CN108540988B - 一种场景划分方法及装置 - Google Patents
一种场景划分方法及装置 Download PDFInfo
- Publication number
- CN108540988B CN108540988B CN201710128896.5A CN201710128896A CN108540988B CN 108540988 B CN108540988 B CN 108540988B CN 201710128896 A CN201710128896 A CN 201710128896A CN 108540988 B CN108540988 B CN 108540988B
- Authority
- CN
- China
- Prior art keywords
- geographic attribute
- grid
- geographic
- clustering
- data
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 241000544061 Cuculus canorus Species 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 17
- 238000003491 array Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 235000005770 birds nest Nutrition 0.000 description 14
- 235000005765 wild carrot Nutrition 0.000 description 14
- 238000003709 image segmentation Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000272177 Cuculiformes Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种场景划分方法及装置。所述方法包括:获取待测区域的基础数据,基础数据包括电子地图、POI数据和AOI数据;根据电子地图将待测区域进行栅格化处理,获得至少一个栅格,根据POI数据,获取每个栅格的地理属性特征对应的编号;根据编号构建地理属性特征矩阵;根据地理属性特征矩阵对各栅格进行聚类,获得聚类结果;根据聚类结果和AOI数据获取栅格的区域地理属性,并根据区域地理属性和电子地图进行区域划分。所述装置用于执行所述方法。本发明实施例通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种场景划分方法及装置。
背景技术
随着大规模城市基础设施和移动互联网迅猛发展,地理信息日新月异,业务种类、业务分布特征和业务量更新速度超乎想象。由于城市建设的快速发展,城市功能区划分界线日益模糊,准确的场景类别划分对移动通信网络规划和优化至关重要,是开展精准规划优化的基础性工作。在日常的网络规划工作中,精细的网络规划优化工作需要细分场景,而场景划分与规划优化和资源精准投入息息相关,工程师需要及时准确地掌握地理信息和业务分布的变化。
目前,在移动网络集中规划、集中优化工作全面开展后,大量在远端开展的规划优化工作已经常态化。现有技术中,针对场景归类遇到的问题,通常会通过工单的形式下发给相应地市或区域的人员,由相关人员凭借主观经验判断场景重新归类的方式来解决。因此,传统的场景方法依赖于数字地图中标注的静态信息,而且需要人工现场勘查确认部分信息。由于传统的基于地理场景触发的规划和优化工作方式由于对现场环境的熟悉情况下降,以及相关人员凭借个人经验、依赖于地图手工归纳,导致了优化手段和措施的效率以及准确率比较低的问题。
因此,如何提高场景划分的效率及准确性是现如今亟待解决的课题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种场景划分方法及装置。
一方面,本发明实施例提供一种场景划分方法,包括:
获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;
根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;
根据所述地理属性特征对应的编号,构建地理属性特征矩阵;
根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;
根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
另一方面,本发明实施例提供一种场景划分装置,包括:
获取模块,用于获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;
栅格划分模块,用于根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;
矩阵构建模块,用于根据所述地理属性特征对应的编号,构建地理属性特征矩阵;
聚类模块,用于根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;
区域划分模块,用于根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
本发明实施例提供的一种场景划分方法及装置,通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种场景划分方法流程示意图;
图2为本发明实施例提供的一种场景划分方法整体流程示意图;
图3为本发明实施例提供的一种场景划分装置结构示意图;
图4为本发明另一实施例提供的一种场景划分装置结构示意图;
图5为本发明实施例提供的一种场景划分装置实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种场景划分方法流程示意图,如图1所示,所述方法,包括:
步骤101:获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;
具体地,获取待测区域对应的基础数据,其中,基础数据包括待测区域对应的电子地图、兴趣点(Point of Interest,简称POI)数据和兴趣面(Area of Interest,简称AOI)数据,POI数据包括地点名称、经度、纬度、地理属性特征及编号等信息,可以从百度、高德等在线地图中提取POI数据;AOI数据包括地点名称、经度和纬度等信息。表1为本发明实施例提供的某市路北区某段区域的POI数据,如表1所示:
表1POI数据
其中,地理属性特征与编号可以预先设定,且可以根据实际情况自行设定。例如:住宅的编号为1,餐饮的编号为2,风景区的编号为3,购物区的编号为4等等。在已知经纬度的情况下可获取该点的POI数据情况。
每个地点名称对应的AOI数据是由一系列经纬度点组合起来的一个区域。表2为本发明实施例提供的AOI数据格式,其中,表2中数据来自互联网在线地图,如表2所示:
表2AOI数据
步骤102:根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;
具体地,为了对待测区域作出精确预测,一般采用5米分辨率的电子地图,将待测区域的电子地图进行栅格化处理,划分成至少一个栅格,其中可以预设栅格的面积,假设每个栅格的面积为50米*50米。若划分为多个栅格,则对多个栅格进行连续编号。根据POI数据可以获取到每个栅格的地理属性,应当说明的是,一个栅格中可以有多个地理属性特征,例如:如果一个栅格中有饭店或者住宅小区,则该栅格中的地理属性特征有餐饮和住宅两种。由于地理属性特征和编号是一一对应的,因此可以通过POI数据获得每个栅格的地理属性特征对应的编号。
步骤103:根据所述地理属性特征对应的编号,构建地理属性特征矩阵;
具体地,每个栅格都包括一个或多个地理属性特征及地理属性特征对应的编号,因此,可以在每一个栅格中根据起始经度和纬度,对POI数据的编号进行遍历搜索,从而获得该栅格的所有编号,根据每个栅格的编号可以构建地理属性特征矩阵。
步骤104:根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;
具体地,根据地理属性特征矩阵,采用改进布谷鸟算法对构成待测区域的栅格进行聚类,聚类的意思就是将多个栅格进行分类并将相似的的栅格聚集到一起,通过聚类操作后,可以获得聚类结果。即可以知道该待测区域中一共有多少个聚类类别,属于某个聚类类别的有哪些栅格。
步骤105:根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
具体地,经过聚类操作后,如果将某一个栅格归为住宅区,则利用AOI数据可以得知组成该栅格的区域地理属性,其中区域地理属性包括经纬度信息,并且可以标注在地图上。将每个找到聚类类别的栅格都在电子地图的相应位置进行标注,标注后可以通过图像分割技术对待测区域进行划分,划分完成后即实现了待测区域的场景划分。
本发明实施例通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
在上述实施例的基础上,所述方法还包括:
对所述地理属性特征矩阵进行降维处理。
具体地,为了降低计算的工作量,可以通过扩散映射(DMs)算法对地理属性特征矩阵进行降维处理。其中,DMs算法降维的具体步骤如下:
算法输入:步骤一中得到的n*5(n为栅格个数)矩阵S=(S1,S2,......Sn)。
第1步:构建权值矩阵W,W元素Wij=W(Si,Sj)。
其中Si,Sj为输入S中任意两元素,且i的取值为1,2,…,n,j的取值为1,2,…,5,σ为高斯核方差。CNN(SiSj)表示局部密度,是分别以样本Si和Sj为中心取半径rCNN的圆形区域的相交区域的样本点个数。
第2步:构建扩散核矩阵K。
第3步:核矩阵K的特征分解。求出K的特征值和特征向量,K的最大d个特征值对应的d个特征向量为U=(U1,U2...Ud)(本方案中拟将5维数据降为3维,因此d取3)。
输入数据S降维后的矩阵为Y=(Y1,Y2......Yn)=UT。
第4步:将Y=(Y1,Y2......Yn)作为下一步的输入数据。
由上述步骤可知,Y=(Y1,Y2......Yn)为降维后的地理属性特征矩阵。
本发明实施例通过对地理属性特征矩阵进行降维,借助计算机自动实现场景归类,规避人工主观判断的谬误,降低了计算复杂度,提高了对待测区域划分的效率。
在上述实施例的基础上,所述根据所述地理属性特征对应的编号,构建地理属性特征矩阵,包括:
将每个所述栅格内预设个数的所述地理属性特征对应的编号构成一个特征数组;
根据各所述栅格对应的所述特征数组构建地理属性特征矩阵。
具体地,每个栅格内可能包括多个地理属性特征,且每个地理属性特征对应一个编号,因此,在每一个栅格中根据起始经度和纬度对POI数据编号进行遍历搜索,并选取前预设个数的地理属性特征对应的编号构成一个特征数组,如果某个栅格中地理属性特征的个数不足预设个数,则用0补位。每个栅格都对应一个特征数组,将组成待测区域的多个栅格对应的特征数组构建地理属性特征矩阵。
例如,在某个区域内的某栅格内包含全部地理属性特征如表1所示,则该栅格的地理属性特征的编号构成的特征数组为(3,2,1,0,0),将构成该区域的所有栅格的对应的特征数组组合起来,构成一个地理属性特征矩阵,地理属性特征矩阵的表达式可以为:S=(S1,S2,...,Sn)为n*5维的矩阵,n为栅格个数。
本发明实施例通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
在上述实施例的基础上,所述根据所述区域地理属性和所述电子地图进行区域划分,包括:
将所述区域地理属性映射到所述电子地图上,对所述电子地图进行区域划分。
具体地,将区域地理属性映射到电子地图上,在地图上存在边界模糊的地带,此时,需要应用图像分割技术对待测区域进行图像分割,其中,进行图像分割的具体方法如下:
输入:标注后电子地图上边界模糊地带的图像y={ys:s∈S},其中S为图像域,是大小为N*N的栅格N的大小视需求由用户自行确定,s为位于S上的像素位置坐标。ys为s点的像素值。
第1步:对图像进行纹理特征统计。
为ys的矢量特征。定义分别为(灰度)、(均值)、(方差)、(能量)、(熵)、(对比度)、(相关性)、(反差距)。z为全部zs的集合。其中,灰度特征对应纹理图像像素光谱测度,均值和方差由灰度特征直接计算,其余5个纹理特征均由共生概率衍生而来。
第2步:采用Voronoi划分技术划分图像域。
采用Voronoi划分技术将图像域划分成一组Voronoi多边形。Voronoi多边形定义为与生成点对应的标号区域。Voronoi多边形定义为:Dt={s:d(s,t)<d(s,t'),s∈S,t'∈T,t'≠t}式中:d(s,t)=||s-t||2为点s,t之间的欧氏距离。将描述图像分割的标号场定义为L={Lt:t∈T},t称为生成点,每一生成点t均对应以其为中心的区域Dt(称为标号区域)。为标号点集Lt∈{1,...,k}为表征Dt内像素类别的标号。k为图像像素的类别总数,可以预先指定。
第3步:确定全局势能函数。
首先在T上建立邻域***,即生成点t和t'互为邻域当且仅当Dt和Dt'具有共同的边界基于该邻域***,定义能够刻画图像分割的全局势能函数:U(z,L)=U1(z,L)+U2(L)。U2(L)表征对区域标号的先验认知。U1(z,L)表征的是特征场Z和标号场L之间的相互关系。
第4步:应用M-H算法进行多特征纹理图像分割。
构建U(z,L)的非约束吉布斯概率分布并由M-H算法采样得到最优图像分割。
第5步:区域划分结束后,在地图上进行边界线经纬度标注。
本发明实施例通过将区域地理属性映射到电子地图上,并对电子地图进行区域划分,提高了图像划分的精度,进一步提高了对待测区域场景划分的精度。
在上述各实施例的基础上,所述根据所述地理属性特征矩阵对所述栅格进行聚类,包括:
根据所述地理属性特征矩阵,采用改进布谷鸟算法对所述栅格进行聚类。
具体地,根据地理属性特征矩阵,采用改进布谷鸟(Improved Cuckoo search,简称ICS)的寻优算法对组成待测区域的栅格进行快速聚类(Fast clustering,简称FC),其中聚类的具体方法如下:
输入数据:地理属性特征矩阵Y,dij=dist(Yi,Yj)为数据点Yi和Yj之间的欧式距离,dc为截断距离,转移参数,最大迭代次数T,发现概率(范围)。
第1步:将FC聚类的核参数σ作为ICS中布谷鸟的待寻优元素,并将聚类正确率作为FC算法的目标函数,指标值即为鸟巢所在位置的食物浓度,设置ICS算法的参数包括布谷鸟的搜寻范围、步长大小α0和发现概率pa;
第2步:鸟巢初始化。在待寻优变量的可行域内随机生成nnest个鸟巢作为初始种群;其中鸟巢初始化的具体步骤如下:
式中σ为高斯核的方差,σ越大,权值越大,核函数反映了数据点xi与xj之间的相似程度。
Step2:确定每个点的距离属性作为聚类依据。当Yi具有最大局部密度时,δi表示Y中与Yi距离最大的数据点与Yi的距离;否则δi表示Y中所有局部密度大于Yi的数据点中与Yi距离最小的数据点到Yi的距离。设表示的一个降序排列下标序,满足ρq1≥ρq2≥......≥ρqn。
Step 3:确定聚类中心。将每个点的γ=ρi*δqi进行降序排列,如需将场景划分为k个地理属性特征,则取前k个点作为聚类中心并编号为1到k,k为正整数。
Step 4:根据ρi和δi画出决策图,并确定聚类中心。
Step 5:分别计算Y中每个数据点Yi与各聚类中心的距离(即相似性),完成聚类。
Step6:将聚类中心点作为初始鸟巢位置。
第3步:利用适应度函数计算初始鸟巢所在位置的食物浓度,如果FC结果不收敛则适当增加衰减因子λ,记录下食物浓度最大的鸟巢位置状态。
第4步:选择一个随机鸟巢进行Lévy飞行,当更新后的鸟巢位置食物浓度较高时替换原有鸟巢位置;对每个鸟巢进行位置更新,提出一个新的调节系数控制标准布谷鸟算法中的步长因子α:
采用新的控制策略,其新的控制策略如下式所示:
ICS算法的步长大小和发现概率的更新公式为:飞行过长时布谷鸟错过全局最优解
α0new=α0/εα
其中,发现概率pa的范围为[0.1,0.9]。
第5步:食物浓度最低的鸟巢位置以一定的概率抛弃,并在搜索空间随机产生新的鸟巢;
第6步:判断是否终止寻优过程。若ICS算法达到设定的迭代次数或者连续多次迭代记录的最大食物浓度即指数的变化小于预设误差则停止迭代,否则继续执行第3步至第5步的鸟巢寻优过程。迭代终止后最终记录的布谷鸟鸟巢位置为聚类算法核参数σ的最终优化值并完成聚类。
本发明实施例通过改进布谷鸟寻优算法寻找最优聚类中心,并对栅格进行聚类,实现了聚类的准确性,进一步,提高了待测区域划分的准确性。
图2为本发明实施例提供的一种场景划分方法整体流程示意图,如图2所示:
步骤201:获取基础数据;获取待测区域对应的基础数据,其中,基础数据包括:电子地图,POI数据和AOI数据。
步骤202:栅格划分;对待测区域对应的电子地图进行栅格划分,分为一个或多个栅格,并根据POI数据获取每个栅格上的地理属性特征对应的编号。
步骤203:降维;将每个栅格对应的预设个数的编号构成一个特征数组,多个栅格对应的特征数组构成一个地理属性特征矩阵,并对地理属性特征矩阵进行降维处理,其中降维的具体方法在上述实施例中已经描述,本发明实施例对此不再赘述。
步骤204:数据聚类;对降维后的地理属性特征矩阵采用改进布谷鸟算法进行聚类,是的地理属性相似的栅格归为一类。
步骤205:赋予聚类类别编号地理属性;设Y中数据点Yk为第k个类别的聚类中心点,将第k个类别标识为绿色。由于Y中每组数据与S中每组数据为一一对应关系,因此可以找到地图上第k个类别聚类中心的位置(即用Sk表示地理属性特征的栅格)。根据AOI数据可知Sk所表征的这一栅格代表的地理属性,以住宅小区为例;则在聚类图中显示为绿色的点属性全部为住宅。以此类推可以确定其它种聚类的地理属性。待全部确定之后,在电子地图上应用不同颜色标注。
步骤206:图像分割;使用图像分割技术进行区域划分,划分完成后即实现了待测区域的场景划分,其中图像分割的具体方法已在上述实施例中描述,在此不再赘述。
图3为本发明实施例提供的一种场景划分装置结构示意图,如图3所示,所述装置包括:获取模块301、栅格划分模块302、矩阵构建模块303、聚类模块304和区域划分模块305,其中:
获取模块301用于获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;栅格划分模块302用于根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;矩阵构建模块303用于根据所述地理属性特征对应的编号,构建地理属性特征矩阵;聚类模块304用于根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;区域划分模块305用于根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
具体地,获取模块301获取待测区域对应的基础数据,其中,基础数据包括待测区域对应的电子地图、POI数据和AOI数据,POI数据包括地点名称、经度、纬度、地理属性特征及编号等信息,可以从百度、高德等在线地图中提取POI数据;AOI数据包括地点名称、经度和纬度等信息。为了对待测区域作出精确预测,一般采用5米分辨率的电子地图,栅格划分模块302将待测区域的电子地图进行栅格化处理,划分成至少一个栅格,其中可以预设栅格的面积,假设每个栅格的面积为50米*50米。若划分为多个栅格,则对多个栅格进行连续编号。根据POI数据可以获取到每个栅格的地理属性,应当说明的是,一个栅格中可以有多个地理属性特征,由于地理属性特征和编号是一一对应的,因此可以通过POI数据获得每个栅格的地理属性特征对应的编号。每个栅格都包括一个或多个地理属性特征及地理属性特征对应的编号,因此,矩阵构建模块303在每一个栅格中根据起始经度和纬度,对POI数据的编号进行遍历搜索,从而获得该栅格的所有编号,根据每个栅格的编号可以构建地理属性特征矩阵。根据地理属性特征矩阵,聚类模块304采用改进布谷鸟算法对构成待测区域的栅格进行聚类,聚类的意思就是将多个栅格进行分类并将相似的的栅格聚集到一起,通过聚类操作后,可以获得聚类结果。即可以知道该待测区域中一共有多少个聚类类别,属于某个聚类类别的有哪些栅格。经过聚类操作后,如果将某一个栅格归为住宅区,则区域划分模块305利用AOI数据可以得知组成该栅格的区域地理属性,其中区域地理属性包括经纬度信息,并且可以标注在地图上。将每个找到聚类类别的栅格都在电子地图的相应位置进行标注,标注后可以通过图像分割技术对待测区域进行划分,划分完成后即实现了待测区域的场景划分。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
在上述实施例的基础上,图4为本发明另一实施例提供的一种场景划分装置结构示意图,如图4所示,所述装置包括:获取模块301、栅格划分模块302、矩阵构建模块303、聚类模块304、区域划分模块305和降维模块306,其中:
降维模块306用于对所述地理属性特征矩阵进行降维处理。
具体地,获取模块301、栅格划分模块302、矩阵构建模块303、聚类模块304和区域划分模块305与上述实施例一致,本发明实施例对此不再赘述。为了降低计算的工作量,降维模块306通过扩散映射(DMs)算法对地理属性特征矩阵进行降维处理。其中降维处理的具体操作方法已经在上述对应的方法实施例中进行描述,本发明实施例对此不再赘述。
本发明实施例通过对地理属性特征矩阵进行降维,降低了计算复杂度,提高了对待测区域划分的效率。
在上述实施例的基础上,所述矩阵构建模块,具体用于:
将每个所述栅格内预设个数的所述地理属性特征对应的编号构成一个特征数组;
根据各所述栅格对应的所述特征数组构建地理属性特征矩阵。
具体地,每个栅格内可能包括多个地理属性特征,且每个地理属性特征对应一个编号,因此,在每一个栅格中根据起始经度和纬度对POI数据编号进行遍历搜索,并选取前预设个数的地理属性特征对应的编号构成一个特征数组,如果某个栅格中地理属性特征的个数不足预设个数,则用0补位。每个栅格都对应一个特征数组,将组成待测区域的多个栅格对应的特征数组构建地理属性特征矩阵。
本发明实施例通过获取待测区域的电子地图、POI数据和AOI数据,根据电子地图对待测区域进行栅格化划分,聚类及区域划分操作,实现了对待测区域场景划分的自动化处理,提高了场景划分的效率和准确性。
在上述实施例的基础上,所述区域划分模块,具体用于:
将所述区域地理属性映射到所述电子地图上,对所述电子地图进行区域划分。
具体地,将区域地理属性映射到电子地图上,在地图上存在边界模糊的地带,此时,需要应用图像分割技术对待测区域进行图像分割,其中图像分割的具体操作方法已经在上述对应的方法实施例中进行描述,本发明实施例对此不再赘述。
本发明实施例通过将区域地理属性映射到电子地图上,并对电子地图进行区域划分,提高了图像划分的精度,进一步提高了对待测区域场景划分的精度。
在上述各实施例的基础上,所述聚类模块,具体用于:
根据所述地理属性特征矩阵,采用改进布谷鸟算法对所述栅格进行聚类。
具体地,根据地理属性特征矩阵,采用改进布谷鸟的寻优算法对组成待测区域的栅格进行快速聚类,其中聚类的具体方法已经在上述对应的方法实施例中进行描述,本发明实施例对此不再赘述。
本发明实施例通过改进布谷鸟寻优算法寻找最优聚类中心,并对栅格进行聚类,实现了聚类的准确性,进一步,提高了待测区域划分的准确性。
图5为本发明实施例提供的一种场景划分装置实体结构示意图,如图5所示,所述装置,包括:处理器(processor)501、存储器(memory)502和总线503;其中,
所述处理器501和存储器502通过所述总线503完成相互间的通信;
所述处理器501用于调用所述存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;根据所述地理属性特征对应的编号,构建地理属性特征矩阵;根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;根据所述地理属性特征对应的编号,构建地理属性特征矩阵;根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;根据所述地理属性特征对应的编号,构建地理属性特征矩阵;根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (6)
1.一种场景划分方法,其特征在于,包括:
获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;
根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;
根据所述地理属性特征对应的编号,构建地理属性特征矩阵;
根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;
根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分;
还包括:
对所述地理属性特征矩阵进行降维处理;
所述根据所述地理属性特征对应的编号,构建地理属性特征矩阵,包括:
将每个所述栅格内预设个数的所述地理属性特征对应的编号构成一个特征数组;
根据各所述栅格对应的所述特征数组构建地理属性特征矩阵。
2.根据权利要求1所述的方法,其特征在于,所述根据所述区域地理属性和所述电子地图进行区域划分,包括:
将所述区域地理属性映射到所述电子地图上,对所述电子地图进行区域划分。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述地理属性特征矩阵对所述栅格进行聚类,包括:
根据所述地理属性特征矩阵,采用改进布谷鸟算法对所述栅格进行聚类。
4.一种场景划分装置,其特征在于,包括:
获取模块,用于获取待测区域的基础数据,其中,所述基础数据包括:电子地图、POI数据和AOI数据;
栅格划分模块,用于根据所述电子地图将所述待测区域进行栅格化处理,获得至少一个栅格,并根据所述POI数据,获取每个所述栅格的地理属性特征对应的编号;
矩阵构建模块,用于根据所述地理属性特征对应的编号,构建地理属性特征矩阵;
聚类模块,用于根据所述地理属性特征矩阵对所述各栅格进行聚类,获得聚类结果;
区域划分模块,用于根据所述聚类结果和所述AOI数据获取所述栅格的区域地理属性,并根据所述区域地理属性和所述电子地图进行区域划分;
还包括:
降维模块,用于对所述地理属性特征矩阵进行降维处理;
所述矩阵构建模块,具体用于:
将每个所述栅格内预设个数的所述地理属性特征对应的编号构成一个特征数组;
根据各所述栅格对应的所述特征数组构建地理属性特征矩阵。
5.根据权利要求4所述的装置,其特征在于,所述区域划分模块,具体用于:
将所述区域地理属性映射到所述电子地图上,对所述电子地图进行区域划分。
6.根据权利要求4或5所述的装置,其特征在于,所述聚类模块,具体用于:
根据所述地理属性特征矩阵,采用改进布谷鸟算法对所述栅格进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128896.5A CN108540988B (zh) | 2017-03-06 | 2017-03-06 | 一种场景划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128896.5A CN108540988B (zh) | 2017-03-06 | 2017-03-06 | 一种场景划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108540988A CN108540988A (zh) | 2018-09-14 |
CN108540988B true CN108540988B (zh) | 2020-10-09 |
Family
ID=63489423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710128896.5A Active CN108540988B (zh) | 2017-03-06 | 2017-03-06 | 一种场景划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108540988B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723959B (zh) * | 2019-03-19 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 区域的划分方法、装置、存储介质及电子装置 |
CN110446163B (zh) * | 2019-07-22 | 2020-12-22 | 北京市天元网络技术股份有限公司 | 一种基于美食场景分类识别的网络优化方法以及装置 |
CN110493803B (zh) * | 2019-09-17 | 2023-07-11 | 南京邮电大学 | 一种基于机器学习的小区场景划分方法 |
CN112566177A (zh) * | 2019-09-25 | 2021-03-26 | 中国电信股份有限公司 | 弱覆盖区域识别方法及装置、计算机可存储介质 |
CN111950600B (zh) * | 2020-07-20 | 2024-05-14 | 奇富数科(上海)科技有限公司 | 一种预测逾期用户资源返还表现的方法、装置和电子设备 |
CN112669094B (zh) * | 2021-01-29 | 2024-01-26 | 亿景智联(苏州)科技有限公司 | 一种基于时空大数据与机器学习算法的药店选址方法 |
CN115545807B (zh) * | 2022-12-02 | 2023-04-18 | 广州数说故事信息科技有限公司 | 商圈划分方法、装置、地理信息***、终端设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996258A (zh) * | 2010-11-30 | 2011-03-30 | 重庆大学 | 一种便于快速查询的电子地图信息栅格化处理及查询方法 |
KR20140055663A (ko) * | 2012-11-01 | 2014-05-09 | 네이버비즈니스플랫폼 주식회사 | 위치 기반 정보의 디스플레이를 위한 데이터 클러스터링 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN104008108A (zh) * | 2013-02-26 | 2014-08-27 | ***通信集团黑龙江有限公司 | Gis地图栅格化处理方法、装置及投诉处理方法、*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411610A (zh) * | 2011-10-12 | 2012-04-11 | 浙江大学 | 一种用于高维数据聚类的半监督降维方法 |
JP5944692B2 (ja) * | 2012-02-27 | 2016-07-05 | 株式会社デンソーアイティーラボラトリ | 地図表示装置、地図表示方法およびプログラム |
CN103413146B (zh) * | 2013-08-23 | 2017-03-29 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
CN105183870B (zh) * | 2015-09-17 | 2018-07-27 | 武汉大学 | 一种利用微博位置信息的城市功能区探测方法及*** |
-
2017
- 2017-03-06 CN CN201710128896.5A patent/CN108540988B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996258A (zh) * | 2010-11-30 | 2011-03-30 | 重庆大学 | 一种便于快速查询的电子地图信息栅格化处理及查询方法 |
KR20140055663A (ko) * | 2012-11-01 | 2014-05-09 | 네이버비즈니스플랫폼 주식회사 | 위치 기반 정보의 디스플레이를 위한 데이터 클러스터링 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN104008108A (zh) * | 2013-02-26 | 2014-08-27 | ***通信集团黑龙江有限公司 | Gis地图栅格化处理方法、装置及投诉处理方法、*** |
Non-Patent Citations (3)
Title |
---|
Data clustering using hybrid improved cuckoo search method;Avinash Chandra Pandey等;《2016 Ninth International Conference on Contemporary Computing (IC3)》;20160813;全文 * |
一种基于网格的空间聚类方法在区域划分中的应用;杨帆等;《测绘科学》;20071231(第S1期);第66-69页 * |
基于空间聚类的无线网络场景识别技术;李旭东;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120831(第8期);I136-679第三章 * |
Also Published As
Publication number | Publication date |
---|---|
CN108540988A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
US10496678B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
CN104063876B (zh) | 一种交互式图像分割方法 | |
Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
CN106919957B (zh) | 处理数据的方法及装置 | |
CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
CN111695046B (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
CN115659985B (zh) | 电力知识图谱实体对齐方法、装置和计算机设备 | |
CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
CN110991553A (zh) | Bim模型对比方法 | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN109271555A (zh) | 信息聚类方法、***、服务器及计算机可读存储介质 | |
Beilschmidt et al. | A linear-time algorithm for the aggregation and visualization of big spatial point data | |
Aghighi et al. | Fully spatially adaptive smoothing parameter estimation for Markov random field super-resolution mapping of remotely sensed images | |
CN110633890A (zh) | 一种土地利用效率判断方法和*** | |
CN115761519A (zh) | 指标预测方法、装置、设备、存储介质及程序产品 | |
CN114220017A (zh) | 遥感数据尺度自适应调整方法、装置、存储介质及设备 | |
CN115310672A (zh) | 城市发展预测模型的构建方法、城市发展预测方法及装置 | |
CN112015937B (zh) | 一种图片地理定位方法及*** | |
WO2022150013A1 (en) | Method, data processing apparatus and computer program product for generating map data | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
CN113658338A (zh) | 点云树木单体分割方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |