[發明專利]一種基于通信數據與興趣點數據推斷城市功能的方法

在審

• 申請號: 201911032148.2
• 申請日: 2019-10-28
• 公開（公告）號: CN110766589A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 鄭澤忠;侯安鍇;劉佳璽;程薈璇;肖一荻;李江
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q50/26
• 分類號: G06Q50/26;G06N3/08;G06N3/04
• 代理公司: 51250 成都時譽知識產權代理事務所(普通合伙)
• 代理人: 李正

1.一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，

S1:根據待研究城市區域的道路網，對所述待研究城市區域進行子區域劃分,得到若干個子區域；

S2：將各個所述子區域內的通信統計數據和興趣點統計數據作為多源時空大數據；

S3：將各個所述子區域內的所述多源時空大數據作為輸入數據，輸入至預先訓練好的深度學習模型，而得到每個所述子區域對應的區域類型；

S4：根據每個所述子區域的區域類型，確定所述待研究城市區域的電子地圖上所述子區域的顯示樣式，并在所述電子地圖上顯示各個所述子區域的顯示樣式。

2.根據權利要求1所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，所述S2中，所述通信統計數據由不同時間段統計得到。

3.根據權利要求2所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，所述S3中,所述興趣點統計數據包括興趣點的特征類型的統計數據以及相應特征類型的數量統計數據。

4.根據權利要求1所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，在所述S3中，所述深度學習模型的訓練過程：

S30:將已標注區域類型的子區域內獲取的所述多源時空大數據作為標簽樣本，且每個所述區域類型的所述標簽樣本的數量一致；

S31:利用所述S30中的標簽樣本對初始的深度學習模型進行訓練，計算并更新所述深度學習模型的網絡參數；

S32：計算深度學習模型的損失函數，若損失函數滿足條件，則訓練完成；否則，進入S31，繼續訓練。

5.根據權利要求4所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，所述深度學習模型采用Relu函數作為激活函數，采用交叉熵作為損失函數，而且，所述損失函數采用dropout方法正則化。

6.根據權利要求4所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，所述深度學習模型包括輸入層、隱含層及輸出層；其中，所述輸入層神經元個數為15個，所述輸出層神經元個數為5個，所述隱含層設置為3層，其每層神經元個數為64個。

7.根據權利要求4所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，所述深度學習模型采用五折交叉驗證方法訓練，且利用混淆矩陣預測訓練完成的所述深度學習模型的精度，若精度未到設定精度，則繼續訓練。

8.根據權利要求4至7中任意一項所述的一種基于通信數據與興趣點數據推斷城市功能的方法，其特征在于，在所述S3中，當每個所述區域類型的所述標簽樣本數量不一致時，采用合成少數類過采樣技術對所述標簽樣本數量進行擴充，使得每個所述區域類型的所述標簽樣本數量一致。