本發(fā)明的一種基于多源數(shù)據(jù)融合的城市區(qū)域功能智能識別方法，包括：獲取城市的地圖數(shù)據(jù)，根據(jù)主要道路將城市劃分為若干個城市區(qū)域；從互聯(lián)網(wǎng)網(wǎng)站中搜集每個城市區(qū)域包含的興趣點元數(shù)據(jù)和文本數(shù)據(jù)并進行歸一化處理；搜集出租車的軌跡數(shù)據(jù)并量化；建立基于貝葉斯層次模型的無監(jiān)督聚類模型，根據(jù)變分推斷法求解該模型參數(shù)；產(chǎn)生每個城市區(qū)域的主題分布，以及每個主題與各種功能的相關性，概率最大的主題最相關的幾個城市功能為該區(qū)域的主要功能；產(chǎn)生該區(qū)域每個功能最相關的城市特征詞。本發(fā)明方法融合多源多模態(tài)數(shù)據(jù)，對城市區(qū)域功能進行智能識別和劃分，從數(shù)值和文本形式產(chǎn)生了功能分布和城市特征兩種解釋方式，增強城市區(qū)域功能識別的可靠性和可解釋性。

技術領域

本發(fā)明涉及機器學習領域，特別是指一種基于多源數(shù)據(jù)融合的城市區(qū)域功能智能識別方法。

背景技術

城市計算是一個獲取、集成和分析城市空間中由不同來源產(chǎn)生的大數(shù)據(jù)和異構數(shù)據(jù)的過程。實現(xiàn)高效城市計算的一個關鍵步驟是確定功能區(qū)域，這是城市中支持城市功能的某些需求的區(qū)域。

以前的功能區(qū)識別(FRI)系統(tǒng)大多對人的移動數(shù)據(jù)使用聚類方法，包括對電信數(shù)據(jù)的分析，譜聚類分析，隱狄利克雷分配(LDA)分析等。然而，現(xiàn)有研究存在一個嚴重缺陷。由于近年來研究的模型比較復雜，缺少識別區(qū)域的語義解釋，這些聚類方法只提供了一個可能的區(qū)域劃分，而用戶不知道這些劃分意味著什么樣的功能。

研究表明，借助于大量的在線地理標記文本數(shù)據(jù)，如評論和興趣點(POI) 的性質(zhì)，城市區(qū)域的功能可以實現(xiàn)自我解釋。

盡管人們對可解釋的人工智能越來越感興趣，但在地理系統(tǒng)中，可解釋系統(tǒng)仍處于初級階段。構建一個可解釋的城市計算系統(tǒng)面臨著移動軌跡數(shù)據(jù)和語義文本存在巨大差異性的獨特挑戰(zhàn)。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術中的上述缺陷，提出一種基于多源數(shù)據(jù)融合的城市區(qū)域功能智能識別方法，分別從數(shù)值和文本形式產(chǎn)生了功能分布和城市特征兩種解釋方式，以增強城市區(qū)域功能識別的可靠性和可解釋性。

本發(fā)明采用如下技術方案：

一種基于多源數(shù)據(jù)融合的城市區(qū)域功能智能識別方法，其特征在于，包括如下步驟：

1)獲取城市的地圖數(shù)據(jù)，根據(jù)主要道路將城市劃分為若干個城市區(qū)域；

2)從互聯(lián)網(wǎng)網(wǎng)站中搜集每個城市區(qū)域包含的興趣點元數(shù)據(jù)以及文本數(shù)據(jù)并進行歸一化處理得到POI特征矩陣和城市特征的信息；

3)搜集出租車的軌跡數(shù)據(jù)并量化得到軌跡移動矩陣；

4)建立一個基于貝葉斯層次模型的無監(jiān)督聚類模型，將POI特征矩陣、城市特征的信息和軌跡移動矩陣作為輸入，根據(jù)變分推斷法求解該無監(jiān)督聚類模型的參數(shù)；

5)根據(jù)參數(shù)得到每個城市區(qū)域的主題分布，以及每個主題與各種功能的相關性，概率最大的主題最相關的幾個城市功能即為該城市區(qū)域的主要功能；

6)根據(jù)參數(shù)得到該城市區(qū)域每個城市功能最相關的城市特征詞。

優(yōu)選的，所述步驟1)中，具體包括：設定一個城市市區(qū)范圍為目標范圍；對于地圖數(shù)據(jù)，先根據(jù)城市的地理位置，從地圖軟件ArcMAP中抓取經(jīng)緯度范圍落在目標范圍內(nèi)的所有道路，根據(jù)道路的屬性從中過濾篩選留下主要道路；對地圖進行處理將道路變化成相同粗細的線條作為區(qū)域邊界，從而將目標范圍劃分成若干個所述城市區(qū)域。