WO2023143000A1 - 一种基于多源大数据的老龄友好街道建成环境审计系统 - Google Patents

一种基于多源大数据的老龄友好街道建成环境审计系统 Download PDF

Info

Publication number
WO2023143000A1
WO2023143000A1 PCT/CN2023/071296 CN2023071296W WO2023143000A1 WO 2023143000 A1 WO2023143000 A1 WO 2023143000A1 CN 2023071296 W CN2023071296 W CN 2023071296W WO 2023143000 A1 WO2023143000 A1 WO 2023143000A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
module
image
classification
audit
Prior art date
Application number
PCT/CN2023/071296
Other languages
English (en)
French (fr)
Inventor
于一凡
刘浏
詹烨
张鼎
焦瑜
于叶
Original Assignee
同济大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 同济大学 filed Critical 同济大学
Publication of WO2023143000A1 publication Critical patent/WO2023143000A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Definitions

  • the invention relates to the technical field of urban built environment auditing, in particular to an age-friendly street built environment audit system based on multi-source big data.
  • Age-friendliness means paying attention to the spatial quality needs of the disadvantaged elderly population under the constraints of the built environment in the city.
  • Numerous existing studies have revealed that the health level of the elderly group benefits to a large extent from the support provided by their own healthy behaviors and the environment. For the elderly, due to their physical functions and socioeconomic attributes, the elderly People's activity space is very limited. Walking is the main way for the elderly to travel. Walking activities play an important role in promoting the health of the elderly. The community (especially the street) is the main carrier space for the elderly's walking activities.
  • Many existing studies have shown that improving objective built environment characteristics such as street walkability, road connectivity, diversity of activity venues, and accessibility of facilities has a positive impact on the promotion of walking behavior of the elderly.
  • the street is an important public space for the elderly to participate in social life.
  • the elderly while seeking to meet the needs of daily life in the street, they also establish an emotional bond with the community environment.
  • a good sense of belonging and a sense of community are conducive to promoting the participation of the elderly in social activities and improving the physical and mental health and happiness of the elderly.
  • the purpose of the present invention is to provide an old-age-friendly street built environment audit system based on multi-source big data in order to overcome the above-mentioned defects in the prior art.
  • An aging-friendly street built environment audit system based on multi-source big data including a data acquisition module, a data classification audit module, a data summary analysis module and an audit result output module, wherein:
  • Data acquisition module used to collect urban street view image data, urban road network data and urban point of interest data within the target range, and the urban street view image data includes image data;
  • Data classification audit module used to obtain the data of the data acquisition module, and obtain the evaluation values of different types of indicators through corresponding data processing methods;
  • Data summary analysis module used to obtain the evaluation value of the data classification audit module, calculate the sub-item value of each output unit, and calculate the result data according to the sub-item value;
  • Audit result output module used to obtain the result data of the data summary analysis module, and combine the result data with urban road network data and urban point of interest data for visualization and output.
  • the data classification audit module obtains the image data, it classifies the image data according to the four-layer classification model to obtain the classification result of the image data; according to the classification result, combined with the existing audit index classification table, the data corresponding to the image is obtained Approach.
  • the data processing method of the data classification audit module includes object detection and recognition, object semantic segmentation, place awareness analysis and geospatial data analysis.
  • the object detection and recognition includes inputting pictures into the object detection model to obtain detection results
  • the training process of the object detection model is as follows:
  • the object semantic segmentation includes inputting pictures into the object semantic model to obtain detection results
  • the training process of the object semantic model is as follows:
  • A1. Obtain an evaluation training image with calibration evaluation information, and generate a mask image with the same size as the original image;
  • the site awareness analysis includes the following steps:
  • p i represents the number of times that the i-th image has a higher corresponding perception intensity (such as security, etc.) in the comparison
  • n i represents the number of times the i-th image has a lower corresponding perception intensity (such as security, etc.) in the comparison
  • e i represents the number of times that the i-th image has the same perceptual intensity (such as security, etc.) in the comparison
  • Q i represents the perceptual intensity score
  • the images are divided into ten categories, each category includes training set images and test set images, and the perceptual intensity mean and perceptual intensity variance of each category of images are calculated;
  • test set image into the trained perceptual intensity classification network to obtain the probability of each category, multiply the probability of each category by the variance of perceptual intensity, and add the mean value of perceptual intensity to obtain the perceptual score of each category.
  • the evaluation value is obtained by weighting the perceptual scores of all classes.
  • the network loss function value is calculated by the mean square error formula; the optimizer feeds back and adjusts the loss function value, and when the loss function value is the smallest, save the current perceptual intensity classification network as the trained perceptual intensity classification network.
  • the establishment process of the perceived intensity (such as safety) discriminant model is as follows:
  • the data summary analysis module uses the AHP AHP to stratify the data and obtain the bottom-level standardized data according to the sub-item values, and then calculates the weighted data of each level according to the expert scoring results, and adds all the calculation results to the bottom layer Standardize the data to get the result data.
  • the data summary analysis module calculates the sub-index values for the received continuous distribution data through the natural domain spatial interpolation method, and calculates the sub-item index values for the received discrete distribution data through the kernel density calculation method.
  • the audit result output module includes an index comparison sub-module, a spatial evaluation sub-module and a query sub-module, wherein the index comparison sub-module is used to compare the result data of other regions, and the spatial evaluation sub-module is used to display the visualization effect in real time,
  • the query sub-module can view the data chart of the result data.
  • the present invention has the following advantages:
  • the present invention is provided with a data acquisition module, which is used to obtain urban street view image information and urban road network data and urban interest point data for data visualization on a map, and a data classification audit module is provided to classify images and use them
  • the data processing method processes the image data to obtain different indicators of urban street scenes, and calculates the corresponding result data through the data summary analysis module, and finally visualizes the result data through the audit result output module.
  • the present invention effectively improves the audit efficiency, can process a large amount of data at the same time, and based on different data processing methods, makes the audit results more accurate, and then realizes the urban street Improvements in age-friendliness.
  • the data summary analysis module in the present invention calculates the evaluation value through the AHP method combined with the expert scoring results, and divides the data into layers and assigns weights to make the results more accurate.
  • Fig. 1 is a schematic diagram of the system structure of the present invention.
  • Fig. 2 is a schematic diagram of processing continuous data in the data summary analysis module of the present invention.
  • Fig. 3 is a schematic diagram of the processing of discrete data in the data summary analysis module of the present invention.
  • Fig. 4 is a schematic diagram showing the spatial evaluation sub-module of the present invention.
  • Fig. 5 is a schematic diagram showing the index comparison sub-module of the present invention.
  • Fig. 6 is a schematic diagram showing the query sub-module of the present invention.
  • This embodiment provides an age-friendly street construction environment audit system based on multi-source big data, as shown in Figure 1, including a data collection module, a data classification audit module, a data summary analysis module and an audit result output module, wherein:
  • the data acquisition module is used to obtain urban street view image data, urban road network data and urban point of interest data, among which the urban street view image data uses Baidu street view map data, the viewpoint height is the height of the street view vehicle equipment (about 2.3 meters), and the line of sight angle is 15° Elevation angle, the calculation picture size is 600x480, the sampling point spacing is 50 meters, and each sampling point panorama photo is cut into 6 pieces, and the front, back, left, and right four pictures are taken for calculation.
  • Urban road network data and urban point of interest data POI for short
  • Table 1 The corresponding distribution relationship is shown in Table 1:
  • Table 1 Correspondence table of different cities for urban street view image data, urban road network data and urban POI data
  • the data classification audit module is used to obtain the data of the data acquisition module, classify the image data according to the four-layer classification model, and obtain the classification result of the image data. According to the classification results, look up the table to obtain the corresponding data processing method, and obtain the evaluation values of different types of indicators through the corresponding data processing method.
  • the four-layer classification model can choose Haar cascade classifier model or OpenCV cascade classifier model, and the four-layer classification types are first-level indicators, second-level indicators, third-level indicators and fourth-level indicators (refer to Table 2).
  • the steps of object detection and recognition include inputting pictures into an object detection model to obtain evaluation values.
  • Each evaluation value corresponds to a specific object detection model, the main difference being the calibration information used during training.
  • the method of establishing the object detection model is as follows:
  • the YOLOv5 network model architecture includes four parts:
  • Input end Indicates the input image.
  • the input image size of the network is 608*608, including an image preprocessing stage, which is to scale the input image to the input size of the network, and perform operations such as normalization.
  • Benchmark network usually a network of classifiers with excellent performance, this module is used to extract some general features. Not only the CSPDarknet53 structure is used, but also the Focus structure is used as the benchmark network.
  • Neck network further improves the diversity and robustness of features.
  • Head output used to complete the output of the feature.
  • the step of object semantic segmentation includes inputting the picture into the object detection model to obtain the evaluation value.
  • Each evaluation value corresponds to a specific object semantic segmentation model, and the main difference lies in the calibration information used during training.
  • the establishment method of object semantic model is as follows:
  • A1 Obtain an evaluation training image with calibration evaluation information, and generate a mask image with the same size as the original image, that is, a background image with 1 pixel.
  • BiseNet_v2 is a network architecture that takes both low-level details and high-level semantics into consideration.
  • the loss function is a joint loss function, the main loss function is used to supervise the training of the model, the auxiliary loss function is used to supervise the training of the Context Path, and all loss functions are Softmax functions.
  • the final loss function L is expressed as follows:
  • X represents the predicted value of the loss function
  • W represents the target value of the loss function
  • L p represents the main loss function
  • L i represents the auxiliary loss function of different stages
  • Xi represents the output of the i-th stage of Xception
  • ⁇ takes 0.5.
  • a place-aware analysis includes the following steps:
  • the establishment method of the safety discrimination model is as follows:
  • the questionnaire also includes content such as cleanliness and interest, that is, it also includes the discriminant model of other parameters and the corresponding output results. In this embodiment will not be described in detail.
  • p i represents the number of times that the i-th image is more secure in the comparison
  • n i represents the number of times the i-th image is less secure in the comparison
  • e i represents the i-th image is the same in security
  • Q i represents the perception intensity score, and its value ranges from 0 to 10.
  • each category includes no less than 300 images, each category contains training set images and test set images, the ratio is 8:2, and calculate each type of image The mean and variance of perceptual intensity of .
  • DenseNet is used in the PyTorch deep learning framework to train the training set pictures in batches.
  • the perceptual intensity classification network is established, and the pictures and their corresponding perceptual intensity scores are put into the network training, and calculated by the mean square error formula Network loss function value;
  • topk represents the accuracy algorithm.
  • top1 refers to the probability that the classification with the highest output probability is the same as the actual classification when the test image is input to the perceptual strength classification network; and top3 refers to the top three classifications with the output probability. , the probability that at least one predicted class is the same as the actual class.
  • Geospatial data analysis is an existing technology, and will not be described in detail in this embodiment.
  • the data summary analysis module is used to obtain the evaluation value of the data classification audit module, calculate the sub-item value of each output unit, and calculate the result data according to the sub-item value.
  • the specific calculation method is as follows:
  • the data is layered according to the AHP superposition method, and the underlying standardized data is first calculated; then the weights of each level are obtained through the expert scoring results, and the weighted and superimposed index values of each level are calculated in turn to calculate the results data.
  • the resulting data will be entered into the geospatial information system to form a database of urban age-friendly street built environment characteristics.
  • the expert scoring results are the existing scoring results.
  • the audit result output module includes an index comparison sub-module, a space evaluation sub-module and a query sub-module, which provides functions such as age-friendly street result query, problem diagnosis, and improvement suggestions.
  • the index comparison sub-module is used to compare the result data of cities in other regions
  • the spatial evaluation sub-module is used to combine urban road network data and urban interest point data, and display the visualization effect of the result data on the map in real time, making the data more intuitive.
  • the query sub-module can view the data chart of the result data, and download problem diagnosis and Improvement recommendation report.
  • Figure 4 The specific actual use diagrams of the audit result output module are shown in Figure 4 to Figure 6.
  • the spatial evaluation sub-module is used for the selection of indicators in the left column of the map.
  • the indicator type you can see the corresponding result data of the specific location of the indicator on the map, and the analysis of the result data will be displayed on the right side result.
  • the indicator comparison sub-module can display the results of different indicators through the radar chart.
  • FIG. 5 is a schematic diagram of different indicators for three cities.
  • the query sub-module selects different data charts to display data for different index layers, and can directly select the query range to obtain information.
  • This embodiment also includes a device for auditing the built environment of age-friendly streets based on multi-source big data, including a memory and a processor.
  • the above-mentioned age-friendly street built environment audit system based on multi-source big data is stored in the memory, and the processor calls The system runs in memory and completes an age-friendly street built environmental audit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多源大数据的老龄友好街道建成环境审计系统，包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块，数据采集模块用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据；数据分类审计模块用于获取数据采集模块的数据，并对图像数据进行分类，根据分类结果查表，使用查表获取的数据处理方法处理图像数据，获取不同类型指标的评估数值；数据汇总分析模块用于获取数据分类审计模块的评估数值，并计算每个输出单元的分项指标数值，并根据分项指标数值计算得到结果数据；审计结果输出模块用于获取数据汇总分析模块的结果数据，并将结果数据可视化并输出。与现有技术相比，本发明具有审计效率高等优点。

Description

一种基于多源大数据的老龄友好街道建成环境审计系统 技术领域
本发明涉及城市建成环境审计技术领域，尤其是涉及一种基于多源大数据的老龄友好街道建成环境审计系统。
背景技术
老龄友好即关注城市中在建成环境制约下弱势的老年人群的空间品质需求。众多既有研究已揭示，老年群体的健康水平在很大程度上得益于自身参与的健康行为和环境给予的支持，对于老年人来说，由于其身体机能以及社会经济属性等会特点，老年人的活动空间十分有限，步行是老年人主要的出行方式，步行活动为老年人健康促进具有重要的积极作用，而社区(特别是街道)则是老年人步行活动的主要载体空间。诸多既有研究表明，改善街道可步行性、道路连通性、活动场所多样性、设施可达性等客观建成环境特征对老年人步行行为促进具有积极影响。整体上，街道是老年人参与社会生活的重要公共空间。对于老年人而言，其在街道中寻求满足日常生活需要的同时，也与社区环境建立起情感的纽带。而良好的归属感和社区意识有利于促进老年人参与社会活动，提高老年人的身心健康和幸福感。
在全面改善城市街道环境老龄友好性的过程中，首先不可避免地应对街道建成环境状况进行结构化审计，近年来建成环境审计领域中基于田野的环境审计运用急剧增加，主要是由于在公共健康领域，人们对建成环境与一系列与健康相关的行为(例如体力活动、步行、骑行)等的关系研究兴趣激增的原因。国际上开展社区建成，审计的模式各有不同，具体可分为现场审计和在线审计二类。建成环境审计的对象为环境中的独立元素，早期的许多审计工具要求审计人员步行或驾车穿过一个社区、公园或道路，使用既定的标准模板系统地对建成环境特征进行编码记录，便于记录中微观建成环境要素(例如坐等空间、树木、人行道宽度等)对人们直接空间感受的影响，这种传统审计方法中需要对审计人员进行专业培训，并要求审计人员在实地进行观测与记录，这类审计方法大多依赖人工、耗时大效率低，且适用的审计范 围大大受限制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源大数据的老龄友好街道建成环境审计系统。
本发明的目的可以通过以下技术方案来实现：
一种基于多源大数据的老龄友好街道建成环境审计系统，包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块，其中：
数据采集模块：用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据，城市街景影像数据包括图像数据；
数据分类审计模块：用于获取数据采集模块的数据，并通过对应的数据处理方法，获取不同类型指标的评估数值；
数据汇总分析模块：用于获取数据分类审计模块的评估数值，并计算每个输出单元的分项指标数值，并根据分项指标数值计算得到结果数据；
审计结果输出模块：用于获取数据汇总分析模块的结果数据，并将结果数据结合城市路网数据和城市兴趣点数据进行可视化并输出。
进一步地，所述数据分类审计模块获取图像数据后，根据四层分类模型对图像数据进行分类，获取图像数据的分类结果；根据分类结果，结合现有的审计指标分类表，获取图像对应的数据处理方法。
进一步地，所述数据分类审计模块对数据的处理方法包括物体检测识别、物体语义分割、场所感知分析和地理空间数据分析。
进一步地，所述物体检测识别包括将图片输入物体检测模型中，得到检测结果；
所述物体检测模型的训练过程如下：
S1、获取带有标定评估信息的评估训练图像，并对标定评估信息进行预处理；
S2、使用第一YOLOv5网络模型提取评估训练图像的特征；
S3、根据特征和预处理后的标定评估信息计算出损失函数，根据损失函数通过反向传播训练第一YOLOv5网络模型，最后得到物体检测模型。
进一步地，所述物体语义分割包括将图片输入物体语义模型中，得到检测结果；
所述物体语义模型的训练过程如下：
A1、获取带有标定评估信息的评估训练图像，生成和原先图像大小一致的mask 图；
A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征；
A3、根据特征和mask图计算出损失函数，根据损失函数通过反向传播训练第一BiseNet_v2网络模型，最后得到物体语义模型。
进一步地，所述场所感知分析包括以下步骤：
B1、将所有图像数据输入场所感知判别模型，将图像两两进行比对，直至所有图像对比了十次以上，得到所有图像的相应感知评分大小；
B2、获取每张图片在对比中相应场所感知强度(如安全性等)较高、较低和相同的次数，计算感知强度分数，计算表达式如下：
Figure PCTCN2023071296-appb-000001
Figure PCTCN2023071296-appb-000002
Figure PCTCN2023071296-appb-000003
式中，p i表示第i张图像在对比中相应感知强度(如安全性等)较高的次数，n i表示第i张图像在对比中相应感知强度(如安全性等)较低的次数，e i表示第i张图像在对比中相应感知强度(如安全性等)相同的次数，Q i表示感知强度分数；
根据感知强度分数的大小将图像分为十类，每一类均包含训练集图像和测试集图像，并计算每一类图像的感知强度均值和感知强度方差；
B3、将训练集图像和对应的感知强度分数输入感知强度分类网络进行训练，得到训练好的感知强度分类网络；
B4、将测试集图像输入训练好的感知强度分类网络中，得到每个分类的概率，将每一类的概率乘以感知强度方差，再加上感知强度均值，得到每一类的感知评分，将所有类的感知评分加权平均后，得到评估数值。
进一步地，所述感知强度分类网络的训练过程如下：
根据图像和感知强度分数，通过均方差公式计算出网络损失函数值；通过优化器反馈并调节损失函数值，当损失函数值最小时，保存当前感知强度分类网络作为训练好的感知强度分类网络。
进一步地，所述感知强度(如安全性)判别模型的建立过程如下：
获取图像的安全性判定值，将图像和对应的安全性判定值输入神经网络中进行训练，得到安全判别模型。
进一步地，所述数据汇总分析模块根据分项指标数值使用AHP层次分析法将数据分层并获取底层标准化数据，再根据专家打分结果对每个层级的数据加权计算，将所有计算结果加至底层标准化数据，得到结果数据。
进一步地，所述数据汇总分析模块对接收到的连续分布的数据通过自然领域空间插值方法计算分项指标数值，对接收到的离散分布的数据通过核密度计算方法计算分项指标数值。
进一步地，所述审计结果输出模块包括指标对比子模块、空间评估子模块和查询子模块，其中，指标对比子模块用于对比其它地区的结果数据，空间评估子模块用于实时展示可视化效果，查询子模块可查看结果数据的数据图表。
与现有技术相比，本发明具有以下优点：
1、本发明设置了数据采集模块，用于获取城市街景图像信息和用于数据在地图上可视化的城市路网数据和城市兴趣点数据，并设置了数据分类审计模块，对图像进行分类并使用数据处理方法处理图像数据得到城市街景的不同指标，并通过数据汇总分析模块计算得到对应的结果数据，最后通过审计结果输出模块将结果数据可视化。相比起传统的通过审计人员观测记录的审计方法，本发明有效提升了审计的效率，可同时处理大量数据，且依据于不同的数据处理方法，使得审计结果更为准确，继而实现了城市街道老龄友好性的改善。
2、本发明数据分类审计模块中使用物体检测识别、物体语义分割、场所感知分析和地理空间数据分析等方法对数据进行处理，对于不同的指标使用不同的识别方法，将图片输入至不同的识别网络中得到不同类型指标的评估数值，使对于街道的审计结果更具多样性，
3、本发明中的数据汇总分析模块通过AHP层次分析法结合专家打分结果的方式对评估数值进行计算，将数据分层并赋予权值，使得结果更准确。
附图说明
图1为本发明的系统结构示意图。
图2为本发明在数据汇总分析模块对连续数据的处理示意图。
图3为本发明在数据汇总分析模块对离散数据的处理示意图。
图4为本发明空间评估子模块的展示示意图。
图5为本发明指标对比子模块的展示示意图。
图6为本发明查询子模块的展示示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于多源大数据的老龄友好街道建成环境审计系统，如图1所示，包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块，其中：
数据采集模块用于获取城市街景影像数据、城市路网数据和城市兴趣点数据，其中城市街景影像数据采用百度街景地图数据，视点高度为街景车设备高度(约2.3米)，视线角度取15°仰角，计算图片尺寸为600x480，采样点间距50米，每个采样点全景照片切为6张，取前后左右4张即0°、90°、180°、270°四张计算。城市路网数据和城市兴趣点数据(Point of Interest,简称POI)为开放平台获取。对应的分布关系如表1所示：
表1城市街景影像数据、城市路网数据和城市兴趣点数据不同城市对应表
  城市A 城市B 城市C 城市D
区域面积(km 2) 1143.77 910.83 906.87 878.47
路网长度(km) 10585.52 8484.07 10140.41 6080.46
街景图片数量 618580 1044044 766152 432856
POI数量 1704929 2122888 2055428 867070
数据分类审计模块用于获取数据采集模块的数据，并根据四层分类模型对图像数据进行分类，获取图像数据的分类结果。并根据分类结果查表获取对应的数据处理方法，并通过对应的数据处理方法，获取不同类型指标的评估数值。
其中四层分类模型可选用Haar级联分类器模型或OpenCV级联分类器模型，四层分类类型分别为一级指标、二级指标、三级指标和四级指标(可参考表2)。
获取分类结果后，依据具体分类结果的不同，共涉及4类实现技术，分别为物体检测识别、物体语义分割、场所感知分析和地理空间数据分析，具体识别的指标和使用的方法对应关系如表2所示。
表2针对老人的审计指标评估数值类型和数据处理方法的对应表
Figure PCTCN2023071296-appb-000004
Figure PCTCN2023071296-appb-000005
物体检测识别的步骤包括将图片输入物体检测模型中，得到评估数值。每种评估数值均对应一种特定的物体检测模型，主要区别在于训练时使用的标定信息不同。物体检测模型的建立方法如下：
S1、获取带有标定评估信息的评估训练图像，比如建立的是评价交通信号灯数量的物体检测模型，标定评估信息就是图像中交通信号灯的数量，并对标定评估信息进行预处理，将标定信息转化为特定格式文本文件。
S2、使用第一YOLOv5网络模型，YOLOv5网络模型架构包括四个部分：
输入端：表示输入的图片，该网络的输入图像大小为608*608，包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。使用Mosaic数据增强操作提升模型的训练速度和网络的精度。
基准网络：通常是一些性能优异的分类器种的网络，该模块用来提取一些通用的特征。不仅使用了CSPDarknet53结构，且使用Focus结构作为基准网络。
Neck网络：Neck网络进一步提升特征的多样性及鲁棒性。
Head输出端：用于完成特征的输出。
S3、根据特征和预处理后的标定评估信息计算出损失函数，根据损失函数通过反向传播训练第一YOLOv5网络模型，最后得到物体检测模型。
物体语义分割的步骤包括将图片输入物体检测模型中，得到评估数值。每种评估数值均对应一种特定的物体语义分割模型，主要区别在于训练时使用的标定信息不同。物体语义模型的建立方法如下：
A1、获取带有标定评估信息的评估训练图像，生成和原先图像大小一致的mask图，即像素均为1的背景图。
A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征，BiseNet_v2是 一种将low-level细节和high-level语义都兼顾的网络架构。
A3、根据特征和mask图计算出损失函数，根据损失函数通过反向传播训练第一BiseNet_v2网络模型，最后得到物体语义模型。
其中损失函数为联合损失函数，其中主损失函数用于监督模型的训练，辅助损失函数用于监督Context Path的训练，且所有的损失函数均为Softmax函数。最终的损失函数L表达式如下：
Figure PCTCN2023071296-appb-000006
式中，X表示损失函数预测值，W表示损失函数目标值，L p表示主损失函数，L i表示不同阶段的辅助损失函数，Xi表示Xception第i阶段的输出，∝取0.5。
场所感知分析包括以下步骤：
B1、将所有图像数据输入场所感知(如安全性)判别模型，得到所有图像的安全性大小，并根据安全性大小将图像两两进行比对，直至所有图像对比了十次以上，得到所有图像的相应感知评分大小。
安全判别模型的建立方法如下：
首先，投放超过2000份调查问卷，内容包括城市街道图片，选项为分数从1～10的安全性判定值，将这些图片和安全性判定值作为安全判别模型的训练图像和训练标签，输入神经网络中训练得到安全判别模型。
这里举安全性作为场所感知分析的例子进行说明，根据图2和图3，问卷还包括整洁度、趣味性等内容，即还会包括其它参数的判别模型及对应的输出结果，在本实施例中不进行赘述。
B2、获取每张图片在对比中安全性较大、安全性较小和安全性相同的次数，计算感知强度分数，计算表达式如下：
Figure PCTCN2023071296-appb-000007
Figure PCTCN2023071296-appb-000008
Figure PCTCN2023071296-appb-000009
式中，p i表示第i张图像在对比中安全性较大的次数，n i表示第i张图像在对比中安全性较小的次数，e i表示第i张图像在对比中安全性相同的次数，Q i表示感知强度分数，其值的区间为0～10。
根据感知强度分数的大小将图像分为十类，每一类的包括不少于300张图像，每一类均包含训练集图像和测试集图像，比例为8:2，并计算每一类图像的感知强度均值和感知强度方差。
B3、本实施例采用DenseNet在PyTorch深度学习框架下对训练集图片进行分批次训练，首先建立感知强度分类网络，将图片及其对应感知强度分数放入网络训练，并通过均方差公式计算出网络损失函数值；
通过优化器向前反馈并进行网络调节，并重新计算损失函数值，使损失函数逐减至最小并保存损失函数最小时的感知强度分类网络，并计算模型的topk准确率，并重复此步骤调整学习率、损失函数、批量大小参数，直到所述topk准确率满足top1>30％且top3>80％得到训练好的感知强度分类网络。
其中topk表示准确度算法，比如top1指的是在测试图片输入感知强度分类网络时，所输出的概率最大的分类和实际分类相同的概率；而top3指的是所输出的概率前三大的分类中，至少有一个预测的分类与实际分类相同的概率。
B4、将测试集图像输入训练好的感知强度分类网络中，得到每个分类的概率，将每一类的概率乘以感知强度方差，再加上感知强度均值，得到每一类的感知评分，将所有类的感知评分加权平均后，即可得到评估数值。
地理空间数据分析为现有技术，在本实施例中不进行赘述。
数据汇总分析模块用于获取数据分类审计模块的评估数值，并计算每个输出单元的分项指标数值，并根据分项指标数值计算得到结果数据，具体计算方法如下：
首先，由于在评估数值中，存在像数量这样的离散分布的点数据，也存在安全性这样的连续分布的点数据，因此选用不同的方法计算分项指标数值。针对数值连续分布的点数据采用自然邻域空间插值方法，计算每一输出单元(10m*10m的像元)内的分项指标数值；针对数值离散分布的点数据采用和密度计算方法，计算每一输出单元内分项指标数值，具体计算过程如图2和图3所示。
计算出分项指标数值后，依据AHP层次分析法叠加方式对数据进行分层，首先计算底层标准化数据；而后通过专家打分结果获取各层级的权值，计依次加权叠加各层级指标值，计算结果数据。并将结果数据录入地理空间信息系统汇总，形成城市年龄友好街道建成环境特征数据库。
其中专家打分结果为现有的评分结果。
审计结果输出模块包括指标对比子模块、空间评估子模块和查询子模块，提供 老龄友好街道结果查询、问题诊断和提升建议等功能，其中，指标对比子模块用于对比其它地区城市的结果数据，空间评估子模块用于结合城市路网数据和城市兴趣点数据，在地图上实时展示结果数据的可视化效果，使数据更为直观，查询子模块可查看结果数据的数据图表，并下载问题诊断和提升建议报告。
审计结果输出模块的具体实际使用图如图4～图6所示。根据图4可知，空间评估子模块在地图的左侧一栏为指标的选取，通过选取指标类型，可以看到指标在地图上具体位置的对应结果数据，同时右侧会显示对于结果数据的分析结果。
根据图5可知，指标对比子模块可通过雷达图将不同指标的结果展示出来，此处为3个城市的不同指标示意图。
根据图6可知，查询子模块对于不同指标层选用不同的数据图表显示数据，可直接选取查询范围进行信息的获取。
本实施例还包括一种基于多源大数据的年龄友好街道建成环境审计装置，包括存储器和处理器，存储器中存储上述基于多源大数据的年龄友好街道建成环境审计系统，所述处理器调用存储器中的系统运行，完成年龄友好街道建成环境审计。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (11)

  1. 一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，包括数据采集模块、数据分类审计模块、数据汇总分析模块和审计结果输出模块，其中：
    数据采集模块：用于采集目标范围内的城市街景影像数据、城市路网数据和城市兴趣点数据，城市街景影像数据包括图像数据；
    数据分类审计模块：用于获取数据采集模块的数据，并对图像数据进行分类，根据分类结果查表，使用查表获取的数据处理方法处理图像数据，获取不同类型指标的评估数值；
    数据汇总分析模块：用于获取数据分类审计模块的评估数值，并计算每个输出单元的分项指标数值，并根据分项指标数值计算得到结果数据；
    审计结果输出模块：用于获取数据汇总分析模块的结果数据，并将结果数据结合城市路网数据和城市兴趣点数据进行可视化并输出。
  2. 根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述数据分类审计模块获取图像数据后，根据四层分类模型对图像数据进行分类，获取图像数据的分类结果；根据分类结果，结合现有的审计指标分类表，获取图像对应的数据处理方法。
  3. 根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述数据分类审计模块的数据处理方法包括物体检测识别、物体语义分割、场所感知分析和地理空间数据分析。
  4. 根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述物体检测识别包括将图片输入物体检测模型中，得到评估数值；
    所述物体检测模型的训练过程如下：
    S1、获取带有标定评估信息的评估训练图像，并对标定评估信息进行预处理；
    S2、使用第一YOLOv5网络模型提取评估训练图像的特征；
    S3、根据特征和预处理后的标定评估信息计算出损失函数，根据损失函数通过反向传播训练第一YOLOv5网络模型，最后得到物体检测模型。
  5. 根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述物体语义分割包括将图片输入物体语义模型中，得到评估数值；
    所述物体语义模型的训练过程如下：
    A1、获取带有标定评估信息的评估训练图像，生成和原先图像大小一致的mask图；
    A2、使用第一BiseNet_v2网络模型提取评估训练图像的特征；
    A3、根据特征和mask图计算出损失函数，根据损失函数通过反向传播训练第一BiseNet_v2网络模型，最后得到物体语义模型。
  6. 根据权利要求3所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述场所感知分析包括以下步骤：
    B1、将所有图像数据输入场所感知判别模型，将图像两两进行比对，直至所有图像对比了十次以上，得到所有图像的相应感知评分大小；
    B2、获取每张图片在对比中相应场所感知强度较高、较低和相同的次数，计算感知强度分数，计算表达式如下：
    Figure PCTCN2023071296-appb-100001
    Figure PCTCN2023071296-appb-100002
    Figure PCTCN2023071296-appb-100003
    式中，p i表示第i张图像在对比中相应感知强度较高的次数，n i表示第i张图像在对比中相应感知强度较低的次数，e i表示第i张图像在对比中相应感知强度相同的次数，Q i表示感知强度分数；
    根据感知强度分数的大小将图像分为十类，每一类均包含训练集图像和测试集图像，并计算每一类图像的感知强度均值和感知强度方差；
    B3、将训练集图像和对应的感知强度分数输入感知强度分类网络进行训练，得到训练好的感知强度分类网络；
    B4、将测试集图像输入训练好的感知强度分类网络中，得到每个分类的概率，将每一类的概率乘以感知强度方差，再加上感知强度均值，得到每一类的感知评分，将所有类的感知评分加权平均后，得到评估数值。
  7. 根据权利要求6所述的一种基于多源大数据的老龄友好街道建成环境审计 系统，其特征在于，所述感知强度分类网络的训练过程如下：
    根据图像和感知强度分数，通过均方差公式计算出网络损失函数值；通过优化器反馈并调节损失函数值，当损失函数值最小时，保存当前感知强度分类网络作为训练好的感知强度分类网络。
  8. 根据权利要求6所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，各类场所感知判别模型的建立过程如下：
    获取图像的相应场所感知判定值，将图像和对应的场所感知判定值输入神经网络中进行训练，得到各类场所感知判别模型。
  9. 根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述数据汇总分析模块对接收到的连续分布的数据通过自然领域空间插值方法计算分项指标数值，对接收到的离散分布的数据通过和密度计算方法计算分项指标数值。
  10. 根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述数据汇总分析模块根据分项指标数值使用AHP层次分析法将数据分层并获取底层标准化数据，再根据专家打分结果对每个层级的数据加权计算，将所有计算结果加至底层标准化数据，得到结果数据。
  11. 根据权利要求1所述的一种基于多源大数据的老龄友好街道建成环境审计系统，其特征在于，所述审计结果输出模块包括指标对比子模块、空间评估子模块和报告查询子模块，其中，指标对比子模块用于对比其它地区的结果数据，空间评估子模块用于实时展示可视化效果，查询子模块可查看结果数据的数据图表。
PCT/CN2023/071296 2022-01-28 2023-01-09 一种基于多源大数据的老龄友好街道建成环境审计系统 WO2023143000A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210105052.XA CN114444941A (zh) 2022-01-28 2022-01-28 一种基于多源大数据的老龄友好街道建成环境审计系统
CN202210105052.X 2022-01-28

Publications (1)

Publication Number Publication Date
WO2023143000A1 true WO2023143000A1 (zh) 2023-08-03

Family

ID=81369222

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/071296 WO2023143000A1 (zh) 2022-01-28 2023-01-09 一种基于多源大数据的老龄友好街道建成环境审计系统

Country Status (2)

Country Link
CN (1) CN114444941A (zh)
WO (1) WO2023143000A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456288A (zh) * 2023-12-22 2024-01-26 广东铭太信息科技有限公司 一种智能化审计监管预警系统及方法
CN118035851A (zh) * 2024-04-11 2024-05-14 网思科技集团有限公司 一种基于数字孪生的智慧城市环境监测方法、系统和介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444941A (zh) * 2022-01-28 2022-05-06 同济大学 一种基于多源大数据的老龄友好街道建成环境审计系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180364059A1 (en) * 2017-06-16 2018-12-20 Bernardita Calinao Recommendation system and method to evaluate the quality of sidewalks and other pedestrian flow zones as a means to operationalize walkability
CN111814597A (zh) * 2020-06-20 2020-10-23 南通大学 一种耦合多标签分类网络和yolo的城市功能分区方法
CN112418674A (zh) * 2020-11-24 2021-02-26 中国地质大学（武汉） 基于城市多源数据的街道空间品质测度评价方法和系统
CN114331232A (zh) * 2022-03-15 2022-04-12 河北省地理信息集团有限公司 街道空间品质监测评估预警方法
CN114444941A (zh) * 2022-01-28 2022-05-06 同济大学 一种基于多源大数据的老龄友好街道建成环境审计系统
US20220270192A1 (en) * 2020-01-29 2022-08-25 Urban Dashboard Ltd Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180364059A1 (en) * 2017-06-16 2018-12-20 Bernardita Calinao Recommendation system and method to evaluate the quality of sidewalks and other pedestrian flow zones as a means to operationalize walkability
US20220270192A1 (en) * 2020-01-29 2022-08-25 Urban Dashboard Ltd Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model
CN111814597A (zh) * 2020-06-20 2020-10-23 南通大学 一种耦合多标签分类网络和yolo的城市功能分区方法
CN112418674A (zh) * 2020-11-24 2021-02-26 中国地质大学（武汉） 基于城市多源数据的街道空间品质测度评价方法和系统
CN114444941A (zh) * 2022-01-28 2022-05-06 同济大学 一种基于多源大数据的老龄友好街道建成环境审计系统
CN114331232A (zh) * 2022-03-15 2022-04-12 河北省地理信息集团有限公司 街道空间品质监测评估预警方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456288A (zh) * 2023-12-22 2024-01-26 广东铭太信息科技有限公司 一种智能化审计监管预警系统及方法
CN117456288B (zh) * 2023-12-22 2024-03-26 广东铭太信息科技有限公司 一种智能化审计监管预警系统及方法
CN118035851A (zh) * 2024-04-11 2024-05-14 网思科技集团有限公司 一种基于数字孪生的智慧城市环境监测方法、系统和介质

Also Published As

Publication number Publication date
CN114444941A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
WO2023143000A1 (zh) 一种基于多源大数据的老龄友好街道建成环境审计系统
Ye et al. Measuring daily accessed street greenery: A human-scale approach for informing better urban planning practices
Ito et al. Assessing bikeability with street view imagery and computer vision
Dai et al. Analyzing the correlation between visual space and residents' psychology in Wuhan, China using street-view images and deep-learning technique
WO2021051609A1 (zh) 细颗粒物污染等级的预测方法、装置及计算机设备
CN108650632A (zh) 一种基于职住对应关系和时空间核聚类的驻点判断方法
CN112668375B (zh) 景区内游客分布分析系统及方法
CN110647692A (zh) 一种基于大数据的多维文旅数据监测及呈现方法
CN112417204A (zh) 一种基于实时路况的音乐推荐系统
CN116628455A (zh) 一种城市交通碳排放监测与决策支持方法及系统
CN110378736A (zh) 通过人脸表情识别评价游客对自然资源体验满意度的方法
Zhang et al. Urban visual intelligence: Studying cities with AI and street-level imagery
CN113256978A (zh) 一种城市拥堵地区的诊断方法、系统及储存介质
CN116052110B (zh) 一种路面标线缺损智能定位方法及系统
Hu et al. UPDExplainer: An interpretable transformer-based framework for urban physical disorder detection using street view imagery
Yang et al. From intangible to tangible: The role of big data and machine learning in walkability studies
Zeng et al. Measuring cyclists’ subjective perceptions of the street riding environment using K-means SMOTE-RF model and street view imagery
CN116415756A (zh) 一种基于vr技术的城市虚拟场景体验管理系统
CN116434203A (zh) 考虑驾驶人语言因素的愤怒驾驶状态识别方法
Xu et al. MM-UrbanFAC: Urban functional area classification model based on multimodal machine learning
NL2034106A (en) Automatic crop classification method and system based on multi-classifier fusion, and storage medium
Yang et al. Unraveling nonlinear and interaction effects of multilevel built environment features on outdoor jogging with explainable machine learning
Zois et al. Improving monitoring of participatory civil issue requests through optimal online classification
Li The relationship between street visual features and property value using deep learning
CN116645012B (zh) 一种城市边缘区空间范围的高精度动态识别方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23745884

Country of ref document: EP

Kind code of ref document: A1