CN117671181B - 基于大数据的智慧城市挛生地图的构建方法及系统 - Google Patents
基于大数据的智慧城市挛生地图的构建方法及系统 Download PDFInfo
- Publication number
- CN117671181B CN117671181B CN202311760864.9A CN202311760864A CN117671181B CN 117671181 B CN117671181 B CN 117671181B CN 202311760864 A CN202311760864 A CN 202311760864A CN 117671181 B CN117671181 B CN 117671181B
- Authority
- CN
- China
- Prior art keywords
- index
- attribute
- data
- city
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010062575 Muscle contracture Diseases 0.000 title claims abstract description 34
- 208000006111 contracture Diseases 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000005065 mining Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000003062 neural network model Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Abstract
本发明涉及城市规划技术领域,提供了一种基于大数据的智慧城市挛生地图的构建方法及系统,包括:采集智慧城市对应的城市大数据,分析城市大数据对应的数据属性,提取出数据属性对应的指标关联属性;构建关键指标对应的可视化图表,挖掘城市大数据对应的数据趋势信息,分析关键指标对应的指标变化趋势;采集智慧城市对应的城市图像,将城市图像转换为二值图像,识别二值图像中的地物边界,从二值图像中提取地物边界对应的图像纹理,构建智慧城市对应的城市三维地图,计算关键指标中每个指标的指标密度值,确定关键指标对应的标注颜色,对城市三维地图进行地图标记处理,得到智慧城市的孪生地图。本发明在于提高智慧城市挛生地图的构建准确性。
Description
技术领域
本发明涉及城市规划技术领域,尤其涉及一种基于大数据的智慧城市挛生地图的构建方法及系统。
背景技术
智慧城市是指利用先进的信息技术和通信技术,将城市的各种基础设施、公共服务和管理进行数字化和智能化改造,以提升城市运行效率、改善居民生活质量和促进可持续发展的城市,为了提高智慧城市的精确性,会构建智慧城市对应的孪生地图,以便于实时监测智慧城市的城市状态,并做出相应的规划。
现有的智慧城市挛生地图的构建方法主要是采用三维激光扫描技术的方法,该方法利用激光扫描测量技术获取城市的点云数据,经过对点云数据的去噪、分割、修补、提取对象、建模等步骤处理最终得到智慧城市的三维地图,但是该方法中的点云数据只是结合城市的建筑信息,构建城市地图,没有结合城市的具体信息,如人口流动或者经济发展等信息,从而导致该方法构建的地图的准确性降低,因此需要一种能够提高智慧城市挛生地图的构建准确性的方法。
发明内容
本发明提供一种基于大数据的智慧城市挛生地图的构建方法及系统,其主要目的在于提高智慧城市挛生地图的构建准确性。
为实现上述目的,本发明提供的一种基于大数据的智慧城市挛生地图的构建方法,包括:
获取智慧城市构建孪生地图的关键指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性;
对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势;
采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图;
根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
可选地,所述根据所述关键指标,提取出所述数据属性对应的指标关联属性,包括:
计算所述数据属性中每个属性的属性权重;
根据所述属性权重,对所述数据属性进行属性筛选,得到关键属性;
对所述关键属性进行语义解析,得到属性语义;
识别所述关键指标对应的指标字符;对所述指标字符进行语义解析,得到指标语义;
计算所述属性语义与所述指标语义之间的关联系数;
在所述关联系数大于预设关联系数时,对所述关键属性进行提取处理,得到指标关联属性。
可选地,所述计算所述属性语义与所述指标语义之间的关联系数,包括:
通过下述公式计算所述属性语义与所述指标语义之间的关联系数:
其中,A表示属性语义与指标语义之间的关联系数,a表示属性语义的序列号,表示属性语义的数量,a+1表示指标语义的序列号,Ba表示属性语义中第i个语义对应的标准差,Da+1表示指标语义中第a+1个语义对应的标准差,minmin(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最小差值,maxmax(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最大差值。
可选地,所述根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,包括:
分别提取所述数据特征和所述指标关联属性对应的变量,得到特征变量和属性变量;
分析所述特征变量和所述属性变量之间的线性关系,根据所述线性关系,确定所述数据特征和所述指标关联属性中的变量关系;
分别计算所述数据特征和所述指标关联属性对应的数值,得到特征值和属性值;
对所述特征值和所述属性值进行配对处理,得到配对值;
结合所述变量关系、所述数据特征、所述指标关联属性以及所述配对值,构建所述关键指标对应的可视化图表。
可选地,所述结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势,包括:
提取所述可视化图表中的数据点对应的数据点坐标,计算所述数据点坐标中相邻坐标之间的坐标距离;
根据所述坐标距离,利用预设的最小二乘法计算计算所述数据点对应的拟合点;
对所述拟合点进行拟合处理,得到拟合直线,计算所述拟合直线对应的直线斜率;
计算所述数据趋势信息之间的信息可信度,根据所述信息可信度,确定所述数据趋势信息对应的交互信息;
结合所述交互信息、所述数据趋势信息、所述信息可信度以及所述直线斜率,分析所述关键指标对应的指标变化趋势。
可选地,所述计算所述数据趋势信息之间的信息可信度,包括:
可以通过下述公式计算所述数据趋势信息之间的信息可信度:
其中,Q表示数据趋势信息之间的信息可信度,表示趋势信息中第e+1个信息对应的信息密度,表示趋势信息中第e个信息对应的信息密度,e和e+1均为趋势信息对应的信息序列号,Re+1表示趋势信息中第e+1个信息对应的信息熵值,Re表示趋势信息中第e个信息对应的信息熵值。
可选地,所述结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图,包括:
分析所述地物边界对应的边界特征,根据所述边界特征,查询所述地物边界对应的建筑要素;
根据所述建筑要素,构建所述智慧城市对应的建筑点格图,获取所述建筑要素对应的地理信息;
根据所述地理信息,确定所述建筑要素对应的要素矢量,根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值;
根据所述方位角误差值,对所述建筑点格图进行点格调整,得到目标点格图;
根据所述图像纹理,利用预设的深度估计算法分析所述建筑要素对应的深度信息;
根据所述深度信息,确定所述建筑要素对应的要素高度,结合所述要素高度和所述目标点格图,构建所述智慧城市对应的城市三维地图。
可选地,所述根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值,包括:
通过下述公式计算所述建筑点格图中每个点格之间的方位角误差值:
其中,E表示建筑点格图中每个点格之间的方位角误差值,arccos表示反余弦函数,Fmn表示建筑点格图中第m个点格和第n个点格的点格向量,Gmn表示第m个点格和第n个点格的要素矢量,∥Fmn∥表示建筑点格图中第m个点格和第n个点格的点格向量对应的向量范数,∥Gmn∥表示第m个点格和第n个点格的要素矢量对应的矢量范数。
可选地,所述根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,包括:
通过下述公式计算所述关键指标中每个指标的指标密度值:
其中H表示关键指标中每个指标的指标密度值,d表示指标关联属性对应的序列号,β表示指标关联属性对应的总数量,g表示指标关联属性之间的关联性衰减阈值,Md表示指标关联属性中第d个属性对应的权值,Nd表示指标关联属性中第d个属性对应的带宽,Td表示指标关联属性中第d个属性对应的属性值。
一种基于大数据的智慧城市挛生地图的构建系统,其特征在于,所述系统包括:
属性分析模块,用于获取智慧城市构建孪生地图的关键指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性;
趋势分析模块,用于对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势;
地图构建模块,用于采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图;
地图标记模块,用于根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
本发明根据所述关键指标,采集所述智慧城市对应的城市大数据,可以得到所述关键指标相关的数据信息,为后续提高所述关键指标的趋势分析提供了依据,通过分析所述城市大数据对应的数据属性,可以了解所述城市大数据对应的数据特有性质,以便于后续指标关联属性的提取,本发明通过对所述城市大数据进行特征提取,可以得到所述城市大数据对应的数据表征,降低所述城市大数据的数据规模,降低了后续可视化图表的处理难度,本发明将所述城市图像转换为二值图像,可以有效突出所述城市图像中的主要特征,去除干扰和背景噪声,更容易识别和理解所述城市图像中的重要元素,提高后续地物边界的识别准确性,本发明通过结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,可以增强所述城市三维地图的可视化效果,并且提高了所述城市三维地图的信息显示的准确性。因此,本发明实施例提供的一种基于大数据的智慧城市挛生地图的构建方法及系统,能够提高智慧城市挛生地图的构建准确性。
附图说明
图1为本发明一实施例提供的一种基于大数据的智慧城市挛生地图的构建方法的流程示意图;
图2为本发明一实施例提供的一种基于大数据的智慧城市挛生地图的构建系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于大数据的智慧城市挛生地图的构建方法。本申请实施例中,所述一种基于大数据的智慧城市挛生地图的构建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种基于大数据的智慧城市挛生地图的构建方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、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 Delivery Network,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。
参照图1所示,为本发明一实施例提供的一种基于大数据的智慧城市挛生地图的构建方法的流程示意图。在本实施例中,所述一种基于大数据的智慧城市挛生地图的构建方法包括步骤S1—S4。
S1、获取智慧城市构建孪生地图的关键指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性。
本发明根据所述关键指标,采集所述智慧城市对应的城市大数据,可以得到所述关键指标相关的数据信息,为后续提高所述关键指标的趋势分析提供了依据,通过分析所述城市大数据对应的数据属性,可以了解所述城市大数据对应的数据特有性质,以便于后续指标关联属性的提取,其中,所述关键指标是所述智慧城市构建孪生地图时所需要的重要指标,如经济指标、人口流动指标或者气象指标等,所述城市大数据是所述关键指标对应的关于所述智慧城市的数据,所述数据属性是所述城市大数据对应的特有性质,可选地,采集所述智慧城市对应的城市大数据可以通过数据采集器实现,所述数据采集器是由脚本语言编译,分析所述城市大数据对应的数据属性可以通过主成分分析法实现。
本发明根据所述关键指标,提取出所述数据属性对应的指标关联属性,可以得到所述数据属性中和所述关键指标具有相关性的属性,提高了后续可视化图表构建的准确性,其中,所述指标关联属性是所述数据属性中和所述关键指标具有关联关系的属性。
作为本发明的一个实施例,所述根据所述关键指标,提取出所述数据属性对应的指标关联属性,包括:计算所述数据属性中每个属性的属性权重,根据所述属性权重,对所述数据属性进行属性筛选,得到关键属性,对所述关键属性进行语义解析,得到属性语义,识别所述关键指标对应的指标字符,对所述指标字符进行语义解析,得到指标语义,计算所述属性语义与所述指标语义之间的关联系数,在所述关联系数大于预设关联系数时,对所述关键属性进行提取处理,得到指标关联属性。
其中,所述属性权重表示所述数据属性对应的属性重要程度,所述关键属性是所述数据属性中具有代表性的属性,所述属性语义是所述关键属性对应的含义和解释,所述指标语义是所述指标字符对应的含义和解释,所述关联系数表示所述属性语义和所述指标语义之间的关联程度,所述预设关联系数是所述关联系数对应的评价标准值,可以是0.8,也可以根据实际的业务场景进行设置。
可选的,计算所述数据属性中每个属性的属性权重可以通过权重计算器实现,对所述数据属性进行属性筛选可以通过filter函数实现,对所述关键属性进行语义解析可以通过语义分析法实现,识别所述关键指标对应的指标字符可以通过OCR识别技术实现,计算所述属性语义与所述指标语义之间的关联系数,对所述关键属性进行提取处理可以通过left函数实现。
进一步的,作为本发明的一个可选实施例,所述计算所述属性语义与所述指标语义之间的关联系数,包括:
通过下述公式计算所述属性语义与所述指标语义之间的关联系数:
