CN115796331A - 基于多模态城市知识图谱的城市资源预测方法及系统 - Google Patents
基于多模态城市知识图谱的城市资源预测方法及系统 Download PDFInfo
- Publication number
- CN115796331A CN115796331A CN202211358465.5A CN202211358465A CN115796331A CN 115796331 A CN115796331 A CN 115796331A CN 202211358465 A CN202211358465 A CN 202211358465A CN 115796331 A CN115796331 A CN 115796331A
- Authority
- CN
- China
- Prior art keywords
- city
- ontology
- entity
- relation
- determining
- 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 67
- 238000010276 construction Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于多模态城市知识图谱的城市资源预测方法及系统。该方法包括：获取多源城市时空数据，基于多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；基于多源城市时空数据和本体集合进行实体匹配，确定与本体对应的实体对象集合；基于多源城市时空数据和本体集合进行关系构建，确定本体之间的关联关系集合；基于实体对象集合、关联关系集合和多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。本发明提供的方法，能够基于多源城市时空数据快速匹配融合到城市知识图谱结构中，并确定城市时空数据的语义关系，有效提高了基于多模态城市知识图谱的城市资源预测分析效率和精确度。
Description
技术领域
本发明涉及城市计算和知识图谱的交叉技术领域，具体涉及一种基于多模态城市知识图谱的城市资源预测方法及系统。另外，还涉及一种电子设备及处理器可读存储介质。
背景技术
知识图谱(Knowledge Graph)是将现实世界中的事实知识以图谱的形式进行结构化标识和存储，其主要组成为实体(Entity)和关系(Relation)，实体对应客观事物也即图谱上的节点，关系对应事物之间的语义关联也即图谱上的边。其中，一条客观事实(Fact)在知识图谱上对应一个三元组(h，r，t)，其中h和t分别是头实体和尾实体，而r是头尾实体之间的关系。
城市计算(Urban Computing)则是指利用城市时空场景下采集到的海量多源城市时空数据进行分析、预测、模拟和生成等任务，实现智慧城市(Smart City)。例如根据城市每个街区历史人流量和街区兴趣点(Point Of Interest,POI)分布，来预测未来给定时刻街区的人流量；或者利用自动化机器学习方法根据道路历史交通流量和流速预测下一时刻道路行驶状况等。但是，目前城市计算的主要方法往往依靠单一类城市时空数据或几类城市时空数据的简单融合进行模型训练和评估，未能充分挖掘海量多源城市时空数据中的语义知识，缺乏有效的知识表征。利用知识图谱技术将海量多源城市时空数据组织成一张多模态城市知识图谱，并通过不同语义关系来捕捉多源数据之间的复杂关联，具有较大的潜力来助力知识驱动的城市资源预测分析任务。因此，如何基于城市计算与知识图谱结合设计一种高效、精确的基于多模态城市知识图谱的城市资源预测分析方案成为亟待解决的难题。
发明内容
为此，本发明提供一种基于多模态城市知识图谱的城市资源预测方法及系统，以解决现有技术中存在的基于传统知识图谱的城市资源分析方案局限性较高，从而导致城市资源精确度较差的缺陷。
第一方面，本发明提供一种基于多模态城市知识图谱的城市资源预测方法，包括：
获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；
基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；
基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱；
基于所述多模态城市知识图谱对目标对象在目标区域的城市资源进行分析，输出所述目标对象在目标区域对应的城市资源分析结果。
进一步的，在基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合之前，还包括：基于图谱模式确定城市知识图谱的结构，并确定城市知识图谱中实体的类型和各类本体的关系；
所述基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合，具体包括：基于所述实体的类型和所述各类本体的关系从所述多源城市时空数据进行本体抽象，获得对应城市基本要素的本体集合；所述本体集合包含事物本体、空间本体以及时间本体；其中，所述空间本体包括区域本体、商圈本体以及兴趣点本体；所述事物本体包括用户本体、品牌本体以及相应的属性本体；所述时间本体包括不同尺度的时间戳信息以及对应特定语义的时间概念信息；所述属性本体对应各个本体的属性信息。
进一步的，基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合，具体包括：
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定实体集合；并基于所述实体集合进行属性增强，确定相应的实体属性；基于所述实体集合和所述实体属性得到所述实体对象集合；
其中，所述实体对象集合包含所述实体集合和所述实体属性；所述实体集合包含对应所述事物本体的事物实体、对应所述空间本体的空间实体以及对应所述时间本体的时间实体；所述实体属性与所述属性本体相对应，所述实体属性包含节假日信息、位置面积信息、活跃程度信息、用户画像信息、品类品牌信息、街景遥感信息及用户画像信息。
进一步的，所述基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合，具体包括：基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体的物理层面关系；并基于所述物理层面关系进行关系增强处理，确定本体的语义层面关系；其中，所述关联关系集合包括所述物理层面关系和所述语义层面关系；所述物理层面关系包括本体的位置关系、时序关系以及位序关系；所述语义层面关系包含本体的属性关系、功能关系、转移关系、竞争关系、因果关系以及共现关系。
进一步的，基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱，具体包括：
将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；
对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。
进一步的，所述实体间的关系挖掘包括：
基于实体经纬度位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；基于区域中兴趣点的分布确定功能相似关系；基于用户访问数据和时间窗控制确定访问共现关系；基于预设的中文知识库确定相关品牌信息，并根据品牌所属品类确定相应的品类品牌关系；基于已有的选址数据确定品牌实体和区域实体之间的选址关系；基于对实体的属性挖掘、匹配和处理确定对应的语义关系；基于用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及对应的访问关系；基于街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
第二方面，本发明一种基于多模态城市知识图谱的城市资源预测系统，包括：
本体确定单元，用于获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；
实体对象确定单元，用于基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；
关联关系确定单元，用于基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；
城市知识图谱确定单元，用于基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱；
城市资源分析单元，用于基于所述多模态城市知识图谱对目标对象在目标区域的城市资源进行分析，输出所述目标对象在目标区域对应的城市资源分析结果。
进一步的，在基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合之前，还包括：基于图谱模式确定城市知识图谱的结构，并确定城市知识图谱中实体的类型和各类本体的关系；
所述本体确定单元，具体用于：基于所述实体的类型和所述各类本体的关系从所述多源城市时空数据进行本体抽象，获得对应城市基本要素的本体集合；所述本体集合包含事物本体、空间本体以及时间本体；其中，所述空间本体包括区域本体、商圈本体以及兴趣点本体；所述事物本体包括用户本体、品牌本体以及相应的属性本体；所述时间本体包括不同尺度的时间戳信息以及对应特定语义的时间概念信息；所述属性本体对应各个本体的属性信息。
进一步的，所述实体对象确定单元，具体用于：
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定实体集合；并基于所述实体集合进行属性增强，确定相应的实体属性；基于所述实体集合和所述实体属性得到所述实体对象集合；
其中，所述实体对象集合包含所述实体集合和所述实体属性；所述实体集合包含对应所述事物本体的事物实体、对应所述空间本体的空间实体以及对应所述时间本体的时间实体；所述实体属性与所述属性本体相对应，所述实体属性包含节假日信息、位置面积信息、活跃程度信息、用户画像信息、品类品牌信息、街景遥感信息及用户画像信息。
进一步的，所述关联关系确定单元，具体用于：基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体的物理层面关系；并基于所述物理层面关系进行关系增强处理，确定本体的语义层面关系；其中，所述关联关系集合包括所述物理层面关系和所述语义层面关系；所述物理层面关系包括本体的位置关系、时序关系以及位序关系；所述语义层面关系包含本体的属性关系、功能关系、转移关系、竞争关系、因果关系以及共现关系。
进一步的，所述城市知识图谱确定单元，具体用于：
将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；
对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。
进一步的，所述实体间的关系挖掘包括：
基于实体经纬度位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；基于区域中兴趣点的分布确定功能相似关系；基于用户访问数据和时间窗控制确定访问共现关系；基于预设的中文知识库确定相关品牌信息，并根据品牌所属品类确定相应的品类品牌关系；基于已有的选址数据确定品牌实体和区域实体之间的选址关系；基于对实体的属性挖掘、匹配和处理确定对应的语义关系；基于用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及对应的访问关系；基于街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
第三方面，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现如上述任意一项所述的基于多模态城市知识图谱的城市资源预测方法的步骤。
第四方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于多模态城市知识图谱的城市资源预测方法的步骤。
本发明提供的基于多模态城市知识图谱的城市资源预测方法，通过从海量多源的城市时空数据中蒸馏知识，首先抽象出城市基本要素为核心的本体集合，然后从多源的城市时空数据中匹配具体的实体对象，进一步通过挖掘本体之间的语义关联关系定义相应的关联关系集合，最后基于匹配的实体对象、构建的关联关系和多源的城市时空数据进行知识融合，以完成多源城市知识图谱的构建，其能够将多源城市时空数据快速匹配融合到城市知识图谱结构的本体及实体中，并挖掘城市时空数据的语义关系，有效提高了基于多模态城市知识图谱的城市资源预测分析效率和精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的基于多模态城市知识图谱的城市资源预测方法的流程示意图；
图2是本发明实施例提供的基于多模态城市知识图谱的城市资源预测的完整流程示意图；
图3是本发明实施例提供的时间实体的确定示意图；
图4是本发明实施例提供的多模态城市知识图谱的构建模式示意图；
图5是本发明实施例提供的A城市的路网划分示意图；
图6是本发明实施例提供的A城市五环内的区域实体示意图；
图7是本发明实施例提供的A城市中商圈实体的示意图；
图8是本发明实施例提供的单个商圈实体的服务半径和服务区域的示意图；
图9是本发明实施例提供的A城市中兴趣点分布的示意图；
图10是本发明实施例提供的交界和邻近关系事实的示意图；
图11是本发明实施例提供的区域与兴趣点之间的位置关系的示意图；
图12是本发明实施例提供的区域实体对应的遥感图像实体的示意图；
图13是本发明实施例提供的基于多模态城市知识图谱的城市资源预测系统的结构示意图；
图14是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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取的所有其他实施例，都属于本发明保护的范围。
下面基于本发明所述的基于多模态城市知识图谱的城市资源预测方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的基于多模态城市知识图谱的城市资源预测方法的流程示意图，具体实现过程包括以下步骤：
步骤101：获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合。
在本发明实施例中，可基于图谱模式确定城市知识图谱的结构，并确定城市知识图谱中实体的类型和各类本体的关系；基于所述实体的类型和所述各类本体的关系从所述多源城市时空数据进行本体抽象，获得对应城市基本要素的本体集合；所述本体集合包含事物本体、空间本体以及时间本体。
其中，所述空间本体包括区域本体、商圈本体以及兴趣点本体；所述事物本体包括用户本体、品牌本体以及相应的属性本体；所述时间本体包括不同尺度的时间戳信息以及对应特定语义的时间概念信息；所述属性本体对应各个本体的属性信息。
具体的，首先基于图谱模式(Schema)确定城市知识图谱的结构，即从更高层次定义城市知识图谱的结构，确定城市知识图谱中实体的类型即本体(Ontology)和各类本体之间的关系(Relation)。在实际实施过程中，通过对海量多源城市时空数据的抽象，本发明明确了时间(Time)、区域(Region)、商圈(Business Area，Ba)、兴趣点(Point Of Interest，POI)、品牌(Brand)、用户(User)以及属性(Attribute)等本体。其中，属性类本体涵盖其他本体可能具有的各种各样的属性。下面对本发明抽取的城市知识图谱的本体进行详细描述。所述时间本体用于描述不同尺度的时间信息，包括：年、月、日、时、分、秒等常用计时单位，以及工作日、休息日、节假日等特定语义的时间概念信息。所述区域本体用于描述城市空间上的一种更细粒度的划分，具体可以根据不同标准进行划分，例如根据路网划分、根据网格点划分等不同原则，旨在反映空间上的更小尺度的单位。所述商圈本体用于描述城市范围内根据经济和社会活动等行为聚簇形成的空间，侧重人类生产和生活行为形成的但不具有明确物理边界的空间。所述兴趣点本体：描述城市内基础设施、建筑物、商店等事物，可以是一所学校、一所医院、一个商店等。所述品牌本体：描述某类产品或产品系列的统一概念，如A餐饮品牌、B餐饮品牌都是餐饮品牌，而非现实世界的物理事物，此外，公司组织也属于品牌本体的范畴，如C银行、D公司等都属于广义的品牌。所述用户本体用于描述城市里的主要活动元素，本发明中用户本体泛指人、车等；属性本体用于描述上述本体所对应的可能的属性，如用户本体可能拥有的年龄、性别等属性，区域本体可能涉及的边界经纬度和面积等属性。需要说明的是，属性本体会包含较多的多模态信息，如街景、遥感图像等视觉模态属性，在此不做具体限定。
步骤102：基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合。
具体的，可基于所述多源城市时空数据和所述本体集合进行实体匹配，确定实体集合，并基于所述实体集合进行属性增强，确定相应的实体属性。其中，所述实体对象集合包含所述实体集合和所述实体属性；所述实体集合包含对应所述事物本体的事物实体、对应所述空间本体的空间实体以及对应所述时间本体的时间实体；所述实体属性与所述属性本体相对应，所述实体属性包含节假日信息、位置面积信息、活跃程度信息、用户画像信息、品类品牌信息、街景遥感信息及用户画像信息。需要说明的是，在基于预设的规则抽象出城市知识图谱所需的本体后，本发明进一步根据本体从多源城市时空数据中进行实体匹配，从概念类的本体实例化到指代具体事物的实体，以完成城市知识图谱上对应节点的构建。
下面对本发明匹配的城市知识图谱的指代具体事物的实体进行描述。针对所述时间实体：可根据本体定义，本发明在实际实施过程中可将城市时空数据中通用的时间戳作为实体，同时将其分解为时间基本元素，即每一个年份、月份、日、小时等都是城市知识图谱上的时间类实体。图3是匹配的时间实体的例子，对于2021年4月27日上午9点这个时间戳，将其作为城市知识图谱中的一个实体，并且其同时关联了对应的年份实体“2021年”、月份实体“4月”、日实体“27日”、小时实体“9时”以及具有语义的实体“工作日”；类似地，2021年4月28日上午9点这个时间戳也对应了一个实体并关联了相应的时间基本元素实体。针对所述区域实体：本发明在实际实施过程中可将城市根据某一级路网进行划分，即每个由路网去额定的闭合规则几何区域都是城市知识图谱上的一个区域类实体。每个区域实体包含了区域ID、区域边界对应的经纬度序列以及区域面积等数值属性信息。针对所述商圈实体：本发明在实际实施过程中提出根据移动互联网平台(包括专家知识)所划分的城市商圈来匹配城市知识图谱上的商圈实体。例如，“F商圈”就是A市的一个商圈，聚集了多家购物商场和餐饮门店。每个商圈实体包含了商圈ID，商圈名称、商圈中心的经纬度等数值属性信息。针对所述兴趣点实体：本发明在实际实施过程中可将城市里的建筑物、基础设施、门店等均匹配为兴趣点实体。特别地，本发明将兴趣点实体细分为点兴趣点、面兴趣点和体兴趣点实体，点兴趣点实体是地图上的一个点，面兴趣点实体则对应地图上的一个面范围，可能包含很多其他兴趣点实体，而体兴趣点实体则代表具有立体结构且内部还有其他兴趣点的兴趣点，例如实体“H餐饮店”是一个点兴趣点实体，实体“K大学”是一个面兴趣点实体，包含了整个校园，实体“L大厦”是一个体兴趣点实体，内部每层楼都会有其他兴趣点实体等。针对所述品牌实体：本发明在实际实施过程中可将城市里的连锁店品牌和有多个附属兴趣点的组织都匹配为品牌实体。例如餐饮类品牌H餐饮店、M餐饮店都是城市知识图谱上的品牌实体，与兴趣点实体不同，品牌实体不具有物理位置，仅作为知识图谱上的概念实体。此外，需要说明的是，类似“K大学”、“K大学附属医院”、“K大学附属中学”、“K大学出版社”等实体均隶属于相同的组织单位即“K大学”这一组织(注意，这里“K大学”指概念组织，与兴趣点实体“K大学”不同)。针对所述用户实体：本发明在实际实施过程中可将城市里的人、车匹配为用户实体。每个个体的人和车都作为城市知识图谱上的一个实体，同时具有各自的属性和属性值；针对属性实体：本发明在实际实施过程中可将其他类实体共享的属性匹配为城市知识图谱上的实体。例如，兴趣点与品牌类的实体具有品类属性，本发明将相应品类划分为三级品类体系，分别对应粗粒度、中粒度和细粒度品类，如粗粒度品类实体“餐饮”、中粒度品类实体“中餐”和细粒度品类实体“V地方菜”。进一步，本发明为每个区域实体匹配了街景实体和遥感图像实体，具体地，一个区域实体边界所对应的街景图片被视为城市知识图谱上一个实体，描述区域的基础设施和建筑物情况；一个区域实体整体所对应的遥感图像被视为城市知识图谱上一个实体，描述区域的用地分布等信息。此外，本发明将城市中发生的事件定位到具体的兴趣点或区域，将事件用文本等方式描述，将事件作为城市知识图谱上的实体。
基于上述实体匹配过程，本发明按照预设的规则实现将概念、文本、图像等数据匹配到了城市知识图谱的实体中，构成了多模态的城市知识图谱的实体对象集合。
步骤103：基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合。
具体的，可基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体的物理层面关系，并基于所述物理层面关系进行关系增强处理，确定本体的语义层面关系。其中，所述关联关系集合包括所述物理层面关系和所述语义层面关系；所述物理层面关系包括本体的位置关系、时序关系以及位序关系；所述语义层面关系包含本体的属性关系、功能关系、转移关系、竞争关系、因果关系以及共现关系。
在本步骤中，本发明进一步从海量多源的城市时空数据中挖掘和构建关系，具体包含本体间的空间关系、转移关系、功能关系、竞争关系、属性关系、语义相关关系、用户关系和跨模态关系等，具体可表述为下表中的关系：
表1多模态城市知识图谱关系构建
需要说明的是，本发明所述的多模态城市知识图谱不局限于二元关系事实，即不限于只涉及头实体和尾实体。对于人流转移，访问和发生事件等多元关系，本发明同时考虑多个实体之间的多元关系，在此不再详细赘述。
步骤104：基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。
在本发明实施例中，可将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。其中，所述实体间的关系挖掘包括：基于实体经纬度位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；基于区域中兴趣点的分布确定功能相似关系；基于用户访问数据和时间窗控制确定访问共现关系；基于预设的中文知识库确定相关品牌信息，并根据品牌所属品类确定相应的品类品牌关系；基于已有的选址数据确定品牌实体和区域实体之间的选址关系；基于对实体的属性挖掘、匹配和处理确定对应的语义关系；基于用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及对应的访问关系；基于街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
具体的，基于上述本体抽象、实体匹配和关系构建过程，本发明提出如图4所示的城市知识图谱构建模式示意图。通过将海量多源的城市时空数据抽象为若干层(比如Brand层、POI层、Businessarea层、Region层等)，明确每一层对应的本体后，基于预设的挖掘算法对数据的关联分析进行本体内和本体间关系挖掘，并实现从本体到实体的实例化匹配过程，按照预设的规则通过数据匹配及统计分析过程实现知识融合，抽取相应的关系事实，完成多模态城市知识图谱的构建。其中，针对实体间的关系挖掘，本发明在实际实施过程中通过实体经纬度等位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；通过区域POI的分布确定功能相似关系；通过用户访问数据和时间窗控制确定访问共现关系；通过预设的知识库确定相关品牌，并根据品牌所属品类确定相关品牌关系；通过已有的选址数据确定品牌实体和区域实体之间的选址关系；通过对实体的属性挖掘、匹配和处理确定其他语义关系；通过用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及其他访问关系；通过街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
其中，若要通过A城市的海量多源城市时空数据构建多模态城市知识图谱。可获取的海量多源城市时空数据及统计信息如下表所示：
表2海量多源城市数据统计信息
| 数据 | 格式 | 数据源 | 数量 |
| 路网数据 | (区域id，经纬度边界) | 地图服务 | 500 |
| 商圈数据 | (商圈id，名称，经纬度) | 生活服务平台 | 160 |
| POI数据 | (POIid，名称，经纬度，品类) | 地图服务 | 22k |
| 品牌数据 | (品牌id，名称) | 文本挖掘 | 400 |
| 选址数据 | (品牌id，区域id) | 地图服务 | 25k |
| 轨迹数据 | (用户id，{经纬度，时间}序列) | 移动运营商 | 400k |
| 访问数据 | (用户id，POIid) | 社交媒体 | 1M |
| 街景数据 | (街景图片，经纬度) | 地图服务 | 10k |
| 遥感数据 | (遥感图像，经纬度边界) | 地图服务 | 1k |
下面详细介绍本发明构建多模态城市知识图谱的过程，具体步骤如下：确定时间跨度，将年、月、日、时和节假日、工作日等时间基本单位作为实体加入到多模态城市知识图谱中；根据路网数据抽取区域实体，路网划分以及根据路网确定的五环内的区域示意图如图5和6所示，其中图6中的点为区域实体601；根据专家知识划分商圈实体，图7和8展示了A城市所有商圈的中心位置和单个商圈的服务半径，其中图7中的点为商圈实体，图8中的3km为某个商圈实体的半径；根据城市内建筑物、门店和基础设施等匹配兴趣点实体，图9展示了A城市所有兴趣点的分布；根据兴趣点的名称进行分词和最大字符串匹配，提取具有概念意义的品牌实体；根据输入的用户数据确定多模态城市知识图谱中行的用户实体，每个用户是一个具有独特ID的实体；根据专家知识划分的3级品类体系，将每个品类加入到多模态城市知识图谱中作为一个实体；将街景图片和遥感图像根据拍摄位置和范围匹配到上述步骤中划分的区域，每个区域边界对应的一组街景图片作为多模态城市知识图谱上一个实体，每个区域对应的遥感卫星图像作为多模态城市知识图谱上一个实体；根据区域边界经纬度计算区域之间的交接和邻近关系定义，抽取对应的关系事实，如图10所示，其为交界(上)和邻近(下)关系事实示意图，黑色区域为对应的头实体，其他则为相应通过该关系链接的尾实体；根据区域边界经纬度和兴趣点经纬度计算区域和兴趣点之间的位于关系事实，如图11所示，其为区域与兴趣点之间的位置关系，外边框线为选定区域，每个点则代表位于该区域的兴趣点；根据商圈的经纬度和区域边界经纬度，计算商圈和区域之间的服务辐射关系事实；根据兴趣点的经纬度和商圈的经纬度计算兴趣点和商圈之间的属于关系事实；根据任意两个兴趣点的经纬度和品类以及品牌计算兴趣点之间的竞争关系事实，使得属于同一品类且品牌相关，物理距离小于某一阈值的两个兴趣点之间在多模态城市知识图谱上构成竞争关系；根据兴趣点名称和品牌名称，通过匹配确定兴趣点实体和品牌实体之间的隶属关系事实；根据三级品类体系确定不同级品类实体之间的父子层次关系事实；根据专家知识确定兴趣点的品类和品牌的品类，构建基于品类的属性关系事实；根据轨迹数据将不同区域的流量数据进行聚合，通过统计确定不同时刻有流量转移的区域实体对和流量值，构建流量转移关系事实；根据每个区域的兴趣点分布向量计算两两区域之间的相似度，将超过阈值的区域实体对通过功能相似关系事实链接；根据用户访问兴趣点数据确定两两兴趣点实体被连续访问的频率，将频率较高即共现性较强的兴趣点实体通过访问共现关系链接；根据预设的百科知识库中的相关页面确定具有语义相关关系的品牌实体对；根据用户轨迹数据中的停留点、停留时间等确定用户的工作地、居住地区域确定工作地和居住地关系事实，并根据用户访问兴趣点频次确定高频访问关系事实和访问关系事实；根据区域经纬度边界和街景图片的拍摄位置确定每个区域实体关联的街景图片实体，如图12所示是其中一个区域实体对应的街景实体；根据区域经纬度边界和遥感图像的拍摄位置确定每个区域实体关联的遥感图像实体，如图12所示是其中一个区域实体对应的遥感图像实体；根据新闻事件等数据提取兴趣点和事件信息，将事件实体加入到多模态城市知识图谱中，构建事件关系；完成基于多模态城市知识图谱的城市资源预测。其中，图5、7、9、11的横纵坐标分别为经纬度。
步骤105：基于所述多模态城市知识图谱对目标对象在目标区域的城市资源进行分析，输出所述目标对象在目标区域对应的城市资源分析结果。
具体的，首先确定待分析的目标对象(比如A品牌)以及相应的目标区域(比如A品牌店铺的选址区域)，利用基于所述多模态城市知识图谱的预测模型对所述目标对象在目标区域的城市资源进行匹配分析，根据相应的城市资源预测所述目标区域是否适合开A品牌的店铺，即在所述多模态城市知识图谱中去预测所述目标对象和所述目标区域之间是否存在一个边，这个边的类型就是适合开店铺，若适合，则将所述目标区域适合开A品牌的店铺的结果，以及所述目标区域适合开A品牌的店铺的城市资源分析结果作为判断依据进行输出，比如所述城市资源分析结果可以是所述目标区域离火车站近或者离某个商圈近，因此适合开A品牌的店铺，进而实现在多模态城市知识图谱上对所述目标对象和所述区域的关系组合进行刻画。其中，所述多模态城市知识图谱中预先包含有所述A品牌的店铺在其他区域对应的城市资源信息等。所述A品牌可以是餐饮品牌的品牌id，也可以是服装品牌的品牌id，在此不做具体限定。
本发明实施例所述的基于多模态城市知识图谱的城市资源预测方法，通过从海量多源的城市时空数据中蒸馏知识，首先抽象出城市基本要素为核心的本体集合，然后从多源的城市时空数据中匹配具体的实体对象，进一步通过挖掘本体之间的语义关联关系定义相应的关联关系集合，最后基于匹配的实体对象、构建的关联关系和多源的城市时空数据进行知识融合，以完成多源城市知识图谱的构建，其能够将多源城市时空数据快速匹配融合到城市知识图谱结构的本体及实体中，并挖掘城市时空数据的语义关系，提高了基于多模态城市知识图谱的城市资源预测效率和精确度。
与上述提供的一种基于多模态城市知识图谱的城市资源预测方法相对应，本发明还提供一种基于多模态城市知识图谱的城市资源预测系统。由于该系统的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的基于多模态城市知识图谱的城市资源预测系统的实施例仅是示意性的。请参考图13所示，其为本发明实施例提供的一种基于多模态城市知识图谱的城市资源预测系统的结构示意图。
本发明所述的基于多模态城市知识图谱的城市资源预测系统，具体包括如下部分：
本体确定单元1301，用于获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；
实体对象确定单元1302，用于基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；
关联关系确定单元1303，用于基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；
城市知识图谱确定单元1304，用于基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。
在基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合之前，还包括：基于图谱模式确定城市知识图谱的结构，并确定城市知识图谱中实体的类型和各类本体的关系；
所述本体确定单元，具体用于：基于所述实体的类型和所述各类本体的关系从所述多源城市时空数据进行本体抽象，获得对应城市基本要素的本体集合；所述本体集合包含事物本体、空间本体以及时间本体；其中，所述空间本体包括区域本体、商圈本体以及兴趣点本体；所述事物本体包括用户本体、品牌本体以及相应的属性本体；所述时间本体包括不同尺度的时间戳信息以及对应特定语义的时间概念信息；所述属性本体对应各个本体的属性信息。
进一步的，所述实体对象确定单元，具体用于：
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定实体集合；并基于所述实体集合进行属性增强，确定相应的实体属性；基于所述实体集合和所述实体属性得到所述实体对象集合；
其中，所述实体对象集合包含所述实体集合和所述实体属性；所述实体集合包含对应所述事物本体的事物实体、对应所述空间本体的空间实体以及对应所述时间本体的时间实体；所述实体属性与所述属性本体相对应，所述实体属性包含节假日信息、位置面积信息、活跃程度信息、用户画像信息、品类品牌信息、街景遥感信息及用户画像信息。
进一步的，所述关联关系确定单元，具体用于：基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体的物理层面关系；并基于所述物理层面关系进行关系增强处理，确定本体的语义层面关系；其中，所述关联关系集合包括所述物理层面关系和所述语义层面关系；所述物理层面关系包括本体的位置关系、时序关系以及位序关系；所述语义层面关系包含本体的属性关系、功能关系、转移关系、竞争关系、因果关系以及共现关系。
进一步的，所述城市知识图谱确定单元，具体用于：
将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；
对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。
进一步的，所述实体间的关系挖掘包括：
基于实体经纬度位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；基于区域中兴趣点的分布确定功能相似关系；基于用户访问数据和时间窗控制确定访问共现关系；基于预设的中文知识库确定相关品牌信息，并根据品牌所属品类确定相应的品类品牌关系；基于已有的选址数据确定品牌实体和区域实体之间的选址关系；基于对实体的属性挖掘、匹配和处理确定对应的语义关系；基于用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及对应的访问关系；基于街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
本发明实施例所述的基于多模态城市知识图谱的城市资源预测系统，通过从海量多源的城市时空数据中蒸馏知识，首先抽象出城市基本要素为核心的本体集合，然后从多源的城市时空数据中匹配具体的实体对象，进一步通过挖掘本体之间的语义关联关系定义相应的关联关系集合，最后基于匹配的实体对象、构建的关联关系和多源的城市时空数据进行知识融合，以完成多源城市知识图谱的构建，其能够将多源城市时空数据快速匹配融合到城市知识图谱结构的本体及实体中，并挖掘城市时空数据的语义关系，提高了基于多模态城市知识图谱的城市资源预测效率和精确度。
与上述提供的基于多模态城市知识图谱的城市资源预测方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图14所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)1401、存储器(memory)1402和通信总线1403(即上述系统总线)以及查找引擎1405，其中，处理器1401，存储器1402通过通信总线1403完成相互间的通信，通过通信接口1404与外部进行通信。处理器1401可以调用存储器1402中的逻辑指令，以执行基于多模态城市知识图谱的城市资源预测方法，该方法包括：获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。
此外，上述的存储器1402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：存储芯片、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于多模态城市知识图谱的城市资源预测方法。该方法包括：获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。
又一方面，本发明实施例还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于多模态城市知识图谱的城市资源预测方法。该方法包括：获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多模态城市知识图谱的城市资源预测方法，其特征在于，包括：
获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；
基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；
基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱；
基于所述多模态城市知识图谱对目标对象在目标区域的城市资源进行分析，输出所述目标对象在目标区域对应的城市资源分析结果。
2.根据权利要求1所述的基于多模态城市知识图谱的城市资源预测方法，其特征在于，在基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合之前，还包括：
基于图谱模式确定城市知识图谱的结构，并确定城市知识图谱中实体的类型和各类本体的关系；
所述基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合，具体包括：基于所述实体的类型和所述各类本体的关系从所述多源城市时空数据进行本体抽象，获得对应城市基本要素的本体集合；所述本体集合包含事物本体、空间本体以及时间本体；其中，所述空间本体包括区域本体、商圈本体以及兴趣点本体；所述事物本体包括用户本体、品牌本体以及相应的属性本体；所述时间本体包括不同尺度的时间戳信息以及对应特定语义的时间概念信息；所述属性本体对应各个本体的属性信息。
3.根据权利要求2所述的基于多模态城市知识图谱的城市资源预测方法，其特征在于，基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合，具体包括：
基于所述多源城市时空数据和所述本体集合进行实体匹配，确定实体集合；并基于所述实体集合进行属性增强，确定相应的实体属性；基于所述实体集合和所述实体属性得到所述实体对象集合；其中，所述实体对象集合包含所述实体集合和所述实体属性；所述实体集合包含对应所述事物本体的事物实体、对应所述空间本体的空间实体以及对应所述时间本体的时间实体；所述实体属性与所述属性本体相对应，所述实体属性包含节假日信息、位置面积信息、活跃程度信息、用户画像信息、品类品牌信息、街景遥感信息及用户画像信息。
4.根据权利要求3所述的基于多模态城市知识图谱的城市资源预测方法，其特征在于，所述基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合，具体包括：基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体的物理层面关系；并基于所述物理层面关系进行关系增强处理，确定本体的语义层面关系；其中，所述关联关系集合包括所述物理层面关系和所述语义层面关系；所述物理层面关系包括本体的位置关系、时序关系以及位序关系；所述语义层面关系包含本体的属性关系、功能关系、转移关系、竞争关系、因果关系以及共现关系。
5.根据权利要求4所述的基于多模态城市知识图谱的城市资源预测方法，其特征在于，基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱，具体包括：
将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；
对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。
6.根据权利要求4所述的基于多模态城市知识图谱的城市资源预测方法，其特征在于，所述实体间的关系挖掘包括：
基于实体经纬度位置信息确定其间的空间关系；通过海量人流数据确定区域实体间的人流转移关系；基于区域中兴趣点的分布确定功能相似关系；基于用户访问数据和时间窗控制确定访问共现关系；基于预设的中文知识库确定相关品牌信息，并根据品牌所属品类确定相应的品类品牌关系；基于已有的选址数据确定品牌实体和区域实体之间的选址关系；基于对实体的属性挖掘、匹配和处理确定对应的语义关系；基于用户移动轨迹和停留时间点，确定用户的居住地关系和工作地关系以及对应的访问关系；基于街景和遥感图像数据的地理信息与区域经纬度边界匹配，挖掘跨模态关系事实。
7.一种基于多模态城市知识图谱的城市资源预测系统，其特征在于，包括：
本体确定单元，用于获取多源城市时空数据，基于所述多源城市时空数据进行本体抽象，确定对应城市基本要素的本体集合；
实体对象确定单元，用于基于所述多源城市时空数据和所述本体集合进行实体匹配，确定与本体对应的实体对象集合；
关联关系确定单元，用于基于所述多源城市时空数据和所述本体集合进行关系构建，确定本体之间的关联关系集合；
城市知识图谱确定单元，用于基于所述实体对象集合、所述关联关系集合和所述多源城市时空数据进行知识融合，获得相应的多模态城市知识图谱；
城市资源分析单元，用于基于所述多模态城市知识图谱对目标对象在目标区域的城市资源进行分析，输出所述目标对象在目标区域对应的城市资源分析结果。
8.根据权利要求7所述的基于多模态城市知识图谱的城市资源预测系统，其特征在于，所述城市知识图谱确定单元，具体用于：
将所述多源城市时空数据抽象为若干层，确定每一层对应的本体；
对所述多源城市时空数据进行关联关系分析，以实体间的关系挖掘和本体间的关系挖掘，并实现从本体到实体的实例化匹配过程，进行知识融合，抽取相应的关系事实，完成城市知识图谱的构建，以获得相应的多模态城市知识图谱。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的基于多模态城市知识图谱的城市资源预测方法的步骤。
10.一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任意一项所述的基于多模态城市知识图谱的城市资源预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358465.5A CN115796331A (zh) | 2022-11-01 | 2022-11-01 | 基于多模态城市知识图谱的城市资源预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358465.5A CN115796331A (zh) | 2022-11-01 | 2022-11-01 | 基于多模态城市知识图谱的城市资源预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115796331A true CN115796331A (zh) | 2023-03-14 |
Family
ID=85434901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211358465.5A Pending CN115796331A (zh) | 2022-11-01 | 2022-11-01 | 基于多模态城市知识图谱的城市资源预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796331A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390197A (zh) * | 2023-10-23 | 2024-01-12 | 深圳市云鲸视觉科技有限公司 | 城市模型区域表示生成方法、装置、电子设备及介质 |
| CN117540102A (zh) * | 2023-12-04 | 2024-02-09 | 中国科学院地理科学与资源研究所 | 一种基于知识图谱和多模态数据的生态文明模式推荐方法 |
| CN117708192A (zh) * | 2023-11-20 | 2024-03-15 | 河北省交通规划设计研究院有限公司 | 基于大数据城市指标知识图谱的数据处理方法 |
| CN118505064A (zh) * | 2024-07-12 | 2024-08-16 | 中南大学 | 一种基于知识图谱的城市体检方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330734A (zh) * | 2017-07-03 | 2017-11-07 | 云南大学 | 基于Co‑location模式和本体的商业地址选择方法 |
| KR101927066B1 (ko) * | 2017-09-11 | 2018-12-10 | (주)동림피엔디 | 도시조사 분석용 데이터 베이스 구축서버를 포함하는 도시조사 분석 서비스 제공 시스템 |
| CN113191497A (zh) * | 2021-05-28 | 2021-07-30 | 国家电网有限公司 | 一种面向变电站踏勘选址的知识图谱构建方法和系统 |
| CN114817556A (zh) * | 2022-03-15 | 2022-07-29 | 贵州电网有限责任公司 | 一种变电站工程选址知识图谱构建方法 |
-
2022
- 2022-11-01 CN CN202211358465.5A patent/CN115796331A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330734A (zh) * | 2017-07-03 | 2017-11-07 | 云南大学 | 基于Co‑location模式和本体的商业地址选择方法 |
| KR101927066B1 (ko) * | 2017-09-11 | 2018-12-10 | (주)동림피엔디 | 도시조사 분석용 데이터 베이스 구축서버를 포함하는 도시조사 분석 서비스 제공 시스템 |
| CN113191497A (zh) * | 2021-05-28 | 2021-07-30 | 国家电网有限公司 | 一种面向变电站踏勘选址的知识图谱构建方法和系统 |
| CN114817556A (zh) * | 2022-03-15 | 2022-07-29 | 贵州电网有限责任公司 | 一种变电站工程选址知识图谱构建方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390197A (zh) * | 2023-10-23 | 2024-01-12 | 深圳市云鲸视觉科技有限公司 | 城市模型区域表示生成方法、装置、电子设备及介质 |
| CN117708192A (zh) * | 2023-11-20 | 2024-03-15 | 河北省交通规划设计研究院有限公司 | 基于大数据城市指标知识图谱的数据处理方法 |
| CN117540102A (zh) * | 2023-12-04 | 2024-02-09 | 中国科学院地理科学与资源研究所 | 一种基于知识图谱和多模态数据的生态文明模式推荐方法 |
| CN117540102B (zh) * | 2023-12-04 | 2024-07-09 | 中国科学院地理科学与资源研究所 | 一种基于知识图谱和多模态数据的生态文明模式推荐方法 |
| CN118505064A (zh) * | 2024-07-12 | 2024-08-16 | 中南大学 | 一种基于知识图谱的城市体检方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Unsupervised machine learning in urban studies: A systematic review of applications | |
| Zhai et al. | Beyond Word2vec: An approach for urban functional region extraction and identification by combining Place2vec and POIs | |
| Hamdi et al. | Spatiotemporal data mining: a survey on challenges and open problems | |
| Zhang et al. | Uncovering inconspicuous places using social media check-ins and street view images | |
| Chen et al. | Classification of urban morphology with deep learning: Application on urban vitality | |
| Liu et al. | A review of spatially-explicit GeoAI applications in Urban Geography | |
| Biagioni et al. | Inferring road maps from global positioning system traces: Survey and comparative evaluation | |
| Xu et al. | Application of a graph convolutional network with visual and semantic features to classify urban scenes | |
| CN115796331A (zh) | 基于多模态城市知识图谱的城市资源预测方法及系统 | |
| Gao | Geospatial artificial intelligence (GeoAI) | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| Yin et al. | Region search based on hybrid convolutional neural network in optical remote sensing images | |
| CN114897444A (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
| Zhang et al. | Knowledge and topology: A two layer spatially dependent graph neural networks to identify urban functions with time-series street view image | |
| Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
| Shaikh et al. | An AHP/TOPSIS-based approach for an optimal site selection of a commercial opening utilizing geospatial data | |
| Zhuang et al. | Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation | |
| Liu et al. | Explainable spatially explicit geospatial artificial intelligence in urban analytics | |
| Mawuenyegah et al. | Exploring spatiotemporal patterns of geosocial media data for urban functional zone identification | |
| Qin et al. | Identifying urban functional zones by capturing multi-spatial distribution patterns of points of interest | |
| Jing et al. | A hierarchical spatial unit partitioning approach for fine‐grained urban functional region identification | |
| Ramalingam et al. | Automatizing the generation of building usage maps from geotagged street view images using deep learning | |
| Yao et al. | Extracting the pickpocketing information implied in the built environment by treating it as the anomalies | |
| Su et al. | A multimodal fusion framework for urban scene understanding and functional identification using geospatial data | |
| Chen et al. | Self-supervised Learning for Geospatial AI: A Survey |
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 |