CN110263791A - 一种识别功能区的方法和装置 - Google Patents
一种识别功能区的方法和装置 Download PDFInfo
- Publication number
- CN110263791A CN110263791A CN201910469999.7A CN201910469999A CN110263791A CN 110263791 A CN110263791 A CN 110263791A CN 201910469999 A CN201910469999 A CN 201910469999A CN 110263791 A CN110263791 A CN 110263791A
- Authority
- CN
- China
- Prior art keywords
- grid
- concordance
- coefficient
- functional areas
- kendall
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种识别功能区的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。该实施方式能够解决依赖于参数设置及空间尺度的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种识别功能区的方法和装置。
背景技术
城市功能区识别对把握城市空间结构、进行城市合理规划具有重要的指导作用。目前,常用的城市功能区识别方式是使用多源数据进行空间聚类,然后确定具体区域的功能属性,如工作区、居住区等。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1)空间聚类算法需要人工设置功能区类别的数量,如果该数量设置不合理,识别结果的可解释性会较弱;
2)空间的划分难以掌控:如果空间划分过大,比如识别整个海淀区的功能,则识别结果的意义不大;如果空间划分过小,空间聚类的结果容易杂乱无章。
发明内容
有鉴于此,本发明实施例提供一种识别功能区的方法和装置,以解决依赖于参数设置及空间尺度的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种识别功能区的方法,包括:
将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;
根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;
根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数,包括:
对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:
对所述网格的特征数据进行排序,得到所述网格的时间序列;
将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;其中,所述映射序列的数据代表对应特征数据的序列号;
基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。
可选地,根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数,包括:
对于每一个网格,判断所述网格内是否有兴趣点;
若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
可选地,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区,包括:
对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;
若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
可选地,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区之后,还包括:
获取各个功能区内的兴趣点;
对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
另外,根据本发明实施例的另一个方面,提供了一种识别功能区的装置,包括:
提取模块,用于将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;
计算模块,用于根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;
识别模块,用于根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
可选地,所述计算模块用于:
对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:
对所述网格的特征数据进行排序,得到所述网格的时间序列;
将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;其中,所述映射序列的数据代表对应特征数据的序列号;
基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。
可选地,所述计算模块用于:
对于每一个网格,判断所述网格内是否有兴趣点;
若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
可选地,所述识别模块用于:
对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;
若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
可选地,所述识别模块还用于:
根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区之后,获取各个功能区内的兴趣点;
对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用根据预设的系数阈值和各个网格的肯德尔和谐系数,对待识别区域进行分割,从而得到多个功能区的技术手段,所以克服了现有技术依赖于参数设置及空间尺度的技术问题。本发明实施例基于相邻网格的时间序列计算肯德尔和谐系数,并以肯德尔和谐系数来评估局部区域在某种特征下的局部功能一致性,即可对城市区域功能进行合理的识别。本发明无需人工先验的确定聚类的数量,也无需人工指定区域大小,减少了人为误差,从而能够提高识别准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的识别功能区的方法的主要流程的示意图;
图2是根据本发明实施例的多个功能区的示意图;
图3是根据本发明一个可参考实施例的识别功能区的方法的主要流程的示意图;
图4是根据本发明另一个可参考实施例的识别功能区的方法的主要流程的示意图
图5是根据本发明实施例的识别功能区的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性***架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的识别功能区的方法的主要流程的示意图。作为本发明的一个实施例,如图1所示,所述识别功能区的方法可以包括:
步骤101,将待识别区域划分为多个网格,提取各个网格的历史数据。
首先,将待识别区域网格化,从而将所述待识别区域划分为多个网格。网格的大小可以根据实际需求(例如待识别区域的大小、用户输入的网格大小或者预置的网格大小等)设定,可以是250米*250米,500米*500米,1000米*1000米等。待识别区域可以是某个城市,也可以是某个城市内的某个区等。比如,根据待识别区域的大小,将北京市划分为500米*500米的网格,将海淀区划分为250米*250米的网格等,本发明实施例对此不作限制。又比如,可以根据用户输入的网格大小,将某省划分为1500米*1500米的网格。还比如,可以根据预置的网格大小,将待识别区域划分为300米*300米的网格,如果需要修改网格大小,则修改配置即可。
然后,提取各个网格的历史数据,其中所述历史数据包括各个时间对应的特征数据。比如提取各个网格过去36个月的特征数据(即每个网格有36个特征数据),或者提取各个网格过去7天的特征数据(即每个网格有7个特征数据)等。在本发明的实施例中,所述特征数据可以根据实际需求的不同来灵活选择,比如可以是消费数据(比如营收金额、产值、电商的全品类订单实付金额等)、人口数据(比如在某段时间的常驻/流动人口数量)等。
步骤102,根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数。
在该步骤中,根据步骤101得到的各个网格的历史数据,分别计算各个网格的肯德尔和谐系数(Kendall’s Coefficient Concordance,KCC)。KCC表征了局部网格区域某种属性的一致变化,即当一个网格的KCC值越接近1,说明该网格与其周围网格的功能越一致。本发明实施例通过肯德尔和谐系数来合理识别功能区,无需人工先验的确定聚类的数量,也无需人工指定待识别区域的大小,能够有效减少人为误差。
可选地,在步骤102中,对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:对所述网格的特征数据进行排序,得到所述网格的时间序列;将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。其中,所述映射序列的数据代表对应特征数据的序列号。具体地,首先,将特征数据按照时间由大至小或者由小至大的顺序进行排序,使得每个网格的数据为基于特征数据的时间序列。也就是说,时间序列的数据按照时间点的大小进行排序。然后,将时间序列的数据按照数据大小(可以是升序也可以是降序)重新映射为1—n,n为时间序列的长度。例如,某一个网格的时间序列为{90,85,95},则映射后,该网格的映射序列为{2,3,1}。最后,采用以下公式分别计算各个网格的KCC,
式中,m为网格及其周围网格的数量之和,n为映射序列的时间点的总数量,Ri为映射序列的序列号,为网格及其周围网格的映射序列的序列号的均值。
举例来说,某一个网格的映射序列为{2,3,1},m为该网格和该网格周围的8个网格的数量之和(即m=1+8=9),n=3,R1=2,R2=3,R3=1,为该网格和该网格周围的8个网格对应的映射序列号的均值。
其中,对于边缘的网格,主要有以下两种方法:1)如果是边缘网格,则将这些网格的时间序列填充为0;2)如果是边缘网格,则不进行计算,因为其周围数据不全。
可选地,步骤102可以包括:对于每一个网格,判断所述网格内是否有兴趣点(POI);若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数;若否,则令所述网格的肯德尔和谐系数为零、不计算所述网格的肯德尔和谐系数、或者放弃对所述网格进行功能区识别。需要指出的是,POI是Point of Interest的缩写,可以翻译为兴趣点。在地理信息***中,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。因此,需要预先获取POI数据,对于POI数据为零的网格(比如河流、荒山等),其KCC也很高,但没有必要进行区域功能识别,可以采用以下公式进行校正,
式中,SUM(POI)表示网格内的POI数量之和。
通过上述公式校正,可以剔除POI数据为零的区域,直接将这些区域网格的KCC令为零,以减少没有必要的计算,从而提高识别效率。
在本发明的另一些实施例中,如果某一网格内没有兴趣点,则可以不计算该网格的肯德尔和谐系数。在本发明的另一些实施例中,如果某一网格内没有兴趣点,则可以剔除该网格,从而放弃对该网格进行功能区识别。无论是令肯德尔和谐系数为零、不计算肯德尔和谐系数还是剔除网格,都可以减少没有必要的计算,从而提高识别效率。
步骤103,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
通过步骤102求得的KCC表征了局部网格区域某种属性的一致变化,即当一个网格的KCC值越接近1,说明该网格与其周围网格的功能越一致。因此,可以预先配置系数阈值,并比较该系数阈值与各个网格的肯德尔和谐系数的大小,对所述待识别区域进行分割,从而得到多个功能区,如图2所示。可选地,系数阈值可以是0.9,0.8,0.85,0.7,0.68等,本发明实施例对此不作限制,可以根据实际需求进行设置。
可选地,步骤103包括:对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。如果所述网格的肯德尔和谐系数小于预设的系数阈值,则放弃对所述网格进行功能区识别,或者将所述网格与所述网格周围肯德尔和谐系数小于所述系数阈值的网格连接在一起以形成功能区。例如,假设系数阈值为0.8,如果KCC≥0.8,则认为该网格与周围网格的功能具有一致性;KCC<0.8,则认为该网格与周围网格的功能不具有一致性。因此,基于系数阈值和KCC对待识别区域进行分割,可以得到不同大小的功能一致的功能区。
从KCC计算公式可以看出,该公式本身带有空间平滑功能,因此,本发明实施例无需人工先验的确定聚类的数量,也无需人工指定区域大小,仅通过KCC就可以识别出功能区。需要指出的是,系数阈值可以根据实际需要进行调整,如果通过步骤103得到的功能区过少,可以减小系数阈值,并再次执行步骤103,如果通过步骤103得到的功能区过多,可以增大系数阈值,并再次执行步骤103,直到得到期望的功能区数量。
根据上面所述的各种实施例,可以看出本发明通过根据预设的系数阈值和各个网格的肯德尔和谐系数,对待识别区域进行分割,从而得到多个功能区的技术手段,从而解决了现有技术依赖于参数设置及空间尺度的问题。本发明实施例基于相邻网格的时间序列计算肯德尔和谐系数,并以肯德尔和谐系数来评估局部区域在某种特征下的局部功能一致性,即可对城市区域功能进行合理的识别。本发明实施例提供的方法无需人工先验的确定聚类的数量,也无需人工指定区域大小,减少了人为误差,从而能够提高识别准确性。
图3是根据本发明一个可参考实施例的识别功能区的方法的主要流程的示意图,所述识别功能区的方法可以具体包括:
步骤301,将待识别区域划分为多个网格,提取各个网格的历史数据。
在该步骤中,首先待识别区域网格化,从而将所述待识别区域划分为多个网格,然后提取各个网格的历史数据。例如,待识别区域可以是河北省、上海市、亦庄区等,本发明实施例对此不作限制。可以根据实际需求将待识别区域网格化,网格的大小可以是160米*160米,600米*600米,1200米*1200米等,本发明实施例对此不作限制。网格化之后,进一步提取各个网格过去一段时间内的历史数据,比如过去12个月的消费数据,过去5年的人口数据等,根据实际需要获取历史数据,从而可以基于这些历史数据计算各个网格的肯德尔和谐系数。
步骤302,对于每一个网格,判断所述网格内是否有兴趣点;若否,则执行步骤303;若是,则执行步骤304。
对于POI数据为零的网格(比如河流、荒山等),其KCC也很高,但没有必要进行区域功能识别,因此在计算KCC之前,先对网格内的POI数量进行判断,并根据判断结果来决定是否需要计算KCC,以减少没有必要的计算。
步骤303,令所述网格的肯德尔和谐系数为零。
如果网格内的POI数量为零,则说明该区域为特殊位置,比如河流、荒山等,没有必要进行区域功能识别,可以直接令该网格的KCC为零。
步骤304,基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
具体地,可以采用以下公式校正各个网格的KCC,
式中,SUM(POI)表示网格内的POI数量之和。
通过上述公式校正,可以剔除POI数据为零的区域,直接将这些区域网格的KCC令为零,以减少没有必要的计算,从而提高识别效率。
步骤305,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
可以预先配置系数阈值,并比较该系数阈值与各个网格的KCC的大小,对所述待识别区域进行分割,从而得到多个功能区。可选地,系数阈值可以是0.85,0.82,0.75,0.6,0.5等,本发明实施例对此不作限制,可以根据实际需求进行设置。具体地,对于每一个网格,判断所述网格的KCC是否大于等于预设的系数阈值;若是,则将所述网格与所述网格周围KCC大于等于所述系数阈值的网格连接在一起;如否,则将所述网格与所述网格周围KCC小于所述系数阈值的网格连接在一起。因此,基于系数阈值和KCC对待识别区域进行分割,可以得到不同大小的功能一致的功能区。
步骤306,获取各个功能区内的兴趣点。
步骤307,对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
结合POI数据,取网格内最广泛存在的POI(即POI数量最多)作为其最典型的POI,如住宅区、学校、写字楼区、工业区等,从而标记功能区的区域功能。
另外,在本发明一个可参考实施例中识别功能区的方法的具体实施内容,在上面所述识别功能区的方法中已经详细说明了,故在此重复内容不再说明。
图4是根据本发明另一个可参考实施例的识别功能区的方法的主要流程的示意图,所述识别功能区的方法可以具体包括:
步骤401,将待识别区域划分为多个网格,提取各个网格的历史数据。
步骤402,对于每一个网格,对所述网格的特征数据进行排序,得到所述网格的时间序列。
具体地,将特征数据按照时间由大至小或者由小至大的顺序进行排序,使得每个网格的数据为基于特征数据的时间序列。
步骤403,对于每一个网格,将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列。
将时间序列的数据按照数据大小重新映射为1—n,n为时间序列的长度。例如,某一个网格的时间序列为{150,90,160,50,184},则映射后,该网格的映射序列为{3,4,2,5,1,}。
步骤404,基于各个网格的映射序列,分别计算各个网格的肯德尔和谐系数。
采用以下公式分别计算各个网格的KCC,
式中,m为网格及其周围网格的数量之和,n为映射序列的时间点的总数量,Ri为映射序列的序列号,为网格及其周围网格的映射序列的序列号的均值。
例如,某一个网格的映射序列为{3,4,2,5,1,},m为该网格和该网格周围的8个网格的数量之和(即m=1+8=9),n=3,R1至R5分别为3、4、2、5、1,为该网格和该网格周围的8个网格对应的映射序列号的均值。
步骤405,对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;若是,则执行步骤406;若否,则执行步骤407。
步骤406,将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
步骤407,将所述网格与所述网格周围肯德尔和谐系数小于所述系数阈值的网格连接在一起,以形成功能区。
基于系数阈值和KCC对待识别区域进行分割,可以得到不同大小的功能一致的功能区。需要指出的是,系数阈值可以根据实际需要进行调整,如果通过步骤103得到的功能区过少,可以减小系数阈值,并再次执行步骤103,如果通过步骤103得到的功能区过多,可以增大系数阈值,并再次执行步骤103,直到得到期望的功能区数量。
步骤408,获取各个功能区内的兴趣点;
步骤409,对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
另外,在本发明另一个可参考实施例中识别功能区的方法的具体实施内容,在上面所述识别功能区的方法中已经详细说明了,故在此重复内容不再说明。
图5是根据本发明实施例的识别功能区的装置的主要模块的示意图。如图5所示,所述识别功能区的装置500包括提取模块501、计算模块502和识别模块503。其中,提取模块501用于将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;计算模块502用于根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;识别模块503根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
可选地,所述计算模块502用于:
对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:
对所述网格的特征数据进行排序,得到所述网格的时间序列;
将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;其中,所述映射序列的数据代表对应特征数据的序列号;
基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。
可选地,所述计算模块502用于:
对于每一个网格,判断所述网格内是否有兴趣点;
若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
可选地,所述识别模块503用于:
对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;
若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
可选地,所述识别模块503还用于:
根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区之后,获取各个功能区内的兴趣点;
对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
根据上面所述的各种实施例,可以看出本发明通过根据预设的系数阈值和各个网格的肯德尔和谐系数,对待识别区域进行分割,从而得到多个功能区的技术手段,从而解决了现有技术依赖于参数设置及空间尺度的问题。本发明实施例基于相邻网格的时间序列计算肯德尔和谐系数,并以肯德尔和谐系数来评估局部区域在某种特征下的局部功能一致性,即可对城市区域功能进行合理的识别。本发明实施例提供的装置无需人工先验的确定聚类的数量,也无需人工指定区域大小,减少了人为误差,从而能够提高识别准确性。
需要说明的是,在本发明所述识别功能区的装置的具体实施内容,在上面所述识别功能区的方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的识别功能区的方法或识别功能区的装置的示例性***架构600。
如图6所示,***架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器604交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息——仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的识别功能区的方法一般在公共场所的终端设备601、602、603上执行,也可以由服务器605执行,相应地,所述识别功能区的装置一般设置在公共场所的终端设备601、602、603上,也可以设置在服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机***700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括提取模块、计算模块和识别模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
根据本发明实施例的技术方案,因为采用根据预设的系数阈值和各个网格的肯德尔和谐系数,对待识别区域进行分割,从而得到多个功能区的技术手段,所以克服了现有技术依赖于参数设置及空间尺度的技术问题。本发明实施例基于相邻网格的时间序列计算肯德尔和谐系数,并以肯德尔和谐系数来评估局部区域在某种特征下的局部功能一致性,即可对城市区域功能进行合理的识别。本发明无需人工先验的确定聚类的数量,也无需人工指定区域大小,减少了人为误差,从而能够提高识别准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种识别功能区的方法,其特征在于,包括:
将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;
根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;
根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
2.根据权利要求1所述的方法,其特征在于,根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数,包括:
对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:
对所述网格的特征数据进行排序,得到所述网格的时间序列;
将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;其中,所述映射序列的数据代表对应特征数据的序列号;
基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。
3.根据权利要求1所述的方法,其特征在于,根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数,包括:
对于每一个网格,判断所述网格内是否有兴趣点;
若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
4.根据权利要求1所述的方法,其特征在于,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区,包括:
对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;
若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
5.根据权利要求1所述的方法,其特征在于,根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区之后,还包括:
获取各个功能区内的兴趣点;
对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
6.一种识别功能区的装置,其特征在于,包括:
提取模块,用于将待识别区域划分为多个网格,提取各个网格的历史数据;其中,所述历史数据包括各个时间对应的特征数据;
计算模块,用于根据所述各个网格的历史数据,分别计算所述各个网格的肯德尔和谐系数;
识别模块,用于根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区。
7.根据权利要求6所述的装置,其特征在于,所述计算模块用于:
对于每一个网格,按照如下方法计算所述网格的肯德尔和谐系数:
对所述网格的特征数据进行排序,得到所述网格的时间序列;
将所述时间序列的数据按照数据大小进行映射,得到所述网格的映射序列;其中,所述映射序列的数据代表对应特征数据的序列号;
基于所述网格的映射序列,计算所述网格的肯德尔和谐系数。
8.根据权利要求6所述的装置,其特征在于,所述计算模块用于:
对于每一个网格,判断所述网格内是否有兴趣点;
若是,则基于所述网格的历史数据,计算所述网格的肯德尔和谐系数。
9.根据权利要求6所述的装置,其特征在于,所述识别模块用于:
对于每一个网格,判断所述网格的肯德尔和谐系数是否大于等于预设的系数阈值;
若是,则将所述网格与所述网格周围肯德尔和谐系数大于等于所述系数阈值的网格连接在一起,以形成功能区。
10.根据权利要求6所述的装置,其特征在于,所述识别模块还用于:
根据预设的系数阈值和所述各个网格的肯德尔和谐系数,对所述待识别区域进行分割,从而得到多个功能区之后,获取各个功能区内的兴趣点;
对于每一个功能区,将数量最多的兴趣点所属的功能属性作为所述功能区的功能属性,以标记所述功能区。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469999.7A CN110263791B (zh) | 2019-05-31 | 2019-05-31 | 一种识别功能区的方法和装置 |
PCT/CN2020/076896 WO2020238303A1 (zh) | 2019-05-31 | 2020-02-27 | 一种识别功能区的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469999.7A CN110263791B (zh) | 2019-05-31 | 2019-05-31 | 一种识别功能区的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263791A true CN110263791A (zh) | 2019-09-20 |
CN110263791B CN110263791B (zh) | 2021-11-09 |
Family
ID=67916352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469999.7A Active CN110263791B (zh) | 2019-05-31 | 2019-05-31 | 一种识别功能区的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110263791B (zh) |
WO (1) | WO2020238303A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382330A (zh) * | 2020-03-10 | 2020-07-07 | 智慧足迹数据科技有限公司 | 一种土地用地性质识别方法、装置、电子设备及存储介质 |
WO2020238303A1 (zh) * | 2019-05-31 | 2020-12-03 | 京东城市(北京)数字科技有限公司 | 一种识别功能区的方法和装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227791B (zh) * | 2023-05-08 | 2023-09-05 | 湖南工商大学 | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1628608A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 利用局部一致性方法的功能磁共振数据处理方法 |
CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
US20130315456A1 (en) * | 2011-01-31 | 2013-11-28 | Nec Corporation | Information processing system, information processing method, information processing apparatus, control method therefor, and storage medium storing control program therefor |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN106055689A (zh) * | 2016-06-08 | 2016-10-26 | 中国科学院计算机网络信息中心 | 一种基于时序相关性的空间聚类方法 |
CN106126882A (zh) * | 2016-06-15 | 2016-11-16 | 中国地质大学(北京) | 基于肯德尔和谐系数排序的勘查区元素地球化学数据优选方法 |
CN106528804A (zh) * | 2016-11-14 | 2017-03-22 | 南京邮电大学 | 一种基于模糊聚类的用户分群方法 |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108876022A (zh) * | 2018-05-31 | 2018-11-23 | 北京东方园林环境股份有限公司 | 一种用于确定天然湿地恢复生态环境需水量的计算方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
WO2019034576A1 (en) * | 2017-08-18 | 2019-02-21 | Koninklijke Philips N.V. | METHODS OF SEQUENCING BIOMOLECULES |
CN109559206A (zh) * | 2018-12-27 | 2019-04-02 | 深圳市中电数通智慧安全科技股份有限公司 | 一种区域企业诚信评价方法、装置及终端设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9123259B2 (en) * | 2013-03-14 | 2015-09-01 | Microsoft Technology Licensing, Llc | Discovering functional groups of an area |
CN107482626B (zh) * | 2017-08-17 | 2020-09-25 | 广东电网有限责任公司惠州供电局 | 一种区域电网关键节点识别方法 |
CN109118265A (zh) * | 2018-06-27 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 商圈确定方法、装置和服务器 |
CN110263791B (zh) * | 2019-05-31 | 2021-11-09 | 北京京东智能城市大数据研究院 | 一种识别功能区的方法和装置 |
-
2019
- 2019-05-31 CN CN201910469999.7A patent/CN110263791B/zh active Active
-
2020
- 2020-02-27 WO PCT/CN2020/076896 patent/WO2020238303A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1628608A (zh) * | 2003-12-15 | 2005-06-22 | 中国科学院自动化研究所 | 利用局部一致性方法的功能磁共振数据处理方法 |
US20130315456A1 (en) * | 2011-01-31 | 2013-11-28 | Nec Corporation | Information processing system, information processing method, information processing apparatus, control method therefor, and storage medium storing control program therefor |
CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN106055689A (zh) * | 2016-06-08 | 2016-10-26 | 中国科学院计算机网络信息中心 | 一种基于时序相关性的空间聚类方法 |
CN106126882A (zh) * | 2016-06-15 | 2016-11-16 | 中国地质大学(北京) | 基于肯德尔和谐系数排序的勘查区元素地球化学数据优选方法 |
CN106528804A (zh) * | 2016-11-14 | 2017-03-22 | 南京邮电大学 | 一种基于模糊聚类的用户分群方法 |
WO2019034576A1 (en) * | 2017-08-18 | 2019-02-21 | Koninklijke Philips N.V. | METHODS OF SEQUENCING BIOMOLECULES |
CN108345903A (zh) * | 2018-01-25 | 2018-07-31 | 中南大学湘雅二医院 | 一种基于模态距离约束的多模态融合图像分类方法 |
CN108876022A (zh) * | 2018-05-31 | 2018-11-23 | 北京东方园林环境股份有限公司 | 一种用于确定天然湿地恢复生态环境需水量的计算方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109559206A (zh) * | 2018-12-27 | 2019-04-02 | 深圳市中电数通智慧安全科技股份有限公司 | 一种区域企业诚信评价方法、装置及终端设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020238303A1 (zh) * | 2019-05-31 | 2020-12-03 | 京东城市(北京)数字科技有限公司 | 一种识别功能区的方法和装置 |
CN111382330A (zh) * | 2020-03-10 | 2020-07-07 | 智慧足迹数据科技有限公司 | 一种土地用地性质识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110263791B (zh) | 2021-11-09 |
WO2020238303A1 (zh) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171276B (zh) | 用于生成信息的方法和装置 | |
CN107609890A (zh) | 一种订单跟踪的方法和装置 | |
CN110472207A (zh) | 表单生成方法和装置 | |
CN110263791A (zh) | 一种识别功能区的方法和装置 | |
CN110209677A (zh) | 更新数据的方法和装置 | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN109002925A (zh) | 业务量预测方法和装置 | |
CN109634833A (zh) | 一种软件缺陷预测方法和装置 | |
CN109697537A (zh) | 数据审核的方法和装置 | |
CN110309142A (zh) | 规则管理的方法和装置 | |
CN109993568A (zh) | 信息推送的方法和装置 | |
CN107908615A (zh) | 一种获取搜索词对应商品类目的方法和装置 | |
CN109684624A (zh) | 一种自动识别订单地址路区的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN110059267A (zh) | 数据分析结果的展示方法、装置、计算机设备及存储介质 | |
CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
CN107346344A (zh) | 文本匹配的方法和装置 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN107562698A (zh) | 一种样本值区间模型的优化方法和装置 | |
CN110348921A (zh) | 门店物品选取的方法和装置 | |
CN110020312A (zh) | 提取网页正文的方法和装置 | |
CN109784407A (zh) | 确定表字段的类型的方法和装置 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
CN109961199A (zh) | 一种分析数据波动的方法和装置 | |
CN109960212A (zh) | 任务发送方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200730 Address after: Room 806, 8 / F, Zhongguancun International Innovation Building, Haidian District, Beijing 100080 Applicant after: Beijing Jingdong intelligent city big data research institute Address before: 100086 No.76 Zhichun Road, Haidian District, Beijing, Building No.1, Building No.9, Floor 1-7-5 Applicant before: Jingdong City (Beijing) Digital Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |