一种基于机器学习的绿道网络识别方法与流程

1.本发明涉及绿道网络识别和规划领域，尤其涉及一种基于机器学习的绿道网络识别方法。


背景技术：

2.绿道能够提供休闲、游憩空间，保护景观连续性，提供动植物栖息场所，兼具游憩、教育、历史资源保护等功能。绿道建设可以满足居民日益增长的优美生态环境需要，助推城市高质量发展。在绿道体系建设中，通过绿道系统的优化构建和慢行空间的打造提升，进而实现城市空间与生态空间的融合，激发城市活力，成为城市绿道系统规划面临的重要问题。随着信息化技术的更迭，大数据和机器学习等新技术为绿道研究提供了新的数据来源和分析方法，居民慢行活动数据能精准量化人对空间的实际使用，被广泛纳入绿道研究。
3.目前，gis路径分析方法、绿道建设适宜性分析及大数据方法被逐渐应用在绿道网络识别中，但是当前绿道网络识别更多采用自上而下的分析视角，借助物理空间静态指标进行综合评估，聚焦于空间路径模型或绿道载体评价，在分析中较少考虑自下而上的居民出行视角，缺乏对居民在绿道上活动行为模式研究，方法上对机器学习的应用处于探索阶段。


技术实现要素：

4.本发明所要解决的技术问题是：为了克服现有方法的不足，通过收集整理了所有居民真实活动轨迹数据作为空间本底，提出一种基于机器学习的绿道网络识别方法。
5.本发明为解决以上技术问题，采用以下技术手段：
6.本发明提出基于机器学习的绿道网络识别方法，包括：
7.步骤1、通过收集手机信令数据、运动轨迹数据、街景图像、兴趣点数据、用地和道路数据，构建绿道网络识别数据库。
8.步骤2、计算道路属性指标，具体包括如下子步骤：
9.(201)、根据道路空间特征，选取关键指标测度道路属性，包括：人口密度、兴趣点设施密度、兴趣点设施混合度、绿视率、天空开阔度、道路宽度、人行道宽度、全局集成度、交叉口密度、到公园距离10个方面指标；
10.(202)、统计距道路一定距离范围内人口密度作为道路人口密度；
11.(203)、统一范围内兴趣点设施密度作为道路兴趣点设施密度；
12.(204)、利用熵值法来测算道路兴趣点设施的混合度；
13.(205)、基于机器学习算法的卷积神经网络工具segnet对街景图片进行语义分割操作，获取图片中的植被占比、天空占比，对街景点四周的四张图片取平均值得到该街景点位的绿视率、天空开阔度；
14.(206)、利用机器学习进行道路宽度的识别，输出计算慢行道宽度的模型；
15.(207)、通过gis空间分析计算得到道路宽度、交叉口密度、到公园距离；
16.(208)、计算城市空间的全局集成度。
17.步骤3、构建道路拓扑网络；具体为：
18.s301、按照拓扑学原理，将所有道路抽象为节点，节点与节点之间的关系抽象为联系，将数据属性与路网对应形成带属性路网，利用拓扑将带属性路网做成拓扑路网；
19.s302、将道路抽象为节点后，将相应的各道路互通关系转换为人工智能框架能够接入的networkx库格式，对所有道路和互通关系利用字典生成表进行高效率查询；
20.s303、将路网中的道路起始点和终点一一对应，并将道路间的互通关系转换为拓扑关系，建立好字典列表后，在networkx绘制；
21.s304、拓扑路网建成后，对于每一条轨迹经过的道路、次序规律、道路属性都作为输入变量。
22.步骤4、采用lstm神经网络对居民运动轨迹的指标变化规律进行学习，预测居民在绿道中的行进规律；具体过程是：
23.s401、将已根据运动轨迹道路顺序生成的属性变化表输入进lstm神经网络进行训练；通过神经网络将分析出的规律模型导出，作为后续人工智能的代理智能体的运行规则，随机选择一部分运动轨迹作为训练集，其余作为测试集，进行神经网络模型训练；
24.s402、根据模型测试比较各个属性在整体范围内的均方根误差，选取拟合度较高的因子，剔除误差较大指标；
25.s403、验证模型鲁棒性，将每一条真实轨迹和模拟轨迹的指标变化趋势进行拟合，分析二者之间的相似性，验证真实线路和模拟线路之间的相似性。
26.步骤5、绿道路径模拟：
27.(501)将属性变化规律模型和拓扑路网输入进人工智能框架，对模型进行验证；
28.(502)计算每一条轨迹真实热度和预测热度值，分析真实值和预测值二者相关性，确认整体模型的可信度；
29.(503)将属性变化规律模型和拓扑路网输入进人工智能框架，输入绿道起始点、终点，将框架内预置的代理智能体agent在拓扑路网中根据属性变化规律进行模拟轨迹运行，最终输出路线模拟后的运动轨迹。
30.步骤6、识别绿道网络：对模拟轨迹做热度统计处理，提取居民出行经过频次较高的路网，作为绿道网络识别结果。
31.本发明采用以上技术方案，与现有技术相比的有益效果在于：
32.本发明所提出的方法整合多源数据，测度绿道选线的影响要素，构建了绿道选线的人工智能分析架构，提出一种绿道网络识别方法。分析过程只需要采集相关数据，将其输入到人工智能框架，无监督环境下的分析结果高度聚合，降低了学习成本，提高绿道选线智能化和精准程度，有效识别绿道网络，为绿道选线规划和建设提供指导。
附图说明
33.图1为本发明实施的方法流程图。
34.图2为本发明实施例中拓扑路网示例图。
35.图3为本发明实施例中模拟居民出行热度分析结果。
具体实施方式
36.下面结合附图对本发明的技术方案做进一步的详细说明：
37.本发明通过采集居民活动数据，借助人工智能分析框架综合分析居民的真实出行倾向，剖析居民真实轨迹的道路相关指标变化规律，模拟居民出行行为并识别绿道网络，支撑城市绿道选线和规划设计。本实例是一种基于机器学习的旅绿道网络识别方法，流程图见图1，主要包括以下步骤：
38.第一步：构建绿道网络识别数据库。收集手机信令数据、运动轨迹数据、街景图像、兴趣点数据、用地和道路数据等，整理形成地理空间数据库。
39.第二步，计算道路属性指标。具体做法如下：
40.(1)按照道路空间特征，选取人口密度、兴趣点设施密度、兴趣点设施混合度、绿视率、天空开阔度、道路宽度、人行道宽度、全局集成度、交叉口密度、到公园距离10个方面指标测度道路属性。
41.(2)统计道路100m范围内人口密度作为道路人口密度。沿道路建立双侧100m缓冲区，结合手机信令数据，统计包含在缓冲区范围内居住人口数并赋予每个缓冲区人口数量的属性。人口密度的计算公式如下：
42.popdensityi＝popi/(li×
100)
43.其中，poidensityi为道路人口密度值，popi为第i段路100m范围内人口数量，li为道路长度。
44.(3)统计道路50m范围内兴趣点设施密度作为道路兴趣点设施密度。沿道路网建立双侧50m缓冲区，统计包含在缓冲区内不同种类的兴趣点数量并统计每个缓冲区兴趣点设施密度。兴趣点设施密度的计算公式如下：
45.poidensityi＝poii/(li×
100
÷
10000)
46.其中，poii为第i段路50m范围内该类poi的数量。
47.(4)利用熵值法来测算道路兴趣点设施的混合度，兴趣点设施混合度的计算公式如下：
[0048][0049]
其中，h(x)表示随机变量x的熵；pi为x取xi的概率。
[0050]
(5)基于机器学习算法的卷积神经网络工具(segnet)对街景图片进行语义分割操作，获取图片中的植被占比、天空占比，对街景点四周的四张图片取平均值得到该街景点位的绿视率、天空开阔度。道路的绿视率、天空开阔度指标为该路段中所有街景点的绿视率、天空开阔度的平均值。
[0051]
(6)对于道路宽度的识别则利用机器学习，使得机器先对大量的慢行道路进行识别。首先对图像进行灰度处理，具体公式为：
[0052]
gray＝0.299
·
r 0.587
·
g 0.114
·b[0053]
其中gray为灰度值，r、g、b分别代表rgb中不同值。按照上述公式形成相应的灰色照片，同时对图像进行平滑滤波处理，避免多处出现噪点。进一步，选择高斯滤波法进行处理，其原理是重新计算图像中每个点的值，计算的时候将该点与周围点进行加权平均，权重符合高斯分布。一般将权重按对应位置组成矩阵形式，称为高斯核，一般鱼眼摄影的图像转
换为街景后用到的是大小为5的高斯核，针对二维图像的高斯滤波公式如下：
[0054][0055]
其中参数σ为尺度参数，σ越大，权重分布越均匀，滤波效果越好，同时图像越模糊，反之，σ越小，权重分布越偏向于窗口中心点，滤波效果越差，同时图像越能保留其原有清晰度。
[0056]
大小为5的高斯核为：
[0057][0058]
灰度图像平滑之后，利用慢行道和车行道边缘比较明显的特点，设置合理的阈值将其提取出来。人工校核去除掉明显不正常的边缘后，计算两条直线的间距，通过机器学习反复计算后，输出计算慢行道宽度的模型。
[0059]
(7)道路宽度、交叉口密度、到公园距离通过gis空间分析计算得到。
[0060]
(8)全局集成度是实际相对不对称值的倒数。计算公式为：
[0061][0062]
式中，ii是城市空间的全局集成度，r
(n)
是实际相对不对称值。
[0063][0064]
式中mdi是平均深度值，指系统某一空间到达其他空间所需经过最小连接数；n为城市单元空间个数和。
[0065]
第三步，构建道路拓扑网络。按照拓扑学原理，将所有道路抽象为节点，节点与节点之间的关系抽象为联系，将数据属性与路网对应形成带属性路网，利用拓扑将带属性路网做成拓扑路网，参考图2所示。道路抽象为节点后，将相应的各道路互通关系转换为人工智能框架能够接入的networkx库格式，所有道路和互通关系利用字典生成表进行高效率查询。将路网中的道路起始点和终点一一对应，并将道路间的互通关系转换为拓扑关系，建立好字典列表后，在networkx绘制。拓扑路网建成后，每一条轨迹经过的道路、次序规律、道路属性都可以作为输入变量。
[0066]
第四步，机器学习模拟及验证。本发明采用lstm(long short term mermory network)神经网络对居民运动轨迹的指标变化规律进行学习，预测居民在绿道中的行进规律。lstm神经网络计算公式如下：
[0067]
ft＝σ(wt xt uf ht-1 bf)
[0068]
ct＝tan h(wc xt ucht-1 bc)
[0069]
it＝σ(wt xt uiht-1 bi)
[0070]
ct＝ft
⊙
ct-1 it
⊙
ct
[0071]
ot＝σ(wo xt uo ht-1 bo)
[0072]
ht＝tan h(ct)
⊙
ot
[0073]
y＝wd hn bd
[0074]
其中，h
t
为隐含状态，x
t
为t时刻的输入，f
t
、i
t
、o
t
、c
t
分别为t时刻的遗忘门、输入门、输出门和细胞状态。c
t
为记忆更新向量；σ(
·
)表示sigmoid函数，tan h(
·
)为双曲余弦函数；w、u表示权重矩阵；b表示偏置向量；
⊙
表示向量标量积，y为t时刻的输出。
[0075]
(1)将已根据运动轨迹道路顺序生成的属性变化表输入进lstm神经网络进行训练。通过神经网络将分析出的规律模型导出，作为后续人工智能的代理智能体的运行规则。进一步，随机选择一部分运动轨迹作为训练集，其余作为测试集，进行神经网络模型训练。
[0076]
(2)根据模型测试比较各个属性在整体范围内的均方根误差，选取拟合度较高的因子，剔除误差较大指标。
[0077]
(3)验证模型鲁棒性，将每一条真实轨迹和模拟轨迹的指标变化趋势进行拟合，分析二者之间的相似性，验证真实线路和模拟线路之间的相似性。
[0078]
第五步，绿道路径模拟。具体做法如下：
[0079]
(1)将属性变化规律模型和拓扑路网输入进人工智能框架，对模型进行验证。输入真实运动轨迹起点、终点，将框架内预置的代理智能体(agent)在拓扑路网中根据属性变化规律模型进行模拟轨迹运行，利用代理智能体(agent)通过类a*算法走出最合理的路径，最终输出模拟轨迹。本研究采用改进的类a*算法，计算利用规律模型预测出的值与实际值之间的皮尔森相关系数。利用相关系数反算出离散系数，加权求和的最小值即为与预测最佳值相差最小的最优路径。类a*算法具体计算公式如下：
[0080]
f(n)＝g(n) h(n)
[0081]
其中，f(n)是节点n从初始点到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。
[0082]
类a*算法相应条件：
[0083]
f(n)＝g
*
(n) h
*
(n)
[0084]h*
(n)≤h
′
(n)
[0085]h*
(n)的附加条件为h
*
(n)≤h
′
(n)，h
′
(n)为n到目标的直线最短距离，确保类a*算法中挑选的启发函数是最优的，其对应的路径是最短路径。
[0086]
(2)计算每一条轨迹真实热度和预测热度值，分析真实值和预测值二者相关性，确认整体模型的可信度，参考图3所示。
[0087]
(3)将属性变化规律模型和拓扑路网输入进人工智能框架，输入绿道起始点、终点，将框架内预置的代理智能体(agent)在拓扑路网中根据属性变化规律进行模拟轨迹运行，最终输出路线模拟后的运动轨迹。
[0088]
第六步，识别绿道网络。对模拟轨迹做热度统计处理，提取居民出行经过频次较高的路网，作为绿道网络识别结果。
[0089]
以上所述实施仅表达了本发明可能的实施方式，但并不能因此理解为对本发明专利范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做
出相应的变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。