CN116958649A - 一种街道空间城市功能分类方法及相关设备 - Google Patents
一种街道空间城市功能分类方法及相关设备 Download PDFInfo
- Publication number
- CN116958649A CN116958649A CN202310742840.4A CN202310742840A CN116958649A CN 116958649 A CN116958649 A CN 116958649A CN 202310742840 A CN202310742840 A CN 202310742840A CN 116958649 A CN116958649 A CN 116958649A
- Authority
- CN
- China
- Prior art keywords
- street
- city
- space
- feature
- function
- 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 61
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 72
- 238000010276 construction Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000029305 taxis Effects 0.000 claims 3
- 238000011160 research Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
本发明公开了一种街道空间城市功能分类方法及相关设备,涉及城市功能区分类技术领域,所述方法包括:生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。本发明可以实现更加精细准确的街道功能划分。
Description
技术领域
本发明涉及城市功能区分类技术领域,尤其涉及一种街道空间城市功能分类方法及相关设备。
背景技术
随着我国城市化进程的快速推进,城市建设逐步从增量扩张进入到了存量提质优化阶段。其中,街道空间作为城市中重要组成部分,其品质优化已成为城市建设存量优化的重要目标。街道空间由城市街道及其附属设施、沿线建筑等诸多要素构成,这些元素共同组成了城市居民日常生活的公共活动场所,满足城市居民出行、购物和休闲等需求。然而,传统研究通常只关注于城市街道的交通功能,忽略街道空间作为一种复杂公共活动场所的其他功能类型,给街道空间品质优化带来了阻碍。为满足街道空间系统化、科学化、精细化的优化要求,需要发展一种街道空间的分类方法。
随着地理时空大数据的收集与发展,借助遥感影像、兴趣点、出租车轨迹等多源地理时空大数据识别城市功能区已经成为当前研究的主流。已有学者将出租车轨迹数据应用于城市街道空间功能区分类,将每条出租车轨迹和轨迹经过街道视为语句和词语,采用词向量模型构造每条街道的高维特征,并借助图卷积模型实现了对商业、居住和医疗教育等不同城市街道类型的分类。上述研究技术刻画了城市居民日常的活动特征,来实现城市街道功能区的分类。但是他们仅从这一单一角度进行了街道特征的统计与分析,无法以街道行人视角对街道物理环境要素进行提取,街道城市功能区的划分精度还有待提高。
近年来,基于街景数据对街道环境的研究逐渐丰富成熟,已有学者对街景数据进行语义分割,提取街道物理环境要素并计算街道通行环境的安全性、整洁度、便捷性、舒适性等特征指标,对街道空间进行有效的品质评价。还有学者基于街景图像提取街道的绿视率和天空开阔度等物理建成环境特征,通过基于规则的聚类方法,实现了对街道空间的分类。上述研究技术从街道物理环境方面刻画城市街道空间特征,从而实现城市街道空间的功能划分。然而,单纯的街道物理环境特征是街道空间的静态表征,这使得分类结果还不够精细化。
现有研究已证明,耦合多源地理时空大数据能够获得更好的城市功能识别结果。然而现有研究大都采用街区、规则划分格网和建筑物作为城市功能分类的空间单元,耦合多源地理时空大数据识别街道的城市功能研究较为稀少,降低了街道空间城市功能类型分类的准确性与实用价值和参考价值。
发明内容
针对现有技术中的不足,本发明提供一种街道空间城市功能分类方法及相关设备,实现更加精细准确的街道功能划分。
为实现上述目的,本发明提供以下技术方案:
第一方面,本发明提供一种街道空间城市功能分类方法,其包括步骤:
生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;
生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;
根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。
第二方面,本发明还提供了一种街道空间城市功能分类系统,其包括:
动态居民出行特征构建模块,其用于生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;
多层次街道物理环境特征构建模块,其用于生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;以及,
街道空间功能分类模块,其用于根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。
第三方面,本发明还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
第四方面,本发明还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
第五方面,本发明还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明与现有技术相比,其有益效果在于:
首先,基于隐马尔科夫模型进行出租车轨迹的街道匹配,并获取每条街道上动态的居民出行特征;其次,对街景图像进行语义分割并构造各街道物理环境指标,以此提取出各街道的多层次物理环境特征;最后,利用上述所得的两种特征,采用随机森林模型对各街道的城市功能进行分类。由于从居民活动和物理环境两方面刻画街道的不同特征,使得街道功能划分更加精细准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图进行简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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得其他的附图。
图1为本发明实施例的融合出租车轨迹和社会特征的城市街道空间功能分类方法流程图。
图2为本发明实施例的研究区范围和街道空间分布图。
图3为本发明实施例的广东省深圳市宝安区的城市街道空间功能分类结果示意图。
图4为本发明实施例的融合出租车轨迹和社会特征的城市街道空间功能分类系统的示意图;
图5为本发明实施例的电子设备的示意图。
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、完整的描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例:
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了对本发明的技术特征、目的和效果有更加清楚的理解,本发明具体以广东省深圳市宝安区为研究区,以420万条出租车轨迹和41909张街景图像为研究数据,对937条街道进行功能划分,并对照附图说明本发明的具体实施方式。
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。
本发明所提出的一种融合出租车轨迹与街景图像的街道空间城市功能分类系统,其整体框架如图1所示,包括:动态居民出行特征构建模块,多层次街道物理环境特征构建模块以及街道空间功能分类模块。所述方法包括如下步骤:
步骤1:对出租车轨迹进行街道匹配,并构建街道空间动态的居民出行特征。首先,基于隐马尔科夫模型,将出租车轨迹与实际街道相匹配;继而,统计各街道空间内各时段的轨迹情况,构建起各街道的动态居民出行特征。
所述步骤1的步骤具体为:
步骤101:基于隐马尔科夫模型,以出租车在路段中真实的位置作为模型中的隐藏状态,以出租车轨迹点位置作为模型中的观测状态,通过确定观测概率矩阵和状态概率转移矩阵,即可将出租车轨迹序列映射到实际街道中,得到真实轨迹路径。
具体的,观测概率为
其中,dr,t为真实路段r与轨迹点t的距离。
状态转移概率为:
其中和/>分别为真实路段r上前后两个点r1和r2与一段轨迹观测的前后两个点m和n的距离。
步骤102:将匹配好的出租车轨迹数据按工作日和周末及相应各时段(24小时)进行划分,构建每个街道中的特征序列。三种城市居民出行特征构造方法分别如下:
(1)工作日/周末路过某街道s的平均轨迹数目,用反映该街道在工作日/周末的车流量特征:
[wdfs,1,…,wdfs,24]or[wkfs,1,…,wkfs,24]
其中,wdfs,i为在工作日第i个时段路过街道s的平均轨迹数,wkfs,i为在周末第i个时段路过街道s的平均轨迹数。
(2)工作日/周末某街道s上作为出租车轨迹起点的平均轨迹数目,以反映该街道的居民在工作日/周末的流出特征:
[wdOs,1,…,wdOs,24]or[wkOs,1,…,wkOs,24]
其中,wdOs,i为在工作日第i个时段以街道s为起点的平均轨迹数,wkOs,i为在周末第i个时段以街道s为起点的平均轨迹数。
(3)工作日/周末某街道s上作为出租车轨迹终点的平均轨迹数目,以反映该街道的外来居民在工作日/周末的流入特征:
[wdDs,1,…,wdDs,24]or[wkDs,1,…,wkDs,24]
其中,wdDs,i为在工作日第i个时段以街道s为终点的平均轨迹数,wkDs,i为在周末第i个时段以街道s为终点的平均轨迹数。
在本实施例中,利用上述方法,统计得到各街道工作日及周末各时段的居民出行情况,共144个特征。综合上述特征,反应不同街道的居民活动,为街道功能的刻画提供有效依据。
步骤2:对街景图像进行语义分割,并构建街道空间功能区域物理环境特征。首先将获取到的街景图像输入进OCNet模型中实现图像的语义分割,并提取街道物理环境各要素;进而利用各种环境要素构建街道空间多层次的物理环境特征。
所述步骤2的步骤为:
步骤201:首先,将街景图像输入到OCNet语义分割模型中;继而基于上述模型,为街景图像中的每一个像素赋予类别,实现语义分割;最后,对语义分割后的街景图像统计其不同类型像素的个数、目标位置信息,实现街道物理环境要素提取。街景图像目标提取公式如下:
式中,Pi,element指的是街景采集点i中,要素element在街景图片中的像素总数,d为街景采集点图片的方向,1-5分别为前、后、左、右、上五个方向,Pixeli,element表示街景采集点d方向的街景图片中要素element的像素数。本实施例中,element为建筑物、围墙、车辆、天空、广告牌、树木、道路、草地、人行道、行人等25种街道物理环境要素。
步骤202:基于街景图像语义分割识别的各类要素,分别从单一街道特征、组合街道特征、整体街道特征构建多层次的物理环境特征指标。
具体的,本实施例所构建的街道物理环境特征包括:
(1)所述单一街道特征包括:
道路占比,定义为各街道空间内所有街景图像中道路要素所占的比率;
道路占比标准差,定义为各街道空间内所有街景图像中道路要素所占比率的标准差;
开敞度,定义为各街道空间内所有街景图像中天空要素所占的比率;
开敞度标准差,定义为各街道空间内所有街景图像中天空要素所占比率的标准差;
建筑物占比,定义为各街道空间内所有街景图像中建筑物要素所占的比率;
建筑物占比标准差,定义为各街道空间内所有街景图像中建筑物要素所占比率的标准差;
人行道占比,定义为各街道空间内所有街景图像中人行道要素所占的比率;
人行道占比标准差,定义为各街道空间内所有街景图像中人行道要素所占比率的标准差;
树木占比,定义为各街道空间内所有街景图像中树木要素所占的比率;
树木占比标准差,定义为各街道空间内所有街景图像中树木要素所占比率的标准差;
行人占比,定义为各街道空间内所有街景图像中行人要素所占的比率;
车辆占比,定义为各街道空间内所有街景图像中车辆要素所占的比率;
广告牌占比,定义为各街道空间内所有街景图像中广告牌要素所占的比率;
(2)所述组合街道特征包括:
界面围合度,定义为各街道空间内所有街景图像中建筑物、树木和广告牌要素所占的比率;
界面围合度标准差,定义为各街道空间内所有街景图像中建筑物、树木和广告牌要素所占比率的标准差;
人行空间占比,定义为各街道空间内所有街景图像中人行道、跑道、小路和行人要素所占道路要素的比率;
人行空间占比标准差,定义为各街道空间内所有街景图像中人行道、跑道、小路和行人要素所占道路要素比率的标准差;
围墙界面占比,定义为各街道空间内所有街景图像中围墙和栅栏要素所占的比率;
围墙界面占比标准差,定义为各街道空间内所有街景图像中围墙和栅栏要素所占比率的标准差;
绿视率,定义为各街道空间内所有街景图像中树木、草地和绿色植物要素所占的比率;
绿视率标准差,定义为各街道空间内所有街景图像中树木、草地和绿色植物要素所占比率的标准差;
机动化程度,定义为各街道空间内所有街景图像中纯车行空间要素所占的比率;
机动化程度标准差,定义为各街道空间内所有街景图像中纯车行空间要素所占比率的标准差;
(3)所述整体街道特征包括:
界面多样性,定义为各街道空间内所有街景图像中所有要素的信息熵,计算公式为:
式中,ID为街道空间的界面多样性,n为区域内的所有街景图像个数,m为街景图像中所有街道景观要素的类别个数,Pe为街道景观要素e占街景图片中的像素比例。
界面多样性标准差,定义为各街道空间内所有街景图像中所有要素的信息熵的标准差;
路网密度,定义为各街道空间内所有街景图像中街道长度与区域面积的比值。
在本实例中,依据步骤2得到街道物理环境特征的计算结果,共23个特征。基本有效刻画了街道空间的物理环境格局,为街道功能分类提供依据。
步骤3:构建街道空间城市功能自动分类模型,实现街道功能分类。引入随机森林算法,将所述步骤1、2中的居民出行特征和物理环境特征作为模型输入变量,构建随机森林模型。
具体地,随机森林算法需要两个用户定义的参数,分别是生成决策树的个数和决策树每个节点上的特征数量。为了增强模型的有效性,利用网格搜索法在指定范围内遍历多个参数组合,选择最优的参数进行街道功能自动分类。
在本实例中,定义参数值决策树个数X∈{300,600,900,1200,1500},节点特征数Y∈{3,5,7},基于不同参数组合的模型分类精度如表XX所示。当X=900,Y=5时,随机森林模型的精度最高。将该模型作为街道功能自动分类模型,其分类精度为0.825,分类结果如图3所示。采用本发明的分类模型,能够实现城市街道功能类型的自动识别,省时省力,避免了实地调查和遥感影像目视解译造成的时间成本和人力成本。
表1.基于不同参数组合的随机森林模型分类精度
本发明提出了一种融合出租车轨迹与街景图像的街道空间城市功能分类系统。首先,利用出租车轨迹数据,基于隐马尔科夫模型进行街道匹配,构造并统计分析各街道空间的动态居民出行特征;继而,利用街景数据,通过语义分割提取各类物理环境要素,构建街道空间的多层次物理环境特征;最后,引入随机森林算法,构建街道空间功能自动分类模型,实现街道功能分类。本发明的分类方法及系统成本低、效率高,能够客观的构建不同街道功能特征,实现了更精细化的街道空间的功能划分。
参见图4,基于同一发明构思,本发明实施例还提供一种街道空间城市功能分类系统,其包括:
动态居民出行特征构建模块,其用于生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;
多层次街道物理环境特征构建模块,其用于生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;以及,
街道空间功能分类模块,其用于根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。
由于该系统是本发明实施例的街道空间城市功能分类方法对应的系统,并且该系统解决问题的原理与该方法相似,因此该系统的实施可以参见上述方法实施例的实施过程,重复之处不再赘述。
参见图5,基于同一发明构思,本发明实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现如上所述的街道空间城市功能分类方法。
可以理解的是,存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选地,该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等;存储数据区可存储根据服务器的使用所创建的数据等。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行服务器的各种功能和处理数据。可选地,处理器可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central Processing Unit,CPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统和应用程序等;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器中,单独通过一块芯片进行实现。
由于该电子设备是本发明实施例的街道空间城市功能分类方法对应的电子设备,并且该电子设备解决问题的原理与该方法相似,因此该电子设备的实施可以参见上述方法实施例的实施过程,重复之处不再赘述。
基于同一发明构思,本发明实施例还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的街道空间城市功能分类方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-OnlyMemory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-onlyMemory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-OnlyMemory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-OnlyMemory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
由于该存储介质是本发明实施例的街道空间城市功能分类方法对应的存储介质,并且该存储介质解决问题的原理与该方法相似,因此该存储介质的实施可以参见上述方法实施例的实施过程,重复之处不再赘述。
在一些可能的实施方式中,本发明实施例的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的街道空间城市功能分类方法的步骤。其中,用于执行各个实施例的可执行的计算机程序代码或“代码”可以用诸如C、C++、C#、Smalltalk、Java、JavaScript、Visual Basic、结构化查询语言(例如,Transact-SQL)、Perl之类的高级编程语言或者用各种其它编程语言编写。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种街道空间城市功能分类方法,其特征在于,包括步骤:
生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;
生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;
根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。
2.根据权利要求1所述的街道空间城市功能分类方法,其特征在于,所述生成第一特征,具体包括:
采用基于隐马尔科夫模型的地图匹配算法,将出租车轨迹的数据匹配至城市街道上,
计算每条城市街道的每小时起点、终点和出租车轨迹的数目,构建各街道空间的动态居民出行特征。
3.根据权利要求2所述的街道空间城市功能分类方法,其特征在于,所述采用基于隐马尔科夫模型的地图匹配算法,将出租车轨迹的数据匹配至城市街道上,具体包括:
以出租车在城市街道中真实的位置作为基于隐马尔科夫模型中的隐藏状态,以出租车的轨迹点位置作为基于隐马尔科夫模型中的观测状态,
通过确定观测概率矩阵和状态概率转移矩阵,可将出租车的轨迹序列映射到实际的城市街道中,得到真实的出租车的轨迹路径,其中,
观测概率为
式中,dr,t为真实路段r与轨迹点t的距离;
状态转移概率为:
式中,和/>分别为真实路段r上前后两个点r1和r2与一段轨迹观测的前后两个点m和n的距离。
4.根据权利要求2所述的街道空间城市功能分类方法,其特征在于,所述计算每条城市街道的每小时起点、终点和出租车轨迹的数目,构建各街道空间的动态居民出行特征,具体包括:
将匹配好的出租车的轨迹数据按工作日、周末和时段进行划分,其中,三种城市居民出行特征构造方法分别如下:
工作日或/和周末路过某街道s的平均轨迹数目,以反映该街道在工作日和周末的车流量特征:
[wdfs,1,...,wdfs,24]or[wkfs,1,...,wkfs,24]
式中,wdfs,i为在工作日第i个时段路过街道r的平均轨迹数,wkfs,i为在周末第i个时段路过街道s的平均轨迹数;
工作日或/和周末某街道s上作为出租车轨迹起点的平均轨迹数目,以反映该街道的居民在工作日/周末的流出特征:
[wdOs,1,...,wdOs,24]or[wkOs,1,...,wkOs,24]
其中,wdOs,i为在工作日第i个时段以街道s为起点的平均轨迹数,wkOs,i为在周末第i个时段以街道s为起点的平均轨迹数;
工作日或/和周末某街道s上作为出租车轨迹终点的平均轨迹数目,以反映该街道的外来居民在工作日/周末的流入特征:
[wdDs,1,...,wdDs,24]or[wkDs,1,...,wkDs,24]
其中,wdDs,i为在工作日第i个时段以街道s为终点的平均轨迹数,wkDs,i为在周末第i个时段以街道s为终点的平均轨迹数。
5.根据权利要求1所述的街道空间城市功能分类方法,其特征在于,所述生成第二特征,具体包括:
基于OCNet模型实现图像语义分割,并提取城市街道的物理环境各要素,
利用物理环境各要素构建城市街道空间的多层次物理环境特征。
6.根据权利要求5所述的街道空间城市功能分类方法,其特征在于,所述基于OCNet模型实现图像语义分割,并提取城市街道的物理环境各要素,具体包括:
将街景图像输入到OCNet模型中,为街景图像中的每一个像素赋予类别,实现语义分割;
统计语义分割后的街景图像中不同类别的像素的个数、目标位置信息,实现街道物理环境要素提取,
其中,街景图像的目标提取公式如下:
式中,Pi,element指的是街景采集点i中,要素element在街景图片中的像素总数,d为街景采集点图片的方向,1-5分别为前、后、左、右、上五个方向,Pixeli,element表示街景采集点d方向的街景图片中要素element的像素数。
7.根据权利要求5所述的街道空间城市功能分类方法,其特征在于,所述利用物理环境各要素构建城市街道空间的多层次物理环境特征,具体包括:
分别从单一要素街道特征、组合要素街道特征、整体要素街道特征构建多层次的物理环境特征指标,
其中,所述单一要素街道特征包括道路占比、道路占比标准差、开敞度、开敞度标准差、建筑物占比、建筑物占比标准差、人行道占比、人行道占比标准差、树木占比、树木占比标准差、行人占比和车辆占比;
所述组合要素街道特征包括:界面围合度标准差、人行空间占比、人行空间占比标准差、围墙界面占比、围墙界面占比标准差、绿视率、绿视率标准差、机动化程度和机动化程度标准差;
所述整体要素街道特征包括:界面多样性、界面多样性标准差和路网密度。
8.根据权利要求1所述的街道空间城市功能分类方法,其特征在于,所述根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类,具体包括:
采用随机森林算法,将第一特征和第二特征作为城市街道空间功能自动分类模型输入变量,构建随机森林模型,其中,采用网格搜索法对随机森林模型的参数进行组合遍历,选取最优参数组合实现街道空间功能的自动分类。
9.一种街道空间城市功能分类系统,其特征在于,包括:
动态居民出行特征构建模块,其用于生成第一特征,所述第一特征包含城市街道空间的动态居民出行特征;
多层次街道物理环境特征构建模块,其用于生成第二特征,所述第二特征包含城市街道空间的多层次物理环境特征,其中,所述城市街道空间包含城市街道和所述城市街道的两侧要素;以及,
街道空间功能分类模块,其用于根据所述第一特征和所述第二特征构建城市街道空间功能自动分类模型,利用所述城市街道空间功能自动分类模型进行街道功能分类。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现如权利要求1至8任一所述的街道空间城市功能分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742840.4A CN116958649A (zh) | 2023-06-21 | 2023-06-21 | 一种街道空间城市功能分类方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742840.4A CN116958649A (zh) | 2023-06-21 | 2023-06-21 | 一种街道空间城市功能分类方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958649A true CN116958649A (zh) | 2023-10-27 |
Family
ID=88455656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742840.4A Pending CN116958649A (zh) | 2023-06-21 | 2023-06-21 | 一种街道空间城市功能分类方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216178A (zh) * | 2023-11-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
-
2023
- 2023-06-21 CN CN202310742840.4A patent/CN116958649A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216178A (zh) * | 2023-11-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
CN117216178B (zh) * | 2023-11-07 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242493B (zh) | 一种街道品质评价方法、装置、系统及存储介质 | |
CN108427965B (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
He et al. | Urban neighbourhood environment assessment based on street view image processing: A review of research trends | |
Hipp et al. | Measuring the built environment with Google Street View and machine learning: Consequences for crime on street segments | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
Blanchard | Mathematical analysis of urban spatial networks | |
CN109952592A (zh) | 自动位置相关测量和预测汽车风险的绝对和相对风险系统和方法 | |
Spicer et al. | Street profile analysis: A new method for mapping crime on major roadways | |
CN112418674A (zh) | 基于城市多源数据的街道空间品质测度评价方法和系统 | |
CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN112749825A (zh) | 预测车辆的目的地的方法和装置 | |
CN116958649A (zh) | 一种街道空间城市功能分类方法及相关设备 | |
CN109101559A (zh) | 一种基于poi和公交刷卡数据的城市功能区识别方法 | |
KR20210067861A (ko) | 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체 | |
Li et al. | Fusing taxi trajectories and RS images to build road map via DCNN | |
Zhao et al. | Mapping population distribution based on XGBoost using multisource data | |
Graves McEwan | Qualitative Landscape Theories and Archaeological Predictive Modelling—A Journey Through No Man’s Land? | |
Tang et al. | Assessing the visibility of urban greenery using MLS LiDAR data | |
Ma et al. | Individual structure mapping over six million trees for New York City USA | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
CN116030629B (zh) | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 | |
Boongaling et al. | Developing a street level walkability index in the Philippines using 3D photogrammetry modeling from drone surveys | |
Zhang et al. | Urban Visual Intelligence: Studying Cities with AI and Street-level Imagery |
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 |