其中,A表示属性语义与指标语义之间的关联系数,a表示属性语义的序列号,表示属性语义的数量,a+1表示指标语义的序列号,Ba表示属性语义中第i个语义对应的标准差,Da+1表示指标语义中第a+1个语义对应的标准差,minmin(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最小差值,maxmax(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最大差值。
S2、对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势。
本发明通过对所述城市大数据进行特征提取,可以得到所述城市大数据对应的数据表征,降低所述城市大数据的数据规模,降低了后续可视化图表的处理难度,其中,所述数据特征是所述城市大数据对应的数据表征,可选的,对所述城市大数据进行特征提取可以通过sift算法实现。
作为本发明的一个实施例,所述根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,包括:分别提取所述数据特征和所述指标关联属性对应的变量,得到特征变量和属性变量,分析所述特征变量和所述属性变量之间的线性关系,根据所述线性关系,确定所述数据特征和所述指标关联属性中的变量关系,分别计算所述数据特征和所述指标关联属性对应的数值,得到特征值和属性值,对所述特征值和所述属性值进行配对处理,得到配对值,结合所述变量关系、所述数据特征、所述指标关联属性以及所述配对值,构建所述关键指标对应的可视化图表。
其中,所述特征变量和所述属性变量分别是所述数据特征和所述指标关联属性对应的重要因素,所述线性关系是所述特征变量和所述属性变量之间对应的关系,如正比关系或者反比关系,所述变量关系是所述数据特征和所述指标关联属性之间对应的自变量和因变量关系,所述特征值和所述属性值分别是所述数据特征和所述指标关联属性对应的表达数值,所述配对值是所述特征值和所述属性值中对应的数值组合到一起后得到的值。
可选的,提取所述数据特征和所述指标关联属性对应的变量可以通过变量提取工具实现,所述变量提取工具是由JAVA语言编译,分析所述特征变量和所述属性变量之间的线性关系可以通过线性函数实现,可以通过所述线性关系之间的关系类型确定所述数据特征和所述指标关联属性中的变量关系,计算所述数据特征和所述指标关联属性对应的数值可以通过映射函数实现,可以通过查询所述数据属性和所述数据特征对应的数据,对数据进行匹配,根据匹配结果,对所述特征值和所述属性值的配对处理,可以通过根据所述变量关系,确定所述数据特征和所述指标关联属性对应的坐标轴,再将所述配对值在坐标轴中进行绘制,利用制图工具构建所述关键指标对应的可视化图表,所述制图工具包括visio制图工具。
本发明结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势,可以预测所述关键指标对应的发展方向和趋势,以便于后续提高所述智慧城市的孪生地图的知情度,并且便于所述智慧城市制定相应的决策,其中,所述数据趋势信息是所述城市大数据中描述数据趋势的信息,可选的,挖掘所述城市大数据对应的数据趋势信息可以通过神经网络模型实现,如循环神经网络。
作为本发明的一个实施例,所述结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势,包括:提取所述可视化图表中的数据点对应的数据点坐标,计算所述数据点坐标中相邻坐标之间的坐标距离,根据所述坐标距离,利用预设的最小二乘法计算计算所述数据点对应的拟合点,对所述拟合点进行拟合处理,得到拟合直线,计算所述拟合直线对应的直线斜率,计算所述数据趋势信息之间的信息可信度,根据所述信息可信度,确定所述数据趋势信息对应的交互信息,结合所述交互信息、所述数据趋势信息、所述信息可信度以及所述直线斜率,分析所述关键指标对应的指标变化趋势。
其中,所述数据点坐标是所述可视化图表中的数据点对应的坐标值,所述最小二乘法是用于确定最佳拟合线的算法,所述直线斜率是所述可视化图表对应的变化程度,所述信息可信度表示所述数据趋势信息之间的相互影响程度,所述交互信息是所述数据趋势信息中相互之间具有影响的信息。
可选的,提取所述可视化图表中的数据点对应的数据点坐标可以通过提取软件实现,如ImageJ软件,计算所述数据点坐标中相邻坐标之间的坐标距离可以通过欧氏距离算法实现,对所述拟合点进行拟合处理可以通过拟合函数实现,计算所述拟合直线对应的直线斜率可以通过斜率计算器实现,计算所述数据趋势信息之间的信息可信度,根据所述信息可信度,确定所述数据趋势信息对应的交互信息,结合所述交互信息、所述数据趋势信息、所述信息可信度以及所述直线斜率,分析所述关键指标对应的指标变化趋势
可选的,作为本发明的一个可选实施例,所述计算所述数据趋势信息之间的信息可信度,包括:
可以通过下述公式计算所述数据趋势信息之间的信息可信度:
其中,Q表示数据趋势信息之间的信息可信度,表示趋势信息中第e+1个信息对应的信息密度,表示趋势信息中第e个信息对应的信息密度,e和e+1均为趋势信息对应的信息序列号,Re+1表示趋势信息中第e+1个信息对应的信息熵值,Re表示趋势信息中第e个信息对应的信息熵值。
S3、采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图。
本发明将所述城市图像转换为二值图像,可以有效突出所述城市图像中的主要特征,去除干扰和背景噪声,更容易识别和理解所述城市图像中的重要元素,提高后续地物边界的识别准确性,其中,所述城市图像是所述智慧城市对应的图像,所述二值图像是所述城市图像采用灰度表达的图像,可选地,采集所述智慧城市对应的城市图像可以通过图像采集器实现,将所述城市图像转换为二值图像可以通过加权平均法实现,具体步骤为:识别所述城市图像对应的图像像素点,计算图像像素点对应的像素值,根据像素值确定红蓝绿三通道对应的值,利用加权平均公式计算出灰度值,计算公式为:灰度值=(Red+Green+Blue)/3,利用灰度值表达所述城市图像,以此得到二值图像。
本发明通过识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,可以得到所述二值图像中的建筑物轮廓和建筑物对应的表面视觉特征,从而便于后续的城市三维地图的构建,其中,所述地物边界是所述城市图像中的建筑物轮廓,所述图像纹理是所述地物边界对应的视觉特征,可选的,识别所述二值图像中的地物边界可以通过地物轮廓提取算法实现,从所述二值图像中提取所述地物边界对应的图像纹理可以通过灰度共生矩阵算法实现。
本发明通过结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图,可以得到所述智慧城市的仿真地图,其中,所述城市三维地图是所述智慧城市对应的仿真立体地图。
作为本发明的一个实施例,所述结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图,包括:分析所述地物边界对应的边界特征,根据所述边界特征,查询所述地物边界对应的建筑要素,根据所述建筑要素,构建所述智慧城市对应的建筑点格图,获取所述建筑要素对应的地理信息,根据所述地理信息,确定所述建筑要素对应的要素矢量,根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值,根据所述方位角误差值,对所述建筑点格图进行点格调整,得到目标点格图,根据所述图像纹理,利用预设的深度估计算法分析所述建筑要素对应的深度信息,根据所述深度信息,确定所述建筑要素对应的要素高度,结合所述要素高度和所述目标点格图,构建所述智慧城市对应的城市三维地图。
其中,所述边界特征是所述地物边界对应的形状特征,所述建筑要素是所述地物边界对应的具体建筑物,所述建筑点格图是所述智慧城市对应的网格地图,所述地理信息是所述建筑要素对应的地理坐标信息,如经纬度,所述要素矢量是所述建筑要素对应的地理空间向量,所述方位角误差值表示所述建筑点格图中每个点格之间的误差大小,所述目标点格图是所述建筑点格图中的点格误差经过修正后得到的点格图,所述深度估计算法是推测图像中场景的物体深度的算法,如单目深度估计算法。
可选地,分析所述地物边界对应的边界特征可以通过Canny边缘检测算法实现,所述地物边界对应的建筑要素可以通过从建筑物数据库查询得到,构建所述智慧城市对应的建筑点格图可以通过上述的visio制图工具实现,可以根据所述地理信息确定建筑要素的经纬度,之后利用GIS软件对经纬度进行转换,得到所述建筑要素对应的要素矢量,根据所述深度信息确定所述建筑要素对应的要素深度,将所述要素深度作为所述建筑要素的要素高度,构建所述智慧城市对应的城市三维地图可以通过CAD工具实现。
可选的,作为本发明的一个可选实施例,所述根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值,包括:
通过下述公式计算所述建筑点格图中每个点格之间的方位角误差值:
其中,E表示建筑点格图中每个点格之间的方位角误差值,arccos表示反余弦函数,Fmn表示建筑点格图中第m个点格和第n个点格的点格向量,Gmn表示第m个点格和第n个点格的要素矢量,∥Fmn∥表示建筑点格图中第m个点格和第n个点格的点格向量对应的向量范数,∥Gmn∥表示第m个点格和第n个点格的要素矢量对应的矢量范数。
S4、根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
本发明根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,可以得到所述关键指标在所述智慧城市对应的分布密度程度,以便于后续标注颜色的确定,从而提高所述智慧城市构建的孪生地图的准确性,其中,所述指标密度值表示所述关键指标中每个指标在所述智慧城市中的分布密度高低,所述标注颜色是所述关键指标后续在所述城市三维地图中标记时使用的颜色,可选地,获取不同鲜艳程度的颜色,根据所述指标密度值对应的数值大小确定对应的颜色,以此得到所述关键指标对应的标注颜色。
作为本发明的一个实施例,所述根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,包括:
通过下述公式计算所述关键指标中每个指标的指标密度值:
其中H表示关键指标中每个指标的指标密度值,d表示指标关联属性对应的序列号,β表示指标关联属性对应的总数量,g表示指标关联属性之间的关联性衰减阈值,Md表示指标关联属性中第d个属性对应的权值,Nd表示指标关联属性中第d个属性对应的带宽,Td表示指标关联属性中第d个属性对应的属性值。
本发明通过结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,可以增强所述城市三维地图的可视化效果,并且提高了所述城市三维地图的信息显示的准确性。
本发明根据所述关键指标,采集所述智慧城市对应的城市大数据,可以得到所述关键指标相关的数据信息,为后续提高所述关键指标的趋势分析提供了依据,通过分析所述城市大数据对应的数据属性,可以了解所述城市大数据对应的数据特有性质,以便于后续指标关联属性的提取,本发明通过对所述城市大数据进行特征提取,可以得到所述城市大数据对应的数据表征,降低所述城市大数据的数据规模,降低了后续可视化图表的处理难度,本发明将所述城市图像转换为二值图像,可以有效突出所述城市图像中的主要特征,去除干扰和背景噪声,更容易识别和理解所述城市图像中的重要元素,提高后续地物边界的识别准确性,本发明通过结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,可以增强所述城市三维地图的可视化效果,并且提高了所述城市三维地图的信息显示的准确性。因此,本发明实施例提供的一种基于大数据的智慧城市挛生地图的构建方法,能够提高智慧城市挛生地图的构建准确性。
如图2所示,是本发明一实施例提供的一种基于大数据的智慧城市挛生地图的构建系统的功能模块图。
本发明所述一种基于大数据的智慧城市挛生地图的构建系统100可以安装于电子设备中。根据实现的功能,所述一种基于大数据的智慧城市挛生地图的构建系统100可以包括属性分析模块101、趋势分析模块102、地图构建模块103及地图标记模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述属性分析模块101,用于获取智慧城市构建孪生地图的关键指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性;
所述趋势分析模块102,用于对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势;
所述地图构建模块103,用于采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图;
所述地图标记模块104,用于根据所述指标关联属性,计算所述关键指标中每个指标的指标密度值,根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
详细地,本申请实施例中所述一种基于大数据的智慧城市挛生地图的构建系统100中所述的各模块在使用时采用与上述图1中所述的一种基于大数据的智慧城市挛生地图的构建方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所提供的方法和系统,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人工的智能,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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述方法包括:
获取智慧城市构建孪生地图的关键指标,所述关键指标是所述智慧城市构建孪生地图时所需要的重要指标,包括经济指标、人口流动指标或者气象指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性,其中,所述根据所述关键指标,提取出所述数据属性对应的指标关联属性,包括:
计算所述数据属性中每个属性的属性权重;
根据所述属性权重,对所述数据属性进行属性筛选,得到关键属性;
对所述关键属性进行语义解析,得到属性语义;
识别所述关键指标对应的指标字符;对所述指标字符进行语义解析,得到指标语义;
通过下述公式计算所述属性语义与所述指标语义之间的关联系数:
其中,A表示属性语义与指标语义之间的关联系数,a表示属性语义的序列号,表示属性语义的数量,a+1表示指标语义的序列号,Ba表示属性语义中第i个语义对应的标准差,Da+1表示指标语义中第a+1个语义对应的标准差,minmin(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最小差值,maxmax(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最大差值;
在所述关联系数大于预设关联系数时,对所述关键属性进行提取处理,得到指标关联属性;
对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势;
采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图;
根据所述指标关联属性,通过下述公式计算所述关键指标中每个指标的指标密度值:
其中H表示关键指标中每个指标的指标密度值,d表示指标关联属性对应的序列号,β表示指标关联属性对应的总数量,g表示指标关联属性之间的关联性衰减阈值,Md表示指标关联属性中第d个属性对应的权值,Nd表示指标关联属性中第d个属性对应的带宽,Td表示指标关联属性中第d个属性对应的属性值;
根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
2.如权利要求1所述的一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,包括:
分别提取所述数据特征和所述指标关联属性对应的变量,得到特征变量和属性变量;
分析所述特征变量和所述属性变量之间的线性关系,根据所述线性关系,确定所述数据特征和所述指标关联属性中的变量关系;
分别计算所述数据特征和所述指标关联属性对应的数值,得到特征值和属性值;
对所述特征值和所述属性值进行配对处理,得到配对值;
结合所述变量关系、所述数据特征、所述指标关联属性以及所述配对值,构建所述关键指标对应的可视化图表。
3.如权利要求1所述的一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势,包括:
提取所述可视化图表中的数据点对应的数据点坐标,计算所述数据点坐标中相邻坐标之间的坐标距离;
根据所述坐标距离,利用预设的最小二乘法计算计算所述数据点对应的拟合点;
对所述拟合点进行拟合处理,得到拟合直线,计算所述拟合直线对应的直线斜率;
计算所述数据趋势信息之间的信息可信度,根据所述信息可信度,确定所述数据趋势信息对应的交互信息;
结合所述交互信息、所述数据趋势信息、所述信息可信度以及所述直线斜率,分析所述关键指标对应的指标变化趋势。
4.如权利要求3所述的一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述计算所述数据趋势信息之间的信息可信度,包括:
可以通过下述公式计算所述数据趋势信息之间的信息可信度:
其中,Q表示数据趋势信息之间的信息可信度,表示趋势信息中第e+1个信息对应的信息密度,表示趋势信息中第e个信息对应的信息密度,e和e+1均为趋势信息对应的信息序列号,Re+1表示趋势信息中第e+1个信息对应的信息熵值,Re表示趋势信息中第e个信息对应的信息熵值。
5.如权利要求1所述的一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图,包括:
分析所述地物边界对应的边界特征,根据所述边界特征,查询所述地物边界对应的建筑要素;
根据所述建筑要素,构建所述智慧城市对应的建筑点格图,获取所述建筑要素对应的地理信息;
根据所述地理信息,确定所述建筑要素对应的要素矢量,根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值;
根据所述方位角误差值,对所述建筑点格图进行点格调整,得到目标点格图;
根据所述图像纹理,利用预设的深度估计算法分析所述建筑要素对应的深度信息;
根据所述深度信息,确定所述建筑要素对应的要素高度,结合所述要素高度和所述目标点格图,构建所述智慧城市对应的城市三维地图。
6.如权利要求5所述的一种基于大数据的智慧城市挛生地图的构建方法,其特征在于,所述根据所述要素矢量,计算所述建筑点格图中每个点格之间的方位角误差值,包括:
通过下述公式计算所述建筑点格图中每个点格之间的方位角误差值:
其中,E表示建筑点格图中每个点格之间的方位角误差值,arccos表示反余弦函数,Fmn表示建筑点格图中第m个点格和第n个点格的点格向量,Gmn表示第m个点格和第n个点格的要素矢量,∥Fmn∥表示建筑点格图中第m个点格和第n个点格的点格向量对应的向量范数,∥Gmn∥表示第m个点格和第n个点格的要素矢量对应的矢量范数。
7.一种基于大数据的智慧城市挛生地图的构建系统,其特征在于,所述系统包括:
属性分析模块,用于获取智慧城市构建孪生地图的关键指标,所述关键指标是所述智慧城市构建孪生地图时所需要的重要指标,包括经济指标、人口流动指标或者气象指标,根据所述关键指标,采集所述智慧城市对应的城市大数据,分析所述城市大数据对应的数据属性,根据所述关键指标,提取出所述数据属性对应的指标关联属性,其中,所述根据所述关键指标,提取出所述数据属性对应的指标关联属性,包括:
计算所述数据属性中每个属性的属性权重;
根据所述属性权重,对所述数据属性进行属性筛选,得到关键属性;
对所述关键属性进行语义解析,得到属性语义;
识别所述关键指标对应的指标字符;对所述指标字符进行语义解析,得到指标语义;
通过下述公式计算所述属性语义与所述指标语义之间的关联系数:
其中,A表示属性语义与指标语义之间的关联系数,a表示属性语义的序列号,表示属性语义的数量,a+1表示指标语义的序列号,Ba表示属性语义中第i个语义对应的标准差,Da+1表示指标语义中第a+1个语义对应的标准差,minmin(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最小差值,maxmax(ln(Ba-Da+1))表示第a个和第a+1个语义对应的标准差的差值对数的两级最大差值;
在所述关联系数大于预设关联系数时,对所述关键属性进行提取处理,得到指标关联属性;
趋势分析模块,用于对所述城市大数据进行特征提取,得到数据特征,根据所述数据特征和所述指标关联属性,构建所述关键指标对应的可视化图表,并挖掘所述城市大数据对应的数据趋势信息,结合所述可视化图表和所述数据趋势信息,分析所述关键指标对应的指标变化趋势;
地图构建模块,用于采集所述智慧城市对应的城市图像,将所述城市图像转换为二值图像,识别所述二值图像中的地物边界,并从所述二值图像中提取所述地物边界对应的图像纹理,结合所述地物边界和所述图像纹理,构建所述智慧城市对应的城市三维地图;
地图标记模块,用于根据所述指标关联属性,通过下述公式计算所述关键指标中每个指标的指标密度值:
其中H表示关键指标中每个指标的指标密度值,d表示指标关联属性对应的序列号,β表示指标关联属性对应的总数量,g表示指标关联属性之间的关联性衰减阈值,Md表示指标关联属性中第d个属性对应的权值,Nd表示指标关联属性中第d个属性对应的带宽,Td表示指标关联属性中第d个属性对应的属性值,根据所述指标密度值,确定所述关键指标对应的标注颜色,结合所述关键指标、所述指标变化趋势以及所述标注颜色,对所述城市三维地图进行地图标记处理,得到所述智慧城市的孪生地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311760864.9A CN117671181B (zh) | 2023-12-18 | 基于大数据的智慧城市挛生地图的构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311760864.9A CN117671181B (zh) | 2023-12-18 | 基于大数据的智慧城市挛生地图的构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671181A CN117671181A (zh) | 2024-03-08 |
CN117671181B true CN117671181B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN114511718B (zh) | 一种建筑施工用物料智能管理方法及系统 | |
CN112819008B (zh) | 实例检测网络的优化方法、装置、介质及电子设备 | |
Sun et al. | Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN117671181B (zh) | 基于大数据的智慧城市挛生地图的构建方法及系统 | |
CN116168213A (zh) | 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 | |
CN117671181A (zh) | 基于大数据的智慧城市挛生地图的构建方法及系统 | |
CN116958033A (zh) | 异常检测方法、模型训练方法、装置、设备和介质 | |
CN114119492A (zh) | 基于图像处理的热防护功能梯度材料组分识别方法和系统 | |
CN111598036B (zh) | 分布式架构的城市群地理环境知识库构建方法及系统 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN114663835A (zh) | 一种行人跟踪方法、系统、设备及存储介质 | |
CN113936200A (zh) | 一种基于移动终端的电表箱图像质量检测方法 | |
Pu et al. | Anomaly detection of substation engineering video object based on cloud platform | |
CN116958476B (zh) | 一种基于bim数据的建筑物可视化建模方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |