CN117576324B - 基于数字孪生的城市三维空间模型构建方法及*** - Google Patents

基于数字孪生的城市三维空间模型构建方法及*** Download PDF

Info

Publication number
CN117576324B
CN117576324B CN202410056412.0A CN202410056412A CN117576324B CN 117576324 B CN117576324 B CN 117576324B CN 202410056412 A CN202410056412 A CN 202410056412A CN 117576324 B CN117576324 B CN 117576324B
Authority
CN
China
Prior art keywords
city
space data
urban
space
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
Application number
CN202410056412.0A
Other languages
English (en)
Other versions
CN117576324A (zh
Inventor
薛莉娜
姚志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Blue Ocean Softcom Information Technology Co ltd
Original Assignee
Qingdao Blue Ocean Softcom Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Blue Ocean Softcom Information Technology Co ltd filed Critical Qingdao Blue Ocean Softcom Information Technology Co ltd
Priority to CN202410056412.0A priority Critical patent/CN117576324B/zh
Publication of CN117576324A publication Critical patent/CN117576324A/zh
Application granted granted Critical
Publication of CN117576324B publication Critical patent/CN117576324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于数字孪生的城市三维空间模型构建方法及***，包括：采集若干地区的城市空间数据序列；对城市空间数据序列进行分配构建得到城市孤立树；根据城市孤立树中不同城市空间数据之间的数值差得到地理波动程度；根据地理波动程度得到原始空间异常程度；根据原始空间异常程度与城市孤立树深度之间的关联情况得到森林分割特征；根据原始空间异常程度以及森林分割特征得到异常程度；根据异常程度对城市空间数据序列进行清洗。本发明提高了异常结果的准确性，提高了对城市空间数据的清洗效率，提高了城市三维空间模型的精度。

Description

基于数字孪生的城市三维空间模型构建方法及***
技术领域
本发明涉及数据处理技术领域，具体涉及基于数字孪生的城市三维空间模型构建方法及***。
背景技术
数字孪生技术在城市层面被广泛应用，通过构建城市客观世界及网络虚拟空间一一对应、协同交互的复杂***，在网络空间中再造一个与之匹配的数字孪生城市，实现城市全要素的数字化和虚拟化。其中在数字孪生城市的构建过程中，会对采集的城市相关数据进行清洗，从而获取较为准确的城市相关数据完成后续的构建。
现有的数据清洗技术通常利用孤立森林算法检测城市相关数据中的异常数据并进行清洗；但同一地区中不同位置处的地点会存在道路上的物品以及道路本身的不平整情况，所以采集的对应地点的城市相关数据存在一定程度的异常表达性，而现有的孤立森林算法是通过分析城市相关数据整体的异常特征进行检测，并没有结合单个城市相关数据进行分析处理，导致现有的孤立森林算法对城市相关数据检测结果的准确性降低，降低了城市相关数据的清洗效率，降低了城市三维空间模型的精度。
发明内容
本发明提供基于数字孪生的城市三维空间模型构建方法及***，以解决现有的问题：同一地区中不同位置处的地点会存在道路上的物品以及道路本身的不平整情况，所以采集的对应地点的城市相关数据存在一定程度的异常表达性，现有的孤立森林算法是通过分析城市相关数据整体的异常特征进行检测，并没有结合单个城市相关数据进行分析处理。
本发明的基于数字孪生的城市三维空间模型构建方法及***采用如下技术方案：
本发明一个实施例提供了基于数字孪生的城市三维空间模型构建方法，该方法包括以下步骤：
采集若干地区的城市空间数据序列，所述城市空间数据序列中包含多个城市空间数据，每个城市空间数据对应一个地理坐标；
对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树；根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度；根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度；
根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征；根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度，所述异常程度用于描述城市空间数据需要清洗的概率；
根据异常程度对城市空间数据序列进行清洗。
优选的，所述对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树，包括的具体方法为：
预设一个样本集数量，对于任意一个城市空间数据序列，将城市空间数据序列中所有城市空间数据随机分成均分为/>个样本集，对每个样本集构建孤立树得到若干孤立树；
对于城市空间数据序列中任意一个城市空间数据，将叶子节点包含城市空间数据的孤立树记为城市空间数据的城市孤立树。
优选的，所述根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度，包括的具体方法为：
将任意一个城市空间数据记为目标城市空间数据，对于目标城市空间数据的任意一个城市孤立树，将城市孤立树对应的样本集记为目标城市空间数据的城市空间数据样本集；在目标城市空间数据的城市空间数据样本集中，将除目标城市空间数据以外每个城市空间数据记为目标城市空间数据的参考城市空间数据；
，
式中，表示目标城市空间数据在城市孤立树中的地理波动程度；/>表示目标城市空间数据的所有参考城市空间数据的数量；/>表示目标城市空间数据的第/>个参考城市空间数据与目标城市空间数据之间对应地理坐标的欧式距离；/>表示目标城市空间数据；/>表示目标城市空间数据的第/>个参考城市空间数据；/>表示以自然常数为底的指数函数；表示目标城市空间数据的第/>个参考城市空间数据与目标城市空间数据的差值，记为目标城市空间数据在城市孤立树中的第/>个参考城市值。
优选的，所述根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度，包括的具体方法为：
，
式中，表示城市空间数据在城市孤立树中的原始空间异常因子；/>表示城市空间数据的地理波动程度；/>表示城市空间数据的所有参考城市值的方差；/>表示以自然常数为底的指数函数；
获取每个城市空间数据在每个城市孤立树中的原始空间异常因子，根据每个城市空间数据在每个城市孤立树中的原始空间异常因子，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度。
优选的，所述根据每个城市空间数据在每个城市孤立树中的原始空间异常因子，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度，包括的具体方法为：
对所有原始空间异常因子进行线性归一化，将归一化后的每个原始空间异常因子记为原始空间异常程度。
优选的，所述根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征，包括的具体方法为：
对于任意一个城市空间数据的任意一个城市孤立树，获取城市空间数据的空间深度相关系数以及城市孤立树的所有城市节点；
，
式中，表示城市空间数据在城市孤立树上的森林分割特征；/>表示城市空间数据的空间深度相关系数；/>表示城市孤立树上所有城市节点的数量；/>表示城市孤立树上第个城市节点中城市空间数据的信息熵；/>表示以自然常数为底的指数函数。
