CN116843845A - 一种应用于数字孪生城市的空间数据集成方法及系统 - Google Patents
一种应用于数字孪生城市的空间数据集成方法及系统 Download PDFInfo
- Publication number
- CN116843845A CN116843845A CN202310670888.9A CN202310670888A CN116843845A CN 116843845 A CN116843845 A CN 116843845A CN 202310670888 A CN202310670888 A CN 202310670888A CN 116843845 A CN116843845 A CN 116843845A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- data
- city
- traffic
- urban 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000010354 integration Effects 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 165
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 118
- 238000005070 sampling Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 230000002452 interceptive effect Effects 0.000 claims abstract description 33
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000007418 data mining Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000000547 structure data Methods 0.000 claims description 4
- 239000004566 building material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 27
- 238000013439 planning Methods 0.000 description 27
- 238000011161 development Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数字孪生城市技术领域,尤其涉及一种应用于数字城市的空间数据集成方法及系统,该方法包括以下步骤:利用卫星遥感设备、激光雷达建筑扫描仪及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据;利用空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,生成数字孪生城市交通模拟密度分布图;利用基于三维建模技术的体素建模法对三维数字孪生城市数据集进行三维建模;利用深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理;对数字孪生城市建筑三维模型及数字孪生城市交通实时模拟可交互视图进行膨胀卷积及多尺度采样,构建数字孪生智慧城市模型;本发明实现了数字孪生城市高效、有序运行。
Description
技术领域
本发明涉及数字孪生城市技术领域,尤其涉及一种应用于数字孪生城市的空间数据集成方法及系统。
背景技术
数字孪生城市作为一种新型城市管理模式和技术手段,正在逐渐成为城市技术转型的引领者,数字孪生城市以数字化建模、实时仿真、数据智能化等技术为基础,将城市物理空间和虚拟空间相融合,为城市的规划决策、资源管理、环境监测、应急响应等方面提供了新的思路和解决方案,在传统的数字孪生城市系统中,各种数据存在着空间参照系统的不同以及数据格式的异质性等问题,导致数据混乱、效率低下且无法实时与现实城市进行互联,因此,通过一种应用于数字孪生城市的空间数据集成方法及系统,在现实世界中获取实时空间数据及交通流量数据,结合人工智能、计算机深度学习等技术,实现数据间无缝集成和协同使用,通过多层结构的人工神经网络学习数据的复杂模式,实现了数据的可视化和交互式处理,进行实时监测监控和操作指导,通过膨胀卷积及多尺度采样建立数字孪生智慧城市模型,实现虚拟城市与现实城市的实时管理,进行全方法、多层次的城市监管与指挥。
发明内容
本发明为解决上述技术问题,提出了一种应用于数字孪生城市的空间数据集成方法及系统,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种应用于数字孪生城市的空间数据集成方法,包括以下步骤:
步骤S1:利用卫星遥感设备、激光雷达及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据;数字孪生城市数据包括城市三维空间数据、城市地理空间数据、城市建筑布局数据及建筑结构空间数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据;
步骤S2:利用空间匹配法对数字孪生城市空间数据进行空间数据集成,生成三维数字孪生城市数据集;利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,生成数字孪生城市实时交通模拟数据;
步骤S3:利用空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,生成数字孪生城市交通模拟密度分布图;
步骤S4:利用基于三维建模技术的体素建模法对三维数字孪生城市数据集进行三维建模,生成数字孪生城市建筑三维模型;
步骤S5:利用深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图;
步骤S6:利用循环卷积算法对数字孪生城市建筑三维模型及数字孪生城市交通实时模拟可交互视图进行膨胀卷积及多尺度采样,构建数字孪生智慧城市模型。
本发明提供了一种应用于数学孪生城市的空间数据集成方法,通过为了获取城市的基础信息,包括建筑结构、地理位置、人流量和道路交通流量等,这些数据是数字孪生城市的基础,是后续处理和分析的数据源头,通过空间匹配法对数字孪生城市空间数据进行集成,将不同类型的数据集成成为一个整体,方便后续的数据处理和分析,还可以减少重复的数据部分,降低数据存储和处理的成本,利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,将不同来源的流量数据融合成一个更完整、更准确的数据集,同时还可以实时更新交通模拟数据,保证其准确性和时效性,通过空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,将交通流量数据与实际的空间分布相匹配,更直观地表达城市的交通状况,对数字孪生城市数据集进行三维建模,将数字孪生城市的建筑结构更加直观、形象地呈现给用户,使用户可以更好地了解城市的建筑布局和结构,通过深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图,让用户更深入地了解城市的交通状况,更直观地感受城市的变化和发展,生成的可交互视图可以让用户进行实时互动,了解城市实时情况,通过循环卷积算法构建数字孪生智慧城市模型,将城市的各个方面进行融合、优化,生成更加完整、更加准确的数字孪生城市模型,这也将为城市的规划和管理提供更为准确的依据,实现虚拟城市与现实城市的实时管理,进行全方法、多层次的城市监管与指挥。
优选地,步骤S1包括以下步骤:
步骤S11:利用高精分辨率卫星遥感设备对城市进行巡航扫描,获取数字孪生城市空间数据;数字孪生城市多源数据包括城市三维空间数据、城市地理空间数据及城市建筑布局数据;
步骤S12:利用激光雷达对城市建筑内部结构进行激光扫描,生成建筑结构空间数据,建筑结构空间数据包括建筑物形状大小数据、建筑物高程数据、建筑物内部结构数据及建筑物材料数据;
步骤S13:利用交通传感器获取数字孪生城市流量数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据。
本发明通过高精分辨率卫星遥感设备进行巡航扫描,可以获取到城市的实际形态和布局情况,通过数字孪生城市空间数据的获取,可以辅助城市空间规划和管理,提高城市规划的准确性和科学性,利用激光雷达进行建筑物内部结构的激光扫描,可以获取建筑物内部的结构、设施和装修等细节信息,这些信息有助于加强建筑物的管理与维护,同时也为后续的建筑模型构建和仿真模拟提供基础数据,通过交通传感器获取数字孪生城市流量数据,可以获取人流量和道路交通流量等信息,这对于城市交通管理和交通规划非常重要,可以帮助分析城市交通热点和瓶颈,提高城市的交通智能化水平。
优选地,步骤S2包括以下步骤:
步骤S21:利用矢量数据标准化算法对数字孪生城市空间数据进行数据标准化,生成数字孪生城市矢量空间基准数据;
步骤S22:利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,生成三维数字孪生城市数据集;
步骤S23:利用主成分分析法对数字孪生城市流量数据进行主成分降维提取,获取相关因子数据;
步骤S24:利用相关因子权重分析法相关因子数据进行相关因子系数分析,生成标准相关信息因子;
步骤S25:利用最大-最小规范化法对数字孪生城市流量数据进行数据归一化,生成数字孪生城市流量范围数据;
步骤S26:基于标准相关信息因子利用相关信息因子融合算法对数字孪生城市流量范围数据进行数据融合,生成数字孪生城市实时交通模拟数据。
本发明通过矢量数据标准化算法对数字孪生城市空间数据进行标准化,可以将不同源头的数据进行一致性处理,确保数据的一致性和规范性,生成数字孪生城市矢量空间基准数据后,可以减少后续计算和处理的复杂度,提高数字孪生城市模型的准确性和可靠性,利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,可以将不同源头的数据进行整合,生成三维数字孪生城市数据集,这样可以更好地反映城市的空间状态和空间分布特征,为数字孪生城市模型和分析提供更完整和全面的数据支持,利用主成分分析法对数字孪生城市流量数据进行主成分降维提取,可以从大量的交通流量数据中提取出主要的交通流量因素,简化了数据的复杂度,使得数据更加易于处理和理解,利用相关因子权重分析法对相关因子数据进行相关因子系数分析,并生成标准相关信息因子,可以将各个交通流量因素之间的关联性进行深入分析,更好地揭示出各个因素之间的作用关系和影响程度,为后续的数据处理和分析提供更为精细的数据基础,利用最大-最小规范化法对数字孪生城市流量数据进行数据归一化,可以将各个交通因素的数据统一到同一尺度上,避免了数据的量纲差异,使得不同因素之间的比较更加准确和可靠,基于标准相关信息因子利用相关信息因子融合算法对数字孪生城市流量范围数据进行数据融合,可以将各个交通因素的数据进行融合,生成更为全面和准确的数字孪生城市实时交通模拟数据,为后续的交通管理和规划提供更为科学和有效的决策依据。
优选地,步骤S3包括以下步骤:
步骤S31:对数字孪生城市实时交通模拟数据进行数据预处理,生成数字孪生城市实时交通预处理管道;
步骤S32:利用矩阵分解法对数字孪生城市实时交通预处理管道进行矩阵划分,生成数字孪生城市交通矩阵图;
步骤S33:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点标记,生成数字孪生城市交通流量坐标点网格;
步骤S34:利用空间插值算法的点采样插值对数字孪生城市交通流量坐标点网格进行加权平均计算,获取数字孪生城市交通模拟插值点;
步骤S35:基于数字孪生城市交通模拟插值点利用城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,生成数字孪生城市交通模拟密度分布图;
本发明通过数字孪生城市实时交通模拟数据进行数据预处理,可以去除数据中的噪声和冗余信息,保证数字孪生城市交通数据的准确性和可靠性,同时生成数字孪生城市实时交通预处理管道,可以提高后续处理和计算的效率和精准度,用矩阵分解法对数字孪生城市实时交通预处理管道进行矩阵划分,可以将交通数据按照不同的因素进行划分,简化了数据的处理和计算,生成数字孪生城市交通矩阵图,可以更加直观地展现不同路段和区域之间的交通关系,为后续交通分析和模拟提供基础数据,利用特征点检测算法对数字孪生城市交通矩阵图进行特征点标记,可以将交通数据中的关键点和关键因素进行识别和标记,便于后续的数据分析和处理,生成数字孪生城市交通流量坐标点网格后,可以更加清晰地反映不同区域和路段的交通流量分布情况和规律,利用空间插值算法的点采样插值对数字孪生城市交通流量坐标点网格进行加权平均计算,可以统计不同区域的交通流量加权平均数,进一步反映数字孪生城市交通数据的整体特征,获取数字孪生城市交通模拟插值点后,可以更加精确地模拟数字孪生城市的交通流量,基于数字孪生城市交通模拟插值点利用城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,可以将数字孪生城市交通流量数据从局部拟合到整体,生成数字孪生城市交通模拟密度分布图,这样可以更加全面和直观地了解不同区域和路段的交通情况和拥堵状况,为数字孪生城市的交通规划和管理提供更为科学和全面的数据支持。
优选地,步骤S35的城市交通流量空间插值距离权重计算公式具体为:
其中,Wi为第i个采样点的插值权重,wpop,i为第i个采样点的人流量,wtraf,i为第i个采样点的道路交通车流量,qpop,i为第i个采样点的人流量权重值,qtraf,i为第i个采样点的道路交通车流量权重值,θi为第i个采样点与待插值点之间的方位角,di为第i个采样点与待插值点之间的距离,p为衰减指数,λ为衰减速率。
本发明通过wpop,i+wtraf,i计算道路车、人流量的数据,通过计算第i个采样点的人流量和道路交通车流量权重值,考虑人口流量和道路交通车流量权重,通过将采样点的人口流量和道路交通车流量权重纳入计算,可以更好地反映不同区域的交通情况。这可以有效避免对整个城市进行简单平均或加权平均的情况,从而提高交通流量估计的精确度,通过/>使用了余弦函数和距离衰减函数,使得距离较远的采样点对插值点的权重较小,距离较近的采样点对插值点的权重较大,从而更加合理地进行插值计算,使用方位角和距离权重可以准确地描述待插值点和采样点之间的空间关系,并考虑到了空间上的距离和方向等因素,从而使得插值结果更加准确可靠,p和λ为两个可调参数,用来调整距离的影响大小,p越大,表示采样点对估计值的影响随着距离的增加而迅速减小,λ越大,表示采样点对估计值的影响随着距离的增加而缓慢减小,权重函数使用了余弦函数和距离衰减函数,用来使得距离较远的采样点对插值点的权重较小,距离较近的采样点对插值点的权重较大。其中余弦函数的作用是根据方向角度调整权重大小,距离衰减函数的作用是根据距离大小调整权重大小,通过权重的归一化处理,避免了采样点数量的差异对插值结果的影响,使得插值结果更加稳定和可靠,在考虑人流量和道路交通车流量的情况下,更加综合地反映了城市交通流量的空间变化情况,能够为城市交通规划和管理提供有益的数据支持。
优选地,步骤S33包括以下步骤:
步骤S331:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点检测,生成初始数字孪生城市交通特征点数据;
步骤S332:使用特征值阈值限制法对数字孪生城市交通特征点数据进行过滤筛选,生成基准数字孪生城市交通特征点数据;
步骤S333:利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,生成数字孪生城市交通特征点坐标;
步骤S334:利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,生成数字孪生城市交通流量坐标点网格。
本发明通过特征点检测算法对数字孪生城市交通矩阵图进行特征点检测,可以自动识别和标记数字孪生城市交通数据中的关键特征点,如路口、交叉口等,生成初始数字孪生城市交通特征点数据后,能够为后续的数字孪生城市交通数据分析提供更多的信息和特征,用特征值阈值限制法对数字孪生城市交通特征点数据进行过滤筛选,可以排除掉一些无关或非常小的特征点,提高数字孪生城市交通分析的准确性和效率,生成基准数字孪生城市交通特征点数据后,能够为后续数字孪生城市交通坐标点网格的生成提供更加准确和有意义的数据支持,利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,可以将数字孪生城市交通特征点的位置信息进行三维坐标定位,更准确地表达数字孪生城市交通数据特征点在现实世界中的位置和分布情况,生成数字孪生城市交通特征点坐标后,能够为数字孪生城市交通坐标点网格的生成提供更加精确和有意义的数据支持,利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,可以将数字孪生城市交通特征点数据离散化为网格数据,方便进行后续的数字孪生城市交通数据分析和处理,生成数字孪生城市交通流量坐标点网格后,将为数字孪生城市交通模拟和分析提供更加全面、精确和直观的基础数据支持。
优选地,步骤S4包括以下步骤:
步骤S41:对三维数字孪生城市数据集进行立体像素转化,生成数字孪生城市等大三维立体体素;
步骤S42:利用反距离权重法对数字孪生城市等大三维立体体素进行网格化,生成数字孪生城市网格模型;
步骤S43:利用基于三维建模技术的体素建模法对数字孪生城市网格模型进行三维建模,生成数字孪生城市建筑三维模型。
本发明通过三维数字孪生城市数据集进行立体像素转化,可以将数字孪生城市数据从二维平面数据转化为三维立体模型,更加真实地表达数字孪生城市的空间结构和特征,生成等大三维立体体素后,每个体素大小相同,在后续的处理中方便计算和建模,利用反距离权重法对数字孪生城市等大三维立体体素进行网格化,可以将三维数据离散化为一个个网格点,方便后续处理和建模,利用反距离权重法能够有效地将三维立体体素信息转化为网格模型,尽可能地保留数字孪生城市的形态和特征,使得后续的数字孪生城市建筑三维模型更加准确和可靠,利用基于三维建模技术的体素建模法对数字孪生城市网格模型进行三维建模,可以将数字孪生城市数据转化为一个真实的三维建筑模型,基于三维建模技术的体素建模法能够将数字孪生城市建筑特征从离散的网格点转化为一个真实的三维建筑模型,使得数字孪生城市的形态和结构能够更加真实地表达和模拟,同时基于三维建模技术的体素建模法还可以支持快速的模型更新和拓展,使得数字孪生城市的建模能够更加高效和灵活。
优选地,步骤S5包括以下步骤:
步骤S51:利用深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,生成数字孪生城市交通趋势数据;
步骤S52:利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,生成数字孪生城市交通趋势图;
步骤S53:利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟分析,生成数字孪生城市交通实时模拟图;
步骤S54:对数字孪生城市交通实时模拟图进行数据可视化处理,生成数字孪生城市交通实时模拟可视化视图;
步骤S55:用JavaScript库对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,生成数字孪生城市交通实时模拟可交互视图。
本发明通过深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,能够对数字孪生城市的交通状况进行深入的探究和分析,通过趋势分析,可以生成数字孪生城市交通趋势数据,其中包括交通瓶颈、高峰时段和拥堵状况等信息,这些数据可以指导数字孪生城市交通运营和规划,提高城市交通运行效率和安全性,利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,能够预测数字孪生城市未来交通趋势和拥堵状况,数字孪生城市交通趋势图中的交通状况信息可以被用于研究交通规划和部署,预测未来可能的拥堵情况,准备交通应急预案等,利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟分析,能够实时监测数字孪生城市的交通状态,并及时响应和应对突发事件,数字孪生城市交通实时模拟图可以预测某些区域的交通状况,帮助城市管理者优化路线和资源调配,解决城市交通拥堵问题,对数字孪生城市交通实时模拟图进行数据可视化处理,能够将数字孪生城市交通状况可视化,并帮助用户快速地获取和理解交通信息,数字孪生城市交通实时模拟可视化视图通过可视化图表、图像和地图等形式,使数据更易于被人们理解和应用,使得城市交通的运行更加高效和安全,用JavaScript库对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,能够实现数字孪生城市交通模拟的动态交互式呈现,这种数字孪生城市交通实时模拟可交互视图能够帮助用户更加深入地了解数字孪生城市交通状况,包括车流、拥堵状况等,从而有针对性地优化城市交通规划、实时调度和预测。
优选地,步骤S52的数字孪生城市交通趋势预测公式具体为:
其中,x为空间位置向量区域值,t为所处时间段,f(x,t)为x的空间位置向量区域值在所处时间段t的交通流量预测趋势密度,wi(t)为第i个采样点在时间段t时的趋势影响权重,Npop,i为第i个采样点的人流量阈值,Ntraf,i为第i个采样点的车流量阈值,ui为第i个采样点在空间位置均值向量。
本发明通过wi(t)将空间位置向量区域值x和时间t作为预测条件,表示预测目标地区和时间段的交通流量趋势密度分布,在同一时间段内的n个采样点中,计算每个采样点的权重wi(t),该权重反映了当前时刻对交通流量的影响程度。权重计算可考虑历史数据、当前天气等因素,常用方法有线性回归、支持向量回归等,通过Npop,i+Ntraf,i,对于每个采样点i,其人流量阈值Npop,i和车流量阈值Ntraf,i表示了该点所处位置人口和交通流量的密度水平,用于衡量该点对交通流量的影响程度,对于每个采样点i,其空间位置均值向量表示该点的空间位置属性,可以使用聚类分析等方法得到,使用高斯核函数来获得一个关于位置坐标的分布概率密度函数,其中为相对位置偏差,/>为高斯分布的概率密度函数,另一个e-t为时间维度上的衰减系数,利用加权求和的方式将每个采样点的影响加起来,获得该位置向量区域值在时间段t内的交通流量趋势密度分布。该方法的优点是可以考虑到人口流量、车流量和空间分布等多个因素对交通流量的影响,因此预测效果较为准确。
优选地,步骤S6包括以下步骤:
步骤S61:利用超像素卷积网络对数字孪生城市交通实时模拟可交互视图进行卷积预处理,生成数字孪生城市交通实时模拟特征样本簇;
步骤S62:利用循环卷积算法对数字孪生城市交通实时模拟特征样本簇进行卷积数据切割,生成数字孪生城市交通实时模拟特征网络;
步骤S63:利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,生成数字孪生城市交通实时模拟特征图;
步骤S64:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑特征序列;
步骤S65:利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,构建数字孪生智慧城市模型。
本发明通过超像素卷积网络对数字孪生城市交通实时模拟可交互视图进行卷积预处理,可以有效地减少数据冗余,并将数据分配到不同的像素区域,超像素卷积网络能够进一步提取数字孪生城市交通实时模拟图像的特征信息,快速定位和识别交通物体及车辆等信息,从而为后续的处理提供高质量的数据基础,利用循环卷积算法对数字孪生城市交通实时模拟特征样本簇进行卷积数据切割,可以将原始数据有效地进行压缩和分类,并依据数据特征进行复杂的计算,循环卷积算法可以保留原始数据的空间信息和连接关系,同时还可自适应地进行数据学习和模型优化,以提高模型的准确性和可靠性,利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,能够进一步提取数字孪生城市交通实时模拟特征图中的边缘特征,如车道划线、交通标志等,从而进一步提高数字孪生城市交通模拟的准确性和可靠性,膨胀卷积算法还能够有效减少阴影干扰和边缘模糊问题,提高数字孪生城市交通模拟的视觉效果,利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,能够在不同尺度上保留数字孪生城市建筑的信息,从而提高数字孪生城市模拟的高清晰度和准确性,多尺度采样算法还可以探测数字孪生城市建筑的空间分布和形态特征,以优化建筑物的空间设计和规划,利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,通过对数字孪生城市建筑特征序列和数字孪生城市交通实时模拟特征图的关联性分析,建立了数字孪生智慧城市模型,这种模型可以为城市管理者提供更为准确的数据支持和分析,支持数字孪生城市的智慧化运营和可持续发展。
优选地,步骤S64包括以下步骤:
步骤S641:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑卷积特征数据;
步骤S642:对数字孪生城市建筑卷积特征数据进行卷积特征映射,生成数字孪生城市建筑卷积特征向量;
步骤S643:利用数字孪生城市建筑卷积特征向量进行向量拼接,生成数字孪生城市建筑特征序列。
本发明通过多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,能够在不同的尺度上对数字孪生城市建筑的数据进行采样和处理,保留不同的细节信息和特征,从而生成高质量的卷积特征数据,多尺度采样算法还可以优化数字孪生城市建筑的模型准确性和可靠性,提高数字孪生城市建筑的建模和分析效率,对数字孪生城市建筑卷积特征数据进行卷积特征映射,可以将数字孪生城市建筑的数据进行初步处理和过滤,提取数字孪生城市建筑数据的关键特征和信息,从而生成数字孪生城市建筑卷积特征向量,这些特征向量可以用于数据分析、建模和优化等方面,以提高数字孪生城市建筑的可视化效果和应用效益,利用数字孪生城市建筑卷积特征向量进行向量拼接,可以将不同特征向量的信息进行融合和整合,形成一个完整的数字孪生城市建筑特征序列,这个特征序列可以用于数字孪生城市的建模、分析和优化等方面,为城市规划和管理提供更为准确和全面的数据支持,提高数字孪生城市的可持续发展和智慧化运营水平。
在本说明书的一个实施例中,提供一种应用于数字孪生城市的空间数据集成方法及系统,包括:
至少一个处理器;
与至少一个处理器通信连接的存储器;
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如上所述的应用于数字孪生城市的空间数据集成方法。
本发明通过一种应用于数字孪生城市的空间数据集成系统,利用卫星遥感设备、激光雷达及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据,对数字孪生城市中的多源空间数据和交通流量数据进行集成,提高了数据的准确性和完整性,为城市规划和管理提供更为可靠和全面的数据支持,用深度学习算法和循环卷积算法实现了对数字孪生城市中交通模拟数据的实时可视化和建筑三维模型的智能化处理,使得城市数据能够以直观的方式呈现,为城市的智慧化管理和运营提供支持,将不同领域的数字孪生城市数据进行集成和融合,构建数字孪生智慧城市模型,为数字孪生城市的跨领域应用提供支持与创新,实现对数字孪生城市数据的集成、分析与可视化,支持城市规划与决策制定;同时,该系统还可以实现数字孪生城市交通流量预测与应急响应,为城市的紧急事件处理提供支持,该系统能够提高数字孪生城市数据的准确性和完整性,为数字孪生城市的智慧化管理与运营提供支持,促进数字孪生城市跨领域应用的集成与创新。
附图说明
图1为本发明一种应用于数字孪生城市的空间数据集成方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实例提供一种应用于数字孪生城市的空间数据集成方法及系统。所述应用于数字孪生城市的空间数据集成方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图3,本发明提供了一种应用于数字孪生城市的空间数据集成方法,所述方法包括以下步骤:
步骤S1:利用卫星遥感设备、激光雷达建筑扫描仪及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据;数字孪生城市数据包括城市三维空间数据、城市地理空间数据、城市建筑布局数据及建筑结构空间数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据;
步骤S2:利用空间匹配法对数字孪生城市空间数据进行空间数据集成,生成三维数字孪生城市数据集;利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,生成数字孪生城市实时交通模拟数据;
步骤S3:利用空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,生成数字孪生城市交通模拟密度分布图;
步骤S4:利用基于三维建模技术的体素建模法对三维数字孪生城市数据集进行三维建模,生成数字孪生城市建筑三维模型;
步骤S5:利用深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图;
步骤S6:利用循环卷积算法对数字孪生城市建筑三维模型及数字孪生城市交通实时模拟可交互视图进行膨胀卷积及多尺度采样,构建数字孪生智慧城市模型。
本发明提供了一种应用于数学孪生城市的空间数据集成方法,通过为了获取城市的基础信息,包括建筑结构、地理位置、人流量和道路交通流量等,这些数据是数字孪生城市的基础,是后续处理和分析的数据源头,通过空间匹配法对数字孪生城市空间数据进行集成,将不同类型的数据集成成为一个整体,方便后续的数据处理和分析,还可以减少重复的数据部分,降低数据存储和处理的成本,利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,将不同来源的流量数据融合成一个更完整、更准确的数据集,同时还可以实时更新交通模拟数据,保证其准确性和时效性,通过空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,将交通流量数据与实际的空间分布相匹配,更直观地表达城市的交通状况,对数字孪生城市数据集进行三维建模,将数字孪生城市的建筑结构更加直观、形象地呈现给用户,使用户可以更好地了解城市的建筑布局和结构,通过深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图,让用户更深入地了解城市的交通状况,更直观地感受城市的变化和发展,生成的可交互视图可以让用户进行实时互动,了解城市实时情况,通过循环卷积算法构建数字孪生智慧城市模型,将城市的各个方面进行融合、优化,生成更加完整、更加准确的数字孪生城市模型,这也将为城市的规划和管理提供更为准确的依据,实现虚拟城市与现实城市的实时管理,进行全方法、多层次的城市监管与指挥。
本发明实施例中,参考图1所述,为本发明一种应用于数字孪生城市的空间数据集成方法及系统的步骤流程示意图,在本实例中,所述应用于数字孪生城市的空间数据集成方法的步骤包括:
步骤S1:利用卫星遥感设备、激光雷达建筑扫描仪及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据;数字孪生城市数据包括城市三维空间数据、城市地理空间数据、城市建筑布局数据及建筑结构空间数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据。
在本发明实施例中,利用卫星遥感设备获取城市的三维空间数据和地理空间数据,包括地形特征、地貌、环境等;同时获取城市范围内建筑物的布局和结构等信息,这些数据将作为数字孪生城市的空间数据基础,使用激光雷达建筑扫描仪对城市内的建筑物进行扫描和测量,获得建筑物的高度、立面、翼角、开口、屋顶和墙体等结构和特性信息,这些数据用于数字孪生城市模型中建筑物模拟的建模和更新,交通传感器作为数字孪生城市流量数据的重要来源,可以采集城市道路交通流量数据,如汽车和公共交通车辆的行驶速度、密度、车流量等参数,同时也可以采集人流量数据,比如城市区域内的人口密度、旅游景点的人流量等信息。
步骤S2:利用空间匹配法对数字孪生城市空间数据进行空间数据集成,生成三维数字孪生城市数据集;利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,生成数字孪生城市实时交通模拟数据。
在本发明实施例中,将卫星遥感数据、建筑扫描和激光雷达数据、交通传感器数据等整理后,进行质量检查和数据清洗工作,利用矢量数据标准化算法对数字孪生城市空间数据进行数据标准化,生成数字孪生城市矢量空间基准数据,利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,生成三维数字孪生城市数据集,将采集到的人流和道路交通流量数据进行预处理,包括数据清洗和缺失值填充等工作,以确保数据的准确性和完整性,通过交通流量和人流量管理数据中提取出交通拥堵程度、人口密度、旅游活动、天气状况等相关信息因子,对提取出的信息因子进行标准化处理,消除不同信息因子间数值范围不一致的问题,通过统计学方法对归一化后的信息因子进行加权汇总和计算,进行流量数据融合,生成数字孪生城市实时交通模拟数据。
步骤S3:利用空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,生成数字孪生城市交通模拟密度分布图。
在本发明实施例中,将数字孪生城市实时交通模拟数据整理为网格数据,确定插值插值方法和插值分辨率以及插值范围等参数,选择适合的空间插值算法,例如Kriging插值,反距离权重插值,径向基函数插值等,根据插值算法的要求设置参数值,例如Kriging插值需要设置波动变率因子、样点阈值、克吕金类型等参数,利用插值算法和参数,将网格数据进行插值操作,生成数字孪生城市交通模拟密度分布图。
步骤S4:利用基于三维建模技术的体素建模法对三维数字孪生城市数据集进行三维建模,生成数字孪生城市建筑三维模型。
在本发明实施例中,通过三维数字孪生城市数据集进行立体像素转化,生成数字孪生城市等大三维立体体素,利用体素建模软件,根据建筑物、道路、自然景观等三维数据集进行建模设计,并进行模型调整和细节处理,确保模型与真实场景尽可能地贴合,对建立的三维数字孪生城市建筑模型进行优化,包括模型精简、材质、贴图、着色、光照等处理,提高模型的展示效果和真实感,利用虚拟现实技术进行数字孪生城市建筑模型的验证,包括模型的准确性、稳定性、流畅性等方面的验证。
步骤S5:利用深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图。
在本发明实施例中,利用深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,生成数字孪生城市交通趋势数据,再通过数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,生成数字孪生城市交通趋势图,将交通密度分布图与设计好的交互式可视化界面进行数据展示和交互式呈现,包括实时响应用户手势操作、和用户实时交互提示等,持续接收和预处理实时交通数据,并使用深度学习算法进行实时预测和更新交通密度分布图,保持数字孪生城市交通实时模拟可交互视图的实时性。
步骤S6:利用循环卷积算法对数字孪生城市建筑三维模型及数字孪生城市交通实时模拟可交互视图进行膨胀卷积及多尺度采样,构建数字孪生智慧城市模型。
在本发明实施例中,选择合适的循环卷积算法,如基于图卷积神经网络(GCN)的循环卷积神经网络(RCNN)等,将数字孪生城市建筑三维模型和数字孪生城市交通实时模拟可交互视图进行膨胀卷积处理,以提取局部空间性质,利用不同尺度的采样算法,对数字孪生城市建筑三维模型和数字孪生城市交通实时模拟可交互视图进行多尺度采样处理,以提取全局空间性质,将局部空间性质和全局空间性质通过融合算法进行整合,得到数字孪生智慧城市模型。
本发明实施例中,参考图2所述,为步骤S1的详细实施步骤流程示意图,在本说明书的一个实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:利用高精分辨率卫星遥感设备对城市进行巡航扫描,获取数字孪生城市空间数据;数字孪生城市多源数据包括城市三维空间数据、城市地理空间数据及城市建筑布局数据;
步骤S12:激光雷达建筑扫描仪对城市建筑内部结构进行激光扫描,生成建筑结构空间数据,建筑结构空间数据包括建筑物形状大小数据、建筑物高程数据、建筑物内部结构数据及建筑物材料数据;
步骤S13:利用交通传感器获取数字孪生城市流量数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据。
本发明通过高精分辨率卫星遥感设备进行巡航扫描,可以获取到城市的实际形态和布局情况,通过数字孪生城市空间数据的获取,可以辅助城市空间规划和管理,提高城市规划的准确性和科学性,利用激光雷达建筑扫描仪进行建筑物内部结构的激光扫描,可以获取建筑物内部的结构、设施和装修等细节信息,这些信息有助于加强建筑物的管理与维护,同时也为后续的建筑模型构建和仿真模拟提供基础数据,通过交通传感器获取数字孪生城市流量数据,可以获取人流量和道路交通流量等信息,这对于城市交通管理和交通规划非常重要,可以帮助分析城市交通热点和瓶颈,提高城市的交通智能化水平。
在本发明实施例中,选取合适的高精度卫星遥感设备,获得可以提供高分辨率图像的卫星数据,对城市范围进行巡航扫描采集,并实施数据处理使其成为可用的空间数据,内插法或者其他方法将数据合成为一种连续的、访问速度较快的三维环境模型,选取合适的激光雷达建筑扫描仪设备,进行扫描操作并获得激光点云数据,对扫描数据进行降噪和筛选处理,以去除产生的杂点和无用数据,应用算法进行数据处理,得出建筑物的三维结构空间数据(包括形状大小数据、高程数据、室内/室外结构数据、材料数据等),布置或安装传感器设备,以收集城市内的交通数据,传感器可以是路口监控摄像头、GPS跟踪设备、应用程序交通监测等,对数据进行处理,以从中提取出所需的人流量数据和道路交通流量数据。
本发明实施例中,参考图3所述,为步骤S2的详细实施步骤流程示意图,在本说明书的一个实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:利用矢量数据标准化算法对数字孪生城市空间数据进行数据标准化,生成数字孪生城市矢量空间基准数据;
步骤S22:利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,生成三维数字孪生城市数据集;
步骤S23:利用主成分分析法对数字孪生城市流量数据进行主成分降维提取,获取相关因子数据;
步骤S24:利用相关因子权重分析法相关因子数据进行相关因子系数分析,生成标准相关信息因子;
步骤S25:利用最大-最小规范化法对数字孪生城市流量数据进行数据归一化,生成数字孪生城市流量范围数据;
步骤S26:基于标准相关信息因子利用相关信息因子融合算法对数字孪生城市流量范围数据进行数据融合,生成数字孪生城市实时交通模拟数据。
本发明通过矢量数据标准化算法对数字孪生城市空间数据进行标准化,可以将不同源头的数据进行一致性处理,确保数据的一致性和规范性,生成数字孪生城市矢量空间基准数据后,可以减少后续计算和处理的复杂度,提高数字孪生城市模型的准确性和可靠性,利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,可以将不同源头的数据进行整合,生成三维数字孪生城市数据集,这样可以更好地反映城市的空间状态和空间分布特征,为数字孪生城市模型和分析提供更完整和全面的数据支持,利用主成分分析法对数字孪生城市流量数据进行主成分降维提取,可以从大量的交通流量数据中提取出主要的交通流量因素,简化了数据的复杂度,使得数据更加易于处理和理解,利用相关因子权重分析法对相关因子数据进行相关因子系数分析,并生成标准相关信息因子,可以将各个交通流量因素之间的关联性进行深入分析,更好地揭示出各个因素之间的作用关系和影响程度,为后续的数据处理和分析提供更为精细的数据基础,利用最大-最小规范化法对数字孪生城市流量数据进行数据归一化,可以将各个交通因素的数据统一到同一尺度上,避免了数据的量纲差异,使得不同因素之间的比较更加准确和可靠,基于标准相关信息因子利用相关信息因子融合算法对数字孪生城市流量范围数据进行数据融合,可以将各个交通因素的数据进行融合,生成更为全面和准确的数字孪生城市实时交通模拟数据,为后续的交通管理和规划提供更为科学和有效的决策依据。
在本发明实施例中,选择合适的矢量数据标准化算法,例如线性变换(LinearTransformation)、标准分数(Standard Score)等,对数字孪生城市的空间数据进行处理,使其符合标准矢量数据格式,生成数字孪生城市矢量空间基准数据,对数字孪生城市矢量空间基准数据进行处理,使其符合三维数字孪生城市数据集要求,通过空间匹配法将数据进行集成,生成数字孪生城市三维数据集,采用主成分分析算法(PCA)进行数据处理,对数字孪生城市流量数据进行主成分分析,提取出数量较少的主成分,降低数据的维度,并且获得相关因子数据,将相关因子数据使用相关因子权重分析法进行处理,选取合适的分析方法,例如层次分析法(AHP)和测度函数法(Measure Function)等,生成标准相关信息因子,以反映不同因子的相对重要性大小,利用最大-最小规范化法(Max-Min Normalization)对数字孪生城市流量数据进行归一化处理,使流量数据范围在0到1之间,以统一的标准来处理不同来源的流量数据,使它们可以进行比较和参考,选择合适的相关信息因子融合算法,例如综合评价法、灰色关联法等,利用标准相关信息因子和归一化的数字孪生城市流量范围数据,生成数字孪生城市实时交通模拟数据。
本发明实施例中,参考图4所述,为步骤S3的详细实施步骤流程示意图,在本说明书的一个实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:对数字孪生城市实时交通模拟数据进行数据预处理,生成数字孪生城市实时交通预处理管道;
步骤S32:利用矩阵分解法对数字孪生城市实时交通预处理管道进行矩阵划分,生成数字孪生城市交通矩阵图;
步骤S33:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点标记,生成数字孪生城市交通流量坐标点网格;
步骤S34:利用空间插值算法的点采样插值对数字孪生城市交通流量坐标点网格进行加权平均计算,获取数字孪生城市交通模拟插值点;
步骤S35:基于数字孪生城市交通模拟插值点利用城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,生成数字孪生城市交通模拟密度分布图。
本发明通过数字孪生城市实时交通模拟数据进行数据预处理,可以去除数据中的噪声和冗余信息,保证数字孪生城市交通数据的准确性和可靠性,同时生成数字孪生城市实时交通预处理管道,可以提高后续处理和计算的效率和精准度,用矩阵分解法对数字孪生城市实时交通预处理管道进行矩阵划分,可以将交通数据按照不同的因素进行划分,简化了数据的处理和计算,生成数字孪生城市交通矩阵图,可以更加直观地展现不同路段和区域之间的交通关系,为后续交通分析和模拟提供基础数据,利用特征点检测算法对数字孪生城市交通矩阵图进行特征点标记,可以将交通数据中的关键点和关键因素进行识别和标记,便于后续的数据分析和处理,生成数字孪生城市交通流量坐标点网格后,可以更加清晰地反映不同区域和路段的交通流量分布情况和规律,利用空间插值算法的点采样插值对数字孪生城市交通流量坐标点网格进行加权平均计算,可以统计不同区域的交通流量加权平均数,进一步反映数字孪生城市交通数据的整体特征,获取数字孪生城市交通模拟插值点后,可以更加精确地模拟数字孪生城市的交通流量,基于数字孪生城市交通模拟插值点利用城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,可以将数字孪生城市交通流量数据从局部拟合到整体,生成数字孪生城市交通模拟密度分布图,这样可以更加全面和直观地了解不同区域和路段的交通情况和拥堵状况,为数字孪生城市的交通规划和管理提供更为科学和全面的数据支持。
在本发明实施例中,对数字孪生城市实时交通模拟数据进行数据预处理,包括数据清洗、去重、格式转换等,设计数字孪生城市实时交通预处理管道,根据实际需求,包括数据清洗、预处理、特征提取等处理步骤,形成一套完整的数字孪生城市实时交通预处理流程,行数字孪生城市实时交通预处理管道,生成预处理后的数字孪生城市实时交通模拟数据集,对数字孪生城市实时交通预处理管道生成的数字孪生城市实时交通模拟数据集进行矩阵分解处理,利用矩阵分解法对数字孪生城市实时交通模拟数据集进行矩阵划分,将各个交通元素分解成多个维度的矩阵,根据分解后的矩阵,生成数字孪生城市交通矩阵图,对数字孪生城市交通矩阵图进行特征点检测,标记出交通流量集中的位置,比如道路交叉口、主干道等,利用特征点标记信息,生成数字孪生城市交通流量坐标点网格,对数字孪生城市交通流量坐标点网格进行点采样插值算法,利用周围点的交通流量信息对每一点进行加权平均计算,得到该点的交通流量信息,对数字孪生城市交通流量坐标点网格进行点采样插值算法,利用周围点的交通流量信息对每一点进行加权平均计算,得到该点的交通流量信息,利用数字孪生城市交通模拟插值点,基于城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,在数字孪生城市交通流量坐标点网格上,根据插值映射结果,生成数字孪生城市交通模拟密度分布图,反映城市交通流量分布情况。
在本说明书的一个实施例中,步骤S35中的城市交通流量空间插值距离权重计算公式具体为:
其中,Wi为第i个采样点的插值权重,wpop,i为第i个采样点的人流量,wtraf,i为第i个采样点的道路交通车流量,qpop,i为第i个采样点的人流量权重值,qtraf,i为第i个采样点的道路交通车流量权重值,θi为第i个采样点与待插值点之间的方位角,di为第i个采样点与待插值点之间的距离,p为为衰减指数,λ为衰减速率。
本发明通过wpop,i+wtraf,i计算道路车、人流量的数据,通过计算第i个采样点的人流量和道路交通车流量权重值,考虑人口流量和道路交通车流量权重:通过将采样点的人口流量和道路交通车流量权重纳入计算,可以更好地反映不同区域的交通情况。这可以有效避免对整个城市进行简单平均或加权平均的情况,从而提高交通流量估计的精确度,通过/>使用了余弦函数和距离衰减函数,使得距离较远的采样点对插值点的权重较小,距离较近的采样点对插值点的权重较大,从而更加合理地进行插值计算,使用方位角和距离权重可以准确地描述待插值点和采样点之间的空间关系,并考虑到了空间上的距离和方向等因素,从而使得插值结果更加准确可靠,p和λ为两个可调参数,用来调整距离的影响大小。p越大,表示采样点对估计值的影响随着距离的增加而迅速减小;λ越大,表示采样点对估计值的影响随着距离的增加而缓慢减小,权重函数使用了余弦函数和距离衰减函数,用来使得距离较远的采样点对插值点的权重较小,距离较近的采样点对插值点的权重较大。其中余弦函数的作用是根据方向角度调整权重大小,距离衰减函数的作用是根据距离大小调整权重大小,通过权重的归一化处理,避免了采样点数量的差异对插值结果的影响,使得插值结果更加稳定和可靠,在考虑人流量和道路交通车流量的情况下,更加综合地反映了城市交通流量的空间变化情况,能够为城市交通规划和管理提供有益的数据支持。
在本说明书的一个实施例中,步骤S33的具体步骤:
步骤S331:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点检测,生成初始数字孪生城市交通特征点数据;
步骤S332:使用特征值阈值限制法对数字孪生城市交通特征点数据进行过滤筛选,生成基准数字孪生城市交通特征点数据;
步骤S333:利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,生成数字孪生城市交通特征点坐标;
步骤S334:利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,生成数字孪生城市交通流量坐标点网格。
本发明通过特征点检测算法对数字孪生城市交通矩阵图进行特征点检测,可以自动识别和标记数字孪生城市交通数据中的关键特征点,如路口、交叉口等,生成初始数字孪生城市交通特征点数据后,能够为后续的数字孪生城市交通数据分析提供更多的信息和特征,用特征值阈值限制法对数字孪生城市交通特征点数据进行过滤筛选,可以排除掉一些无关或非常小的特征点,提高数字孪生城市交通分析的准确性和效率,生成基准数字孪生城市交通特征点数据后,能够为后续数字孪生城市交通坐标点网格的生成提供更加准确和有意义的数据支持,利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,可以将数字孪生城市交通特征点的位置信息进行三维坐标定位,更准确地表达数字孪生城市交通数据特征点在现实世界中的位置和分布情况,生成数字孪生城市交通特征点坐标后,能够为数字孪生城市交通坐标点网格的生成提供更加精确和有意义的数据支持,利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,可以将数字孪生城市交通特征点数据离散化为网格数据,方便进行后续的数字孪生城市交通数据分析和处理,生成数字孪生城市交通流量坐标点网格后,将为数字孪生城市交通模拟和分析提供更加全面、精确和直观的基础数据支持。
在本发明实施例中,选择合适的特征点检测算法,例如SIFT(Scale-InvariantFeature Transform),对数字孪生城市交通矩阵图进行特征点检测,获得初始数字孪生城市交通特征点数据,利用特征值阈值限制法对初始数字孪生城市交通特征点数据进行过滤筛选,去除质量不高的特征点,获得基准数字孪生城市交通特征点数据,选取合适的特征值阈值,通过调整阈值来控制筛选结果的大小和质量,利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,使得每个特征点能够确定其在三维空间中的位置信息,根据特征点在矩阵图中的坐标和数字孪生城市的空间三维坐标,生成数字孪生城市交通特征点坐标数据,利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,将特征点坐标映射到规则的网格上,根据网格上的特征点数量,确定每个网格内的交通流量大小,并将其作为数字孪生城市交通流量坐标点网格的属性。
在本说明书的一个实施例中,步骤S4的具体步骤:
步骤S41:对三维数字孪生城市数据集进行立体像素转化,生成数字孪生城市等大三维立体体素;
步骤S42:利用反距离权重法对数字孪生城市等大三维立体体素进行网格化,生成数字孪生城市网格模型;
步骤S43:利用基于三维建模技术的体素建模法对数字孪生城市网格模型进行三维建模,生成数字孪生城市建筑三维模型。
本发明通过三维数字孪生城市数据集进行立体像素转化,可以将数字孪生城市数据从二维平面数据转化为三维立体模型,更加真实地表达数字孪生城市的空间结构和特征,生成等大三维立体体素后,每个体素大小相同,在后续的处理中方便计算和建模,利用反距离权重法对数字孪生城市等大三维立体体素进行网格化,可以将三维数据离散化为一个个网格点,方便后续处理和建模,利用反距离权重法能够有效地将三维立体体素信息转化为网格模型,尽可能地保留数字孪生城市的形态和特征,使得后续的数字孪生城市建筑三维模型更加准确和可靠,利用基于三维建模技术的体素建模法对数字孪生城市网格模型进行三维建模,可以将数字孪生城市数据转化为一个真实的三维建筑模型,基于三维建模技术的体素建模法能够将数字孪生城市建筑特征从离散的网格点转化为一个真实的三维建筑模型,使得数字孪生城市的形态和结构能够更加真实地表达和模拟,同时基于三维建模技术的体素建模法还可以支持快速的模型更新和拓展,使得数字孪生城市的建模能够更加高效和灵活。
在本发明实施例中,对三维数字孪生城市数据集进行处理,将三维实体划分为等大的立方体块,生成数字孪生城市等大三维立体体素,根据需求调整立体体素的大小,以适应不同的建模精度和计算要求,利用反距离权重法对数字孪生城市等大三维立体体素进行网格化处理,将其转换为三维网格模型,利用基于三维建模技术的体素建模法,对数字孪生城市网格模型进行三维建模,生成数字孪生城市建筑三维模型,建模时可以利用各种模型编辑软件,例如3ds Max、SketchUp等,实现对模型的建立、编辑和优化,建模时需要考虑数字孪生城市建筑的结构、外观、纹理等方面,以尽可能真实地再现数字孪生城市的建筑形貌,在建模完成后,可以对模型进行渲染和展示,展示数字孪生城市建筑的不同视角和特点。
在本说明书的一个实施例中,步骤S5的具体步骤:
步骤S51:利用深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,生成数字孪生城市交通趋势数据;
步骤S52:利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,生成数字孪生城市交通趋势图;
步骤S53:利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟分析,生成数字孪生城市交通实时模拟图;
步骤S54:对数字孪生城市交通实时模拟图进行数据可视化处理,生成数字孪生城市交通实时模拟可视化视图;
步骤S55:用JavaScript库对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,生成数字孪生城市交通实时模拟可交互视图;
本发明通过深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,能够对数字孪生城市的交通状况进行深入的探究和分析,通过趋势分析,可以生成数字孪生城市交通趋势数据,其中包括交通瓶颈、高峰时段和拥堵状况等信息,这些数据可以指导数字孪生城市交通运营和规划,提高城市交通运行效率和安全性,利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,能够预测数字孪生城市未来交通趋势和拥堵状况,数字孪生城市交通趋势图中的交通状况信息可以被用于研究交通规划和部署,预测未来可能的拥堵情况,准备交通应急预案等,利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟分析,能够实时监测数字孪生城市的交通状态,并及时响应和应对突发事件,数字孪生城市交通实时模拟图可以预测某些区域的交通状况,帮助城市管理者优化路线和资源调配,解决城市交通拥堵问题,对数字孪生城市交通实时模拟图进行数据可视化处理,能够将数字孪生城市交通状况可视化,并帮助用户快速地获取和理解交通信息,数字孪生城市交通实时模拟可视化视图通过可视化图表、图像和地图等形式,使数据更易于被人们理解和应用,使得城市交通的运行更加高效和安全,用JavaScript库对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,能够实现数字孪生城市交通模拟的动态交互式呈现,这种数字孪生城市交通实时模拟可交互视图能够帮助用户更加深入地了解数字孪生城市交通状况,包括车流、拥堵状况等,从而有针对性地优化城市交通规划、实时调度和预测。
在本发明实施例中,对数字孪生城市交通模拟密度分布图进行趋势分析,利用深度学习算法探索其中的规律及趋势信息,根据分析得到的数字孪生城市交通趋势数据,进行数据整理和清洗,以确保趋势数据的准确性和完整性,利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,生成数字孪生城市交通趋势图,根据数字孪生城市交通趋势图,了解数字孪生城市交通的发展趋势,利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟,并结合实时交通数据进行分析,根据实时模拟得到的结果,可以反映数字孪生城市交通的状况及交通流量的变化情况,对数字孪生城市交通实时模拟图进行数据可视化处理,将实时模拟结果呈现为可视化视图,便于用户进行交互操作,可视化方式可以采用多种技术,例如计算机图形学、虚拟现实技术等,以呈现更加逼真的数字孪生城市交通模拟场景,利用JavaScript库,对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,实现多个功能,包括场景切换、交通模拟参数设定、交互式查询等,让用户更加直观地感受数字孪生城市交通的情况。
在本说明书的一个实施例中,步骤S52中的数字孪生城市交通趋势预测公式具体为:
其中,x为空间位置向量区域值,t为所处时间段,f(x,t)为x的空间位置向量区域值在所处时间段t的交通流量预测趋势密度,wi(t)为第i个采样点在时间段t时的趋势影响权重,Npop,i为第i个采样点的人流量阈值,Ntraf,i为第i个采样点的车流量阈值,ui为第i个采样点在空间位置均值向量。
本发明通过wi(t)将空间位置向量区域值x和时间t作为预测条件,表示预测目标地区和时间段的交通流量趋势密度分布,在同一时间段内的n个采样点中,计算每个采样点的权重wi(t),该权重反映了当前时刻对交通流量的影响程度。权重计算可考虑历史数据、当前天气等因素,常用方法有线性回归、支持向量回归等,通过Npop,i+Ntraf,i,对于每个采样点i,其人流量阈值Npop,i和车流量阈值Ntraf,i表示了该点所处位置人口和交通流量的密度水平,用于衡量该点对交通流量的影响程度,对于每个采样点i,其空间位置均值向量表示该点的空间位置属性,可以使用聚类分析等方法得到,使用高斯核函数来获得一个关于位置坐标的分布概率密度函数,其中为相对位置偏差,/>为高斯分布的概率密度函数,另一个e-t为时间维度上的衰减系数,利用加权求和的方式将每个采样点的影响加起来,获得该位置向量区域值在时间段t内的交通流量趋势密度分布。该方法的优点是可以考虑到人口流量、车流量和空间分布等多个因素对交通流量的影响,因此预测效果较为准确。
在本说明书的一个实施例中,步骤S6的具体步骤:
步骤S61:利用超像素卷积网络对数字孪生城市交通实时模拟可交互视图进行卷积预处理,生成数字孪生城市交通实时模拟特征样本簇;
步骤S62:利用循环卷积算法对数字孪生城市交通实时模拟特征样本簇进行卷积数据切割,生成数字孪生城市交通实时模拟特征网络;
步骤S63:利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,生成数字孪生城市交通实时模拟特征图;
步骤S64:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑特征序列;
步骤S65:利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,构建数字孪生智慧城市模型。
本发明通过超像素卷积网络对数字孪生城市交通实时模拟可交互视图进行卷积预处理,可以有效地减少数据冗余,并将数据分配到不同的像素区域,超像素卷积网络能够进一步提取数字孪生城市交通实时模拟图像的特征信息,快速定位和识别交通物体及车辆等信息,从而为后续的处理提供高质量的数据基础,利用循环卷积算法对数字孪生城市交通实时模拟特征样本簇进行卷积数据切割,可以将原始数据有效地进行压缩和分类,并依据数据特征进行复杂的计算,循环卷积算法可以保留原始数据的空间信息和连接关系,同时还可自适应地进行数据学习和模型优化,以提高模型的准确性和可靠性,利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,能够进一步提取数字孪生城市交通实时模拟特征图中的边缘特征,如车道划线、交通标志等,从而进一步提高数字孪生城市交通模拟的准确性和可靠性,膨胀卷积算法还能够有效减少阴影干扰和边缘模糊问题,提高数字孪生城市交通模拟的视觉效果,利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,能够在不同尺度上保留数字孪生城市建筑的信息,从而提高数字孪生城市模拟的高清晰度和准确性,多尺度采样算法还可以探测数字孪生城市建筑的空间分布和形态特征,以优化建筑物的空间设计和规划,利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,通过对数字孪生城市建筑特征序列和数字孪生城市交通实时模拟特征图的关联性分析,建立了数字孪生智慧城市模型,这种模型可以为城市管理者提供更为准确的数据支持和分析,支持数字孪生城市的智慧化运营和可持续发展。
在本发明实施例中,对数字孪生城市交通实时模拟可交互视图进行超像素卷积网络处理,生成数字孪生城市交通实时模拟特征样本簇,通过超像素卷积网络处理,能够更好地处理交通场景中的复杂结构和不规则形状,提高算法的准确度和鲁棒性,利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,生成数字孪生城市交通实时模拟特征图,通过膨胀卷积算法对特征网络进行边缘特征加强处理,能够更好地捕获边缘信息,提高算法的边缘检测效果,利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,通过多尺度采样算法,能够在不同的层级中提取出数字孪生城市建筑的多种特征,生成数字孪生城市建筑特征序列,利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,通过关联规则算法,能够将数字孪生城市建筑特征序列及交通实时模拟特征图之间的关联关系进行建模,构建数字孪生智慧城市模型。
在本说明书的一个实施例中,步骤S64的具体步骤:
步骤S641:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑卷积特征数据;
步骤S642:对数字孪生城市建筑卷积特征数据进行卷积特征映射,生成数字孪生城市建筑卷积特征向量;
步骤S643:利用数字孪生城市建筑卷积特征向量进行向量拼接,生成数字孪生城市建筑特征序列。
本发明通过多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,能够在不同的尺度上对数字孪生城市建筑的数据进行采样和处理,保留不同的细节信息和特征,从而生成高质量的卷积特征数据,多尺度采样算法还可以优化数字孪生城市建筑的模型准确性和可靠性,提高数字孪生城市建筑的建模和分析效率,对数字孪生城市建筑卷积特征数据进行卷积特征映射,可以将数字孪生城市建筑的数据进行初步处理和过滤,提取数字孪生城市建筑数据的关键特征和信息,从而生成数字孪生城市建筑卷积特征向量,这些特征向量可以用于数据分析、建模和优化等方面,以提高数字孪生城市建筑的可视化效果和应用效益,利用数字孪生城市建筑卷积特征向量进行向量拼接,可以将不同特征向量的信息进行融合和整合,形成一个完整的数字孪生城市建筑特征序列,这个特征序列可以用于数字孪生城市的建模、分析和优化等方面,为城市规划和管理提供更为准确和全面的数据支持,提高数字孪生城市的可持续发展和智慧化运营水平。
在本说明书的一个实施例中,提供一种应用于数字孪生城市的空间数据集成方法及系统,包括
至少一个处理器;
与至少一个处理器通信连接的存储器;
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如上所述的应用于数字孪生城市的空间数据集成方法。
本发明通过一种应用于数字孪生城市的空间数据集成系统,利用卫星遥感设备、激光雷达及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据,对数字孪生城市中的多源空间数据和交通流量数据进行集成,提高了数据的准确性和完整性,为城市规划和管理提供更为可靠和全面的数据支持,用深度学习算法和循环卷积算法实现了对数字孪生城市中交通模拟数据的实时可视化和建筑三维模型的智能化处理,使得城市数据能够以直观的方式呈现,为城市的智慧化管理和运营提供支持,将不同领域的数字孪生城市数据进行集成和融合,构建数字孪生智慧城市模型,为数字孪生城市的跨领域应用提供支持与创新,实现对数字孪生城市数据的集成、分析与可视化,支持城市规划与决策制定;同时,该系统还可以实现数字孪生城市交通流量预测与应急响应,为城市的紧急事件处理提供支持,该系统能够提高数字孪生城市数据的准确性和完整性,为数字孪生城市的智慧化管理与运营提供支持,促进数字孪生城市跨领域应用的集成与创新。
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,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种应用于数字孪生城市的空间数据集成方法,其特征在于,包括以下步骤:
步骤S1:利用卫星遥感设备、激光雷达及交通传感器获取数字孪生城市空间数据及数字孪生城市流量数据;数字孪生城市数据包括城市三维空间数据、城市地理空间数据、城市建筑布局数据及建筑结构空间数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据;
步骤S2:利用空间匹配法对数字孪生城市空间数据进行空间数据集成,生成三维数字孪生城市数据集;利用相关信息因子融合算法对数字孪生城市流量数据进行数据归一化融合,生成数字孪生城市实时交通模拟数据;
步骤S3:利用空间插值算法对数字孪生城市实时交通模拟数据进行插值映射,生成数字孪生城市交通模拟密度分布图;
步骤S4:利用基于三维建模技术的体素建模法对三维数字孪生城市数据集进行三维建模,生成数字孪生城市建筑三维模型;
步骤S5:利用深度学习算法对数字孪生城市交通模拟密度分布图进行实时互动式可视化处理,生成数字孪生城市交通实时模拟可交互视图;
步骤S6:利用循环卷积算法对数字孪生城市建筑三维模型及数字孪生城市交通实时模拟可交互视图进行膨胀卷积及多尺度采样,构建数字孪生智慧城市模型。
2.根据权利要求1所述的方法,其特征在于,步骤S1的具体步骤为:
步骤S11:利用高精分辨率卫星遥感设备对城市进行巡航扫描,获取数字孪生城市空间数据;数字孪生城市多源数据包括城市三维空间数据、城市地理空间数据及城市建筑布局数据;
步骤S12:利用激光雷达对城市建筑内部结构进行激光扫描,生成建筑结构空间数据,建筑结构空间数据包括建筑物形状大小数据、建筑物高程数据、建筑物内部结构数据及建筑物材料数据;
步骤S13:利用交通传感器获取数字孪生城市流量数据,数字孪生城市流量数据包括人流量数据及道路交通流量数据。
3.根据权利要求2所述的方法,其特征在于,步骤S2的具体步骤为:
步骤S21:利用矢量数据标准化算法对数字孪生城市空间数据进行数据标准化,生成数字孪生城市矢量空间基准数据;
步骤S22:利用空间匹配法对数字孪生城市矢量空间基准数据进行空间数据集成,生成三维数字孪生城市数据集;
步骤S23:利用主成分分析法对数字孪生城市流量数据进行主成分降维提取,获取相关因子数据;
步骤S24:利用相关因子权重分析法相关因子数据进行相关因子系数分析,生成标准相关信息因子;
步骤S25:利用最大-最小规范化法对数字孪生城市流量数据进行数据归一化,生成数字孪生城市流量范围数据;
步骤S26:基于标准相关信息因子利用相关信息因子融合算法对数字孪生城市流量范围数据进行数据融合,生成数字孪生城市实时交通模拟数据。
4.根据权利要求3所述的方法,其特征在于,步骤S3的具体步骤为:
步骤S31:对数字孪生城市实时交通模拟数据进行数据预处理,生成数字孪生城市实时交通预处理管道;
步骤S32:利用矩阵分解法对数字孪生城市实时交通预处理管道进行矩阵划分,生成数字孪生城市交通矩阵图;
步骤S33:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点标记,生成数字孪生城市交通流量坐标点网格;
步骤S34:利用空间插值算法的点采样插值对数字孪生城市交通流量坐标点网格进行加权平均计算,获取数字孪生城市交通模拟插值点;
步骤S35:基于数字孪生城市交通模拟插值点利用城市交通流量空间插值距离权重计算公式对数字孪生城市交通流量坐标点网格进行插值映射,生成数字孪生城市交通模拟密度分布图;
其中,步骤S35的城市交通流量空间插值距离权重计算公式具体为:
其中,Wi为第i个采样点的插值权重,wpop,i为第i个采样点的人流量,wtraf,i为第i个采样点的道路交通车流量,qpop,i为第i个采样点的人流量权重值,qtraf,i为第i个采样点的道路交通车流量权重值,θi为第i个采样点与待插值点之间的方位角,di为第i个采样点与待插值点之间的距离,p为衰减指数,λ为衰减速率。
5.根据权利要求4所述的方法,其特征在于,步骤S33的具体步骤为:
步骤S331:利用特征点检测算法对数字孪生城市交通矩阵图进行特征点检测,生成初始数字孪生城市交通特征点数据;
步骤S332:使用特征值阈值限制法对数字孪生城市交通特征点数据进行过滤筛选,生成基准数字孪生城市交通特征点数据;
步骤S333:利用空间三维坐标法对基准数字孪生城市交通特征点数据进行特征点标记,生成数字孪生城市交通特征点坐标;
步骤S334:利用等距离网格算法对数字孪生城市交通特征点坐标进行网格化处理,生成数字孪生城市交通流量坐标点网格。
6.根据权利要求5所述的方法,其特征在于,步骤S4的具体步骤为:
步骤S41:对三维数字孪生城市数据集进行立体像素转化,生成数字孪生城市等大三维立体体素;
步骤S42:利用反距离权重法对数字孪生城市等大三维立体体素进行网格化,生成数字孪生城市网格模型;
步骤S43:利用基于三维建模技术的体素建模法对数字孪生城市网格模型进行三维建模,生成数字孪生城市建筑三维模型。
7.根据权利要求6所述的方法,其特征在于,步骤S5的具体步骤为:
步骤S51:利用深度学习算法对数字孪生城市交通模拟密度分布图进行趋势分析,生成数字孪生城市交通趋势数据;
步骤S52:利用数字孪生城市交通趋势预测公式对数字孪生城市交通趋势数据进行趋势计算,生成数字孪生城市交通趋势图;
步骤S53:利用数字孪生城市交通模拟密度分布图及数字孪生城市交通趋势图进行实时模拟分析,生成数字孪生城市交通实时模拟图;
步骤S54:对数字孪生城市交通实时模拟图进行数据可视化处理,生成数字孪生城市交通实时模拟可视化视图;
步骤S55:用JavaScript库对数字孪生城市交通实时模拟可视化视图进行动态交互化处理,生成数字孪生城市交通实时模拟可交互视图;
其中,步骤S52的数字孪生城市交通趋势预测公式具体为:
其中,x为空间位置向量区域值,t为所处时间段,f(x,t)为x的空间位置向量区域值在所处时间段t的交通流量预测趋势密度,wi(t)为第i个采样点在时间段t时的趋势影响权重,Npop,i为第i个采样点的人流量阈值,Ntraf,i为第i个采样点的车流量阈值,ui为第i个采样点在空间位置均值向量。
8.根据权利要求7所述的方法,其特征在于,步骤S6的具体步骤为:
步骤S61:利用超像素卷积网络对数字孪生城市交通实时模拟可交互视图进行卷积预处理,生成数字孪生城市交通实时模拟特征样本簇;
步骤S62:利用循环卷积算法对数字孪生城市交通实时模拟特征样本簇进行卷积数据切割,生成数字孪生城市交通实时模拟特征网络;
步骤S63:利用膨胀卷积算法对数字孪生城市交通实时模拟特征网络进行边缘特征加强处理,生成数字孪生城市交通实时模拟特征图;
步骤S64:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑特征序列;
步骤S65:利用关联规则算法对数字孪生城市建筑特征序列及数字孪生城市交通实时模拟特征图进行数据挖掘建模,构建数字孪生智慧城市模型。
9.根据权利要求8所述的方法,其特征在于,步骤S64的具体步骤为:
步骤S641:利用多尺度采样算法对数字孪生城市建筑三维模型进行空间金字塔池化多层采样,生成数字孪生城市建筑卷积特征数据;
步骤S642:对数字孪生城市建筑卷积特征数据进行卷积特征映射,生成数字孪生城市建筑卷积特征向量;
步骤S643:利用数字孪生城市建筑卷积特征向量进行向量拼接,生成数字孪生城市建筑特征序列。
10.一种应用于数字孪生城市的空间数据集成系统,其特征在于,包括:
至少一个处理器;
至少一个处理器通信连接的存储器;
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如权利要求1至9中任一项所述的应用于数字孪生城市的空间数据集成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670888.9A CN116843845A (zh) | 2023-06-07 | 2023-06-07 | 一种应用于数字孪生城市的空间数据集成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670888.9A CN116843845A (zh) | 2023-06-07 | 2023-06-07 | 一种应用于数字孪生城市的空间数据集成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843845A true CN116843845A (zh) | 2023-10-03 |
Family
ID=88169664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670888.9A Pending CN116843845A (zh) | 2023-06-07 | 2023-06-07 | 一种应用于数字孪生城市的空间数据集成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843845A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056997A (zh) * | 2023-10-13 | 2023-11-14 | 网思科技股份有限公司 | 一种城市数字孪生可视化协同方法、系统和介质 |
CN117151344A (zh) * | 2023-10-26 | 2023-12-01 | 乘木科技(珠海)有限公司 | 一种数字孪生城市人口管理方法 |
CN117272247A (zh) * | 2023-11-17 | 2023-12-22 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
CN117671181A (zh) * | 2023-12-18 | 2024-03-08 | 深圳云途数字创意科技有限公司 | 基于大数据的智慧城市挛生地图的构建方法及系统 |
CN117828866A (zh) * | 2023-12-29 | 2024-04-05 | 光谷技术有限公司 | 基于数字孪生的虚拟营区构建方法以及相关装置 |
CN117876890A (zh) * | 2024-03-11 | 2024-04-12 | 成都信息工程大学 | 一种基于多级特征融合的多源遥感图像分类方法 |
CN118014327A (zh) * | 2024-04-09 | 2024-05-10 | 适尔科技(山西)有限公司 | 实时大数据驱动的智慧城市管理平台 |
-
2023
- 2023-06-07 CN CN202310670888.9A patent/CN116843845A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056997A (zh) * | 2023-10-13 | 2023-11-14 | 网思科技股份有限公司 | 一种城市数字孪生可视化协同方法、系统和介质 |
CN117056997B (zh) * | 2023-10-13 | 2024-03-22 | 网思科技股份有限公司 | 一种城市数字孪生可视化协同方法、系统和介质 |
CN117151344A (zh) * | 2023-10-26 | 2023-12-01 | 乘木科技(珠海)有限公司 | 一种数字孪生城市人口管理方法 |
CN117151344B (zh) * | 2023-10-26 | 2024-02-02 | 乘木科技(珠海)有限公司 | 一种数字孪生城市人口管理方法 |
CN117272247A (zh) * | 2023-11-17 | 2023-12-22 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
CN117272247B (zh) * | 2023-11-17 | 2024-02-02 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
CN117671181A (zh) * | 2023-12-18 | 2024-03-08 | 深圳云途数字创意科技有限公司 | 基于大数据的智慧城市挛生地图的构建方法及系统 |
CN117828866A (zh) * | 2023-12-29 | 2024-04-05 | 光谷技术有限公司 | 基于数字孪生的虚拟营区构建方法以及相关装置 |
CN117876890A (zh) * | 2024-03-11 | 2024-04-12 | 成都信息工程大学 | 一种基于多级特征融合的多源遥感图像分类方法 |
CN117876890B (zh) * | 2024-03-11 | 2024-05-07 | 成都信息工程大学 | 一种基于多级特征融合的多源遥感图像分类方法 |
CN118014327A (zh) * | 2024-04-09 | 2024-05-10 | 适尔科技(山西)有限公司 | 实时大数据驱动的智慧城市管理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Creating 3D city models with building footprints and LIDAR point cloud classification: A machine learning approach | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
CN105893972B (zh) | 基于影像进行的违章建筑物自动监测方法及其实现系统 | |
Krajewski et al. | Towards better utilization of NEXRAD data in hydrology: An overview of Hydro-NEXRAD | |
CN101149843B (zh) | 一种数字城市的继承式自动生成及实时更新方法 | |
Kraff et al. | The dynamics of poor urban areas-analyzing morphologic transformations across the globe using Earth observation data | |
CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
CN112668461B (zh) | 一种具有野生动物识别的智能监管系统 | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
Li et al. | Fusing taxi trajectories and RS images to build road map via DCNN | |
CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
CN113987969A (zh) | 多高程尺度水流网的陆地水动态仿真模型 | |
Fissore et al. | DSM and DTM for extracting 3D building models: advantages and limitations | |
CN114187404A (zh) | 一种用于近海域高分辨率的三维重建方法和系统 | |
Kaubukowski et al. | Classification of Large and Heterogeneous LiDAR Data Sets | |
CN116958476B (zh) | 一种基于bim数据的建筑物可视化建模方法及系统 | |
Yoon et al. | UAV-based automated 3D modeling framework using deep learning for building energy modeling | |
Guo et al. | A Local Enhancement Method for Large‐Scale Building Facade Depth Images using Densely Matched Point Clouds | |
Abdulhassan | Developing a three-dimensional city modeling with the absence of elevation data | |
CN116630622A (zh) | 一种基于hpct模型的城市区域植被点云语义分割方法 | |
Favorskaya et al. | Digital modelling of terrain surface | |
Magalhães Carneiro | Extraction of urban environmental quality indicators using LiDAR-based Digital Surface Models | |
Verma et al. | FoldingNet Autoencoder model to create a geospatial grouping of CityGML building dataset |
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 |