【技術實現步驟摘要】
本專利技術屬于空間信息，具體涉及一種融合區域表示的城市功能區識別方法。
技術介紹
1、城市是由各種形式的功能區組成的開放的、復雜的巨大系統。城市功能區不僅承載著社會經濟發展的各項職能，而且作為城市人群活動的基本單元，為人類活動提供特定功能，承擔著特定的出行與活動需求。對城市功能區的精準識別，可以幫助決策者更好地了解城市功能結構，從而促進人地系統與城市可持續發展的耦合。人類在城市區域中的日常活動和在區域間的移動行為可以潛在反映城市的功能結構，因此從人群移動的角度探究城市區域間的交互特征以及區域內部的語義特征，并通過特征表示學習，可以為城市功能區識別提供新的路徑。
2、在城市功能區的識別方面，傳統方法主要利用遙感影像的光譜、紋理和雷達散射系數等空間形態特征，或者利用poi所反映的社會經濟特征來進行城市功能區識別。目前大多研究開始利用社交媒體、手機定位、出租車軌跡等社會感知大數據，從人群移動模式著手揭示城市功能，如“馬書紅,張俊杰,陳西芳,等.利用出租車時序數據識別城市功能區[j].吉林大學學報(工學版):1-10.”通過軌跡數據構建區域的時序向量，并在此基礎上利用改進的dtw算法和聚類算法劃分城市功能屬性。“肖銳,郭宇翔,李星華.基于主題模型的城市地塊活動語義動態提取[j].遙感技術與應用,2023,38(3):649-661.”將出租車軌跡數據轉化成出行模式文本，利用主題模型判別城市功能區語義。還有學者通過融合poi數據與社會感知數據進行城市功能區識別，如“楊振山,蘇錦華,楊航,等.基于多源數據的城市功能區精細化研究—
3、現有技術的不足主要體現在：(1)大多數研究只是簡單提取了軌跡數據中人類活動情況隨時間的變化特征，或者僅用流量特征表達區域的空間交互性，因此對軌跡數據中體現的人群活動特征挖掘不夠深入；(2)在利用poi數據獲取區域語義特征的時候沒有考慮到全局特征以及poi點的公眾認知程度，可能導致功能區類別的誤判；(3)現有的一些研究在融合多源數據時往往會忽略不同數據之間的相似性導致出現特征冗余的情況，也難以捕捉數據間存在的關系，需要進一步改進。
技術實現思路
1、為此，針對現有技術存在的缺陷和不足，本專利技術旨在提出一種融合區域表示的城市功能區識別方法。該方法基于手機定位數據和poi數據，通過node2vec算法深入挖掘區域多時段的空間交互特征，利用glove模型提取poi特征并引入了能夠代表poi公眾認知度的tf-idf指數以提取區域的語義特征。最后，采用多頭注意力機制實現區域特征的有效融合，在捕捉特征關系的同時，實現區域間的信息共享，最大限度地減少了特征冗余，從而有效地提高了城市功能區識別的準確性。
2、本專利技術解決其技術問題具體采用的技術方案是：
3、一種融合區域表示的城市功能區識別方法：基于手機定位數據和城市poi數據，基于node2vec提取區域多時段空間交互特征，利用glove模型提取poi特征并引入tf-idf指數以提取區域的語義特征；采用多頭注意力機制進行區域特征的融合以進行功能類別識別。
4、進一步地，所述基于node2vec提取區域多時段空間交互特征包括：
5、劃分研究區域：利用osm數據將研究區劃分為路網區域；
6、構建用戶出行帶權有向圖：將用戶出行劃分為若干個特定時段，而后將用戶出行od匹配到路網區域，利用出行量和出行距離構建工作日和周末各個特定時段的用戶出行帶權有向圖；
7、利用node2vec模型獲取每個路網區域的表示向量，從而得到城市區域的多時段空間交互特征。
8、進一步地，所述基于node2vec提取區域多時段空間交互特征具體為：
9、將城市人群活動映射成移動網絡空間中的出行有向圖，以城市路網區域為節點，城市人群在區域之間的流動為邊構建人群出行網絡，并利用node2vec算法獲取不同時段下不同區域的空間交互特征：
10、將用戶出行劃分成為多個不同的特定時間段；而后將用戶出行od匹配到路網區域，構建多時段的用戶出行有向圖集合{g1,g2,g3,g4,g5,g6}；t時段的用戶出行有向圖定義為：gt＝(vt,et)，其中vt表示第t時段下節點的集合，et表示第t時段下圖的有向邊集；et定義為：其中，ri,rj∈vt，分別表示邊所連接的起始和終止節點，表示邊權；
11、每個城市路網區域都是出行有向圖的一個節點，兩個區域之間的出行量越大，聯系越強，采用邊的權重進行衡量；
12、第t時段從節點ri到節點rj的邊權由公式(1)確定：
13、
14、其中，表示在第t時段內，從節點ri到達節點rj的出行量，表示該時段內從節點ri到達節點rj的所有出行的平均距離，而表示在該時段內從圖中所有節點到達節點rj的出行量總和；
15、基于構建的用戶出行帶權有向圖，引入node2vec在圖上執行有策略的隨機游走，以模擬人在城市各區域中的移動軌跡：假設當前用戶上一步在節點s，當前在節點i，那么下一步到j的轉移概率p(vj|vi)計算公式如下：
16、
17、式中的z是歸一化算子，πi,j為非歸一化轉移概率，計算公式如下：
18、πi,j＝αpq(s,j)*wi,j??(3)
19、式中的是wi,j就是公式(1)計算獲取的節點之間的邊權，αpq(s,j)由公式(4)計算獲得：
20、
21、其中ds,j是指節點s到節點j之間的最短路徑，參數p和q分別控制游走的方向是向已經去過的區域行走還是朝沒有去過的區域行走；當節點s與節點j重合時，最短路徑為0，返回參數p控制有著方向向里；當節點s與節點j直接相連時，最短路徑為1；當節點s與節點j需要兩跳才能聯通時，最短路徑為2，進出參數q控制游走方向向外。
22、進一步地，所述利用glove模型提取poi特征并引入tf-idf指數以提取區域的語義特征包括：構建最短路徑序列的poi緩沖區文檔，在此基礎上構建城市功能語料庫；利用glove模型訓練城市功能語料庫，獲取poi類別特征向量；引入tf-idf權重計算法評估區域內各p本文檔來自技高網...
【技術保護點】
1.一種融合區域表示的城市功能區識別方法，其特征在于：基于手機定位數據和城市POI數據，基于Node2vec提取區域多時段空間交互特征，利用GloVe模型提取POI特征并引入TF-IDF指數以提取區域的語義特征；采用多頭注意力機制進行區域特征的融合以進行功能類別識別。
2.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：所述基于Node2vec提取區域多時段空間交互特征包括：
3.根據權利要求2所述的融合區域表示的城市功能區識別方法，其特征在于：所述基于Node2vec提取區域多時段空間交互特征具體為：
4.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：所述利用GloVe模型提取POI特征并引入TF-IDF指數以提取區域的語義特征包括：構建最短路徑序列的POI緩沖區文檔，在此基礎上構建城市功能語料庫；利用GloVe模型訓練城市功能語料庫，獲取POI類別特征向量；引入TF-IDF權重計算法評估區域內各POI類別的重要性，計算得到區域的表示向量，即區域的語義特征。
5.根據權利要求4所述的融合區域表
6.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：所述采用多頭注意力機制進行區域特征的融合以進行功能類別識別包括：將各時段空間交互和語義特征輸入模型，通過多頭注意力機制計算權重，生成最終特征表示；識別城市功能區：模型輸出每個區域的功能類型概率，選擇最高概率作為識別結果。
7.根據權利要求6所述的融合區域表示的城市功能區識別方法，其特征在于：所述采用多頭注意力機制進行區域特征的融合以進行功能類別識別具體為：
8.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：還包括對數據的預處理，具體為：
9.一種融合區域表示的城市功能區識別系統，其特征在于，包括：
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-8任一項所述的融合區域表示的城市功能區識別方法的步驟。
...【技術特征摘要】
1.一種融合區域表示的城市功能區識別方法，其特征在于：基于手機定位數據和城市poi數據，基于node2vec提取區域多時段空間交互特征，利用glove模型提取poi特征并引入tf-idf指數以提取區域的語義特征；采用多頭注意力機制進行區域特征的融合以進行功能類別識別。
2.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：所述基于node2vec提取區域多時段空間交互特征包括：
3.根據權利要求2所述的融合區域表示的城市功能區識別方法，其特征在于：所述基于node2vec提取區域多時段空間交互特征具體為：
4.根據權利要求1所述的融合區域表示的城市功能區識別方法，其特征在于：所述利用glove模型提取poi特征并引入tf-idf指數以提取區域的語義特征包括：構建最短路徑序列的poi緩沖區文檔，在此基礎上構建城市功能語料庫；利用glove模型訓練城市功能語料庫，獲取poi類別特征向量；引入tf-idf權重計算法評估區域內各poi類別的重要性，計算得到區域的表示向量，即區域的語義特征。
5.根據權利要求4所述的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。