优选的，所述获取城市空间数据的空间深度相关系数以及城市孤立树的所有城市节点，包括的具体方法为：
根据城市空间数据的所有城市孤立树的最大深度与城市空间数据在所有城市孤立树中的原始空间程度，得到城市空间数据的最大深度与原始空间程度的皮尔逊相关系数，记为城市空间数据的空间深度相关系数；
将城市孤立树中除叶子节点以外的节点记为城市节点。
优选的，所述根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度，包括的具体方法为：
，
式中，表示任意一个城市空间数据的异常程度；/>表示城市空间数据的所有城市孤立树的数量；/>表示城市空间数据在第/>个城市孤立树上的原始空间异常程度；/>表示城市空间数据在第/>个城市孤立树上的森林分割特征；/>表示城市空间数据的第/>个城市孤立树的最大深度；/>表示以自然常数为底的指数函数。
优选的，所述根据异常程度对城市空间数据序列进行清洗，包括的具体方法为：
对于任意一个城市空间数据序列，预设一个异常程度阈值，将异常程度大于/>的城市空间数据记为异常城市空间数据，获取所有异常城市空间数据；
将城市空间数据序列中所有异常城市空间数据剔除得到若干空缺位置，利用插值法填充所有空缺位置得到插值后的城市空间数据序列。
本发明还提出了基于数字孪生的城市三维空间模型构建***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述的基于数字孪生的城市三维空间模型构建方法的步骤。
本发明的技术方案的有益效果是：对城市空间数据序列进行分配构建得到城市空间数据的城市孤立树；根据不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到地理波动程度；根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况得到原始空间异常程度；根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到森林分割特征；根据原始空间异常程度以及森林分割特征得到城市空间数据的异常程度，根据异常程度对城市空间数据序列进行清洗；本发明的地理波动程度反映了城市空间数据对应的实际地理位置区域处于地势较平缓区域的程度，原始空间异常程度反映了城市空间数据在进行孤立森林异常检测之前原始所表征的异常程度，森林分割特征反映了城市孤立树对城市空间数据的检测结果的精准度，异常程度反映了城市空间数据需要清洗的概率；本发明结合了数据集中城市空间数据的分布特征、多个孤立树的分割优劣情况以及节点之间的异常特征，降低了孤立树分割值随机选取造成的不确定性，提高了异常结果的准确性，提高了对城市空间数据的清洗效率，提高了城市三维空间模型的精度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的基于数字孪生的城市三维空间模型构建方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于数字孪生的城市三维空间模型构建方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数字孪生的城市三维空间模型构建方法及***的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于数字孪生的城市三维空间模型构建方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集若干地区的城市空间数据序列。
需要说明的是，现有的数据清洗技术通常利用孤立森林算法检测城市相关数据中的异常数据并进行清洗；但同一地区中不同位置处的地点会存在道路上的物品以及道路本身的不平整情况，所以采集的对应地点的城市相关数据存在一定程度的异常表达性，而现有的孤立森林算法是通过分析城市相关数据整体的异常特征进行检测，并没有结合单个城市相关数据进行分析处理，导致现有的孤立森林算法对城市相关数据检测结果的准确性降低，降低了城市相关数据的清洗效率，降低了城市三维空间模型的精度。
具体的，本实施例并不针对某一种类型，以地理信息这一种类型中的高程值为例进行叙述，首先需要采集城市空间数据序列，具体过程为：使用遥感卫星***获取一个地区的遥感图像，将该遥感图像均分为100个遥感图像块，并使用GPS全球定位***获取每个遥感图像块中每个像素点的地理坐标以及高程值，其中每个地理坐标对应一个高程值，每个地理坐标包含一个经度以及一个维度。以任意一个遥感图像块为例，将该遥感图像块中每个像素点的高程值记为城市空间数据，将该遥感图像块中所有像素点的城市空间数据按照地理坐标中维度从小到大的顺序进行排序，将排序后的序列记为城市空间数据序列；获取所有城市空间数据序列。其中若该遥感图像块中的像素点按照地理坐标中维度从小到大的顺序进行排序的过程中存在经度相同的像素点，那么将经度相同的像素点按照地理坐标中经度从小到大的顺序进行排序。另外需要说明的是，本实施例不对遥感图像块的数量进行限定，其中遥感图像块的数量可根据具体实施情况而定。
至此，通过上述方法得到所有城市空间数据序列。
步骤S002：对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树；根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度；根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度。
需要说明的是，孤立森林算法通常将所有城市空间数据随机分为多个数据集，分析每个数据集中不同节点处内城市空间数据的随机特征并进行阈值划分，最终得到异常的城市空间数据。但由于同一地区中不同位置处的地点会存在道路上的物品以及道路本身的不平整情况，所以同一地区中对应地点的城市空间数据在进行孤立森林异常检测之前，每个城市空间数据本身会存在一定程度的异常特征表达程度；但现有的孤立森林算法并不会考虑数据集内单个城市空间数据的异常特征表达程度，而是通过分析数据集内整体城市空间数据的随机特征获取异常的城市空间数据，导致现有的孤立森林算法通过孤立树的深度衡量数据的异常程度的准确性降低；为了提高数据清洗的效率，本实施例通过分数据集中每个城市空间数据在进行孤立森林异常检测之前异常表达情况，得到自身存在的原始空间异常程度，以便后续分析处理。
具体的，预设一个样本集数量，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。以任意一个城市空间数据序列为例，将该城市空间数据序列中所有城市空间数据随机分成均分为/>个样本集，对每个样本集构建孤立树得到若干孤立树。以该城市空间数据序列中任意一个城市空间数据为例，将叶子节点包含该城市空间数据的孤立树记为该城市空间数据的城市孤立树，获取该城市空间数据的所有城市孤立树；以任意一个城市孤立树为例，将该城市孤立树对应的样本集记为该城市空间数据的城市空间数据样本集。其中同一个城市空间数据可能在多个样本集中出现，每个样本集对应一个孤立树，每个孤立树中包含多个叶子节点以及多个节点，每个节点包含多个城市空间数据，每个城市空间数据对应一个城市空间数据样本集。另外将多个数据分成多个样本集，对样本集构建孤立树的过程是孤立森林算法的公知内容，本实施例不再赘述。另外需要说明的是，叶子节点是位于孤立树中最大深度的节点，为孤立森林算法的公知内容，本实施例不再赘述。
进一步的，在该城市空间数据的城市空间数据样本集中，将除该城市空间数据以外每个城市空间数据记为该城市空间数据的参考城市空间数据；根据不同参考城市空间数据与该城市空间数据的数值差异以及对应地理坐标的距离差异，得到该城市空间数据在该城市孤立树中的地理波动程度。作为一种示例，可通过如下公式计算该城市空间数据在该城市孤立树中的地理波动程度：
，
式中，表示该城市空间数据在该城市孤立树中的地理波动程度；/>表示该城市空间数据的所有参考城市空间数据的数量；/>表示该城市空间数据的第/>个参考城市空间数据与该城市空间数据之间对应地理坐标的欧式距离；/>表示该城市空间数据；/>表示该城市空间数据的第/>个参考城市空间数据；/>表示以自然常数为底的指数函数，实施例采用模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况选择反比例函数及归一化函数；/>表示该城市空间数据的第/>个参考城市空间数据与该城市空间数据的差值，记为该城市空间数据在该城市孤立树中的第/>个参考城市值。其中若该城市空间数据在该城市孤立树中的地理波动程度越大，说明该城市空间数据对应的实际地理位置区域与周围地理区域之间空间高度的波动越平缓，反映该城市空间数据对应的实际地理位置区域越有可能处于地势较平缓的区域。其中欧式距离的获取是公知技术，本实施例不再赘述。
进一步的，根据该城市空间数据的城市空间数据样本集中城市空间数据的整体变化程度以及该城市空间数据在该城市孤立树中的地理波动程度，得到该城市空间数据在该城市孤立树中的原始空间异常因子。作为一种示例，可通过如下公式计算该城市空间数据在该城市孤立树中的原始空间异常因子：
，
式中，表示该城市空间数据在该城市孤立树中的原始空间异常因子；/>表示该城市空间数据的地理波动程度；/>表示该城市空间数据的所有参考城市值的方差；/>表示以自然常数为底的指数函数，实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况选择反比例函数及归一化函数。其中若该城市空间数据的原始空间异常因子越小，说明该城市空间数据对应的实际地理位置区域在对应的遥感图像块中高度波动越剧烈，反映该城市空间数据在进行孤立森林异常检测之前，原始所表征的异常程度越大。获取该城市空间数据在所有城市孤立树中的原始空间异常因子，对所有原始空间异常因子进行线性归一化，将归一化后的每个原始空间异常因子记为原始空间异常程度。
至此，通过上述方法得到所有城市空间数据在对应每个城市孤立树中的原始空间异常程度。
步骤S003：根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征；根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度。
需要说明的是，由于孤立森林算法对数据集是随机分配，所以同一个城市空间数据会在多个数据集中出现；由于同一个城市空间数据在不同数据集中其他城市空间数据的种类不同以及对应的原始空间异常程度不同，所以同一个城市空间数据在不同数据集中构建的孤立树中的分布情况不同，对应孤立森林异常检测后的异常程度也会存在不同；为了提高数据清洗的效率，本实施例通过分析同一个城市空间数据在不同孤立树中所呈现的异常情况，结合原始空间异常程度得到每个城市空间数据的异常程度，进而获取异常城市空间数据，完成数据清洗。
具体的，以任意一个城市空间数据为例，根据该城市空间数据的所有城市孤立树的最大深度与该城市空间数据在所有城市孤立树中的原始空间程度，得到该城市空间数据的最大深度与原始空间程度的皮尔逊相关系数，记为该城市空间数据的空间深度相关系数。以该城市空间数据的任意一个城市孤立树为例，将该城市孤立树中除叶子节点以外的节点记为城市节点，获取所有城市节点；根据该城市孤立树中不同城市节点中城市空间数据所含信息程度以及该空间深度相关系数，得到该城市空间数据在该城市孤立树上的森林分割特征。其中获取皮尔逊相关系数的过程是皮尔逊相关系数算法的公知内容，本实施例不再赘述。作为一种示例，可通过如下公式计算该城市空间数据在该城市孤立树上的森林分割特征：
，
式中，表示该城市空间数据在该城市孤立树上的森林分割特征；/>表示该城市空间数据的空间深度相关系数；/>表示该城市孤立树上所有城市节点的数量；/>表示该城市孤立树上第/>个城市节点中城市空间数据的信息熵；/>表示以自然常数为底的指数函数，实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况选择反比例函数及归一化函数。其中若该城市空间数据在该城市孤立树上的森林分割特征越大，说明该城市孤立树中所含信息的不确定性越大，该城市孤立树中包含正常的城市空间数据越多，反映该城市孤立树对该城市空间数据的检测结果越精准。获取该城市空间数据在每个城市孤立树上的森林分割特征。其中信息熵的获取是公知技术，本实施例不再赘述。
进一步的，根据该城市空间数据在每个城市孤立树上的原始空间异常程度以及森林分割特征，得到该城市空间数据的异常程度。作为一种示例，可通过如下公式计算该城市空间数据的异常程度：
，
式中，表示该城市空间数据的异常程度；/>表示该城市空间数据的所有城市孤立树的数量；/>表示该城市空间数据在第/>个城市孤立树上的原始空间异常程度；/>表示该城市空间数据在第/>个城市孤立树上的森林分割特征；/>表示该城市空间数据的第/>个城市孤立树的最大深度；/>表示以自然常数为底的指数函数，实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况选择反比例函数及归一化函数。获取所有城市空间数据的异常程度。
至此，通过上述方法得到所有城市空间数据的异常程度。
步骤S004：根据异常程度对城市空间数据序列进行清洗。
具体的，预设一个异常程度阈值，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定；将异常程度大于/>的城市空间数据记为异常城市空间数据，获取所有异常城市空间数据，将该城市空间数据序列中所有异常城市空间数据剔除得到若干空缺位置，利用插值法填充所有空缺位置得到插值后的城市空间数据序列；获取所有城市空间数据序列，将所有城市空间数据序列输入三维建模软件创建数字孪生模型，并结合实时物联网检测设备数据，将实时信息融合到数字孪生模型中，实现基于数字孪生城市三维模型搭建。其中插值法是公知技术，根据城市空间数据序列实现基于数字孪生城市三维模型搭建是公知内容，本实施例不再赘述。
通过以上步骤，完成基于数字孪生的城市三维空间模型构建方法。
本发明的另一个实施例提供了基于数字孪生的城市三维空间模型构建***，所述***包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序时，执行以下操作：
采集若干地区的城市空间数据序列，所述城市空间数据序列中包含多个城市空间数据，每个城市空间数据对应一个地理坐标；
对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树；根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度；根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度；
根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征；根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度，所述异常程度用于描述城市空间数据需要清洗的概率；
根据异常程度对城市空间数据序列进行清洗。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于数字孪生的城市三维空间模型构建方法，其特征在于，该方法包括以下步骤：
采集若干地区的城市空间数据序列，所述城市空间数据序列中包含多个城市空间数据，每个城市空间数据对应一个地理坐标；
对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树；根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度；根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度；
根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征；根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度，所述异常程度用于描述城市空间数据需要清洗的概率；
根据异常程度对城市空间数据序列进行清洗；
所述根据城市孤立树中不同城市空间数据之间的数值差异以及对应地理坐标之间的地理差异，得到每个城市空间数据在每个城市孤立树中的地理波动程度，包括的具体方法为：
将任意一个城市空间数据记为目标城市空间数据，对于目标城市空间数据的任意一个城市孤立树，将城市孤立树对应的样本集记为目标城市空间数据的城市空间数据样本集；在目标城市空间数据的城市空间数据样本集中，将除目标城市空间数据以外每个城市空间数据记为目标城市空间数据的参考城市空间数据；
，
式中，表示目标城市空间数据在城市孤立树中的地理波动程度；/>表示目标城市空间数据的所有参考城市空间数据的数量；/>表示目标城市空间数据的第/>个参考城市空间数据与目标城市空间数据之间对应地理坐标的欧式距离；/>表示目标城市空间数据；/>表示目标城市空间数据的第/>个参考城市空间数据；/>表示以自然常数为底的指数函数；表示目标城市空间数据的第/>个参考城市空间数据与目标城市空间数据的差值，记为目标城市空间数据在城市孤立树中的第/>个参考城市值；
所述根据地理波动程度以及城市孤立树中城市空间数据的整体变化情况，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度，包括的具体方法为：
，
式中，表示城市空间数据在城市孤立树中的原始空间异常因子；/>表示城市空间数据的地理波动程度；/>表示城市空间数据的所有参考城市值的方差；/>表示以自然常数为底的指数函数；
获取每个城市空间数据在每个城市孤立树中的原始空间异常因子，根据每个城市空间数据在每个城市孤立树中的原始空间异常因子，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度；
所述根据每个城市空间数据在每个城市孤立树中的原始空间异常因子，得到每个城市空间数据在每个城市孤立树中的原始空间异常程度，包括的具体方法为：
对所有原始空间异常因子进行线性归一化，将归一化后的每个原始空间异常因子记为原始空间异常程度；
所述根据原始空间异常程度与城市孤立树深度之间的关联情况以及城市孤立树中不同城市空间数据的信息含量，得到每个城市空间数据在每个城市孤立树上的森林分割特征，包括的具体方法为：
对于任意一个城市空间数据的任意一个城市孤立树，获取城市空间数据的空间深度相关系数以及城市孤立树的所有城市节点；
，
式中，表示城市空间数据在城市孤立树上的森林分割特征；/>表示城市空间数据的空间深度相关系数；/>表示城市孤立树上所有城市节点的数量；/>表示城市孤立树上第/>个城市节点中城市空间数据的信息熵；/>表示以自然常数为底的指数函数。
2.根据权利要求1所述基于数字孪生的城市三维空间模型构建方法，其特征在于，所述对城市空间数据序列中所有城市空间数据进行分配构建，得到每个城市空间数据的若干城市孤立树，包括的具体方法为：
预设一个样本集数量，对于任意一个城市空间数据序列，将城市空间数据序列中所有城市空间数据随机分成均分为/>个样本集，对每个样本集构建孤立树得到若干孤立树；
对于城市空间数据序列中任意一个城市空间数据，将叶子节点包含城市空间数据的孤立树记为城市空间数据的城市孤立树。
3.根据权利要求1所述基于数字孪生的城市三维空间模型构建方法，其特征在于，所述获取城市空间数据的空间深度相关系数以及城市孤立树的所有城市节点，包括的具体方法为：
根据城市空间数据的所有城市孤立树的最大深度与城市空间数据在所有城市孤立树中的原始空间程度，得到城市空间数据的最大深度与原始空间程度的皮尔逊相关系数，记为城市空间数据的空间深度相关系数；
将城市孤立树中除叶子节点以外的节点记为城市节点。
4.根据权利要求1所述基于数字孪生的城市三维空间模型构建方法，其特征在于，所述根据原始空间异常程度以及森林分割特征得到每个城市空间数据的异常程度，包括的具体方法为：
，
式中，表示任意一个城市空间数据的异常程度；/>表示城市空间数据的所有城市孤立树的数量；/>表示城市空间数据在第/>个城市孤立树上的原始空间异常程度；/>表示城市空间数据在第/>个城市孤立树上的森林分割特征；/>表示城市空间数据的第/>个城市孤立树的最大深度；/>表示以自然常数为底的指数函数。
5.根据权利要求1所述基于数字孪生的城市三维空间模型构建方法，其特征在于，所述根据异常程度对城市空间数据序列进行清洗，包括的具体方法为：
对于任意一个城市空间数据序列，预设一个异常程度阈值，将异常程度大于/>的城市空间数据记为异常城市空间数据，获取所有异常城市空间数据；
将城市空间数据序列中所有异常城市空间数据剔除得到若干空缺位置，利用插值法填充所有空缺位置得到插值后的城市空间数据序列。
6.基于数字孪生的城市三维空间模型构建***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的基于数字孪生的城市三维空间模型构建方法的步骤。
CN202410056412.0A 2024-01-16 2024-01-16 基于数字孪生的城市三维空间模型构建方法及*** Active CN117576324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410056412.0A CN117576324B (zh) 2024-01-16 2024-01-16 基于数字孪生的城市三维空间模型构建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410056412.0A CN117576324B (zh) 2024-01-16 2024-01-16 基于数字孪生的城市三维空间模型构建方法及***

Publications (2)

Publication Number Publication Date
CN117576324A CN117576324A (zh) 2024-02-20
CN117576324B true CN117576324B (zh) 2024-04-12

Family

ID=89895861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410056412.0A Active CN117576324B (zh) 2024-01-16 2024-01-16 基于数字孪生的城市三维空间模型构建方法及***

Country Status (1)

Country Link
CN (1) CN117576324B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007139421A (ja) * 2005-11-14 2007-06-07 Univ Nihon 形態分類装置及び方法、並びに変化領域抽出装置及び方法
CN112256732A (zh) * 2020-09-25 2021-01-22 北京五八信息技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN113420073A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于改进的孤立森林的异常样本检测方法及相关设备
CN115496163A (zh) * 2022-10-14 2022-12-20 浙江理工大学 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007139421A (ja) * 2005-11-14 2007-06-07 Univ Nihon 形態分類装置及び方法、並びに変化領域抽出装置及び方法
CN112256732A (zh) * 2020-09-25 2021-01-22 北京五八信息技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN113420073A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于改进的孤立森林的异常样本检测方法及相关设备
CN115496163A (zh) * 2022-10-14 2022-12-20 浙江理工大学 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Data Cleaning in Machine Learning:Improving Real Life Decisions and Challenges;Sanae Borrohou等;《SPRINGER LINK》;20230610;全文 *
Real-World Anomaly Detection by Using Digital Twin Systems and Weakly Supervised Learning;Andrea Castellani 等;《IEEE》;20200827;全文 *
城市地理空间数据集成应用探讨;张衡 等;测绘科学;20160920(09);全文 *
城市森林综合评价指标体系的研究——以武汉市为例;刘婷;《中国优秀硕士学位论文全文数据库 农业科技辑 (月刊)》;20120515;全文 *

Also Published As

Publication number Publication date
CN117576324A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN111464938B (zh) 定位方法、装置、电子设备和计算机可读存储介质
US8897483B2 (en) System and method for inventorying vegetal substance
CA2951533C (en) Automated generation of digital elevation models
CN108224895B (zh) 基于深度学习的物品信息录入方法、装置、冰箱和介质
CN113901384A (zh) 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法
CN116258608B (zh) 融合gis和bim三维技术的水利实时监测信息管理***
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
JP4946072B2 (ja) 樹頂探索方法、装置及びプログラム
CN114186112B (zh) 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法
CN117576324B (zh) 基于数字孪生的城市三维空间模型构建方法及***
CN107437262B (zh) 作物种植面积预警方法和***
CN114842356B (zh) 一种高分辨率地表类型样本自动生成方法、***及设备
CN114494881A (zh) 基于剖分网格的遥感影像变化检测方法、装置、终端
CN109460700B (zh) 一种面向作物分类的遥感数据处理方法及装置
CN113449922A (zh) 银行网点选址方法及装置
CN117251520B (zh) 生物多样性关键区域识别方法、装置和电子设备
CN106652048B (zh) 基于3d-susan算子的三维模型感兴趣点提取方法
CN115620171B (zh) 树林蓄积量评估方法、装置、设备及存储介质
CN117332903A (zh) 未来耕地分布预测方法、装置、电子设备及存储介质
CN114565858B (zh) 基于地理空间感知低秩重建网络的多光谱影像变化检测方法
TWM576679U (zh) Data processing system using binary space segmentation
TWI683321B (zh) 利用二元空間分割的資料處理方法及系統
Liab et al. Growth Measurement of Arabidopsis in 2.5 D from a High Throughput Phenotyping Platform
CN110598302A (zh) 基于三维实景的淹没分析方法、模块及***
CN118131254A (zh) 一种农田障碍物检测与轨迹跟踪方法、设备及产品

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