申请/专利权人：西北大学

申请日：2021-08-26

公开（公告）日：2024-04-12

公开（公告）号：CN113806419B

主分类号：G06F16/29

分类号：G06F16/29;G06F16/28;G06F16/26;G06F16/2458;G06N3/0442;G06N3/045;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明公开了一种基于时空大数据的城市区域功能识别模型及识别方法：根据城市路网和栅格法划分待研究城市地块，作为目标区域；构建动态时序图，生成动态时序图的节点特征和图邻接矩阵；构建动态图表示学习模型GAT‑GRU；通过训练好的GAT‑GRU模型计算，对模型输出的每个地块Bi的高层语义特征表示fT表示进行k‑means聚类，结合POI分布对聚类结果进行语义识别。本发明面向我国城市密度大、功能复合性高的发展特点，通过构建动态时序图实现在时间上细粒度的进行功能区的聚类及识别，更加符合我国城市发展特点的功能区识别思路；本发明从时空交互作用的角度，构建深度学习模型提取时空特征，从而实现城市功能区的自动识别，为传统的城市功能区研究提出了一种新思路。

主权项：1.一种基于时空大数据的城市区域功能识别模型及识别方法，其特征在于，具体包括以下步骤：步骤1：根据城市路网和栅格法划分待研究城市地块，作为目标区域；步骤2：构建动态时序图，生成动态时序图的节点特征和图邻接矩阵；包括如下子步骤：步骤21：将目标区域B内每个地块作为动态时序图的节点，生成每个地块Bi的特征，并将其作为动态时序图的节点特征；包括如下子步骤：步骤211，取目标区域B在固定时间范围T内的所有出租车订单，得到订单集合J；其中，J＝{j1，j2，...，ji，...，jn}；n为目标区域B在固定时间范围T内的所有出租车订单数量，ji为订单集合J中的第i个订单；对于一条有效的出租车订单：j＝{lonup，latup，londown，latdown，tup，tdown}，其中lonup，latup表示该订单j的上车位置，londown，latdown表示该订单j的下车位置，tup为上车对应的时间戳，tdown为下车对应的时间戳；步骤212，利用下式对每一条订单进行时间段划分，即将该订单的tup，tdown分别划分到对应的整数时间段中，整数时间段是指固定时间范围T内的每个小时；tup＝Floortup，tdown＝Floortdown；步骤213，遍历订单集合J，对于每条订单，利用下式计算地块Bi在每个整数时间段tt∈[0，23]内的上车、下车数量：若lonup，latup∈Bi，则Bi在tup时刻的上车数量累计加1；若londown，latdown∈Bi，则Bi在tdown时刻的下车数量累计加1；步骤214，遍历所有地块Bi，计算地块Bi在整数时间段t的净输入流：将每个地块Bi记为动态时序图G中第i个节点vi，将作为节点vi在整数时间段t的特征，则在研究的固定时间范围T内动态时序图G＝{G1，G2，...，Gt，...，GT}，对应节点特征矩阵表示为f1，f2，…，fT；其中，Gt表示整数时间段t对应的有向加权图；步骤22：计算目标区域B内各节点在整数时间段t时vi，vz相连的订单记录数量，作为有向加权图Gt的邻接矩阵；定义整数时间段t对应的有向加权图Gt的邻接矩阵为A＝wizN×N，其中wiz表示节点Bi和节点Bz之间的权重，由下式计算得到： 其中，Bj_up,Bj_down表示订单j从起始点Bj_up到终止点Bj_down的ODOrigin-Destination流，card表示求集合的元素个数函数，即起始点Bj_up到终止点Bj_down之间相连的订单记录数量；步骤3：构建动态图表示学习模型GAT-GRU，得到训练好的GAT-GRU模型，包括如下子步骤：步骤31，通过GAT网络模型，设计基于加权图注意力网络的空间层表示模块，用来提取加权图中各节点的空间特征；空间层表示模块具体设计过程：将整数时间段t对应的有向加权图Gt中每个节点Bi作为目标节点vi，利用公式2、3所示的GAT网络模型计算目标节点vi与其邻居节点之间的注意力权值，即得到目标节点vi在聚合邻居节点特征后的特征向量表示； 具体的，wij表示目标节点vi与其邻居节点vj之间的注意力权值，其中，Wl是有向加权图Gt在GAT网络中需要学习的第l层的目标节点vi的共享权重变换参数，Ni表示目标节点vi的邻居节点集合，Aij，Aik分别表示目标节点vi与其邻居节点vj，vk之间的权重；表示目标节点vi在第l层的特征向量表示；分别表示目标节点vi的邻居节点vj，vk在第l层的特征向量表示；a是一个网络需要学习的参数化向量，||表示串联操作，σ·是非线性激活函数；对于目标节点vi，在基于第l层得到的特征向量表示下，通过公式3计算其在第l+1层网络的特征向量表示步骤32，通过GRU网络模型，设计基于循环神经网络的时间层表示模块；对于每个节点vi，提取T个有向加权图{G1，...，Gt，...，GT}中对应的特征向量表示，作为其在GRU网络模型对应T个整数时间段的输入，进而输出其在最后一个整数时间段T对应有向加权图GT中的特征向量表示，此时所有节点的特征向量表示组合形成特征矩阵f′T，作为各节点在最后一个整数时间段T融合了其邻居节点的空间信息以及历史时间信息后的高层语义特征表示f′T；步骤33，选择网络模型损失函数，重复迭代步骤3132，对动态图表示学习模型GAT-GRU进行优化训练，得到训练好的GAT-GRU模型；步骤4：将固定时间范围内的工作日早晚高峰、周末早晚高峰这四个时间段分别通过步骤3训练好的GAT-GRU模型计算，对模型输出的每个地块Bi的高层语义特征表示fT表示进行k-means聚类，结合POI分布对聚类结果进行语义识别。

全文数据：

权利要求：

百度查询： 西北大学 基于时空大数据的城市区域功能识别模型及识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD