一种融合空间上下文与语义特征的城市功能区智能识别方法与流程
本发明涉及一种识别方法,具体涉及一种融合空间上下文与语义特征的城市功能区智能识别方法,属于地理信息系统与人工智能交叉。
背景技术:
1、随着城市化进程加速和地理大数据的普及,利用poi数据自动识别城市功能区已成为智慧城市、城市规划与地理信息科学领域的研究热点。poi数据包含丰富的语义类别(如“超市”“学校”“医院”)和精确的地理位置,能够有效反映区域的社会经济活动特征。早期研究主要采用统计指标法,例如计算各类poi的密度、比例、香农多样性指数等,作为特征输入支持向量机(svm)或随机森林等分类器进行功能区判别。然而,此类方法仅关注类别频次,忽略了poi在空间中的分布结构与相互关系。
2、近年来,受自然语言处理技术启发,研究者尝试将城市区域视为“文档”,poi类别视为“词汇”,引入主题模型进行功能区识别。其中最具代表性的是基于lda(latentdirichlet allocation)的方法[1,2],该方法通过概率生成模型挖掘每个区域潜在的功能主题。尽管lda能揭示类别共现模式,但其核心假设是词序无关(bag-of-words),无法捕捉poi在真实地理空间中的邻近性和排列顺序。此外,也有研究尝试使用tf-idf加权或格网化后输入卷积神经网络(cnn)[3,4],但前者仍缺乏空间结构建模,后者因将连续空间离散为图像而损失位置精度,且难以解释。此外,yao等[5]首次将poi区域邻近信息纳入word2vec,通过最小距离采样构建局部上下文语料库;yan等[6]进一步提出place2vec,引入空间衰减机制捕捉poi交互;qin等[7]构建多模态poi嵌入。然而,这些方法缺乏全局空间一致性框架,仅考虑局部邻近性而未建立从二维空间到一维序列的邻近性保持机制,限制了空间上下文信息的完整嵌入与语义表达能力。因此,本发明提出一种融合空间上下文与语义特征的城市功能区智能识别方法。
技术实现思路
1、本发明正是针对现有技术中存在的技术问题,提供一种融合空间上下文与语义特征的城市功能区智能识别方法,本技术的目的在于构建一种融合poi空间上下文与语义特征的城市功能区智能识别方法,通过hilbert曲线的全局-局部双层邻近性映射机制,将二维空间分布关系显性编码为一维序列顺序,突破现有tf-idf/lda等无序模型及传统word2vec局部增强方法的空间信息丢失瓶颈,使模型在训练过程中同步学习poi语义关联与空间共现模式,生成兼具功能语义表征与空间结构感知的融合特征向量,最终通过mlp神经网络挖掘复杂非线性决策边界,解决现有方法因空间-语义分离、全局一致性缺失导致的特征表达能力不足的问题,显著提升混合功能区的识别精度。
2、为了实现上述目的,本发明的技术方案如下,一种融合空间上下文与语义特征的城市功能区智能识别方法,所述方法包括以下步骤:
3、步骤1:poi数据清洗与标准化处理。本步骤通过poi唯一标识码与空间位置的双重校验机制剔除重复记录,并进行统一坐标转换和投影处理以减少对后续hilbert空间排序结果的影响;通过采用poi二级分类体系并提出与功能区关联性较弱类别以降低无关poi类别对功能区语义表达的干扰,提高语料库中poi类别的语义表达能力;通过结合高分辨率遥感影像和官方资料对功能区标签进行校验,提高功能区真值标签的可靠性。相对于直接使用原始poi或仅进行简单格式清洗的现有技术,本步骤能够在空间位置、语义表达和标签可靠性三个层面提高数据质量,降低后续表征学习过程中的噪声传播,具体如下,
4、步骤1.1.1:基于poi唯一标识码和空间位置信息,采用双重校验机制消除重复记录,
5、步骤1.1.2:将poi数据转换至统一坐标系(如wgs84),并投影到适用于研究区域的平面坐标系,确保空间分析精度,
6、步骤1.1.3:采用poi二级分类体系,剔除与宏观城市功能关联性弱的室内设施类及冗余子类别,保留有效poi数据,
7、步骤1.1.4:获取基于路网划分的功能区多边形数据,包含功能区类别标签,转换至与poi数据一致的坐标系。同时结合高分辨率遥感影像和官方规划资料进行人工校验,构建真值标签库;
8、步骤2:空间上下文语料库构建。本步骤通过hilbert曲线构建全局-局部双层空间上下文语料库:全局层面,对功能区单元进行hilbert排序,使语料库中的功能区文档按照宏观空间邻近关系组织;局部层面,对每个功能区内部的poi集合进行hilbert排序,将poi集合从二维空间映射至一维邻近性序列中,使得poi之间的空间邻近关系能够嵌入空间上下文语料库中。相对于tf-idf、lda等将poi视为无序词袋的现有方法,以及随机序列或普通扫描序列构建语料库的方法,本步骤能够在语料库构建阶段保留poi的空间排列关系和邻近贡献关系,从而减少空间信息在特征提取前的丢失,具体如下,
9、步骤2.1:基于hilbert曲线构建功能区关联关系,形成文档级别的语料库,即将由道路网络围合起来的功能区单元作为语料库的文档,利用hilbert曲线对功能区单元进行一维排序,
10、步骤2.1.1:计算每个功能区单元的几何中心坐标(记为doci),并将其映射到hilbert曲线上,得到对应的hilbert索引值h(ci),
11、步骤2.1.2:根据hilbert索引值h(ci)的大小,对所有功能区单元进行排序,形成文档序列,保留功能区间宏观空间邻近性,
12、步骤2.2:基于hilbert曲线构建功能区内poi的关联关系,形成poi语料库,
13、步骤2.2.1:对每个功能区进行网格划分,保证每一个poi点都被分配到一个独立的网格单元中,
14、步骤2.2.2:根据功能区内poi数量最大值,计算hilbert曲线递归阶数,确保每个poi可映射至独立网格单元:
15、
(1)
16、式中是功能区单元内poi点的总数。
17、步骤2.2.3:将每个poi点的坐标()映射到hilbert曲线上,得到对应的hilbert索引值hj。
18、步骤2.2.4:按hj升序排列功能区单元内所有poi,形成的单词序列。
19、步骤2.3:语料库形式化构建。将上述步骤中构建的文档和单词的序列关系形式化表示为对应的poi类别名称(如中餐厅、商场、学校)之间的组织关系,形成poi语料库;
20、步骤3:基于poi语料库提取功能区级别的语义特征。本步骤以经过hilbert曲线排序后的空间上下文语料库作为word2vec模型的训练语料,使cbow模型的上下文窗口能够获取具有空间邻近含义的poi类别序列;通过利用前后窗口中的poi类别预测中心poi类别,使训练得到的poi特征向量同时包含poi类别之间的空间分布规律和语义关联信息;再通过对功能区内部poi特征向量进行聚合,将多个poi的空间语义信息表达为的功能区整体特征向量。相对于仅基于poi频次、比例、tf-idf权重或lda主题概率构建功能区特征的现有方法,本步骤能够将poi的空间邻近关系融入语义学习过程,并通过poi特征向量聚合得到能够反映poi类别组成、功能区内部poi空间组织关系和语义关联特征的功能区特征向量,具体如下,
21、步骤3.1:面向poi语料库构建word2vec模型的continuous bag-of-words(cbow)架构,对poi语料库进行训练学习,对语料库中的每个poi类别,模型将其作为中心类别,并根据固定大小的上下文窗口提取其前后各个poi类别作为上下文,通过学习上下文与中心类别之间的关联预测中心poi类别,
22、步骤3.1.1:上下文poi类别序列首先被映射为低维词向量,其中,d为向量维度,然后通过加权平均计算隐藏层向量:
23、
(2)
24、式中,表示了综合了上下文信息的隐藏层向量,2c为上下文窗口内的poi类别总数,
25、步骤3.1.2:隐藏层向量通过输出层权重映射为各个poi类别的得分,并利用softmax函数生成概率分布:
26、
(3)
27、式中为输出层对应的词向量,为poi类别总数,计算类别的得分。
28、步骤3.1.3:以最大化poi类别在给定上下文下的平均对数概率为优化目标,即优化以下对数似然函数:
29、
(4)
30、步骤3.1.4:cbow模型通过梯度下降法迭代该目标函数,从而学习到能够表征poi类别语义的最优词向量,
31、步骤3.2:训练完成后,提取输入层权重矩阵作为poi类别的特征向量。该向量是在hilbert空间语料库中通过上下文预测任务学习获得,同时编码了poi的语义特性及其在空间上下文中的分布规律。
32、步骤3.3:功能区特征聚合,聚合功能区内所有poi的特征信息。
33、步骤3.3.1:对每个功能区内所有poi的特征向量进行平均池化计算,生成功能区整体特征向量,假设某个功能区内包含个poi,其特征向量分别为...,,则该功能区的特征向量计算如下:
34、
(5)
35、步骤3.1.2:剔除poi数量过少的功能区,确保聚合后的特征向量具有统计显著性;
36、步骤4:以步骤3生成的功能区空间—语义融合特征向量作为输入,构建多层感知机(mlp)神经网络,实现功能区智能分类识别。本步骤利用mlp建立功能区空间语义特征与功能区类别之间的非线性映射关系,用于学习传统线性分类器难以刻画的复杂功能组合模式;采用softmax输出各功能区类别的概率分布,并以最大概率类别作为识别结果,实现功能区类别的自动判别;在模型训练过程中,通过训练集、验证集和测试集的划分,并结合动态学习率和早停机制,对训练过程进行约束,以增强模型泛化能力、降低过拟合风险。相对于基于人工规则、阈值判断和传统机器学习分类模型的现有分类方法,本步骤能够更好地利用步骤3得到的空间语义特征,提高功能区识别的自动化程度和适应性,具体如下,
37、步骤4.1:构建mlp神经网络模型,
38、步骤4.1.1:搭建功能区的特征向量输入层,
39、步骤4.1.2:采用全连接结构及非线性激活函数作为隐含层,挖掘复杂特征模式
40、步骤4.1.3:采用softmax函数作为输出层,生成各类别概率分布:
41、
(6)
42、式中,为类别i的得分,为对应类别的预测概率,
43、步骤4.2:mlp神经网络模型训练与推理,
44、步骤4.2.1:将由功能区特征向量及其类别标签构成的数据集按比例(6:2:2或8:1:1)划分为训练集、验证集和测试集。
45、步骤4.2.2:设置交叉熵损失函数和优化器进行参数更新:
46、
(7)
47、式中,n为样本数量,c为类别总数,为样本i的真实标签,为模型预测的样本i为类别j的概率,
48、步骤4.2.3:实施学习率动态衰减和早停机制,防止过拟合;通过验证集监控模型性能,自动终止训练,
49、步骤4.2.4:使用训练后的mlp模型,对测试集数据执行前向传播,输出各类别概率,取最大概率对应的类别作为功能区识别结果。
50、一种融合空间上下文与语义特征的城市功能区智能识别系统,所述系统包括数据预处理模块、空间上下文语料库构建模块、语义特征提取模块以及智能分类识别模块,各模块逻辑关系为:原始poi数据与功能区数据经预处理后,进入语料库构建模块,利用hilbert曲线生成保留空间邻近性的有序语料库;该语料库驱动语义特征提取模块,生成融合空间-语义信息的poi特征向量,并聚合形成功能区级别的特征表示;最终输入分类识别模块完成功能区类型预测。
51、相对于现有技术,本发明具有如下优点,本发明的优点源于三项区别于现有技术的核心手段:其一,在语料库构建阶段引入hilbert曲线排序。通过对功能区和功能区内部poi进行全局—局部双层排序,将二维空间关系转化为一维邻近性序列,使poi的空间邻近关系能够保留在语料库中。相比tf-idf、lda等词袋模型,该方法不仅考虑poi类别出现情况,也考虑poi在功能区内部的空间邻近关系;其二,本发明在特征提取阶段使用hilbert排序后的空间上下文语料库训练word2vec模型,使cbow的上下文窗口具有空间含义,进而得到同时包含空间及语义信息的poi特征向量。通过对功能区内部poi向量进行聚合,能够得到功能区包含功能区内部的poi类别组成、空间组织关系和语义关联的整体特征向量;其三,在分类阶段将上述功能区特征向量输入mlp模型,学习功能区特征和其类别之间的非线性关系,实现功能区自动识别。相比依赖人工规则、阈值判断或传统机器学习分类模型的方式,本方法对人工特征设计的依赖更低,具有较好的自动化程度和适用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com