CN117079148A - 城市功能区的识别方法、装置、设备和介质 - Google Patents
城市功能区的识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117079148A CN117079148A CN202311339716.XA CN202311339716A CN117079148A CN 117079148 A CN117079148 A CN 117079148A CN 202311339716 A CN202311339716 A CN 202311339716A CN 117079148 A CN117079148 A CN 117079148A
- Authority
- CN
- China
- Prior art keywords
- urban
- units
- city
- graph
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000011835 investigation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Processing Or Creating Images (AREA)
- Instructional Devices (AREA)
Abstract
本申请公开了一种城市功能区的识别方法、装置、设备和介质,属于人工智能领域。方法包括:基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系;根据无向图,得到城市单元对应的空间特征;将空间特征输入图神经网络模型进行编码处理,得到城市单元对应的有效特征,有效特征融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征;将有效特征进行聚类,得到多个聚类簇;基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区。该方法可应用于地图领域,提高城市功能区的识别准确度。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种城市功能区的识别方法、装置、设备和介质。
背景技术
城市功能区是指城市内具备不同主导使用功能的区域(单元或网格)。城市功能区包括:居住区、工业区、办公区、商业区中的至少之一。城市功能区的识别是城市规划编制与土地利用调研的一个重要环节。
相关技术中,城市功能区样本数据由多个城市单元样本数据组成,将城市单元样本数据的区域特征输入神经网络模型,采用无监督学习的方式将城市单元样本数据划分为若干类型,进而实现城市功能区的识别。
然而,上述神经网络模型只能学习到单个城市单元的区域特征,但是,某个城市单元具备的使用功能往往会与其他城市单元存在关联,例如:居住区往往与居住区相邻、工业区往往会互相形成产业组团或大型工业园。相关技术会导致对城市功能区的识别不准确。
发明内容
本申请提供了一种城市功能区的识别方法、装置、设备和介质。所述技术方案如下:
根据本申请的一个方面,提供了一种城市功能区的识别方法,所述方法包括:
基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,所述无向图包括至少两个节点和所述至少两个节点之间的边,所述节点用于表征所述城市单元,所述边用于表征所述城市单元之间存在的空间关联关系;
根据所述无向图,得到所述城市单元对应的空间特征;
将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,所述有效特征融合有所述城市单元、以及与所述城市单元之间存在空间关联关系的其他城市单元的空间特征;
将所述有效特征进行聚类,得到多个聚类簇;基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区。
根据本申请的另一方面,提供了一种城市功能区的识别装置,所述装置包括:
构建模块,用于基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,所述无向图包括至少两个节点和所述至少两个节点之间的边,所述节点用于表征所述城市单元,所述边用于表征所述城市单元之间存在的空间关联关系;
处理模块,用于根据所述无向图,得到所述城市单元对应的空间特征;
所述处理模块,用于将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,所述有效特征融合有所述城市单元、以及与所述城市单元之间存在空间关联关系的其他城市单元的空间特征;
聚类模块,用于将所述有效特征进行聚类,得到多个聚类簇;基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括:处理器和存储器,所述存储器存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如上所述的城市功能区的识别方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序由处理器加载并执行以实现如上所述的城市功能区的识别方法。
根据本申请的另一方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机指令,所述计算机指令存储在计算机可读存储介质中,处理器从所述计算机可读存储介质中获取所述计算机指令,使得所述处理器加载并执行以实现如上所述的城市功能区的识别方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
计算机设备基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系;根据无向图,得到城市单元对应的空间特征;将空间特征输入图神经网络模型进行编码处理,得到城市单元对应的有效特征,有效特征融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征;将有效特征进行聚类,得到多个聚类簇;基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区。据此,通过图神经网络模型,能够使得城市单元的有效特征不仅包括该城市单元自身的信息,还融合了邻近城市单元的信息,实现对城市单元之间的空间关联关系的捕捉。通过图神经网络模型能够实现特征压缩,使得聚类的效果更好,从而能够提高城市功能区的识别准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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示出了一个示例性实施例提供的计算机系统的结构框图;
图2示出了一个示例性实施例提供的城市功能区的识别方法的整体示意图;
图3示出了一个示例性实施例提供的城市功能区的识别方法的流程图;
图4示出了另一个示例性实施例提供的城市功能区的识别方法的流程图;
图5示出了又一个示例性实施例提供的城市功能区的识别方法的流程图;
图6示出了再一个示例性实施例提供的城市功能区的识别方法的流程图;
图7还示出了一个示例性实施例提供的城市功能区的识别方法的流程图;
图8也示出了一个示例性实施例提供的城市功能区的识别方法的流程图;
图9示出了一个示例性实施例提供的城市区域图的示意图;
图10又示出了一个示例性实施例提供的城市功能区的识别方法的流程图;
图11示出了一个示例性实施例提供的城市功能区的识别方法的示意图;
图12示出了一个示例性实施例提供的城市功能区的识别装置的框图;
图13示出了一个示例性实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一参数也可以被称为第二参数,类似地,第二参数也可以被称为第一参数。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
需要进行说明的是,本申请在收集用户的相关数据(例如:城市区域图、样本城市区域图、与街区的相关信息、与地理相关的数据中的至少之一)之前以及在收集用户的相关数据的过程中,都可以显示提示界面、弹窗或输出语音提示信息,该提示界面、弹窗或语音提示信息用于提示用户当前正在搜集其相关数据,使得本申请仅仅在获取到用户对该提示界面或者弹窗发出的确认操作后,才开始执行获取用户相关数据的相关步骤,否则(即未获取到用户对该提示界面或者弹窗发出的确认操作时),结束获取用户相关数据的相关步骤,即不获取用户的相关数据。换句话说,本申请所采集的所有用户数据都是在用户同意并授权的情况下进行采集的,且相关用户数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
首先,对本申请实施例中涉及的名词进行简单介绍。
城市功能区:是指城市内具备不同主导使用功能的区域(单元或网格)。城市功能区包括:居住区、工业区、办公区、商业区中的至少之一。一般地,城市功能区可以通过实地调研勘察获得。
街区(Block):是指由道路围合而成的区域。在地图、城市等领域研究之中,街区可以作为研究分析的基本空间单元。
自编码器(Autoencoder,AE):是指一类在半监督学习和非监督学习中使用的人工神经网络(Artificial Neural Networks,ANNs),其功能是通过将输入信息作为学习目标,对输入信息进行表征学习(Representation Learning),可以实现输入信息的降维与归纳。
图自编码器(Graph Autoencoder,GAE):是指应用在图数据结构上的自编码器。
兴趣点(Point Of Interest,POI):是指地图数据中有意义的信息点,例如:公园、超市、餐厅、小区、商务办公楼、学校、百货商场中的至少之一。
兴趣面(Area Of Interest,AOI):也叫信息面,是指地图数据中的区域状的地理实体,也可以理解为具有轮廓的兴趣点。
人工智能(Artificial Intelligence,AI):是指利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、机电一体化等。其中,预训练模型又称大模型、基础模型,经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
图1示出了本申请一个示例性实施例提供的计算机系统100的结构框图。该计算机系统可以实现成为城市功能区的识别方法的系统架构。该计算机系统100包括:终端120和服务器140。
终端120可以是诸如手机、平板电脑、车载终端(车机)、可穿戴设备、PC(PersonalComputer,个人计算机)、无人预定终端等电子设备。终端120中可以安装运行目标应用程序的客户端,该目标应用程序可以是地图类应用程序,该地图类应用程序安装运行有预先训练的图神经网络模型,该地图类应用程序能够用于城市功能区的识别。该目标应用程序也可以是提供有城市功能区的识别功能的其他应用程序,本申请对此不作限定。另外,本申请对该目标应用程序的形式不作限定,包括但不限于安装在终端120中的App(Application,应用程序)、小程序等,还可以是网页形式。
服务器140可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器140可以是上述目标应用程序的后台服务器,用于为目标应用程序的客户端提供后台服务。
其中,云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
在一些实施例中,上述服务器140还可以实现为区块链系统中的节点。区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链,本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
终端120和服务器140之间可以通过网络进行通信,如有线或无线网络。
本申请实施例提供的城市功能区的识别方法,各步骤的执行主体可以是计算机设备,计算机设备是指具备数据计算、处理和存储能力的电子设备。以图1所示的方案实施环境为例,可以由终端120执行城市功能区的识别方法(如终端120中安装运行的目标应用程序的客户端执行城市功能区的识别方法),也可以由服务器140执行城市功能区的识别方法,或者由终端120和服务器140交互配合执行,本申请对此不作限定。
本领域技术人员可以知晓,上述终端120的数量可以更多或更少。比如:上述终端120可以仅为一个,或为几十个或几百个,或更多数量。本申请实施例对终端120的数量和设备类型不加以限定。
相关技术中,城市功能区的识别存在以下几种方式。
方式1,城市功能区的识别依赖于实地调研勘察,集中在地理学、城乡规划学、土地资源学等研究领域,是城市规划编制与土地利用调研的一个重要环节。这种实地调研勘察的方式对于城市功能区的识别准确性高、数据质量好。
随着基于位置的服务(Location Based Services,LBS)生态蓬勃发展,出现了利用各类时空数据(例如:定位数据、POI数据中的至少之一),并结合机器学习方法对城市功能区进行识别,包括:有监督学习和无监督学习这两种类型。以下分别进行简要介绍。
方式2-1,有监督学习。基于一定规模的标注完善的城市功能区样本数据,将城市功能区样本数据的区域特征输入神经网络模型,以城市功能区样本数据中标注的城市功能区的类型作为学习目标,对神经网络模型的模型参数进行训练,实现城市功能区的识别。
方式2-2,无监督学习。无需标注完善的城市功能区样本数据,将城市功能区样本数据的区域特征输入神经网络模型,通过无监督学习算法对神经网络模型的模型参数进行训练,将城市功能区样本数据划分为若干类型,再通过通过对各个类型的城市单元样本数据进行归纳和语义化,实现城市功能区的识别。
然而,上述方式存在以下几点缺点。
对于方式1,实地调研勘察所需消耗的人力物力、成本巨大,而且难以短期高频重复调研,导致数据的及时性弱、无法高频更新。
对于方式2-1,有监督学习使用的城市功能区样本数据依赖于实地调研勘察的城市现状土地利用图,但是此数据具备获取成本高、现势性弱的缺点,而且往往是非公开数据,缺乏公开渠道的可获取途径。相关技术中的有监督学习在实现成本上相对较高、可行性较弱。
对于方式2-2,无监督学习大多只考虑单个空间单元(区域或网格)自身的特征,缺乏对邻近空间单元或关联空间单元的特征的考虑。但是,城市功能区是城市中不同区域承载不同功能的空间表征,正如地理学第一定律所描述的:“所有事物都与其他事物相关,但是近处的事物比远处的事物更相关”,因此,某个空间单元所承载的功能往往与邻近的空间单元存在关联性,例如:居住区往往与居住区相邻、工业区往往会互相形成产业组团或大型工业园。相关技术中的无监督学习会导致对城市功能区的识别不准确。
本申请实施例提供了一种城市功能区的识别方法。图2示出了本申请的一个示例性实施例提供的城市功能区的识别方法的整体示意图。以该方法应用于计算机设备为例进行说明,计算机设备可以是图1所示的终端120和/或服务器140。
本申请实施例的城市功能区的识别方法的步骤简述如下。
步骤1,基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系。
步骤2,根据无向图,得到城市单元对应的空间特征10;具体地,空间特征10可以包括空间单元特征和空间邻接矩阵中的至少之一,空间单元特征用于表征城市单元自身的特征,空间邻接矩阵用于指示无向图中的与该城市单元之间存在连边的城市单元。
步骤3,将空间特征10输入图神经网络模型20进行编码处理,得到城市单元对应的有效特征30,有效特征30融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征;具体地,图神经网络20包括编码器21,编码器21包括依次级联的图神经网络层22和图神经网络层23,图神经网络层22和图神经网络层23均可以是图注意力网络层(Graph Attention Networks,GAT)。
步骤4,将有效特征进行聚类,得到多个聚类簇40;基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区50;具体地,可以根据对聚类簇中的有效特征进行特征统计,以及借助地理信息平台进行地理空间可视化,从而判别该聚类簇对应的语义,例如,判别出该聚类簇表示居住区、商业区或产业区,完成城市功能区的识别。
综上所述,本申请实施例提供的城市功能区的识别方法可以应用在地图领域中,是一种无监督学习的方案,具有实现成本低、无需标注样本的优点,规避了现状调研方案和有监督学习方案的缺点。由于图神经网络模型对特征维度进行了一定的压缩,因此在较低的维度上聚类的效果会比在较高的维度上聚类的效果更好,规避聚类时的维度灾难问题。经过图神经网络模型得到的有效特征,不仅包括该城市单元(节点)自身的信息,还融合了邻近城市单元(节点)的信息,实现了邻近空间信息的捕捉与融合,提高了聚类效果,最终能够提高城市功能区的识别准确度。
图3示出了本申请的一个示例性实施例提供的城市功能区的识别方法的流程图。以该方法应用于计算机设备为例进行举例说明,该计算机设备可以是图1所示的终端120和/或服务器140。该方法包括步骤220、步骤240、步骤260和步骤280。
步骤220,基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系。
城市区域图是指待识别出城市功能区的某城市的区域地图。
城市单元是指对城市功能区进行识别分析的基本空间单元。
示例性的,城市单元是基于街区(Block)确定的,街区是指由道路围合而成的区域。本实施例中,可以将一个街区作为城市区域图中的一个城市单元,或,将多个相邻的街区作为一组,将一组街区作为城市区域图中的一个城市单元。城市单元还可以是按照规整网格确定的,网格是具有一定大小、形状的图形。本实施例中,可以将一个网格作为城市区域图中的一个城市单元,或,将多个相邻的网格作为一组,将一组网格作为城市区域图中的一个城市单元。
无向图(Undirected Graph)是指边没有方向的图。
空间关联关系是指在地理空间上存在关联关系。
可选地,空间关联关系包括空间邻接关系和距离内关系中的至少之一。空间邻接关系是基于至少两个城市单元对应的轮廓确定的,用于表示至少两个城市单元的轮廓存在交集。距离内关系是基于至少两个城市单元之间的距离确定的,用于表示至少两个城市单元之间的距离小于等于阈值。
示例性的,无向图包括至少两个节点(Node)和至少两个节点之间的边(Edge),节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系。在两个城市单元之间存在空间关联关系的情况下,则将这两个城市单元对应的节点连接成边。
示例性的,计算机设备基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系。
在一些实施例中,计算机设备根据城市区域图中的道路,将城市区域图划分为多个城市单元。基于城市单元之间是否存在空间关联关系,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系。
在一些实施例中,无向图还携带有每个节点(城市单元)对应的特征信息。特征信息包括但不限于是以下三种。在实际应用中,无向图可以携带其中的一种或多种特征信息。
特征信息1,城市单元对应的兴趣点POI的数量、数量占比与兴趣点类型。
兴趣点类型包括餐饮类兴趣点、超市类兴趣点、公园类兴趣点、住宅类兴趣点、商务楼宇类兴趣点、学校类兴趣点、工厂类兴趣点中的至少之一。
兴趣点的数量是指餐饮类兴趣点、超市类兴趣点、公园类兴趣点、住宅类兴趣点、商务楼宇类兴趣点、学校类兴趣点、工厂类兴趣点中的至少之一各自对应的数量。
兴趣点的数量占比是指将兴趣点的数量转换为数量百分比。对于一种兴趣点类型,兴趣点类型对应的兴趣点的数量占比的计算方式为:兴趣点类型对应的兴趣点的数量占比=兴趣点类型对应的兴趣点的数量/所有兴趣点类型对应的兴趣点的总数量*100%。
例如,将街区中餐饮类兴趣点的数量转化为街区中餐饮类兴趣点的数量占比,计算方式为:街区中餐饮类兴趣点的数量占比=街区中餐饮类兴趣点的数量/街区中所有兴趣点类型对应的兴趣点的总数量*100%。
特征信息2,城市单元对应的兴趣面AOI的面积、面积占比与兴趣面类型。
兴趣面类型包括餐饮类兴趣面、超市类兴趣面、公园类兴趣面、住宅类兴趣面、商务楼宇类兴趣面、学校类兴趣面、工厂类兴趣面中的至少之一。
兴趣面的面积是指餐饮类兴趣面、超市类兴趣面、公园类兴趣面、住宅类兴趣面、商务楼宇类兴趣面、学校类兴趣面中的至少之一各自对应的面积。
兴趣面的面积占比是指将兴趣面的面积转换为面积百分比。对于一种兴趣面类型,兴趣面类型对应的兴趣面的面积占比的计算方式为:兴趣面类型对应的兴趣面的面积占比=兴趣面类型对应的兴趣面的面积/所有兴趣面类型对应的兴趣面的总面积*100%。
例如,将街区中公园类兴趣面的面积转化为街区中公园类兴趣面的面积占比,计算方式为:街区中公园类兴趣面的面积占比=街区中公园类兴趣面的面积/街区的轮廓对应的总面积*100%。
特征信息3,城市单元对应的不同时段中的用于定位的移动设备的设备数量、设备数量占比与移动设备类型。
移动设备可以是去标识化的互联网设备、车辆设备、共享设备中的至少一种。移动设备具有定位功能,并支持将工作信息、定位信息发送给计算机设备。具体地,工作信息包括是否处于工作状态、处于工作状态的时段和处于非工作状态的时段。定位信息包括移动设备自身的位置信息以及与移动设备建立有通信连接的周侧移动设备的位置信息。
时段可以是按照小时划分的小时窗口,例如,每天的0时、1时、2时、……、23时。时段还可以是按照工作日与节假日分别划分的小时窗口,例如,工作日0时、工作日1时、工作日2时、……、工作日23时;节假日0时、节假日1时、节假日2时、……、节假日23时。
移动设备的设备数量占比是指将移动设备的设备数量转换为数量百分比。对于一个时段,移动设备的设备数量占比的计算方式为:移动设备的设备数量占比=移动设备的设备数量/所有时段的移动设备的设备数量之和*100%。
例如,将街区中工作日1时的设备数量转化为街区中工作日1时的设备数量占比,计算方式为:街区中工作日1时的设备数量占比=街区中工作日1时的设备数量/街区所有时段的移动设备的设备数量之和*100%。
步骤240,根据无向图,得到城市单元对应的空间特征。
空间特征是基于无向图确定的每个城市单元对应的特征。
示例性的,计算机设备根据无向图,得到城市单元对应的空间特征。
可选地,空间特征包括空间单元特征和空间邻接矩阵中的至少之一,空间单元特征用于表征城市单元自身的特征,空间邻接矩阵用于指示无向图中的与该城市单元之间存在连边的城市单元。在一些实施例中,空间邻接矩阵也称为二维邻接矩阵,空间单元特征也称为节点特征。
在一些实施例中,将空间邻接矩阵表示为A,A的大小为N*N,其中,N为城市单元的数量。A[i][j]=1用于表示第i个城市单元与第j个城市单元之间存在连接关系边,A[i][j]=0用于表示第i个城市单元与第j个城市单元不存在连接关系边。本实施例中,还设置A[i][i]=1,即对图增加自环。示例性的,将空间单元特征表示为X,X的大小为N*D,其中,N为城市单元的数量,D为城市单元附带的特征的数量。
可选地,对空间特征进行标准化处理,得到标准化后的空间特征。具体地,还对空间邻接矩阵、空间单元特征分别进行标准化处理,得到标准化后的空间邻接矩阵与标准化后的空间单元特征。
步骤260,将空间特征输入图神经网络模型进行编码处理,得到城市单元对应的有效特征,有效特征融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征。
图神经网络模型是用于处理图数据的神经网络结构。
可选地,图神经网络模型是在步骤220之前或在步骤260之前预先训练好的图神经网络模型。
有效特征是经过图神经网络模型进行编码处理后的空间特征。
可选地,计算机设备将空间特征输入图神经网络模型进行编码处理,得到城市单元对应的有效特征,有效特征融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征。
示例性的,有效特征对应的特征维度小于空间特征对应的特征维度,相当于图神经网络对空间特征的特征维度进行了一定的压缩。
步骤280,将有效特征进行聚类,得到多个聚类簇;基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区。
聚类是指将所有的有效特征分成由类似的有效特征组成的多个聚类簇。同一个聚类簇中的有效特征彼此相似,与其他聚类簇中的有效特征不相似。
可选地,计算机设备采用聚类算法将有效特征进行聚类,得到多个聚类簇。聚类算法包括以下至少一种:K均值聚类算法(K-Means Clustering Algorithm,K-Means)、层次聚类算法、基于密度的聚类算法(Density-Based Spatial Clustering of Applicationswith Noise,DBSCAN)。
可选地,计算机设备基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区。具体地,根据对聚类簇中的有效特征进行特征统计,以及借助地理信息平台进行地理空间可视化,从而判别该聚类簇对应的语义,例如,判别出该聚类簇表示居住区、商业区或产业区,完成城市功能区的识别。
综上所述,本申请实施例提供的城市功能区的识别方法,通过基于城市区域图中的城市单元,构建城市区域图对应的无向图,无向图包括至少两个节点和至少两个节点之间的边,节点用于表征城市单元,边用于表征城市单元之间存在的空间关联关系;根据无向图,得到城市单元对应的空间特征;将空间特征输入图神经网络模型进行编码处理,得到城市单元对应的有效特征,有效特征融合有城市单元、以及与城市单元之间存在空间关联关系的其他城市单元的空间特征;将有效特征进行聚类,得到多个聚类簇;基于各聚类簇包含的有效特征,识别城市区域图中的城市功能区。据此,通过图神经网络模型,能够使得城市单元的有效特征不仅包括该城市单元自身的信息,还融合了邻近城市单元的信息,实现对城市单元之间的空间关联关系的捕捉。通过图神经网络模型能够实现特征压缩,使得聚类的效果更好,从而能够提高城市功能区的识别准确度。
图4示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。上述步骤280可选实现为步骤282和步骤284。
步骤282,对每个聚类簇包含的有效特征进行特征统计,确定每个聚类簇中有效特征对应的特征信息。
可选地,无向图中携带有每个节点(城市单元)对应的特征信息。特征统计是指对有效特征对应的城市单元在无向图中携带的特征信息进行统计。
其中,特征信息包括城市单元对应的兴趣点的数量、数量占比与兴趣点类型,兴趣面的面积、面积占比与兴趣面类型,不同时段中的用于定位的移动设备的设备数量、设备数量占比与移动设备类型中的至少之一。
示例性的,计算机设备对每个聚类簇包含的有效特征进行特征统计,确定每个聚类簇中有效特征对应的特征信息。
步骤284,基于特征信息,识别城市区域图中的城市功能区。
示例性的,计算机设备基于每个聚类簇对应的特征信息,识别城市区域图中的城市功能区。具体地,计算机设备将每个聚类簇对应的特征信息进行比较,确定每个聚类簇分别对应的占比最高的特征信息类型,基于每个聚类簇分别对应的占比最高(或占比平均值最高)的特征信息类型对应的语义,确定每个聚类簇对应的城市功能区。
例如:以城市单元是街区为例,通过聚类算法将城市区域图中的多个街区划分为若干聚类簇后,每个聚类簇包含一定数量的街区,对于某个聚类簇,统计该簇内所有街区的有效特征对应的特征信息,特征信息包括以下至少一种:街区中不同类型的兴趣点的数量占比、街区中不同类型的兴趣面的面积占比、街区中不同时段的移动设备的设备数量占比,确定每个聚类簇对应的每种类型的特征信息的占比平均值。根据占比平均值的情况,确定聚类簇赋予城市功能区语义。
1)当某聚类簇的街区中居住小区AOI面积占比平均值,高于其他聚类簇的街区中居住小区AOI面积占比平均值,且该聚类簇的街区中晚上时段移动设备的设备数量占比的平均值,高于其他聚类簇的街区中晚上时段移动设备定位量占比的平均值时,则表示该聚类簇的街区中居住小区占比高、用户倾向于夜间定位代表居住区的可能性较大,确定该聚类簇的街区对应的城市功能区为居住区。
2)当某聚类簇的街区中公司企业、商务楼宇类POI数量占比的平均值,高于其他聚类簇的街区中公司企业、商务楼宇类POI数量的平均值,且该聚类簇的街区中日间时段移动设备的设备数量占比的平均值,高于其他聚类簇的街区中日间时段移动设备的设备数量占比的平均值,则表示该聚类簇的街区中商务类POI占比高、用户倾向于日间定位代表商务办公区的可能性较大,确定该聚类簇的街区对应的城市功能区为办公区。
本实施例中,通过统计聚类簇中的有效特征对应的城市单元的特征信息,能够基于特征信息表征出每个聚类簇中的占比最高的特征信息类型,由于同一聚类簇包含的有效特征相近,不同聚类簇包含的有效特征相异,本实施例的方式能够较为准确地确定聚类簇对应的城市功能区,提高了城市功能区的识别准确度。
图5示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。上述步骤280可选实现为步骤286和步骤288,或,步骤280在实现为步骤282和步骤284的基础上,还采用步骤286和步骤288进行辅助识别。
步骤286,将每个聚类簇包含的有效特征对应的城市单元进行地理空间可视化,得到每个聚类簇对应的区域轮廓。
地理空间可视化是指城市单元的地理信息数据的可视化,能够用于展示出城市单元的空间分布上的规律,用于挖掘深层次信息。
区域轮廓是指由聚类簇中的有效特征对应的城市单元所组成的整体轮廓。
示例性的,计算机设备基于地理信息平台,将城市区域图作为地理图形背景,将每个聚类簇包含的有效特征对应的城市单元的图形,在地理图形背景上进行绘制,以实现地理空间可视化,得到每个聚类簇对应的区域轮廓。
在一些实施例中,地理信息平台包括交互式的、分布式的、动态的在线图形地理信息系统(Web Geographic Information System,Web GIS)。
步骤288,基于区域轮廓对应的地理信息,识别城市区域图中的城市功能区;其中,地理信息包括地理实体的类型、街景图像和卫星遥感影像中的至少之一。
示例性的,计算机设备获取区域轮廓对应的地理信息,基于区域轮廓对应的地理信息的类型,确定城市区域图中的城市功能区。其中,地理信息的类型与城市功能区之间存在预先存储的对应关系。地理信息包括地理实体的类型、街景图像和卫星遥感影像中的至少之一。
例如,以城市单元是街区为例。通过聚类算法将城市区域图中的多个街区划分为若干聚类簇后,每个聚类簇包含一定数量的街区,对于某个聚类簇,将该聚类簇中的街区轮廓可视化渲染在在线地图WebGIS系统中。
1)基于在线地图WebGIS系统中街区轮廓对应的地理信息实体的类型,比如,各聚类簇对应的地理信息实体的类型分别是:小区、商务楼宇、医院,则各聚类簇的街区对应的城市功能区分别为:居住区、商务办公区、公共服务设施区。
2)基于在线地图WebGIS系统中街区轮廓对应的街道的街景图像,识别街景图像中的关键物品和/或关键词,将关键物品和/或关键词对应的语义确定为该聚类簇对应的城市功能区。假设街景图像的关键词是xx饭店、xx饭馆等,则确定该聚类簇中街区对应的城市功能区为商业区。
3)基于在线地图WebGIS系统中街区轮廓对应的卫星遥感影像,根据卫星遥感图像表征的类型,确定该簇街区对应的城市功能区。其中,根据卫星遥感影像可以快速识别公园绿地、交通设施等城市功能区。
本实施例中,通过结合地理信息平台,对每个聚类簇中包含的城市单元进行地理空间可视化,能够比较直观的看到聚类簇对应的形状轮廓和所在位置,通过进一步结合卫星遥感图像、地理实体、街景图像识别城市功能区,能够根据实际的地理信息辅助识别,能够提高城市功能区的识别准确度。
接下来,对图神经网络模型的预测阶段进行说明。
图6示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。在一些实施例中,图神经网络模型包括编码器(Encoder),该图神经网络模型是预先训练好的图神经网络模型。上述步骤260可选替换为步骤262。
步骤262,将空间特征输入图神经网络模型,通过编码器进行编码处理,得到城市单元对应的有效特征。
示例性的,计算机设备将空间特征输入图神经网络模型,通过编码器进行编码处理,得到城市单元对应的有效特征。
具体地,编码器包括依次级联的多层图神经网络层,多层图神经网络层也即至少两层图神经网络层。在一些实施例中,图神经网络层的类型是图注意力网络层(GraphAttention Network,GAT)。则步骤262可选替换为步骤262A。
步骤262A,将空间特征输入图神经网络模型,通过编码器中的多层图神经网络层依次进行编码处理,得到城市单元对应的有效特征。
示例性的,计算机设备将空间特征输入图神经网络模型,通过编码器中的多层图神经网络层依次进行编码处理,得到城市单元对应的有效特征。
本实施例中,通过图神经网络模型能够获得更加准确的有效特征,并使得有效特征融合该城市单元的本身的信息以及存在空间关联关系的其他城市单元的信息,有利于提高聚类结果的准确度。
接下来,对构建城市区域图对应的无向图进行介绍。本实施例中,无向图存在两种构建方式,实际应用中,可以任选其中一种方式使用或两种结合使用。
·构建方式1。
图7示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。在一些实施例中,城市单元之间存在的空间关联关系包括空间邻接关系,空间邻接关系是基于至少两个城市单元对应的轮廓确定的,用于表示至少两个城市单元的轮廓存在交集。上述步骤220具体实现为步骤221、步骤222、步骤223、步骤224、步骤225和步骤226。
步骤221,确定城市区域图中的n个城市单元。
步骤222,确定当前遍历的n个城市单元中的第i个城市单元。
步骤223,将第i个城市单元的轮廓向外膨胀,得到膨胀后的第i个城市单元。
步骤224,在膨胀后的第i个城市单元的膨胀后的轮廓,与第j个城市单元的轮廓存在交集的情况下,确定第i个城市单元与第j个城市单元之间存在空间邻接关系。
步骤225,将i更新为i+1,重复执行确定当前遍历的n个城市单元中的第i个城市单元的步骤,直至n个城市单元全部遍历完毕,确定n个城市单元之间存在的空间邻接关系。
步骤226,基于n个城市单元以及n个城市单元之间存在的空间邻接关系,构建城市区域图对应的无向图;其中,i、j小于等于n,i不等于j。
具体地,将一个街区作为城市区域图中的一个城市单元。确定城市区域图中的n个街区,确定当前遍历的n个街区中的第i个街区;对第i个街区的轮廓向外膨胀,膨胀距离设置为自定义参数d,可选设置d=50m。膨胀后的第i个街区的膨胀后轮廓,若与第j个街区的轮廓存在交集(重叠),则确定第i个街区与第j个街区之间存在空间邻接关系,即第i个街区在无向图中对应的第i个节点与第j个街区在无向图中对应的第j个节点之间需要构建边连接。将i更新为i+1,重复执行确定当前遍历的n个街区中的第i个街区的步骤,直至n个街区全部遍历完毕,确定n个街区之间存在的空间邻接关系。基于n个街区以及n个街区之间存在的空间邻接关系,n个街区对应于n个节点,存在空间邻接关系的节点之间连边,构建城市区域图对应的无向图。
·构建方式2。
图8示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。在一些实施例中,城市单元之间存在的空间关联关系包括距离内关系;距离内关系是基于至少两个城市单元之间的距离确定的,用于表示至少两个城市单元之间的距离小于等于阈值。上述步骤220具体实现为步骤221、步骤222、步骤227、步骤228和步骤229。
步骤221,确定城市区域图中的n个城市单元。
步骤222,确定当前遍历的n个城市单元中的第i个城市单元。
步骤227,在第i个城市单元,与第j个城市单元之间的距离小于或等于阈值的情况下,确定第i个城市单元与第j个城市单元之间存在距离内关系。
步骤228,将i更新为i+1,重复执行确定当前遍历的n个城市单元中的第i个城市单元的步骤,直至n个城市单元全部遍历完毕,确定n个城市单元之间存在的距离内关系。
步骤229,基于n个城市单元以及n个城市单元之间存在的距离内关系,构建城市区域图对应的无向图;其中,i、j小于等于n,i不等于j。
具体地,将一个街区作为城市区域图中的一个城市单元。确定城市区域图中的n个街区,确定当前遍历的n个街区中的第i个街区。第i个街区与第j个街区之间距离的定义为第i个街区的轮廓几何质心与第j个街区的轮廓几何质心的直线平面距离,或定义为第i个街区的轮廓到第j个街区的轮廓的最短距离。阈值设置为自定义参数t,可选设置t=200m。若第i个街区与第j个街区之间的距离小于等于阈值t,则确定第i个街区与第j个街区存在距离内关系,即第i个街区对应的第i个节点与第j个街区对应的第j个节点之间需要构建边连接。将i更新为i+1,重复执行确定当前遍历的n个街区中的第i个街区的步骤,直至n个街区全部遍历完毕,确定n个街区之间存在的距离内关系。基于n个街区以及n个街区之间存在的距离内关系,n个街区对应于n个节点,存在距离内关系的节点之间连边,构建城市区域图对应的无向图。
图9示出了本申请一个示例性实施例提供的城市区域图的示意图。该城市区域图中包括A街区、B街区、C街区和D街区,分别对应于无向图中的A节点、B节点、C节点和D节点。以A街区为当前遍历的街区、空间关联关系是空间邻接关系为例,假设A街区的膨胀后的轮廓分别与B街区、C街区、D街区的轮廓存在交集,则在无向图中将A节点分别与B节点和C节点连边。以A街区为当前遍历的街区、空间关联关系是距离内关系为例,假设A街区分别与B街区、D街区的距离小于等于阈值,则在无向图中将A节点分别与B节点和D节点连边。后续遍历可以依次将B街区、C街区和D街区作为当前遍历的街区,直至确定所有街区之间的空间关联关系,根据街区和街区之间的空间关联关系确定城市区域图对应的无向图。
上述实施例中,提供了无向图的多种构建方式,实际应用时可以根据实际技术需要进行选择,提高了构建城市区域图对应的无向图的灵活性。
接下来,对图神经网络模型的训练阶段进行介绍。
图10示出了本申请一个示例性实施例提供的城市功能区的识别方法的流程图。在步骤220之前,或,在步骤260之前,该方法还包括步骤320、步骤340、步骤360和步骤380。
步骤320,基于样本城市区域图中的样本城市单元,构建样本城市区域图对应的样本无向图,样本无向图包括至少两个样本节点和至少两个样本节点之间的样本边,样本节点用于表征样本城市单元,样本边用于表征样本城市单元之间存在的空间关联关系。
样本城市区域图是训练阶段使用的某城市的区域地图。
样本城市单元是指对城市功能区进行识别分析的基本空间单元。
示例性的,样本城市单元是基于街区(Block)确定的,街区是指由道路围合而成的区域。本实施例中,可以将一个街区作为样本城市区域图中的一个样本城市单元,或,将多个相邻的街区作为一组,将一组街区作为样本城市区域图中的一个样本城市单元。样本城市单元还可以是按照规整网格确定的,网格是具有一定大小、形状的图形。本实施例中,可以将一个网格作为样本城市区域图中的一个样本城市单元,或,将多个相邻的网格作为一组,将一组网格作为样本城市区域图中的一个样本城市单元。
样本无向图(Undirected Graph)是指边没有方向的图。
空间关联关系是指在地理空间上存在关联关系。
可选地,空间关联关系包括空间邻接关系和距离内关系中的至少之一。空间邻接关系是基于至少两个样本城市单元对应的轮廓确定的,用于表示至少两个样本城市单元的轮廓存在交集。距离内关系是基于至少两个样本城市单元之间的距离确定的,用于表示至少两个样本城市单元之间的距离小于等于阈值。
示例性的,样本无向图包括至少两个样本节点(Node)和至少两个样本节点之间的样本边(Edge),样本节点用于表征样本城市单元,样本边用于表征样本城市单元之间存在的空间关联关系。在两个样本城市单元之间存在空间关联关系的情况下,则将这两个样本城市单元对应的样本节点连接成边。
示例性的,计算机设备基于样本城市区域图中的样本城市单元,构建样本城市区域图对应的样本无向图,样本无向图包括至少两个样本节点和至少两个样本节点之间的边,样本节点用于表征样本城市单元,样本边用于表征样本城市单元之间存在的空间关联关系。
在一些实施例中,计算机设备根据样本城市区域图中的道路,将样本城市区域图划分为多个样本城市单元。基于样本城市单元之间是否存在空间关联关系,构建样本城市区域图对应的样本无向图。
在一些实施例中,样本无向图还携带有每个样本节点(样本城市单元)对应的特征信息。特征信息包括但不限于是以下三种。在实际应用中,样本无向图可以携带其中的一种或多种特征信息。
特征信息1,样本城市单元对应的兴趣点POI的数量、数量占比与兴趣点类型。
兴趣点类型包括餐饮类兴趣点、超市类兴趣点、公园类兴趣点、住宅类兴趣点、商务楼宇类兴趣点、学校类兴趣点、工厂类兴趣点中的至少之一。
兴趣点的数量是指餐饮类兴趣点、超市类兴趣点、公园类兴趣点、住宅类兴趣点、商务楼宇类兴趣点、学校类兴趣点、工厂类兴趣点中的至少之一各自对应的数量。
兴趣点的数量占比是指将兴趣点的数量转换为数量百分比。对于一种兴趣点类型,兴趣点类型对应的兴趣点的数量占比的计算方式为:兴趣点类型对应的兴趣点的数量占比=兴趣点类型对应的兴趣点的数量/所有兴趣点类型对应的兴趣点的总数量*100%。
例如,将街区中餐饮类兴趣点的数量转化为街区中餐饮类兴趣点的数量占比,计算方式为:街区中餐饮类兴趣点的数量占比=街区中餐饮类兴趣点的数量/街区中所有兴趣点类型对应的兴趣点的总数量*100%。
特征信息2,样本城市单元对应的兴趣面AOI的面积、面积占比与兴趣面类型。
兴趣面类型包括餐饮类兴趣面、超市类兴趣面、公园类兴趣面、住宅类兴趣面、商务楼宇类兴趣面、学校类兴趣面、工厂类兴趣面中的至少之一。
兴趣面的面积是指餐饮类兴趣面、超市类兴趣面、公园类兴趣面、住宅类兴趣面、商务楼宇类兴趣面、学校类兴趣面中的至少之一各自对应的面积。
兴趣面的面积占比是指将兴趣面的面积转换为面积百分比。对于一种兴趣面类型,兴趣面类型对应的兴趣面的面积占比的计算方式为:兴趣面类型对应的兴趣面的面积占比=兴趣面类型对应的兴趣面的面积/所有兴趣面类型对应的兴趣面的总面积*100%。
例如,将街区中公园类兴趣面的面积转化为街区中公园类兴趣面的面积占比,计算方式为:街区中公园类兴趣面的面积占比=街区中公园类兴趣面的面积/街区的轮廓对应的总面积*100%。
特征信息3,样本城市单元对应的不同时段中的用于定位的移动设备的设备数量、设备数量占比与移动设备类型。
移动设备可以是去标识化的互联网设备、车辆设备、共享设备中的至少一种。移动设备具有定位功能,并支持将工作信息、定位信息发送给计算机设备。具体地,工作信息包括是否处于工作状态、处于工作状态的时段和处于非工作状态的时段。定位信息包括移动设备自身的位置信息以及与移动设备建立有通信连接的周侧移动设备的位置信息。
时段可以是按照小时划分的小时窗口,例如,每天的0时、1时、2时、……、23时。时段还可以是按照工作日与节假日分别划分的小时窗口,例如,工作日0时、工作日1时、工作日2时、……、工作日23时;节假日0时、节假日1时、节假日2时、……、节假日23时。
移动设备的设备数量占比是指将移动设备的设备数量转换为数量百分比。对于一个时段,移动设备的设备数量占比的计算方式为:移动设备的设备数量占比=移动设备的设备数量/所有时段的移动设备的设备数量之和*100%。
例如,将街区中工作日1时的设备数量转化为街区中工作日1时的设备数量占比,计算方式为:街区中工作日1时的设备数量占比=街区中工作日1时的设备数量/街区所有时段的移动设备的设备数量之和*100%。
步骤340,根据样本无向图,得到样本城市单元对应的样本空间特征。
样本空间特征是基于样本无向图确定的每个样本城市单元对应的特征。
示例性的,计算机设备根据样本无向图,得到样本城市单元对应的样本空间特征。
可选地,样本空间特征包括样本空间单元特征和样本空间邻接矩阵中的至少之一,样本空间单元特征用于表征样本城市单元自身的特征,样本空间邻接矩阵用于指示样本无向图中的与该样本城市单元之间存在连边的样本城市单元。在一些实施例中,样本空间邻接矩阵也称为二维样本邻接矩阵,样本空间单元特征也称为样本节点特征。
在一些实施例中,将样本空间邻接矩阵表示为A,A的大小为N*N,其中,N为样本城市单元的数量。A[i][j]=1用于表示第i个样本城市单元与第j个样本城市单元之间存在连接关系边,A[i][j]=0用于表示第i个样本城市单元与第j个样本城市单元不存在连接关系边。本实施例中,还设置A[i][i]=1,即对图增加自环。示例性的,将样本空间单元特征表示为X,X的大小为N*D,其中,N为样本城市单元的数量,D为样本城市单元附带的特征的数量。
可选地,对样本空间单元特征X进行标准化处理,例如:标准差标准化,得到标准化处理后的样本空间单元特征。对样本空间邻接矩阵A进行规范化处理,得到规范化处理后的样本空间邻接矩阵。
步骤360,将样本空间特征输入待训练的图神经网络模型依次进行编码处理与解码处理,得到样本城市单元对应的复原特征。
复原特征是样本空间特征经过待训练的图神经网络模型依次进行编码处理与解码处理后得到的城市单元对应的特征。
示例性的,待训练的图神经网络模型(也称为待训练的图自编码器)包括依次级联的编码器(Encoder)和解码器(Decoder)。其中,编码器包括依次级联的至少两层图神经网络层(GNN),解码器包括依次级联的至少两层图神经网络层。编码器的输入为样本空间特征,编码器的输出作为解码器的输入,解码器的输出为复原特征。
以样本城市单元是街区为例。编码器由LE个图神经网络层组成,将编码器的第个图神经网络层的输出表示为/>,大小为N*hE1,其中,N为街区的数量,hE1为编码器第/>层图神经网络层的输出维数,将样本空间单元特征X作为编码器第/>个图神经网络层的输入,从而存在如下表示。
同样,解码器由LD个图神经网络层组成,将解码器的第个图神经网络层的输出表示为/>,大小为N*hD1,其中,N为街区的数量,hD1为解码器第/>层图神经网络层的输出维数。将编码器最后一层的输出作为解码器第一层的输入,将解码器最后一层的输出作为整个图神经网络模型的输出,即复原特征/>,从而存在如下表示。
步骤380,基于复原特征和样本空间特征,确定待训练的图神经网络模型的训练损失;基于训练损失,对待训练的图神经网络模型的模型参数进行训练。
示例性的,基于复原特征Xo和样本空间单元特征X,确定待训练的图神经网络模型的训练损失。定义训练损失Loss为均方误差损失函数(MSE,Mean Squared Error),其中,N为城市单元(街区)的数量,表示如下所示。
在图神经网络模型的训练阶段,以复原特征Xo和样本空间单元特征X接近作为训练目标,利用随机梯度下降算法(Stochastic Gradient Descent,SGD)或随机梯度下降优化算法(Adaptive moment estimation,Adam)优化训练损失Loss,采用无监督学习,学习到待训练的图神经网络模型的模型参数的最优取值,得到训练后的图神经网络模型。
以下实施例对图神经网络模型中包含的图神经网络层(GNN)进行介绍,图神经网络层可以使用图注意力网络(GAT,Graph Attention Network)或图卷积网络(GCN,GraphConvolutional Network)中的至少之一。
1)图神经网络层为图注意力网络,图注意力网络的数据处理方式如下。
首先,对于存在连接关系的第i个节点与第j个节点,计算第i个节点与第j个节点之间的相关系数。
H是图注意力网络的输入矩阵,大小为N*F,其中,F为对应的输入的维度,表示第i个节点此时的输入向量,大小为F。
W是可学习参数矩阵,大小为F`*F,用于将输入的第i个节点和第j个节点的向量通过线性变换分别投影到大小为F`的向量空间。
||代表对经过W线性变换投影后的向量进行拼接。
代表第i个节点的邻域,即与第i个节点存在连接关系的节点的集合。
a为一个可学习的权重向量,大小为2*F`,用于将经过W线性变换投影且拼接后的同样大小为2*F`的向量,经过点积后转换为实数,T代表转置,即将/>由列向量转换为行向量,则相关系数/>表示如下。
然后,通过下式计算注意力系数。
其中,为指数函数,/>为激活函数,该激活函数定义如下。
最后,计算第i个节点在当前图注意力网络模块的输出。
W是可学习参数矩阵,大小为F`*F,用于将大小为F的第j个节点的输入特征线性变换到大小为F`。
是激活函数,可以是Relu、LeakyRelu、PRelu的其中之一。
表示第i个节点经过图注意力网络的输出,大小为F`,所有节点的输出拼接起来,即可得到本实施例中图注意力网络的最终输出/>,大小为N*F`,最终输出表示为如下。
2)图神经网络层为图卷积网络,则最终输出表示如下。
其中,A为大小为N*N的样本空间邻接矩阵,为当前图卷积网络层输入的节点特征,大小为N*F,W为可学习参数矩阵,大小为F*F`,/>是激活函数,可以是Relu、LeakyRelu、PRelu的其中之一。
上述实施例中,提供了图神经网络模型的训练阶段的整个数据处理过程,基于此能够通过无监督学习的方式获得训练好的图神经网络模型。通过上述图神经网络模型,使得后续获得的城市单元的有效特征不仅包括该城市单元自身的信息,还融合了邻近城市单元的信息,实现了邻近空间信息的捕捉与融合,使得有效特征的表征更加准确。
城市功能区的识别是智慧城市、城市规划、交通规划等领域中的重要的手段,为相关领域感知城市功能的空间分布现状提供基于数据、模型的科学支撑。相关技术中的城市功能区识别技术主要有监督学习与无监督学习两类模型,其中,有监督学习模型受到标注样本的制约,相应标注样本获取难度较大,无监督学习实现成本较低,但目前的无监督学习方案缺乏对空间关联性的考虑。
基于此,本实施例提出了一种城市功能区的识别方法。图11示出了本申请一个示例性实施例提供的城市功能区的识别方法的示意图。该城市功能区的识别方法包括构图阶段、图神经网络模型(图自编码器)学习阶段、聚类识别城市功能区阶段。首先以街区作为城市功能区识别的基础单元,并构建街区间的图数据结构,再对特征与图输入到由编码器与解码器组成的图神经网络模型中,编码器与解码器各自由若干个图神经网络学习模块组成,最后以自编码器中编码器的输出作为各个街区的有效特征,对其利用聚类模型进行聚类分析,从而将各个街区标注为不同的城市功能区。
·构图阶段。
将需要进行城市功能区识别的目标范围区域(例如某城市的建成区等)按一定的方式划分为若干个空间基础单元,划分方式可以是按规整网格进行划分,也可以是按道路切割的街区进行划分。以下实施例以街区作为空间基础单元。将各个街区作为图(Graph)中的节点(Node),并附带该街区的特征信息。根据空间邻接关系或距离内关系,构建图(Graph)中节点(Node)与节点(Node)之间的边(Edge)连接关系,即街区与街区之间的关系,得到无向图。该无向图包括街区组成的节点(Node)集合及街区节点上的特征信息,包括节点间的连接关系边(Edge)。
·图神经网络模型学习阶段。
如图11所示,图神经网络模型60包括编码器61与解码器64两部分。编码器61包括依次级联的图神经网络层(GNN)62和图神经网络层63,解码器包括依次级联的图神经网络层65和图神经网络层66。
在训练阶段,将空间邻接矩阵11与空间单元特征12输入到待训练的图神经网络模型中,得到复原特征70,根据空间单元特征12和复原特征70确定训练损失MSEloss,对待训练的神经网络模型的模型参数进行训练,得到图神经网络模型。
在预测阶段,将空间邻接矩阵11与空间单元特征12输入到图神经网络模型中,经过编码器61得到有效特征30。后续继续基于有效特征30进行聚类。
·聚类识别城市功能区阶段。
经过图神经网络模型得到有效特征30后,即可对有效特征30进行聚类学习,将N个街区(节点)划分为若干类,得到聚类结果40。聚类算法包括但不限于是k-means、层次聚类、DBSCAN中的至少之一。由于图神经网络模型对特征维度进行了一定的压缩,因此在较低的维度上聚类的效果会比在较高的维度上聚类的效果更好,规避聚类时的维度灾难问题。同时,经过图神经网络模型得到的有效特征30包括该街区(节点)自身的信息,还通过图神经网络层(GNN)融合了邻近街区(节点)的信息,实现了邻近空间信息的捕捉与融合。
通过聚类算法得到聚类结果40后,可以对某一类的街区的特征维度进行统计,并借助地理信息平台进行地理空间可视化,从而判别该聚类簇的语义50,例如:该类代表居住区、商业区、产业区等,完成城市功能区的识别。
综上所述,本申请实施例提供的城市功能区的识别方法是一种无监督学习的方案,具有实现成本低、无需标注样本的优点,规避了现状调研方案和有监督学习方案的缺点。由于图神经网络模型对特征维度进行了一定的压缩,因此在较低的维度上聚类的效果会比在较高的维度上聚类的效果更好,规避聚类时的维度灾难问题。经过图神经网络模型得到的有效特征,不仅包括该街区(节点)自身的信息,还融合了邻近街区(节点)的信息,实现了邻近空间信息的捕捉与融合,从而能够提高城市功能区的识别准确度。
图12示出了本申请一个示例性实施例提供的城市功能区的识别装置800的框图。该城市功能区的识别装置800,包括构建模块810、处理模块820和聚类模块830。
所述构建模块810,用于基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,所述无向图包括至少两个节点和所述至少两个节点之间的边,所述节点用于表征所述城市单元,所述边用于表征所述城市单元之间存在的空间关联关系;
所述处理模块820,用于根据所述无向图,得到所述城市单元对应的空间特征;
所述处理模块820,用于将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,所述有效特征融合有所述城市单元、以及与所述城市单元之间存在空间关联关系的其他城市单元的空间特征;
所述聚类模块830,用于将所述有效特征进行聚类,得到多个聚类簇;基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区。
在一些实施例中,所述聚类模块830,用于:
对每个所述聚类簇包含的所述有效特征进行特征统计,确定每个所述聚类簇中所述有效特征对应的特征信息;
基于所述特征信息,识别所述城市区域图中的所述城市功能区;
其中,所述特征信息包括所述城市单元对应的兴趣点的数量、数量占比与兴趣点类型,兴趣面的面积、面积占比与兴趣面类型,不同时段中的用于定位的移动设备的设备数量、设备数量占比与移动设备类型中的至少之一。
在一些实施例中,所述聚类模块830,还用于:
将每个所述聚类簇包含的所述有效特征对应的城市单元进行地理空间可视化,得到每个所述聚类簇对应的区域轮廓;
基于所述区域轮廓对应的地理信息,识别所述城市区域图中的所述城市功能区;
其中,所述地理信息包括地理实体的类型、街景图像和卫星遥感影像中的至少之一。
在一些实施例中,所述聚类模块830,还用于:
基于地理信息平台,将所述城市区域图作为地理图形背景,将每个所述聚类簇包含的所述有效特征对应的城市单元的图形,在所述地理图形背景上进行绘制,得到每个所述聚类簇对应的所述区域轮廓。
在一些实施例中,所述图神经网络模型包括编码器;所述处理模块820,用于将所述空间特征输入所述图神经网络模型,通过所述编码器进行编码处理,得到所述城市单元对应的所述有效特征。
在一些实施例中,所述编码器包括依次级联的多层图神经网络层;所述处理模块820,用于将所述空间特征输入所述图神经网络模型,通过所述编码器中的所述多层图神经网络层依次进行编码处理,得到所述城市单元对应的所述有效特征。
在一些实施例中,所述城市单元之间存在的空间关联关系包括空间邻接关系;所述构建模块810,用于:
确定所述城市区域图中的n个城市单元;
确定当前遍历的所述n个城市单元中的第i个城市单元;
将所述第i个城市单元的轮廓向外膨胀,得到膨胀后的第i个城市单元;
在所述膨胀后的第i个城市单元的膨胀后的轮廓,与第j个城市单元的轮廓存在交集的情况下,确定所述第i个城市单元与所述第j个城市单元之间存在空间邻接关系;
将所述i更新为i+1,重复执行确定当前遍历的所述n个城市单元中的第i个城市单元的步骤,直至所述n个城市单元全部遍历完毕,确定所述n个城市单元之间存在的空间邻接关系;
基于所述n个城市单元以及所述n个城市单元之间存在的空间邻接关系,构建所述城市区域图对应的所述无向图;
其中,所述i、所述j小于等于所述n,所述i不等于所述j。
在一些实施例中,所述城市单元之间存在的空间关联关系包括距离内关系;所述构建模块810,用于:
确定所述城市区域图中的n个城市单元;
确定当前遍历的所述n个城市单元中的第i个城市单元;
在所述第i个城市单元,与第j个城市单元之间的距离小于或等于阈值的情况下,确定所述第i个城市单元与所述第j个城市单元之间存在距离内关系;
将所述i更新为i+1,重复执行确定当前遍历的所述n个城市单元中的第i个城市单元的步骤,直至所述n个城市单元全部遍历完毕,确定所述n个城市单元之间存在的距离内关系;
基于所述n个城市单元以及所述n个城市单元之间存在的距离内关系,构建所述城市区域图对应的所述无向图;
其中,所述i、所述j小于等于所述n,所述i不等于所述j。
在一些实施例中,所述构建模块810,用于基于样本城市区域图中的样本城市单元,构建所述样本城市区域图对应的样本无向图,所述样本无向图包括至少两个样本节点和所述至少两个样本节点之间的样本边,所述样本节点用于表征所述样本城市单元,所述样本边用于表征所述样本城市单元之间存在的空间关联关系。
在一些实施例中,所述处理模块820,用于根据所述样本无向图,得到所述样本城市单元对应的样本空间特征;将所述样本空间特征输入待训练的图神经网络模型依次进行编码处理与解码处理,得到所述样本城市单元对应的复原特征。
在一些实施例中,所述装置还包括训练模块;所述训练模块,用于基于所述复原特征和所述样本空间特征,确定所述待训练的图神经网络模型的训练损失;基于所述训练损失,对所述待训练的图神经网络模型的模型参数进行训练。
需要说明的是,上述提供的一个或多个城市功能区的识别装置800的实施例中的具体限定可以参见上文中对于城市功能区的识别方法的限定,在此不再赘述。上述装置的各模块可全部或部分通过软件、硬件及其组合来实现,各模块可以以硬件形式内嵌或独立于计算机设备的处理器中,也可以以软件形式存储在计算机设备的存储器中,以便于处理器调用执行各模块对应的操作。
本申请实施例还提供了一种计算机设备,该计算机设备包括:处理器和存储器,存储器中存储有计算机程序;处理器,用于执行存储器中的计算机程序以实现上述各方法实施例提供的城市功能区的识别方法。
可选地,该计算机设备为服务器。示例地,图13是本申请一个示例性实施例提供的服务器1000的结构框图。
通常,服务器1000包括有:处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1001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1001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1001可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1001还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的城市功能区的识别方法。
在一些实施例中,服务器1000还可选包括有:输入接口1003和输出接口1004。处理器1001、存储器1002和输入接口1003、输出接口1004之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与输入接口1003、输出接口1004相连。输入接口1003、输出接口1004可被用于将输入/输出(Input/Output,I/O)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中,处理器1001、存储器1002和输入接口1003、输出接口1004被集成在同一芯片或电路板上;在一些其他实施例中,处理器1001、存储器1002和输入接口1003、输出接口1004中的任意一个或两个可以在单独的芯片或电路板上实现,本申请实施例对此不加以限定。
本领域技术人员可以理解,图13中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,本申请提供了一种芯片,所述芯片包括可编程逻辑电路和/或程序指令,当芯片在计算机设备上运行时,用于实现上述方法实施例提供的城市功能区的识别方法。
本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述方法实施例提供的城市功能区的识别方法。
本申请提供了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述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从计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备的处理器加载并执行以实现上述方法实施例提供的城市功能区的识别方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的计算机可读存储介质可以是只读存储器,磁盘或光盘等。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种城市功能区的识别方法,其特征在于,所述方法包括:
基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,所述无向图包括至少两个节点和所述至少两个节点之间的边,所述节点用于表征所述城市单元,所述边用于表征所述城市单元之间存在的空间关联关系;
根据所述无向图,得到所述城市单元对应的空间特征;
将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,所述有效特征融合有所述城市单元、以及与所述城市单元之间存在空间关联关系的其他城市单元的空间特征;
将所述有效特征进行聚类,得到多个聚类簇;基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区,包括:
对每个所述聚类簇包含的所述有效特征进行特征统计,确定每个所述聚类簇中所述有效特征对应的特征信息;
基于所述特征信息,识别所述城市区域图中的所述城市功能区;
其中,所述特征信息包括所述城市单元对应的兴趣点的数量、数量占比与兴趣点类型,兴趣面的面积、面积占比与兴趣面类型,不同时段中的用于定位的移动设备的设备数量、设备数量占比与移动设备类型中的至少之一。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
将每个所述聚类簇包含的所述有效特征对应的城市单元进行地理空间可视化,得到每个所述聚类簇对应的区域轮廓;
基于所述区域轮廓对应的地理信息,识别所述城市区域图中的所述城市功能区;
其中,所述地理信息包括地理实体的类型、街景图像和卫星遥感影像中的至少之一。
4.根据权利要求3所述的方法,其特征在于,所述将每个所述聚类簇包含的所述有效特征对应的城市单元进行地理空间可视化,得到每个所述聚类簇对应的区域轮廓,包括:
基于地理信息平台,将所述城市区域图作为地理图形背景,将每个所述聚类簇包含的所述有效特征对应的城市单元的图形,在所述地理图形背景上进行绘制,得到每个所述聚类簇对应的所述区域轮廓。
5.根据权利要求1所述的方法,其特征在于,所述图神经网络模型包括编码器;
所述将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,包括:
将所述空间特征输入所述图神经网络模型,通过所述编码器进行编码处理,得到所述城市单元对应的所述有效特征。
6.根据权利要求5所述的方法,其特征在于,所述编码器包括依次级联的多层图神经网络层;
所述将所述空间特征输入所述图神经网络模型,通过所述编码器进行编码处理,得到所述城市单元对应的所述有效特征,包括:
将所述空间特征输入所述图神经网络模型,通过所述编码器中的所述多层图神经网络层依次进行编码处理,得到所述城市单元对应的所述有效特征。
7.根据权利要求1所述的方法,其特征在于,所述城市单元之间存在的空间关联关系包括空间邻接关系;
所述基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,包括:
确定所述城市区域图中的n个城市单元;
确定当前遍历的所述n个城市单元中的第i个城市单元;
将所述第i个城市单元的轮廓向外膨胀,得到膨胀后的第i个城市单元;
在所述膨胀后的第i个城市单元的膨胀后的轮廓,与第j个城市单元的轮廓存在交集的情况下,确定所述第i个城市单元与所述第j个城市单元之间存在空间邻接关系;
将所述i更新为i+1,重复执行确定当前遍历的所述n个城市单元中的第i个城市单元的步骤,直至所述n个城市单元全部遍历完毕,确定所述n个城市单元之间存在的空间邻接关系;
基于所述n个城市单元以及所述n个城市单元之间存在的空间邻接关系,构建所述城市区域图对应的所述无向图;
其中,所述i、所述j小于等于所述n,所述i不等于所述j。
8.根据权利要求1所述的方法,其特征在于,所述城市单元之间存在的空间关联关系包括距离内关系;
所述基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,包括:
确定所述城市区域图中的n个城市单元;
确定当前遍历的所述n个城市单元中的第i个城市单元;
在所述第i个城市单元,与第j个城市单元之间的距离小于或等于阈值的情况下,确定所述第i个城市单元与所述第j个城市单元之间存在距离内关系;
将所述i更新为i+1,重复执行确定当前遍历的所述n个城市单元中的第i个城市单元的步骤,直至所述n个城市单元全部遍历完毕,确定所述n个城市单元之间存在的距离内关系;
基于所述n个城市单元以及所述n个城市单元之间存在的距离内关系,构建所述城市区域图对应的所述无向图;
其中,所述i、所述j小于等于所述n,所述i不等于所述j。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于样本城市区域图中的样本城市单元,构建所述样本城市区域图对应的样本无向图,所述样本无向图包括至少两个样本节点和所述至少两个样本节点之间的样本边,所述样本节点用于表征所述样本城市单元,所述样本边用于表征所述样本城市单元之间存在的空间关联关系;
根据所述样本无向图,得到所述样本城市单元对应的样本空间特征;
将所述样本空间特征输入待训练的图神经网络模型依次进行编码处理与解码处理,得到所述样本城市单元对应的复原特征;
基于所述复原特征和所述样本空间特征,确定所述待训练的图神经网络模型的训练损失;基于所述训练损失,对所述待训练的图神经网络模型的模型参数进行训练。
10.一种城市功能区的识别装置,其特征在于,所述装置包括:
构建模块,用于基于城市区域图中的城市单元,构建所述城市区域图对应的无向图,所述无向图包括至少两个节点和所述至少两个节点之间的边,所述节点用于表征所述城市单元,所述边用于表征所述城市单元之间存在的空间关联关系;
处理模块,用于根据所述无向图,得到所述城市单元对应的空间特征;
所述处理模块,用于将所述空间特征输入图神经网络模型进行编码处理,得到所述城市单元对应的有效特征,所述有效特征融合有所述城市单元、以及与所述城市单元之间存在空间关联关系的其他城市单元的空间特征;
聚类模块,用于将所述有效特征进行聚类,得到多个聚类簇;基于各所述聚类簇包含的所述有效特征,识别所述城市区域图中的城市功能区。
11.一种计算机设备,其特征在于,所述计算机设备包括:处理器和存储器,所述存储器存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至9任一所述的城市功能区的识别方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至9任一所述的城市功能区的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311339716.XA CN117079148B (zh) | 2023-10-17 | 2023-10-17 | 城市功能区的识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311339716.XA CN117079148B (zh) | 2023-10-17 | 2023-10-17 | 城市功能区的识别方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079148A true CN117079148A (zh) | 2023-11-17 |
CN117079148B CN117079148B (zh) | 2024-01-05 |
Family
ID=88702903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311339716.XA Active CN117079148B (zh) | 2023-10-17 | 2023-10-17 | 城市功能区的识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079148B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390308A (zh) * | 2023-12-05 | 2024-01-12 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399445A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种兴趣点的处理方法、装置及设备 |
CN111611992A (zh) * | 2019-02-22 | 2020-09-01 | 腾讯大地通途(北京)科技有限公司 | 确定兴趣面的方法、装置和计算机设备 |
CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 街区标注中样本数据的获取方法及装置 |
CN112163062A (zh) * | 2020-10-21 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112784423A (zh) * | 2021-01-28 | 2021-05-11 | 河北师范大学 | 基于复杂网络的城市区域特征分析方法 |
US20220124543A1 (en) * | 2021-06-30 | 2022-04-21 | Oner Orhan | Graph neural network and reinforcement learning techniques for connection management |
CN115100395A (zh) * | 2022-06-27 | 2022-09-23 | 南京大学 | 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 |
WO2023123624A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 城市流感发病趋势预测方法、系统、终端以及存储介质 |
CN116628078A (zh) * | 2023-05-31 | 2023-08-22 | 中国地质大学(武汉) | 一种层次化城市空间结构识别方法及系统 |
CN116662468A (zh) * | 2023-05-24 | 2023-08-29 | 武汉大学 | 基于地理对象空间模式特征的城市功能区识别方法及系统 |
CN116843891A (zh) * | 2022-03-24 | 2023-10-03 | 腾讯科技(深圳)有限公司 | 图形轮廓检测方法、装置、存储介质、设备及程序产品 |
CN116958698A (zh) * | 2023-07-31 | 2023-10-27 | 中国地质大学(武汉) | 一种基于街景图像多模态信息的建筑物分类方法 |
-
2023
- 2023-10-17 CN CN202311339716.XA patent/CN117079148B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611992A (zh) * | 2019-02-22 | 2020-09-01 | 腾讯大地通途(北京)科技有限公司 | 确定兴趣面的方法、装置和计算机设备 |
CN110399445A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种兴趣点的处理方法、装置及设备 |
CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 街区标注中样本数据的获取方法及装置 |
CN112163062A (zh) * | 2020-10-21 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112784423A (zh) * | 2021-01-28 | 2021-05-11 | 河北师范大学 | 基于复杂网络的城市区域特征分析方法 |
US20220124543A1 (en) * | 2021-06-30 | 2022-04-21 | Oner Orhan | Graph neural network and reinforcement learning techniques for connection management |
WO2023123624A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 城市流感发病趋势预测方法、系统、终端以及存储介质 |
CN116843891A (zh) * | 2022-03-24 | 2023-10-03 | 腾讯科技(深圳)有限公司 | 图形轮廓检测方法、装置、存储介质、设备及程序产品 |
CN115100395A (zh) * | 2022-06-27 | 2022-09-23 | 南京大学 | 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 |
CN116662468A (zh) * | 2023-05-24 | 2023-08-29 | 武汉大学 | 基于地理对象空间模式特征的城市功能区识别方法及系统 |
CN116628078A (zh) * | 2023-05-31 | 2023-08-22 | 中国地质大学(武汉) | 一种层次化城市空间结构识别方法及系统 |
CN116958698A (zh) * | 2023-07-31 | 2023-10-27 | 中国地质大学(武汉) | 一种基于街景图像多模态信息的建筑物分类方法 |
Non-Patent Citations (1)
Title |
---|
L. J. HOUSSOU ET AL: "A graph based approach for functional urban areas delineation", ASSOCIATION FOR COMPUTING MACHINERY, pages 652 - 658 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390308A (zh) * | 2023-12-05 | 2024-01-12 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
CN117390308B (zh) * | 2023-12-05 | 2024-03-01 | 浙江大学城乡规划设计研究院有限公司 | 一种用兴趣点数据识别街道功能类型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117079148B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
CN110869926B (zh) | 基于语义状态的传感器跟踪和更新 | |
Huang et al. | Big spatial data for urban and environmental sustainability | |
Huang et al. | Analytics of location-based big data for smart cities: Opportunities, challenges, and future directions | |
Zhang et al. | The Traj2Vec model to quantify residents’ spatial trajectories and estimate the proportions of urban land-use types | |
Li et al. | Prediction of human activity intensity using the interactions in physical and social spaces through graph convolutional networks | |
Xu et al. | Application of a graph convolutional network with visual and semantic features to classify urban scenes | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Zhao et al. | A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection | |
Zhang et al. | City2vec: Urban knowledge discovery based on population mobile network | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
Yao et al. | Delineating urban job-housing patterns at a parcel scale with street view imagery | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
CN114661744A (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
Mahmud et al. | State of mobile crowdsourcing applications: A review | |
CN114329240A (zh) | 选址特征筛选方法、装置、电子设备及存储介质 | |
Feng et al. | A survey of visual analytics in urban area | |
Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
Yap et al. | A Global Feature-Rich Network Dataset of Cities and Dashboard for Comprehensive Urban Analyses | |
CN116958959A (zh) | 一种高程信息的处理方法、装置、电子设备和存储介质 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |