CN115100394A - 基于兴趣点Voronoi图的城市街区功能识别方法 - Google Patents
基于兴趣点Voronoi图的城市街区功能识别方法 Download PDFInfo
- Publication number
- CN115100394A CN115100394A CN202210729862.2A CN202210729862A CN115100394A CN 115100394 A CN115100394 A CN 115100394A CN 202210729862 A CN202210729862 A CN 202210729862A CN 115100394 A CN115100394 A CN 115100394A
- Authority
- CN
- China
- Prior art keywords
- interest
- data
- point
- city block
- interest point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004220 aggregation Methods 0.000 claims abstract description 31
- 230000002776 aggregation Effects 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 230000004931 aggregating effect Effects 0.000 claims abstract description 12
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009561 snack bars Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法,属于数据处理技术领域。该方法执行如下步骤:对城市街区内部的兴趣点数据按类别进行分类;创建规则格网将城市街区划分为若干格网单元;对每个格网单元内的兴趣点数据进行聚合,得到兴趣点聚合点数据;基于兴趣点聚合点数据创建Voronoi图,得到每个兴趣点聚合点数据对应的Voronoi多边形;计算城市街区内每个Voronoi多边形的面积,将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重,从而实现对城市街区的功能识别。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性,从而有助于提高基于兴趣点数据的城市街区功能区识别的准确率。
Description
技术领域
本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法,属于数据处理技术领域。
背景技术
城市社会经济活动在空间上表现出很强的聚集模式,从而产生了各种城市功能区,以适应人们对生活、工作、教育、娱乐和公共服务等的不同需求。城市功能区作为实现城市经济和社会功能的重要空间载体,通常被用作城市规划和管理的基本单元。城市功能区的可参考相关区域的规划设计,比如:以住宅建筑和居住配套设施为主要功能导向的区域可定义为居住生活区,以提供行政办公、文化、教育、医疗以及综合商业等服务为主要功能导向的区域可定义为综合服务区,以提供商业服务为主要功能导向的区域可定义为商业区,等等。
随着大数据时代的来临,兴趣点数据、出租车轨迹数据、社交媒体签到数据等多种大数据被研究者们挖掘并应用于城市功能区的识别和分类,其中兴趣点数据因为易获取、数据量大、信息丰富等优点被研究学者/技术人员广泛应用。兴趣点数据通常也称为POI数据,POI是Point of Interest的缩写),泛指互联网电子地图中的点类数据,通常包含名称、地址、坐标、类别等属性。
然而,现有研究对兴趣点数据进行分析与处理时往往使用基于密度或频率的方法,此类方法忽略了兴趣点数据点分布的有偏性,导致从兴趣点数据中获取的语义信息并不能有效地表征城市功能。具体而言,兴趣点数据分布的有偏性表现为兴趣点数据的数量或密度分布与其在城市功能区中所表征的重要性不相符。例如,商业区内数量不多的大型商场是最重要的,能够有效地确定街区类型,而该区域内数量较多的住房对该区域来说并不重要,但这些区域内数量众多的兴趣点数据往往是小吃店等便民设施,当采用基于密度或频率的方法进行分析和处理时,往往会将该街区识别为非商业区,因此无法有效地表征该街区的城市功能。
发明内容
本发明要解决的技术问题是:提供一种可以提高城市街区功能识别准确率的方法。
为了解决上述技术问题,本发明提出的技术方案是:一种基于兴趣点Voronoi图的城市街区功能识别方法,包括如下步骤:
1)对城市街区内部的兴趣点数据按类别进行分类;
2)创建规则格网将城市街区划分为若干格网单元;
3)对每个格网单元内的兴趣点数据进行聚合,即将每个格网单元内同类型的兴趣点数据聚合为一个点,得到兴趣点聚合点数据;其中对某类型的兴趣点数据进行聚合的方法如下:
若该格网单元内该类型的兴趣点数据只有一个,则保留该兴趣点数据不做处理,兴趣点聚合点数据的坐标为该兴趣点数据的坐标;若该格网单元内该类型的兴趣点数据有两个或以上,则将这些兴趣点数据聚合为一个兴趣点聚合点数据,该兴趣点聚合点数据的坐标位于这些兴趣点数据的几何中心处;
4)基于步骤3)处理后的兴趣点聚合点数据创建Voronoi图,得到每个兴趣点聚合点数据对应的Voronoi多边形;
5)计算城市街区内每个Voronoi多边形的面积,将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重,从而实现对城市街区的分类识别,。计算Voronoi多边形的面积与城市街区的面积之间的比值,通常称为归一化,通过归一化后计算出对应的兴趣点聚合点数据的权重,通过权重大小即能方便地识别出城市街区的分类。
本发明通过对兴趣点数据进行分类,基于空间格网的聚合,创建城市街区Voronoi图,计算面积并进行归一化等处理确定兴趣点聚合点数据的权重。该方法能提取兴趣点数据的深层语义信息来表征兴趣点在所在城市街区中的重要性,从而修正兴趣点在城市街区功能表征方面的有偏性。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性,弱化密度高但从属性的城市街区的兴趣点数据的重要性,克服兴趣点数据在城市街区功能表征方面的有偏性,有助于提高基于兴趣点数据的城市街区功能区识别与分类的准确率。
附图说明
图1是本发明实施例的流程示意图。
图2是本发明实施例中格网单元内的兴趣点数据的聚合过程示意图。
图3是本发明实施例中城市街区Voronoi图创建过程示例图。
图4是19号街区在Voronoi多边形面积归一化前后兴趣点数据的权重对比图。
图5是105号街区在Voronoi多边形面积归一化前后兴趣点数据的权重对比图。
具体实施方式
本实施例的基于Voronoi图的城市街区功能识别方法,如图1所示,包括如下步骤:
1)对城市街区内部的兴趣点数据按类别进行分类;兴趣点数据通常包含名称、地址、坐标、类别等属性,在进行分类时,可以使用兴趣点数据的原始类型,或者也可以对兴趣点数据按预设规则重新归类。
2)创建规则格网将城市街区划分为若干格网单元。优选的,应根据城市街区的面积大小选择合适大小的规则格网,也就是说,将城市街区划分为若干格网单元时,每个格网单元的面积与城市街区的面积之比为预设值。
3)对每个格网单元内的兴趣点数据进行聚合,即将每个格网单元内同类型的兴趣点数据聚合为一个点,得到兴趣点聚合点数据;其中对该格网单元内某类型的兴趣点数据进行聚合的方法如图2所示,详述如下:
图2(a)为该格网单元所有的兴趣点数据,三角形、圆形和正方形分别代表了不同的兴趣点数据类型。若该格网单元内该类型的兴趣点数据只有一个,比如图2(a)中的正方形代表的兴趣点数据,则保留该兴趣点数据不做处理,兴趣点聚合点数据的坐标为该兴趣点数据的坐标;若该格网单元内该类型的兴趣点数据有两个或以上,比如图2(a)中的三角形、圆形分别代表的兴趣点数据则将这些兴趣点数据聚合为一个兴趣点聚合点数据,该兴趣点聚合点数据的坐标位于这些兴趣点数据的几何中心处,如图2(b)所示,可用如下的聚合公式表示:
聚合后得到的兴趣点聚合点数据如图2(c)所示。
4)基于步骤3)处理后的兴趣点聚合点数据创建Voronoi图,得到每个兴趣点聚合点数据对应的Voronoi多边形。为了更准确地识别城市街区的功能,优选的,创建Voronoi图后,根据该城市街区的边界对创建后的Voronoi图进行裁剪。
Voronoi图,又称为泰森多边形或Dirichlet图,是由一组由连接两相邻点直线的垂直平分线组成的连续多边形而组成的。Voronoi图的创建原理如下:首先将所有相邻点连接形成不规则三角网,然后生成每个三角形边的垂直平分线,垂直平分线相交的位置即Voronoi多边形顶点的位置,将这些顶点顺序连接形成Voronoi多边形,并根据该城市街区的范围裁剪城市街区以外的Voronoi多边形,形成城市街区Voronoi图。
城市街区Voronoi图的创建过程如图3所示,为现有技术,可参考相关文献。其中,图3(a)为该街区所有的兴趣点聚合点数据,图3(b)为创建的Voronoi多边形,图3(c)为根据城市街区的边界对Voronoi多边形进行裁剪后形成的城市街区Voronoi图。
5)计算城市街区内每个Voronoi多边形的面积,将Voronoi多边形的面积与城市街区的面积之比(即进行归一化计算)作为对应的兴趣点聚合点数据的权重,从而实现对城市街区的分类识别。
归一化计算的公式如下:
式中,xi′(i=1~n)表示归一化后得到的兴趣点聚合点数据的权重,xi(i=1~n)表示归一化前第i个兴趣点聚合点数据对应的Voronoi多边形面积,x1~xn是归一化前同一城市街区的所有兴趣点聚合点数据对应的Voronoi多边形面积。
以图4所示为例,左图为归一化前,19号街区中兴趣点数据的符号的大小表示其Voronoi多边形面积的大小,右图为归一化后,兴趣点数据的符号大小表示归一化后Voronoi多边形面积(即权重)的大小;若直接用面积来表征兴趣点数据的重要性,则由于存在一些结构相似的城市街区,其内部兴趣点数据的功能表征作用因城市街区面积的不同而有所差异,而通过归一化处理后,此类城市街区内部兴趣点数据在城市街区功能表征方面的作用能够得到统一。
通过以上步骤确定街区内部兴趣点聚合点数据的权重后,表征城市街区主导功能的兴趣点数据重要性得到明显提升。如图4所示的19号街区中,“房地产”等起主导作用的兴趣点数据的重要性提升,可以识别为居住区,与实际情况相符;又如图5所示的105号街区中,较为重要的“公司企业”和“出入口”兴趣点数据的重要性也得到凸显,从而可以识别为交通仓储区,与实际情况也相符。需要说明的是,本实施例中19号街区和105号街区的编号,仅仅是为了方便区分不同的城市街区,并无其他特别意义。
可见,本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性,弱化密度高但从属性的城市街区的兴趣点数据的重要性,克服兴趣点数据在城市街区功能表征方面的有偏性,从而提高基于兴趣点数据的城市街区功能识别的准确率。
Claims (4)
1.一种基于兴趣点Voronoi图的城市街区功能识别方法,兴趣点包括如下步骤:
1)对城市街区内部的兴趣点数据按类别进行分类;
2)创建规则格网将城市街区划分为若干格网单元;
3)对每个格网单元内的兴趣点数据进行聚合,即将每个格网单元内同类型的兴趣点数据聚合为一个点,得到兴趣点聚合点数据;其中对某类型的兴趣点数据进行聚合的方法如下:
若该格网单元内该类型的兴趣点数据只有一个,则保留该兴趣点数据不做处理,兴趣点聚合点数据的坐标为该兴趣点数据的坐标;若该格网单元内该类型的兴趣点数据有两个或以上,则将这些兴趣点数据聚合为一个兴趣点聚合点数据,该兴趣点聚合点数据的坐标位于这些兴趣点数据的几何中心处;
4)基于步骤3)处理后的兴趣点聚合点数据创建Voronoi图,得到每个兴趣点聚合点数据对应的Voronoi多边形;
5)计算城市街区内每个Voronoi多边形的面积,将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重,从而实现对城市街区的分类识别。
2.根据权利要求1所述的基于兴趣点Voronoi图的城市街区功能识别方法,其特征在于:步骤2)中,将城市街区划分为若干格网单元时,每个格网单元的面积与城市街区的面积之比为预设值。
3.根据权利要求1所述的基于兴趣点Voronoi图的城市街区功能识别方法,其特征在于:步骤4)中,创建Voronoi图后,根据该城市街区的边界对创建后的Voronoi图进行裁剪。
4.根据权利要求1所述的基于兴趣点Voronoi图的城市街区功能识别方法,其特征在于:步骤1)中对城市街区内部的兴趣点数据按类别进行分类时,使用兴趣点数据的原始类型,或者对兴趣点数据按预设规则重新归类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210729862.2A CN115100394B (zh) | 2022-06-24 | 2022-06-24 | 基于兴趣点Voronoi图的城市街区功能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210729862.2A CN115100394B (zh) | 2022-06-24 | 2022-06-24 | 基于兴趣点Voronoi图的城市街区功能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100394A true CN115100394A (zh) | 2022-09-23 |
CN115100394B CN115100394B (zh) | 2023-11-03 |
Family
ID=83291989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210729862.2A Active CN115100394B (zh) | 2022-06-24 | 2022-06-24 | 基于兴趣点Voronoi图的城市街区功能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100394B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390308A (zh) * | 2023-12-05 | 2024-01-12 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1174685A1 (en) * | 2000-07-19 | 2002-01-23 | Visteon Global Technologies, Inc. | Method and apparatus for providing geographical regions for point of interest selection |
WO2013037852A2 (en) * | 2011-09-13 | 2013-03-21 | Tomtom International B.V. | Navigation method and apparatus for selecting a destination |
US20140278291A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Discovering functional groups |
CN109614458A (zh) * | 2018-12-20 | 2019-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于导航数据的城市社区结构挖掘方法与装置 |
CN110176141A (zh) * | 2019-05-09 | 2019-08-27 | 中电海康集团有限公司 | 一种基于poi及流量特征的交通小区划分方法和系统 |
CN110322694A (zh) * | 2019-07-16 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种城市交通控制片区划分的方法及装置 |
CN112288048A (zh) * | 2020-12-28 | 2021-01-29 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
CN114003828A (zh) * | 2021-11-02 | 2022-02-01 | 东南大学 | 一种基于poi数据的城市街区功能混合度表达方法 |
-
2022
- 2022-06-24 CN CN202210729862.2A patent/CN115100394B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1174685A1 (en) * | 2000-07-19 | 2002-01-23 | Visteon Global Technologies, Inc. | Method and apparatus for providing geographical regions for point of interest selection |
WO2013037852A2 (en) * | 2011-09-13 | 2013-03-21 | Tomtom International B.V. | Navigation method and apparatus for selecting a destination |
US20140278291A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Discovering functional groups |
CN109614458A (zh) * | 2018-12-20 | 2019-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于导航数据的城市社区结构挖掘方法与装置 |
CN110176141A (zh) * | 2019-05-09 | 2019-08-27 | 中电海康集团有限公司 | 一种基于poi及流量特征的交通小区划分方法和系统 |
CN110322694A (zh) * | 2019-07-16 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种城市交通控制片区划分的方法及装置 |
CN112288048A (zh) * | 2020-12-28 | 2021-01-29 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
CN114003828A (zh) * | 2021-11-02 | 2022-02-01 | 东南大学 | 一种基于poi数据的城市街区功能混合度表达方法 |
Non-Patent Citations (4)
Title |
---|
KANG LIU等: "Visualizing and exploring POI configurations of urban regions on POI-type semantic space", 《CITIES》, vol. 99 * |
YUNFENG HU等: "Identification of Urban Functional Areas Based on POI Data: A Case Study of the Guangzhou Economic and Technological Development Zone", 《SUSTAINABILITY》 * |
蒋云良;董墨萱;范婧;高少文;刘勇;马新强;: "基于POI数据的城市功能区识别方法研究", 浙江师范大学学报(自然科学版), no. 04 * |
郜庆科: "基于多源时空数据的城市功能区识别方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390308A (zh) * | 2023-12-05 | 2024-01-12 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
CN117390308B (zh) * | 2023-12-05 | 2024-03-01 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115100394B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
WO2021232467A1 (zh) | 点云单木分割方法、装置、设备及计算机可读介质 | |
CN106503714B (zh) | 一种基于兴趣点数据识别城市功能区的方法 | |
CN111813835B (zh) | 一种基于手机信令和poi数据的公共活动中心识别系统 | |
Richter et al. | Object class segmentation of massive 3D point clouds of urban areas using point cloud topology | |
Bibby et al. | The 2011 rural-urban classification for small area geographies: a user guide and frequently asked questions (v1. 0) | |
CN108280430B (zh) | 一种流程图像识别方法 | |
CN115100394B (zh) | 基于兴趣点Voronoi图的城市街区功能识别方法 | |
CN116013084B (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
CN114169771A (zh) | 区域划分方法和装置、电子设备和存储介质 | |
Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
CN113780459B (zh) | 一种基于空间谱系的城乡聚落类型自动识别的方法与系统 | |
CN114328785A (zh) | 提取道路信息的方法和装置 | |
CN114661393A (zh) | 基于流动人口数据特征聚类的城市集聚效应可视分析方法 | |
CN116628462B (zh) | 城市三维空间用地功能属性识别与时空变化监测分析方法 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
CN113379269A (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
CN104102718A (zh) | 面向失衡数据集的簇边界采样与动态剪枝的失衡数据分类方法 | |
CN111291276A (zh) | 一种基于局部方向中心性度量的聚类方法 | |
CN113516850B (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
CN109063733A (zh) | 一种基于双参数离群因子的离群点检测方法 | |
CN111710157B (zh) | 一种出租车热点区域的提取方法 | |
CN114820960A (zh) | 构建图谱的方法、装置、设备和介质 | |
CN114969143A (zh) | 基于数据挖掘的城市间大气污染物时空关联特征分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |