出一条字符串编码；分别在交通小区数据和AOI数据中新增一列存储每条数据对应的GeoHash字符串编码；
(4)确定交通小区周围八块邻域的GeoHash编码，具体步骤如下：
(41)步骤(3)中已确定GeoHash编码精度，根据GeoHash算法可得所研究的最小矩形的长度与宽度，则可进一步确定最小矩形横跨与纵跨的经度lonUnit和纬度单元latUnit；
(42)已知交通小区的几何中心点经纬度坐标为(lon,lat)，则以下八个推演点分别处于此中心点周围的八个邻域：(lon,lat+latUnit)、(lon,lat-latUnit)、(lon+lonUnit,lat)、(lon-lonUnit,lat)、(lon-lonUnit,lat-latUnit)、(lon-lonUnit,lat+latUnit)、(lon+lonUnit,lat-latUnit)、(lon+lonUnit,lat+latUnit)；
(43)根据GeoHash算法，输入交通小区几何中心点周围八个推演点的经纬度坐标，则可以得出此交通小区周围八块邻域点GeoHash编码；
(5)根据GeoHash编码搜索九宫格区域内的AOI几何中心点，具体步骤如下：
(51)基于步骤(3)中的AOI数据，以AOI几何中心点的GeoHash编码为键，由于单个GeoHash编码可能会对应多个AOI，故以AOI编号、类型编码、几何多边形的WKT组成的哈希子表构建列表作为值，将AOI数据加载到哈希表中；
(52)针对每一个交通小区，依次遍历其自身以及周围八块邻域的GeoHash编码，以区域的GeoHash编码为键，在AOI数据的哈希表中确定对应的值，遍历完九个区域后，即可确定此交通小区邻域范围内所有的AOI几何中心点；
(6)计算交通小区与各AOI相交面积：针对每一个交通小区，可由步骤(5)确定其邻域范围内的AOI几何中心点，即可进一步确定对应的AOI几何多边形对象，通过交通小区几何多边形对象与AOI几何多边形对象在空间位置上进行相交处理，即可进一步求得相交部分的面积，以AOI类型编码为键，以相交的面积为值，将交通小区对应的各AOI类型相交面积存储到哈希表中，针对一个交通小区内存在同一类型多个AOI的情况，此时对应哈希表的键相同，而值叠加求和后存储到哈希表中；
(7)存储计算结果并输出：以交通小区编号为键，以步骤(6)中计算出的哈希表结果为值，创建哈希表以此存储每一个交通小区内每一种用地类型的面积，最终以二维表的形式将最终计算结果输出存储到介质中，其中二维表的每一行表示单个交通小区每一种用地类型的面积，二维表的列分别表示交通小区编号以及各类型用地面积。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明创新性地提出了一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，使用AOI数据能够更加准确的描述交通小区各类型用地面积的情况，且AOI数据具有易获取、覆盖范围广、数据质量高和更新频率快等特点；本发明将GeoHash算法应用在搜索交通小区附近的AOI中，使用交通小区九宫格区域代替交通小区单个区域，搜索的效率和精度都有所提高，能够适用于大数据应用场景；在大数据等新技术快速发展的背景下，基于AOI数据通过GeoHash算法实现交通小区各类型用地面积的自动化、快速化统计，在交通需求预测、交通仿真等领域具有较高的推广应用价值。
附图说明
图1为本发明基于AOI和GeoHash的交通小区各类型用地面积统计方法的流程图；
图2为本发明实例中研究区域交通小区划分示意图；
图3为本发明实例中AOI数据分布情况示意图；
图4为本发明实例中搜索交通小区邻域AOI示意图；
图5为本发明实例中计算交通小区与AOI相交面积示意图。
具体实施方式
本发明介绍了一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法。下面结合实例和附图对本发明的技术方案作进一步详细说明。
本次实例采用南京市部分中心城区作为研究对象，按技术方案中的数据处理步骤，实现研究区域165个交通小区7种类型用地面积统计。方法流程图见附图1，包括以下7个步骤：
(1)读取交通小区数据和AOI数据：本实例以南京市部分中心城区作为研究区域，交通小区的划分如附图2所示。读取实例中交通小区数据，包括交通小区边界数据和拓扑点坐标数据，其中交通小区边界数据，包括交通小区编号及其对应的边界拓扑点编号序列，如表1所示；拓扑点坐标数据包括拓扑点编号、拓扑点x坐标、拓扑点y坐标，如表2所示。南京市AOI数据的如图3所示，读取实例中AOI数据，包括AOI编号、AOI名称、AOI类型标签、AOI对应POI的经纬度、AOI的面积以及AOI边界拓扑点编号序列，如表3所示。
表1.交通小区边界数据表
编号 边界拓扑点编号序列
1 91933 91934 91935 91936 91937 91938 91939 91940 91941 91942 91943…
2 92062 92063 92064 92065 92066 92067 92068 92069 92070 92071 92072…
… …
165 101481 101482 101483 101484 101485 101486 101487 101488 101489…
表2.拓扑点坐标数据表
Figure BDA0003535254210000041
Figure BDA0003535254210000051
表3.AOI数据表
Figure BDA0003535254210000052
(2)对交通小区数据和AOI数据进行预处理，通过对步骤(1)中交通小区数据的预处理，输出交通小区的编号、几何中心点和几何多边形的字符串描述，如表4所示；通过对步骤(1)中AOI数据的预处理，结合如表5所示的AOI原始类型标签与所研究土地利用类型种类的映射关系，输出AOI的编号、类型编码、几何中心点和几何多边形的字符串描述，如表6所示。
表4.交通小区预处理后数据表
Figure BDA0003535254210000053
表5.用地类型映射表
Figure BDA0003535254210000054
Figure BDA0003535254210000061
表6.AOI预处理后数据表
Figure BDA0003535254210000062
(3)对空间坐标点进行GeoHash编码处理：根据研究区域的大小确定GeoHash编码精度，在本实例中设置GeoHash字符串编码长度为6，则对应的最小矩形区域宽度为1.2km，高度为0.6km，则九宫格区域的总面积约为6.48平方公里。基于步骤(2)中的交通小区和AOI数据，针对每一条数据读取其几何中心点的WKT，并提取出几何中心点的坐标信息，将其转化为经纬度坐标后，与确定的编码精度一同输入到GeoHash算法中，即可输出一条字符串编码；分别在交通小区数据和AOI数据中新增一列存储每条数据对应的GeoHash字符串编码；
(4)确定交通小区周围八块邻域的GeoHash编码：如编号为1的交通小区几何中心点对应的GeoHash编码为wtsmyd，已知交通小区中心点坐标和其所处的矩形大小，则可计算出其周围八个推演点经纬度坐标，再根据GeoHash算法则可进一步得到周围八块邻域的GeoHadh编码分别为：wtsmy6,wtsmyf,wtsmy9,wtsmy3,wtsmyc,wtsmye,wtsmy7,wtsmyg，如图4左图所示。
(5)根据GeoHash编码搜索九宫格区域内的AOI几何中心点：基于步骤(3)中的AOI数据，以AOI几何中心点的GeoHash编码为键，由于单个GeoHash编码可能会对应多个AOI，故以AOI编号、类型编码、几何多边形的WKT组成的哈希子表构建列表作为值，将AOI数据加载到哈希表中，哈希表内容如表7所示；遍历交通小区九宫格区域的GeoHash编码，以区域的GeoHash编码为键，在AOI数据的哈希表中确定对应的值，遍历完九个区域后，即可确定此交通小区邻域范围内所有的AOI几何中心点，如1号交通小区九宫格区域内的AOI几何中心点如图4中图黑色圆圈所示。
表7.加载AOI数据的哈希表
Figure BDA0003535254210000071
(6)计算交通小区与各AOI相交面积：由步骤(5)确定其邻域范围内的AOI几何中心点，即可进一步确定对应的AOI几何多边形对象，如图4右图所示；通过交通小区几何多边形对象与AOI几何多边形对象在空间位置上进行相交处理，即可求得相交部分的面积，如图5所示，黑色斜线部分的多边形表示交通小区与AOI相交的部分；以AOI类型编码为键，以相交的面积为值，将交通小区对应的各AOI类型相交面积存储到哈希表中，针对一个交通小区内存在同一类型多个AOI的情况，此时对应哈希表的键相同，而值叠加求和后存储到哈希表中。
(7)存储计算结果并输出：以交通小区编号为键，以步骤(6)中计算出的哈希表结果为值，创建哈希表以此存储每一个交通小区内每一种用地类型的面积，最终以二维表的形式将最终计算结果输出TXT文件中，其中二维表的每一行表示单个交通小区每一种用地类型的面积，二维表的列分别表示交通小区编号以及各类型用地面积。
表8.交通小区各用地类型面积统计表
Figure BDA0003535254210000072
Figure BDA0003535254210000081

Claims (5)

1.一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，其特征在于，包括以下步骤：
(1)读取交通小区数据和AOI数据；
(2)对交通小区数据和AOI数据进行预处理，提取交通小区几何中心点和几何多边形对象的字符串描述，映射自定义研究用地类型编码与AOI用地类型标签，并提取AOI几何中心点和几何多边形对象的字符串描述；
(3)对交通小区数据和AOI数据中的几何中心点坐标进行GeoHash编码处理：根据研究的精度等级确定对应的GeoHash编码精度，即期望输出的GeoHash字符串编码的长度；交通小区数据与AOI数据的GeoHash编码原理相同，基于步骤(2)中的数据，针对预处理后的交通小区数据和AOI数据中的每一条数据，读取其几何中心点的WKT，并提取出几何中心点的坐标信息，将其转化为经纬度坐标后，与确定的编码精度一同输入到GeoHash算法中，即可输出一条字符串编码；分别在交通小区数据和AOI数据中新增一列存储每条数据对应的GeoHash字符串编码；
(4)基于确定的GeoHash编码精度，通过交通小区几何中心点坐标和最小矩形经纬跨度，计算出交通小区上下左右空间位置上的八个推演点，从而进一步确定交通小区周围八块邻域的GeoHash编码；
(5)将AOI数据装载到哈希表中，根据交通小区自身及其周围八块邻域的GeoHash编码，在AOI数据的哈希表中搜索几何中心点位于交通小区自身及其周围八块邻域内的AOI数据，交通小区自身及其周围八块邻域构成一个三行三列的九宫格；
(6)通过交通小区和AOI对应的几何多边形对象空间位置上的相交操作，以此计算交通小区与各AOI相交面积：针对每一个交通小区，由步骤(5)确定其邻域范围内的AOI几何中心点，即进一步确定对应的AOI几何多边形对象，通过交通小区几何多边形对象与AOI几何多边形对象在空间位置上进行相交处理，即进一步求得相交部分的面积，以AOI类型编码为键，以相交的面积为值，将交通小区对应的各AOI类型相交面积存储到哈希表中，针对一个交通小区内存在同一类型多个AOI的情况，此时对应哈希表的键相同，而对同一种类型的多个AOI与交通小区相交的面积值叠加求和后存储到哈希表中；
(7)将计算获得的各交通小区内各用地类型的面积结果进行存储和输出：以交通小区编号为键，以步骤(6)中计算出的哈希表结果为值，创建哈希表以此存储每一个交通小区内每一种用地类型的面积，最终将计算结果输出到介质中。
2.根据权利要求1所述的一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，其特征在于，步骤(1)的方法如下：
(11)交通小区数据由两部分组成，其一是交通小区边界数据，包括交通小区编号及其对应的边界拓扑点编号序列，其二是拓扑点坐标数据，包括拓扑点编号、拓扑点x坐标、拓扑点y坐标；
(12)AOI数据的字段包括AOI编号、AOI名称、AOI对应的用地类型标签、AOI对应的POI坐标、AOI的面积以及AOI边界拓扑点坐标序列，其中，AOI对应的用地类型标签由三级用地类型子标签通过分隔符连接生成，每一级用地类型子标签对AOI的用地类型进行描述，从一级到三级用地类型子标签，随着用地类型子标签级别的提升，其对AOI用地类型的描述逐渐细化。
3.根据权利要求2所述的一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，其特征在于，步骤(2)的方法如下：
(21)通过对步骤(1)中交通小区数据的预处理，输出交通小区的编号、几何中心点和几何多边形的字符串描述，具体步骤为：以拓扑点编号为哈希表的键，将拓扑点x和y坐标的集合转化为UTM坐标后作为哈希表的值，将所有拓扑点数据加载到初始化的哈希表中；根据每个交通小区的边界拓扑点编号序列，通过哈希表确定对应的拓扑点坐标序列；将此拓扑点坐标序列转化为空间几何中的多边形对象，同时生成多边形对象的几何中心点对象；使用WKT将中心点对象和多边形对象输出为字符串的格式；
(22)通过对步骤(1)中AOI数据的预处理，输出AOI的编号、自定义用地类型编码、几何中心点和几何多边形的字符串描述，具体步骤为：确定所研究的土地利用类型种类范围，自定义范围内每种用地类型对应的类型编码，并确定AOI用地类型标签与所研究土地利用类型种类的映射关系；基于此，对AOI用地类型标签中的一级用地类型子标签进行提取、映射和转化为自定义的用地类型编码；先将AOI边界拓扑点编号序列中的坐标转化为UTM平面坐标，再将其转化为空间几何中的多边形对象，同时生成多边形对象的几何中心点对象；最后使用WKT将中心点对象和多边形对象输出为字符串的格式。
4.根据权利要求3所述的一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，其特征在于，步骤(4)的具体方法如下：
(41)GeoHash算法将地球的球面按照一定规则展开成平面，并且对平面不断进行二分，GeoHash编码精度对应着二分的次数，已知地球平面长宽和二分次数，则确定二分后的最小矩形长宽，步骤(3)中已确定GeoHash编码精度，根据GeoHash算法得所研究的最小矩形的长度与宽度，则进一步确定最小矩形横跨与纵跨的经度lonUnit和纬度单元latUnit；
(42)已知交通小区的几何中心点经纬度坐标为(lon,lat)，则以下八个推演点分别处于此中心点周围的八个邻域：(lon,lat+latUnit)、(lon,lat-latUnit)、(lon+lonUnit,lat)、(lon-lonUnit,lat)、(lon-lonUnit,lat-latUnit)、(lon-lonUnit,lat+latUnit)、(lon+lonUnit,lat-latUnit)、(lon+lonUnit,lat+latUnit)；
(43)根据GeoHash算法，在已知地球平面长宽和已确定GeoHash编码精度的基础上，输入交通小区几何中心点周围八个推演点的经纬度坐标，则得出此交通小区周围八块邻域点GeoHash编码。
5.根据权利要求4所述的一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法，其特征在于，步骤(5)的具体方法如下：
(51)基于步骤(3)中的AOI数据，以AOI几何中心点的GeoHash编码为键，由于单个GeoHash编码会对应多个AOI，故以AOI编号、类型编码、几何多边形的WKT组成的哈希子表构建列表作为值，将AOI数据加载到哈希表中；
(52)针对每一个交通小区，依次遍历其自身以及周围八块邻域的GeoHash编码，以此GeoHash编码为键，在AOI数据的哈希表中确定对应的值，遍历完九个区域后，即可确定此交通小区邻域范围内所有的AOI几何中心点。
CN202210216829.XA 2022-03-07 2022-03-07 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法 Pending CN114706930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210216829.XA CN114706930A (zh) 2022-03-07 2022-03-07 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210216829.XA CN114706930A (zh) 2022-03-07 2022-03-07 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法

Publications (1)

Publication Number Publication Date
CN114706930A true CN114706930A (zh) 2022-07-05

Family

ID=82169645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210216829.XA Pending CN114706930A (zh) 2022-03-07 2022-03-07 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法

Country Status (1)

Country Link
CN (1) CN114706930A (zh)

Similar Documents

Publication Publication Date Title
US7046827B2 (en) Adapting point geometry for storing address density
CN107153711A (zh) 地理信息数据处理方法及装置
US20030158661A1 (en) Programmatically computing street intersections using street geometry
CN109684428A (zh) 空间数据建设方法、装置、设备及存储介质
CN102289991B (zh) 一种基于视觉变量的地图注记自动分类配置方法
CN105468677A (zh) 一种基于图结构的日志聚类方法
CN106874415B (zh) 基于gis系统的环境敏感区数据库构建方法及服务器
CN109933797A (zh) 基于Jieba分词及地址词库的地理编码方法和系统
CN103838825A (zh) 一种全球地名数据整合与代码编制方法
CN111522892B (zh) 地理要素的检索方法及装置
CN107766433A (zh) 一种基于Geo‑BTree的范围查询方法及装置
Tucci et al. Using spatial analysis and geovisualization to reveal urban changes: Milan, Italy, 1737–2005
CN113010620B (zh) 基于地理多级网格的自然资源数据索引统计方法及系统
US20030158667A1 (en) Programmatically deriving street geometry from address data
CN113505842A (zh) 一种适用于大尺度区域遥感影像城市建筑物自动提取方法
CN113033403A (zh) 基于影像瓦片的生态保护红线地物目标识别方法及系统
CN116610672A (zh) 一种基于时空编码的空管数据分布式存储与快速查询方法
CN114661744B (zh) 一种基于深度学习的地形数据库更新方法及系统
CN116775661A (zh) 基于北斗网格技术的空间大数据存储与管理方法
CN109885638B (zh) 一种三维立体空间索引方法及系统
CN115099315A (zh) 基于CityGML的多源异构地理信息数据语义融合转换方法
CN111968011A (zh) 一种电力规划多源数据集成的方法
CN114706930A (zh) 一种基于AOI数据和GeoHash算法的交通小区各类型用地面积统计方法
CN115393368A (zh) 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质
CN111552758B (zh) 一种基于gis技术的风景名胜数据库及其构建方法

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