CN115100395A - 一种融合poi预分类和图神经网络的城市街区功能分类方法 - Google Patents
一种融合poi预分类和图神经网络的城市街区功能分类方法 Download PDFInfo
- Publication number
- CN115100395A CN115100395A CN202210736883.7A CN202210736883A CN115100395A CN 115100395 A CN115100395 A CN 115100395A CN 202210736883 A CN202210736883 A CN 202210736883A CN 115100395 A CN115100395 A CN 115100395A
- Authority
- CN
- China
- Prior art keywords
- poi
- city block
- classification
- city
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种融合POI预分类和图神经网络的城市街区功能分类方法,本分类方法包括以下步骤:S1、利用城市街区POI构建Delaunay三角网,S2、根据与每个POI点相连的Delaunay三角网边的平均边长,确定城市街区内POI的重要性排序,S3、选取城市街区内排名前三的POI类型,作为城市街区功能的组合标签,S4、对组合标签进行归并得到城市街区功能伪标签,S5、基于Delaunay三角网建立每个城市街区的POI图网络,S6、利用城市街区功能伪标签,训练图神经网络分类模型,S7、利用训练好的图神经网络分类模型进行城市街区功能分类。本发明方法能够提取POI数据的空间结构信息,丰富了POI数据的语义信息,从而提高城市街区功能分类的准确率。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种融合POI预分类和图神经网络的城市街区功能分类方法。
背景技术
城市的发展形成了不同的功能区域,这些城市功能区是实现城市经济社会功能的重要空间载体,满足了人们不同的社会经济活动需求,其分布反映了城市的特征,对城市功能区的识别与分类不仅有利于对城市的认知和管理,也有利于城市的结构优化和发展规划等。POI数据是城市中地理实体信息的重要载体,被广泛用于城市功能区的识别与提取。
现有技术的不足:
现有研究在进行城市功能区分类时很少考虑POI点集的空间结构,而POI的连接模式能够表达其在城市街区内的共现模式,也是城市街区功能的一种具体表现形式,这是进行城市功能区分类的重要依据,因此,在进行城市街区功能分类时,空间结构信息的缺失使得POI数据的语义信息不够准确且不够丰富,往往导致分类准确率的下降。
发明内容
本发明的目的在于提供一种融合POI预分类和图神经网络的城市街区功能分类方法,以解决上述背景技术中提出的问题。
一种融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本分类方法包括以下步骤:
S1、利用城市街区POI构建Delaunay三角网;
S2、根据步骤S1中与每个POI点相连的Delaunay三角网边的平均边长,确定城市街区内POI的重要性排序;
S3、根据步骤S2的排序选取城市街区内排名前三的POI类型,作为城市街区功能的组合标签;
S4、对步骤S3得到的组合标签进行归并得到城市街区功能伪标签;
S5、基于Delaunay三角网建立每个城市街区的POI图网络;
S6、利用步骤S4中得到的城市街区功能伪标签,训练图神经网络分类模型;
S7、利用步骤S4训练好的图神经网络分类模型进行城市街区功能分类。
作为本发明的进一步改进,本方法步骤S2中与POI点相连的Delaunay三角网边的平均边长大小能够表征该POI在街区中的重要性大小,一定区域内平均边长与重要性成正比。
作为本发明的进一步改进,本方法步骤S3中组合标签为选取城市街区内排名前三的POI类型名组成的字符串。
9.作为本发明的进一步改进,本方法步骤S4中组合标签归并包括有三轮,其中:
第一轮标签归并将组合标签完全相同的归并为一类,并统计每种类型标签的城市街区数量;
第二轮标签归并基于字符串标签的相似度进行,计算所有标签两两之间的相似度,将相似度大于某个阈值的两个字符串标签中城市街区数量较少的类型归并到城市街区数量较多的类型中;
第三轮标签归并考虑每种功能类型的城市街区有着特定的POI类型特征,通过人工判别第二轮标签归并后得到的字符串标签,将标签中拥有不同POI类型特征的城市街区归并为最终的若干种城市街区功能类型。
作为本发明的进一步改进,本方法步骤S5将每个街区的Delaunay三角网导出并保存为符合后续模型输入要求的POI图网络数据。
作为本发明的进一步改进,本方法步骤S6训练中采用图神经网络中的监督分类模型,利用POI图网络数据和街区功能伪标签数据共同训练模型。
作为本发明的进一步改进,本方法中步骤S7中将需要进行功能分类的城市街区的POI图网络数据输入训练好的模型中进行预测,得到城市街区功能分类结果。
作为本发明的进一步改进,本方法中步骤S7中输入网络数据包括有非训练数据和训练数据,其中:
输入网络数据为非训练数据,通过预测结果与城市街区功能标签的对比直接得到分类准确率;
输入网络数据为训练数据,则将模型预测的城市街区功能类型与城市街区天地图影像进行实证对比,统计对比结果从而确定城市街区功能分类的准确率。
与现有技术相比,本发明的有益效果是:
本发明将城市街区POI数据构建为图网络数据,结合预分类得到的城市街区功能伪标签,利用图神经网络中的图分类模型进行城市街区功能分类,本方法能够提取POI数据的地理邻近关系以及在城市街区中的共现模式,丰富了POI数据的语义信息,从而提高了城市街区功能分类的准确率。
附图说明
图1为本发明一种融合POI预分类和图神经网络的城市街区功能分类方法流程图;
图2是本发明一种融合POI预分类和图神经网络的城市街区功能分类方法的基于城市街区POI的Delaunay三角网图;
图3为本发明一种融合POI预分类和图神经网络的城市街区功能分类方法图神经网络分类模型训练过程图;
图4为本发明一种融合POI预分类和图神经网络的城市街区功能分类方法城市街区功能分类结果与天地图影像对比分析图(图中POI点符号颜色表示其类型,大小表示其面积权重,图题为该城市街区模型预测的类型)。
具体实施方式
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。
实施例
请参阅图1-3,本发明提供如下技术方案:一种融合POI预分类和图神经网络的城市街区功能分类方法,包括以下步骤:
S1、利用城市街区POI构建Delaunay三角网;将街区内所有POI点三角剖分成一个满足Delaunay准则的不规则三角网。
S2、根据与每个POI点相连的Delaunay三角网边的平均边长,确定城市街区内POI的重要性排序;
一定区域内平均边长较长的POI比其他POI更加重要,而整个街区内平均边长最长的几个POI则在该街区占据主导地位,能够表征该街区的主体功能类型。
S3、选取城市街区内排名前三的POI类型,作为城市街区功能的组合标签;
例如,某城市街区排名前三的POI的类型都为“公司企业”,则该城市街区的组合标签用“公司企业公司企业公司企业”这样一个字符串来表示;
此外,将提取数量确定为三,提取数量过多会使初始字符串标签数量过多且过于复杂,不利于后续的标签归并处理,提取数量少于三则得到的字符串标签不足以表征多种功能均衡的综合功能区,所以,提取权重排名前三的POI类型既能够表征城市街区的主体功能,也足以识别拥有复合功能的城市街区。
S4、对S3得到的组合标签进行归并得到城市街区功能伪标签,以常州市中心城区的1000个城市街区为例:
第一轮归并简单地将组合标签相同的归为一类,并统计每一种类型的城市街区数量,归并完成后1000个城市街区的初始标签被归并为483个类型;
第二轮归并基于字符串标签的相似度进行,使用Python自带的字符串相似度计算方法,该方法将字符串处理成集合,计算两个集合的交集元素个数与并集元素个数之比作为这两个字符串的相似度,通过多次试验,设置相似度阈值为0.5,将相似度大于0.5的两个字符串标签中城市街区数量较少的类型归并到城市街区数量较多的类型中,这一步结束后将所有的城市街区归并为40种类型;
最后,考虑每种功能类型的城市街区有着特定的POI类型特征,例如居住区的POI字符串标签中应该含有“房地产”,而标签全为“门址”或没有POI分布的城市街区由于无法判断被归并到其他类型中,通过人工判别这些字符串标签后,将拥有特定POI类型特征的城市街区归为最终的9种城市街区功能类型之一,得到用于后续模型监督训练的城市街区功能伪标签如表一所示。
S5、基于Delaunay三角网建立每个城市街区的POI图网络。
S6、利用城市街区功能伪标签,训练图神经网络分类模型;
由于采用的是监督分类模型,所以利用街区的POI图网络数据和街区功能伪标签数据共同进行图分类模型的训练;
如图2所示,模型的训练主要为调参训练,经过多轮训练后选择平均表现最好的参数组合训练得到的模型用于后续的城市街区功能类型的预测。
S7、利用步骤6训练好的模型进行城市街区功能分类;将需要进行功能分类的城市街区POI图网络数据输入训练好的模型中进行预测得到城市街区功能分类结果;
若输入数据非训练数据,则通过预测结果与城市街区功能标签的对比直接得到分类准确率;
若输入数据为训练数据,则如图3所示,将模型预测的城市街区功能类型与城市街区天地图影像进行实证对比,统计对比结果从而确定城市街区功能分类的准确率。
城市街区功能预分类结果表
表一
结合表一、图2和图3可知,本发明将城市街区POI数据构建为图网络数据,结合预分类得到的城市街区功能伪标签,利用图神经网络中的图分类模型进行城市街区功能分类,本方法能够提取POI数据的地理邻近关系以及在城市街区中的共现模式,丰富了POI数据的语义信息,从而提高了城市街区功能分类的准确率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本分类方法包括以下步骤:
S1、利用城市街区POI构建Delaunay三角网;
S2、根据步骤S1中与每个POI点相连的Delaunay三角网边的平均边长,确定城市街区内POI的重要性排序;
S3、根据步骤S2的排序选取城市街区内排名前三的POI类型,作为城市街区功能的组合标签;
S4、对步骤S3得到的组合标签进行归并得到城市街区功能伪标签;
S5、基于Delaunay三角网建立每个城市街区的POI图网络;
S6、利用步骤S4中得到的城市街区功能伪标签,训练图神经网络分类模型;
S7、利用步骤S4训练好的图神经网络分类模型进行城市街区功能分类。
2.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法步骤S2中与POI点相连的Delaunay三角网边的平均边长大小能够表征该POI在街区中的重要性大小,一定区域内平均边长与重要性成正比。
3.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法步骤S3中组合标签为选取城市街区内排名前三的POI类型名组成的字符串。
4.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法步骤S4中组合标签归并包括有三轮,其中:
第一轮标签归并将组合标签完全相同的归并为一类,并统计每种类型标签的城市街区数量;
第二轮标签归并基于字符串标签的相似度进行,计算所有标签两两之间的相似度,将相似度大于某个阈值的两个字符串标签中城市街区数量较少的类型归并到城市街区数量较多的类型中;
第三轮标签归并考虑每种功能类型的城市街区有着特定的POI类型特征,通过人工判别第二轮标签归并后得到的字符串标签,将标签中拥有不同POI类型特征的城市街区归并为最终的若干种城市街区功能类型。
5.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法步骤S5将每个街区的Delaunay三角网导出并保存为符合后续模型输入要求的POI图网络数据。
6.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法步骤S6训练中采用图神经网络中的监督分类模型,利用POI图网络数据和街区功能伪标签数据共同训练模型。
7.根据权利要求1所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法中步骤S7中将需要进行功能分类的城市街区的POI图网络数据输入训练好的模型中进行预测,得到城市街区功能分类结果。
8.根据权利要求7所述的融合POI预分类和图神经网络的城市街区功能分类方法,其特征在于:本方法中步骤S7中输入网络数据包括有非训练数据和训练数据,其中:
输入网络数据为非训练数据,通过预测结果与城市街区功能标签的对比直接得到分类准确率;
输入网络数据为训练数据,则将模型预测的城市街区功能类型与城市街区天地图影像进行实证对比,统计对比结果从而确定城市街区功能分类的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736883.7A CN115100395A (zh) | 2022-06-27 | 2022-06-27 | 一种融合poi预分类和图神经网络的城市街区功能分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736883.7A CN115100395A (zh) | 2022-06-27 | 2022-06-27 | 一种融合poi预分类和图神经网络的城市街区功能分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100395A true CN115100395A (zh) | 2022-09-23 |
Family
ID=83294934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210736883.7A Pending CN115100395A (zh) | 2022-06-27 | 2022-06-27 | 一种融合poi预分类和图神经网络的城市街区功能分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100395A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 城市功能区的识别方法、装置、设备和介质 |
CN117893383A (zh) * | 2024-03-14 | 2024-04-16 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
-
2022
- 2022-06-27 CN CN202210736883.7A patent/CN115100395A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 城市功能区的识别方法、装置、设备和介质 |
CN117079148B (zh) * | 2023-10-17 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 城市功能区的识别方法、装置、设备和介质 |
CN117893383A (zh) * | 2024-03-14 | 2024-04-16 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
CN117893383B (zh) * | 2024-03-14 | 2024-06-04 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
Zhai et al. | Beyond Word2vec: An approach for urban functional region extraction and identification by combining Place2vec and POIs | |
Balbin et al. | Predictive analytics on open big data for supporting smart transportation services | |
CN110472066B (zh) | 一种城市地理语义知识图谱的构建方法 | |
CN103455545B (zh) | 社交网络用户的位置估计的方法和系统 | |
CN109089314B (zh) | 一种基于推荐算法的wifi序列辅助GPS的室内定位方法 | |
CN115100395A (zh) | 一种融合poi预分类和图神经网络的城市街区功能分类方法 | |
Kim | Exploring the difference between ridership patterns of subway and taxi: Case study in Seoul | |
CN108681586A (zh) | 基于群智感知的旅游路线个性化推荐方法 | |
CN112800210B (zh) | 基于海量公交数据的人群画像算法 | |
CN107016042B (zh) | 一种基于用户位置日志的地址信息校验系统 | |
CN111813835A (zh) | 一种基于手机信令和poi数据的公共活动中心识别系统 | |
CN113449111B (zh) | 基于时空语义知识迁移的社会治理热点话题自动识别方法 | |
CN107577702A (zh) | 一种社交媒体中交通信息的辨别方法 | |
CN109214863A (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Sila-Nowicka et al. | Sensing spatiotemporal patterns in urban areas: Analytics and visualizations using the integrated multimedia city data platform | |
CN114723596A (zh) | 一种基于多源交通出行数据和主题模型的城市功能区识别方法 | |
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 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
US20240265409A1 (en) | Methods for determining locations of passenger flow corridors based on card swiping data | |
CN111985576B (zh) | 基于决策树的店铺选址方法 | |
CN116308956B (zh) | 一种城市区域主导功能与规划用途差异检测的方法 | |
CN115600751A (zh) | 基于长短期记忆网络的个体轨迹数据出行目的预测方法 |
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 |