CN117392332B - 基于gis生成三维热力图的方法及系统 - Google Patents
基于gis生成三维热力图的方法及系统 Download PDFInfo
- Publication number
- CN117392332B CN117392332B CN202311697029.5A CN202311697029A CN117392332B CN 117392332 B CN117392332 B CN 117392332B CN 202311697029 A CN202311697029 A CN 202311697029A CN 117392332 B CN117392332 B CN 117392332B
- Authority
- CN
- China
- Prior art keywords
- data
- thermodynamic diagram
- representing
- generator
- thermodynamic
- 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.)
- Active
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000009499 grossing Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 40
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 101150012763 endA gene Proteins 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于GIS生成三维热力图的方法和系统,涉及空间数据可视化领域,包括采集包含地理坐标信息的地理空间数据,根据地理坐标信息,使用自适应距离带宽构建空间权重矩阵,计算空间关联指数,获得空间分布特征;构建包含生成器和判别器的条件生成对抗网络模型,将空间分布特征作为条件信息数据,与随机噪声数据相结合,输入生成器中,生成热力图数据,将热力图数据和条件信息数据输入判别器中,根据判别器的判别结果,对生成器和判别器进行对抗调整,得到最优热力图数据;创建三维场景,通过使用立方平滑插值法,计算目标位置对应的插值热力值,将目标位置和插值热力值相结合,生成三维热力图。
Description
技术领域
本发明涉及空间数据可视化领域技术,尤其涉及一种基于GIS生成三维热力图的方法及系统。
背景技术
热力图是一种表现数据强弱大小及变化趋势的可视化图,广泛应用于数据可视化领域。其中,地图热力图用于展示目标要素在地理上的密度分布,比如人口密度分析、人口活跃度分析以及车辆密度分析,等等,现有技术中,热力图的加载大都是以二维平面形式加载的,即使在三维框架下,也只是添加一个平面,且无法实现流畅的动态变化效果;
CN202310374993.8,公开了一种三维热力图生成方法和生成系统。该方法包括:接收配置命令,根据所述配置命令对热力图组件进行初始化;响应于所述热力图组件初始化完毕,获取三维热力图数据;利用所述三维热力图数据创建绘制参数;根据所述热力图参数绘制相应的三维热力图,并将所述三维热力图显示在相应的显示装置上。通过上述方式,本申请能够实现三维热力图数据的可视化;
综上述所,现有技术常常通过人为采集对应场景下的数据确定热力值,进而根据热力值生成热力图,都是基于现有数据,绘制三维热力图,受诸多影响,数据准确率低,没有结合机器学习进行数据分析,生成更为精准的数据,本发明的应用至少能够解决现有技术的部分问题。
发明内容
本发明实施例提供一种基于GIS生成三维热力图的方法及系统,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
在一种可选的实施例中,
采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征包括:
获取包含地理坐标信息的地理空间数据,在GIS中将地理坐标映射到平面坐标系中;
针对所述地理坐标信息的每个数据点,依据所述数据点周围的邻近点密度,划定自适应区域,根据所述自适应区域内邻近点的距离,基于核密度估计方法计算自适应带宽;
使用所述自适应带宽计算局部权重,并归一化处理,利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,解析所述空间关联指数,得到所述地理空间数据的空间分布特征。
在一种可选的实施例中,
包括:
基于核密度估计的方法捕捉局部点密度的变化,使用数据标准差和四分位距的最小值构建自适应带宽选择规则,其公式如下:
;
其中,h i 表示数据点i的自适应带宽,x i 表示第i个数据点的属性值,x'表示所有数据点的均值,n表示数据点数,IQR表示四分位距;
使用自适应带宽来计算局部权重,其公式如下:
;
其中,w ij 表示数据点i和数据点j之间的权重,v i 表示归一化常数,K()表示核函数,d ij 表示数据点i和数据点j之间的距离,h i 表示数据点i的自适应带宽;
利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,其公式如下:
;
其中,I表示空间关联指数,n表示数据点数,W表示空间权重矩阵中权重之和,w ij 表示数据点i和数据点j之间的权重,x j 表示第j个数据点的属性值。
在一种可选的实施例中,
构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据包括:
构建条件生成对抗网络模型,将所述条件信息数据和所述随机噪声数据作为生成器输入数据,基于所述条件信息数据的引导,结合所述随机噪声数据,通过生成器生成热力图数据;
将所述条件信息数据和所述热力图数据,结合真实热力图数据,作为判别器的输入数据,在所述条件信息数据的范围内,对所述热力图数据和真实热力图数据进行比对辨别,得到判别结果;
所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力;经过对抗训练迭代,直到生成器生成的热力图数据达到预设的目标值,所述生成器生成最优热力图数据。
在一种可选的实施例中,
所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力包括:
所述生成器损失函数如下:
;
其中,L G 表示生成器的损失,p(z)表示噪声概率分布,z表示从p(z)中采样得到的随机噪声,表示对从概率分布p(z)中采样得到的随机变量z所有取值进行期望操作,c表示条件信息数据,G(z,c)表示生成器输出,D(G(z,c))表示判别器对生成器输出的判别结果;
所述判别器损失函数如下:
;
其中,L D 表示判别器的损失,p data (y)表示真实数据分布,y表示从p data (y)中采样得到随机变量,表示对从真实数据分布p data (y)中采样得到随机变量y所有取值进行期望操作,c表示条件信息数据,D(y,c)表示判别器对y结合c的评估,λ表示控制梯度惩罚项权重的超参数,/>表示对数据分布p k (k)中采样得到的随机变量k所有取值进行期望操作,/>表示判别器对输入k的梯度,/>表示梯度的二范数。
在一种可选的实施例中,
创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图包括:
利用GIS创建三维场景,将每个所述三维场景中的目标位置坐标,映射到所述最优热力图数据的坐标中,使所述三维场景中的目标位置与所述最优热力图数据的坐标相关联;
对每个所述三维场景中的目标位置,执行立方平滑插值法,进行插值计算,其中,所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值;
将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
在一种可选的实施例中,
所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件和连续性条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值包括:
以所述最优热力图数据的坐标为已知数据点,位置坐标(X m ,Y m ),m=1,2,3,...,M;
将数据点按照X坐标依次升序排列,基于相邻数据点进行分段,形成数据段[X m ,X m+1 ],X m 和X m+1 是数据段的两个端点,对所述数据段构建三次多项式,其公式如下:
;
其中,S m (x)表示三次多项式,求解结果是插值热力值,a m 表示第m数据段的常数项,b m 表示第m数据段的一次项系数,c m 表示第m数据段的二次项系数,d m 表示第m数据段的三次项系数,X表示目标位置X坐标,X m 表示第m数据段的起点X坐标;
基于插值条件和连续性条件,求解多项式系数,插值条件公式如下:
;
其中,H m 表示第m数据段端点数据点的距离,Y m+1 表示X m+1 对应的Y坐标;
连续性条件如下:
;
其中,S' m ()表示第m数据段的三次多项式的一阶导数,S' m-1 ()表示第m数据段前一个数据段的三次多项式的一阶导数,b m-1 表示第m数据段前一数据段的一次项系数,c m-1 表示第m数据段的前一数据段的二次项系数,d m-1 表示第m数据段的前一数据段的三次项系数,H m-1 表示第m-1数据段端点数据点的距离,S'' m ()表示第m数据段的三次多项式的二阶导数,S'' m-1 ()表示第m数据段前一个数据段的三次多项式的二阶导数;
基于自然边界条件,所有数据的两个端点对应公式如下:
;
其中,S'' 0()表示第一个数据点的三次多项式的二阶导数,X 0表示第一个数据点的X坐标,c 0表示第一数据段二次项系数,S'' M()表示最后一个数据点的三次多项式的二阶导数,X M表示最后一个数据点的X坐标,c M表示最后一数据段二次项系数,d M 表示最后一个数据段的三次项系数,HM表示最后一个数据段的端点距离。
根据公式,求解多项式系数,构建对应数据段的三次多项式,将所述目标位置坐标,结合对应的数据段,带入三次多项式,计算插值热力值。
本发明实施例的第二方面,
提供一种基于GIS生成三维热力图的系统,包括:
第一单元,用于采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
第二单元,用于构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
第三单元,用于创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
在本发明实施例中,通过自适应调整距离带宽,灵活地捕捉数据点之间的空间关系,提高了对不同密度区域的敏感性,提高了算法的适应性;构建空间权重矩阵,反映地理空间上不同点之间的相对关系,有助于建立空间关联性的数学模型,为数据分析提供基础;将条件信息嵌入生成器的输入中,使生成器能够更好地理解并利用条件信息,有助于生成器生成更有针对性的数据;通过对抗训练,生成器和判别器之间形成平衡,提高了生成器生成合适数据的能力,同时判别器更能有效地辨别真实和生成的数据,有助于提高模型的训练效果;通过使用立方平滑插值法,对目标位置进行插值计算,确保在已知数据范围内获得准确的插值热力值,提高目标位置插值热力值的精度,能够在已知数据点之间进行平滑的热力值插值,保持数据的连续性和平滑性。
附图说明
图1为本发明实施例基于GIS生成三维热力图的方法的流程示意图;
图2为本发明实施例基于GIS生成三维热力图的系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于GIS生成三维热力图的方法的流程示意图,如图1所示,所述方法包括:
S101.采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
所述地理空间数据具体是指涉及地表的位置和空间分布的数据,包含地理坐标信息,如经度和纬度;
所述自适应距离带宽具体是指一种动态调整的距离度量,根据数据分布的密度变化而变化,在空间分析中,自适应距离带宽可以根据相邻数据点的密度自动调整,更好地适应数据的空间特征;
获取包含地理坐标信息经度和纬度的地理空间数据,基于采集到的地理坐标信息,使用自适应的方法构建距离带宽,根据数据点的分布密度计算每个点的自适应带宽,确保在密集区域使用较小的带宽,在稀疏区域使用较大的带宽;利用自适应距离带宽,构建空间权重矩阵,所述空间权重矩阵用于表示地理空间上不同点之间的关系,其中距离较近的点之间的权重较大,距离较远的点之间的权重较小;利用构建的空间权重矩阵,计算空间关联指数,捕捉地理空间数据中点之间的空间关系;解析计算得到的空间关联指数,用于表示地理空间数据中不同点之间的关联程度,揭示地理空间数据中的空间模式和分布特征,包括聚集性、分散性、空间集聚等特征,有助于对地理空间数据的分析;
在本实施例中,通过自适应调整距离带宽,灵活地捕捉数据点之间的空间关系,提高了对不同密度区域的敏感性,提高了算法的适应性;构建空间权重矩阵,反映地理空间上不同点之间的相对关系,有助于建立空间关联性的数学模型,为数据分析提供基础;通过计算空间关联指数,定量评估地理空间数据中点之间的关联程度。
在一种可选的实施例中,采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征包括:
获取包含地理坐标信息的地理空间数据,在GIS中将地理坐标映射到平面坐标系中;
针对所述地理坐标信息的每个数据点,依据所述数据点周围的邻近点密度,划定自适应区域,根据所述自适应区域内邻近点的距离,基于核密度估计方法计算自适应带宽;
使用所述自适应带宽计算局部权重,并归一化处理,利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,解析所述空间关联指数,得到所述地理空间数据的空间分布特征。
从采集的地理空间数据中提取包含地理坐标信息的数据点,使用GIS工具将地理坐标映射到平面坐标系中;
针对每个数据点,基于邻近点密度,划定自适应区域,在密集的区域,自适应区域较小;在稀疏的区域,自适应区域较大;对每个数据点,根据自适应区域内邻近点的距离,使用核密度估计方法计算自适应带宽,使不同密度区域内带宽不同;
利用自适应带宽,计算每个数据点的局部权重,对邻近点进行权重赋值,并进行归一化处理,确保权重的合理性;利用计算得到的局部权重,构建空间权重矩阵,确定每个数据点与其邻近点之间的空间关系和它们之间的相对重要性;利用构建好的空间权重矩阵,计算空间关联指数,量化数据在空间上的分布模式,判断数据聚集或离散趋势。
在本实施例中,采用自适应距离带宽和自适应区域的方法,使在不同密度和分布情况下,空间权重计算更具有弹性和适应性,利用核密度估计方法,能够更准确地刻画数据点周围的密度分布,提高了对空间关联性的精确度;通过计算空间关联指数,能够量化地描述数据在空间上的关联性,为进一步的空间分析提供了基础;在解析空间关联指数的过程中,得到数据的空间分布特征,使后续的数据学习更有针对性和科学性。
在一种可选的实施例中,包括:
基于核密度估计的方法捕捉局部点密度的变化,使用数据标准差和四分位距的最小值构建自适应带宽选择规则,其公式如下:
;
其中,h i 表示数据点i的自适应带宽,x i 表示第i个数据点的属性值,x'表示所有数据点的均值,n表示数据点数,IQR表示四分位距;
使用自适应带宽来计算局部权重,其公式如下:
;
其中,w ij 表示数据点i和数据点j之间的权重,v i 表示归一化常数,K()表示核函数,d ij 表示数据点i和数据点j之间的距离,h i 表示数据点i的自适应带宽;
利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,其公式如下:
;
其中,I表示空间关联指数,n表示数据点数,W表示空间权重矩阵中权重之和,w ij 表示数据点i和数据点j之间的权重,x j 表示第j个数据点的属性值。
在自适应带宽选择规则中,使用标准差估计,衡量数据点在整个数据集中的分散程度;使用四分位距估计,仅关注中间50%的数据,衡量数据点的密度变化,选择两者最小值,找到数据的平衡点,通过0.9的缩放因子,以及乘以n的负1/5次方,控制计算受数据点数量影响但不会过于敏感;
采用核函数对距离进行加权,度量距离越远的点的影响越小,通过计算数据点之间的距离和自适应带宽,构建空间权重矩阵,进而计算出空间关联指数。
在本实施例中,通过考虑数据的变异性和自适应带宽选择规则,能够更准确地捕捉到每个数据点附近的局部特征,有助于在不同区域应用不同的带宽,以适应数据的空间变化;利用自适应带宽计算空间权重,通过核函数对距离进行加权,使空间权重更加灵活,能够在局部区域内更强调距离近的点,降低远离的点的权重,有助于建模数据的空间关联性;空间关联指数通过考虑空间权重和数据的协方差来量化地理空间数据的分布特征,基于权重矩阵,反映数据点之间的空间关系,在计算过程中使用了自适应带宽和核函数,使其更能适应不同数据集的特性,更准确地解析空间分布的特征。
S102.构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
所述条件生成对抗网络模型具体是指在生成对抗模型的基础上,给生成器和判别器引入条件信息,使模型根据条件信息生成相应的输出,生成器尽力生成逼真数据,判别器尽力区分真实数据和生成数据,从而使生成器和判别器对抗学习,提升性能,最终使生成器生成的结果达到预设标准。
输入随机噪声数据和空间分布特征,通过生成器生成热力图数据;将生成的热力图数据与相应的真实数据及其条件信息输入判别器;判别器根据输入的真实和生成的数据进行判别,并产生相应的损失;通过对生成器和判别器进行对抗调整,优化生成器和判别器的损失,使生成器更好地生成符合条件信息的热力图数据,而判别器更好地区分真实和生成的数据;对生成器的生成结果进行评估,如果评估结果满足预设标准,完成模型训练;如果评估结果不满足预设标准,继续调整及对抗训练,直到评估标准符合预设标准为止;使用训练完成模型的生成器,生成最优热力图数据。
在本实施例中,将条件信息嵌入生成器的输入中,使生成器能够更好地理解并利用条件信息,有助于生成器生成更有针对性的数据;通过对抗训练,生成器和判别器之间形成平衡,提高了生成器生成合适数据的能力,同时判别器更能有效地辨别真实和生成的数据,有助于提高模型的训练效果;通过定义合适的损失函数,使得生成器和判别器在对抗调整中能够有效地优化。这有助于模型更快地收敛,并提高训练效率。
在一种可选的实施例中,构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据包括:
构建条件生成对抗网络模型,将所述条件信息数据和所述随机噪声数据作为生成器输入数据,基于所述条件信息数据的引导,结合所述随机噪声数据,通过生成器生成热力图数据;
将所述条件信息数据和所述热力图数据,结合真实热力图数据,作为判别器的输入数据,在所述条件信息数据的范围内,对所述热力图数据和真实热力图数据进行比对辨别,得到判别结果;
所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力;经过对抗训练迭代,直到生成器生成的热力图数据达到预设的目标值,所述生成器生成最优热力图数据。
定义包含生成器和判别器的条件生成对抗网络模型,生成器负责将条件信息数据和随机噪声数据结合生成热力图数据,判别器用于在条件信息数据的范围内,辨别生成的热力图数据和真实热力图数据;准备包含条件信息数据和真实热力图数据的训练集,其中,条件信息数据是空间分布特征,真实热力图数据是已知的真实数据;
将条件信息数据和随机噪声数据作为生成器的输入,随机噪声数据引入一定程度的随机性,使生成器可以生成多样性的热力图数据;生成器接收输入数据,通过训练生成符合条件信息的热力图数据,生成器的目标是最小化生成器损失函数,所述函数包含生成器生成的数据与真实数据的差异;判别器接收条件信息数据、生成的热力图数据以及真实热力图数据,并对生成的热力图数据和真实热力图数据进行判别,判别器的目标是最大化判别器损失函数,所述函数度量判别器对生成数据和真实数据的区分能力;
通过对生成器和判别器进行对抗训练,迭代地调整两者的参数,通过生成器和判别器之间的竞争,使得生成器生成的热力图数据更加逼真,直到生成器生成的热力图数据达到预设的目标值或者满足预设的性能指标;
在本实施例中,将条件信息数据作为输入,有效地引导生成器生成符合给定条件的热力图数据,确保了生成的数据与条件信息具有一致性;通过生成器和判别器之间的对抗性训练,生成器和判别器能够不断提升对方,生成器越来越擅长生成逼真的热力图,而判别器越来越难以区分生成数据和真实数据;通过优化生成器损失函数,模型能够生成最优的热力图数据,使得生成的数据更加接近真实数据的分布和特征。
在一种可选的实施例中,所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力包括:
所述生成器损失函数如下:
;
其中,L G 表示生成器的损失,p(z)表示噪声概率分布,z表示从p(z)中采样得到的随机噪声,表示对从概率分布p(z)中采样得到的随机变量z所有取值进行期望操作,c表示条件信息数据,G(z,c)表示生成器输出,D(G(z,c))表示判别器对生成器输出的判别结果;
所述判别器损失函数如下:
;
其中,L D 表示判别器的损失,p data (y)表示真实数据分布,y表示从p data (y)中采样得到随机变量,表示对从真实数据分布p data (y)中采样得到随机变量y所有取值进行期望操作,c表示条件信息数据,D(y,c)表示判别器对y结合c的评估,λ表示控制梯度惩罚项权重的超参数,/>表示对数据分布p k (k)中采样得到的随机变量k所有取值进行期望操作,/>表示判别器对输入k的梯度,/>表示梯度的二范数。
在本实施例中,通过计算和迭代生成器损失函数,最大程度地减小生成器生成的数据与真实数据之间的差异,提高生成器的生成能力,促使生成器生成更逼真的热力图数据,以欺骗判别器;通过计算和迭代判别器损失函数,利用真实数据和生成数据的差异,引导判别器学习真实数据的分布,提高判别器对真实数据和生成数据的辨别能力;通过对生成器输出的条件信息的梯度进行惩罚,促使生成器学习更稳定和平滑的输出,有助于生成更连贯的数据,减轻梯度爆炸问题,使得生成器更容易优化;引入控制梯度惩罚项权重的超参数,影响梯度惩罚项对于整体损失函数的权重,从而影响模型的训练稳定性和生成效果。
S103.创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图;
使用地图可视化工具创建三维场景,获取最优热力图数据,将三维场景中的目标位置的坐标与最优热力图数据的坐标进行关联,使用已知数据点的坐标和热力值,构建插值多项式;
对于每个目标位置,使用立方平滑插值法计算插值热力值,确保目标位置在已知数据的范围内;将计算得到的插值热力值映射到三维场景中的相应位置,利用渲染技术,将映射后的插值热力值应用到三维场景中,生成三维热力图;
在本实施例中,通过使用立方平滑插值法,对目标位置进行插值计算,确保在已知数据范围内获得准确的插值热力值,提高目标位置插值热力值的精度,能够在已知数据点之间进行平滑的热力值插值,保持数据的连续性和平滑性;将最优热力图数据与三维场景中的目标位置坐标相关联,确保生成的三维热力图与实际场景中的目标位置一一对应,增加了可信度。
在一种可选的实施例中,创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图包括:
利用GIS创建三维场景,将每个所述三维场景中的目标位置坐标,映射到所述最优热力图数据的坐标中,使所述三维场景中的目标位置与所述最优热力图数据的坐标相关联;
对每个所述三维场景中的目标位置,执行立方平滑插值法,进行插值计算,其中,所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值;
将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
使用地理信息系统工具,创建三维场景,将每个三维场景中的目标位置坐标映射到最优热力图数据的坐标中,确保每个目标位置与相应的热力图数据相关联;
针对每个目标位置,基于已知数据点,构建插值多项式,结合插值条件和连续性条件,求解多项式系数;利用所得的多项式系数和三次多项式形式,构建立方平滑插值法算法,对每个目标位置执行插值计算,使用立方平滑插值法得到相应的插值热力值;
将每个目标位置和对应的插值热力值相结合,形成一组坐标和热力值数据;利用地图可视化工具,将上述映射得到的坐标和热力值数据嵌入到三维场景中,使用渲染技术将这些数据在三维场景中进行可视化,生成三维热力图。
在本实施例中,通过将三维场景中的目标位置坐标与最优热力图数据的坐标关联,确保在三维场景中每个目标位置都与相应的热力图数据一一对应;利用立方平滑插值法,在已知数据点之间进行平滑的插值,得到目标位置处的热力值,确保了插值结果在已知数据范围内的连续性和平滑性;映射将目标位置和插值热力值结合,形成了一组坐标和热力值数据,为三维场景中的可视化提供了输入;利用地图可视化工具,将映射得到的坐标和热力值数据嵌入到三维场景中,使用渲染技术生成了最终的三维热力图。
在一种可选的实施例中,所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件和连续性条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值包括:
以所述最优热力图数据的坐标为已知数据点,位置坐标(X m ,Y m ),m=1,2,3,...,M;
将数据点按照X坐标依次升序排列,基于相邻数据点进行分段,形成数据段[X m ,X m+1 ],X m 和X m+1 是数据段的两个端点,对所述数据段构建三次多项式,其公式如下:
;
其中,S m (x)表示三次多项式,求解结果是插值热力值,a m 表示第m数据段的常数项,b m 表示第m数据段的一次项系数,c m 表示第m数据段的二次项系数,d m 表示第m数据段的三次项系数,X表示目标位置X坐标,X m 表示第m数据段的起点X坐标;
基于插值条件和连续性条件,求解多项式系数,插值条件公式如下:
;
其中,H m 表示第m数据段端点数据点的距离,Y m+1 表示X m+1 对应的Y坐标;
连续性条件如下:
;
其中,S' m ()表示第m数据段的三次多项式的一阶导数,S' m-1 ()表示第m数据段前一个数据段的三次多项式的一阶导数,b m-1 表示第m数据段前一数据段的一次项系数,c m-1 表示第m数据段的前一数据段的二次项系数,d m-1 表示第m数据段的前一数据段的三次项系数,H m-1 表示第m-1数据段端点数据点的距离,S'' m ()表示第m数据段的三次多项式的二阶导数,S'' m-1 ()表示第m数据段前一个数据段的三次多项式的二阶导数;
基于自然边界条件,所有数据的两个端点对应公式如下:
;
其中,S'' 0()表示第一个数据点的三次多项式的二阶导数,X 0表示第一个数据点的X坐标,c 0表示第一数据段二次项系数,S'' M()表示最后一个数据点的三次多项式的二阶导数,X M表示最后一个数据点的X坐标,c M表示最后一数据段二次项系数,d M 表示最后一个数据段的三次项系数,HM表示最后一个数据段的端点距离。
根据公式,求解多项式系数,构建对应数据段的三次多项式,将所述目标位置坐标,结合对应的数据段,带入三次多项式,计算插值热力值。
构建三次多项式,其中每一项的系数都需要求解,依据插值条件、连续性条件和自然边界条件,确定方程组;
其中,插值条件是根据数据段的两端的已知数据,构建等式,确定方程;
连续性条件是根据相邻数据段的连接端点,使其一阶导数和二阶导数相等,以确保曲线平滑,构建等式,确定方程;
基于自然边界条件,确定第一个端点和最后一个端点的二阶导数等于0,构建等式,确定方程;
结合插值条件、连续性条件和自然边界条件构建的方程组,求解三次多项式的系数,确定三次多项式在每个数据段的具体形式,用于计算该数据段中的插值热力值。
在本实施例中,针对每个数据段的起点和终点,插值函数的值与给定的数据点值相等,确保了插值曲线经过所有的数据点,保持了插值的准确性;一阶导数连续性条件的确定,使在相邻数据段之间插值函数的一阶导数连续,使得插值曲线在连接点处没有不连续的拐点,保持了光滑性;二阶导数连续性条件的确定,使在相邻数据段之间插值函数的二阶导数连续,有助于保持插值曲线的平滑性,并且对于热力图的可视化来说,图像保持光滑性;自然边界条件也是为了确保曲线光滑,将边界出处理光滑。
图2为本发明实施例基于GIS生成三维热力图的系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
第二单元,用于构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
第三单元,用于创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于GIS生成三维热力图的方法,其特征在于,包括:
采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图;
采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征包括:
获取包含地理坐标信息的地理空间数据,在GIS中将地理坐标映射到平面坐标系中;
针对所述地理坐标信息的每个数据点,依据所述数据点周围的邻近点密度,划定自适应区域,根据所述自适应区域内邻近点的距离,基于核密度估计方法计算自适应带宽;
使用所述自适应带宽计算局部权重,并归一化处理,利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,解析所述空间关联指数,得到所述地理空间数据的空间分布特征;
构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据包括:
构建条件生成对抗网络模型,将所述条件信息数据和所述随机噪声数据作为生成器输入数据,基于所述条件信息数据的引导,结合所述随机噪声数据,通过生成器生成热力图数据;
将所述条件信息数据和所述热力图数据,结合真实热力图数据,作为判别器的输入数据,在所述条件信息数据的范围内,对所述热力图数据和真实热力图数据进行比对辨别,得到判别结果;
所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力;经过对抗训练迭代,直到生成器生成的热力图数据达到预设的目标值,所述生成器生成最优热力图数据。
2.根据权利要求1所述的方法,其特征在于,包括:
基于核密度估计的方法捕捉局部点密度的变化,使用数据标准差和四分位距的最小值构建自适应带宽选择规则,其公式如下:
;
其中,h i 表示数据点i的自适应带宽,x i 表示第i个数据点的属性值,x'表示所有数据点的均值,n表示数据点数,IQR表示四分位距;
使用自适应带宽来计算局部权重,其公式如下:
;
其中,w ij 表示数据点i和数据点j之间的权重,v i 表示归一化常数,K()表示核函数,d ij 表示数据点i和数据点j之间的距离,h i 表示数据点i的自适应带宽;
利用所述局部权重,构建空间权重矩阵,利用所述空间权重矩阵,计算空间关联指数,其公式如下:
;
其中,I表示空间关联指数,n表示数据点数,W表示空间权重矩阵中权重之和,w ij 表示数据点i和数据点j之间的权重,x j 表示第j个数据点的属性值。
3.根据权利要求1所述的方法,其特征在于,所述生成器以生成器损失函数结果最小化为目标,训练生成热力图的能力,所述判别器以判别器损失函数结果最大化为目标,训练判别能力包括:
所述生成器损失函数如下:
;
其中,L G 表示生成器的损失,p(z)表示噪声概率分布,z表示从p(z)中采样得到的随机噪声,表示对从概率分布p(z)中采样得到的随机变量z所有取值进行期望操作,c表示条件信息数据,G(z,c)表示生成器输出,D(G(z,c))表示判别器对生成器输出的判别结果;
所述判别器损失函数如下:
;
其中,L D 表示判别器的损失,p data (y)表示真实数据分布,y表示从p data (y)中采样得到随机变量,表示对从真实数据分布p data (y)中采样得到随机变量y所有取值进行期望操作,c表示条件信息数据,D(y,c)表示判别器对y结合c的评估,λ表示控制梯度惩罚项权重的超参数,/>表示对数据分布p k (k)中采样得到的随机变量k所有取值进行期望操作,/>表示判别器对输入k的梯度,/>表示梯度的二范数。
4.根据权利要求1所述的方法,其特征在于,创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图包括:
利用GIS创建三维场景,将每个所述三维场景中的目标位置坐标,映射到所述最优热力图数据的坐标中,使所述三维场景中的目标位置与所述最优热力图数据的坐标相关联;
对每个所述三维场景中的目标位置,执行立方平滑插值法,进行插值计算,其中,所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值;
将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
5.根据权利要求4所述的方法,其特征在于,所述立方平滑插值法基于三次样条插值法构建,设置一个三次多项式,基于插值条件和连续性条件,求解多项式系数,将所述多项式系数和所述三次多项式结合,构建立方平滑插值法,计算插值热力值包括:
以所述最优热力图数据的坐标为已知数据点,位置坐标(X m ,Y m ),m=1,2,3,...,M;
将数据点按照X坐标依次升序排列,基于相邻数据点进行分段,形成数据段[X m ,X m+1 ],X m 和X m+1 是数据段的两个端点,对所述数据段构建三次多项式,其公式如下:
;
其中,S m (X)表示三次多项式,求解结果是插值热力值,a m 表示第m数据段的常数项,b m 表示第m数据段的一次项系数,c m 表示第m数据段的二次项系数,d m 表示第m数据段的三次项系数,X表示目标位置X坐标,X m 表示第m数据段的起点X坐标;
基于插值条件和连续性条件,求解多项式系数,插值条件公式如下:
;
其中,H m 表示第m数据点与第m+1数据点之间的距离,Y m+1 表示X m+1 对应的Y坐标;
连续性条件如下:
;
其中,S' m ()表示第m数据段的三次多项式的一阶导数,S' m-1 ()表示第m数据段前一个数据段的三次多项式的一阶导数,b m-1 表示第m数据段前一数据段的一次项系数,c m-1 表示第m数据段的前一数据段的二次项系数,d m-1 表示第m数据段的前一数据段的三次项系数,H m-1 表示第m-1数据点与第m数据点之间的距离,S'' m ()表示第m数据段的三次多项式的二阶导数,S'' m-1 ()表示第m数据段前一个数据段的三次多项式的二阶导数;
基于自然边界条件,所有数据的两个端点对应公式如下:
;
其中,S'' 1()表示第一个数据点的三次多项式的二阶导数,X 1表示第一个数据点的X坐标,c 1表示第一数据段二次项系数,S'' M-1(X M )表示最后一个数据点的三次多项式的二阶导数,X M 表示最后一个数据点的X坐标,c M-1表示最后一数据段二次项系数,d M-1表示最后一个数据段的三次项系数,H M-1表示第M-1数据点与第M数据点之间的距离;
根据公式,求解多项式系数,构建对应数据段的三次多项式,将所述目标位置坐标,结合对应的数据段,带入三次多项式,计算插值热力值。
6.一种基于GIS生成三维热力图的系统,用于实现前述权利要求1-5中任一项所述的基于GIS生成三维热力图的方法,其特征在于,包括:
第一单元,用于采集地理空间数据,所述地理空间数据包含地理坐标信息,根据所述地理坐标信息,使用自适应距离带宽构建空间权重矩阵,基于所述空间权重矩阵计算空间关联指数,解析所述空间关联指数,获得空间分布特征;
第二单元,用于构建包含生成器和判别器的条件生成对抗网络模型,将所述空间分布特征作为条件信息数据,与随机噪声数据相结合,输入所述生成器中,生成热力图数据,将所述热力图数据和所述条件信息数据输入所述判别器中,根据所述判别器的判别结果,对所述生成器和所述判别器进行对抗调整,得到最优热力图数据;
第三单元,用于创建三维场景,将所述最优热力图数据的坐标与所述三维场景中的目标位置的坐标相关联,通过使用立方平滑插值法,计算所述目标位置对应的插值热力值,将所述目标位置和所述插值热力值相结合,映射到所述三维场景中,生成三维热力图。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697029.5A CN117392332B (zh) | 2023-12-12 | 2023-12-12 | 基于gis生成三维热力图的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697029.5A CN117392332B (zh) | 2023-12-12 | 2023-12-12 | 基于gis生成三维热力图的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392332A CN117392332A (zh) | 2024-01-12 |
CN117392332B true CN117392332B (zh) | 2024-03-08 |
Family
ID=89441369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311697029.5A Active CN117392332B (zh) | 2023-12-12 | 2023-12-12 | 基于gis生成三维热力图的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392332B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584337A (zh) * | 2018-11-09 | 2019-04-05 | 暨南大学 | 一种基于条件胶囊生成对抗网络的图像生成方法 |
CN110349261A (zh) * | 2019-07-15 | 2019-10-18 | 泰华智慧产业集团股份有限公司 | 基于gis生成三维热力图的方法 |
CN112417233A (zh) * | 2020-12-16 | 2021-02-26 | 湖北大学 | 一种顾及空间密度差异的热力图生成方法及系统 |
CN112798648A (zh) * | 2020-12-09 | 2021-05-14 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
CN116168213A (zh) * | 2023-03-01 | 2023-05-26 | 上海维智卓新信息科技有限公司 | 人流量数据的识别方法和人流量数据识别模型的训练方法 |
KR102558609B1 (ko) * | 2022-12-28 | 2023-07-24 | 경북대학교 산학협력단 | 건축물의 구조적인 무결성을 보장하기 위한 풍속 패턴 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
CN116758212A (zh) * | 2023-04-19 | 2023-09-15 | 广州新华学院 | 基于自适应去噪算法的3d重建方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10565751B2 (en) * | 2016-09-30 | 2020-02-18 | Here Global B.V. | Method and apparatus for spatial data visualization |
-
2023
- 2023-12-12 CN CN202311697029.5A patent/CN117392332B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584337A (zh) * | 2018-11-09 | 2019-04-05 | 暨南大学 | 一种基于条件胶囊生成对抗网络的图像生成方法 |
CN110349261A (zh) * | 2019-07-15 | 2019-10-18 | 泰华智慧产业集团股份有限公司 | 基于gis生成三维热力图的方法 |
CN112798648A (zh) * | 2020-12-09 | 2021-05-14 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
CN112417233A (zh) * | 2020-12-16 | 2021-02-26 | 湖北大学 | 一种顾及空间密度差异的热力图生成方法及系统 |
KR102558609B1 (ko) * | 2022-12-28 | 2023-07-24 | 경북대학교 산학협력단 | 건축물의 구조적인 무결성을 보장하기 위한 풍속 패턴 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
CN116168213A (zh) * | 2023-03-01 | 2023-05-26 | 上海维智卓新信息科技有限公司 | 人流量数据的识别方法和人流量数据识别模型的训练方法 |
CN116758212A (zh) * | 2023-04-19 | 2023-09-15 | 广州新华学院 | 基于自适应去噪算法的3d重建方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于GAN的体系能力图谱生成方法;殷小静 等;系统工程与电子技术;第42卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392332A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919910B (zh) | 基于差异图融合和改进水平集的sar图像变化检测方法 | |
CN106067172B (zh) | 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN107239477B (zh) | 一种融合空间相关性的地理数据支持向量回归方法 | |
CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
CN116310219A (zh) | 一种基于条件扩散模型的三维脚型生成方法 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
US20190065891A1 (en) | Image detection method, system and non-volatile computer readable medium | |
CN113269256A (zh) | 一种MiSrc-GAN模型的构建方法及应用 | |
CN114241119A (zh) | 一种游戏模型生成方法、装置、系统及计算机存储介质 | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN115222954A (zh) | 弱感知目标检测方法及相关设备 | |
CN117372604B (zh) | 一种3d人脸模型生成方法、装置、设备及可读存储介质 | |
CN117392332B (zh) | 基于gis生成三维热力图的方法及系统 | |
CN116778559A (zh) | 基于高斯过程与随机变换的面部皱纹三维评价方法及系统 | |
CN111709977A (zh) | 一种基于自适应单峰立体匹配成本滤波的双目深度学习方法 | |
CN109191447B (zh) | 一种基于几何曲率分析的三维网格质量评价方法 | |
CN115953330A (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
Baka et al. | Confidence of model based shape reconstruction from sparse data | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN111914751B (zh) | 一种图像人群密度识别检测方法及系统 | |
Zhang et al. | Contrastive learning ideas in underwater terrain image matching | |
CN110232690B (zh) | 一种图像分割的方法、系统、设备及计算机可读存储介质 | |
CN113658173A (zh) | 基于知识蒸馏的检测模型的压缩方法、系统和计算设备 | |
CN113850217A (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 |
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 |