[发明专利]一种基于卷积自编码器的空间位置信息的表征学习方法

权利要求书

1.一种基于卷积自编码器的空间位置信息的表征学习方法，其特征在于，包括以下：

S1.数据获取与数据预处理，获取待研究的数据，所述数据为表格类型的数据，需要包含数据唯一标识符、时间戳信息、经纬度信息以及附加的业务特征信息N个，对于所获取的N个业务特征，进行归一化处理；

S2.数据栅格化处理，按照样本的经纬度信息，将样本数据处理为点要素的矢量数据vec；同时，结合固定大小的滑动时间窗口和缓冲区，将样本所对应的近邻样本的矢量数据转换为栅格数据，具体包括描述近邻样本空间位置分布的栅格数据集raster_dist与描述近邻样本业务特征值分布的栅格数据集raster_feature；

S3.空间分析，对于步骤S2中所获取的矢量数据vec，基于标准差椭圆和凸包，生成对应的栅格数据集raster_ellipse与raster_convex，作为对近邻样本空间分布特征的补充信息；

S4.训练卷积自编码器，组合步骤S3中所获得的栅格数据集raster_dist、raster_ellipse、raster_convex、raster_feature，作为自编码器的输入，按照特定的训练参数构建卷积自编码器，并进行自编码器的训练；

S5.提取表征学习的结果，基于S4步骤所获得的自编码器模型，提取出其中的编码器部分作为表征加工的凭据，编码器所计算出的数值即为模型自动加工的特征值。

2.根据权利要求1所述的一种基于卷积自编码器的空间位置信息的表征学习方法，其特征在于，步骤S1中，对于所获取的N个业务特征，进行归一化处理，具体做法为：采取z-score方法，分别对各个特征进行标准化的处理，去除量纲的影响。

3.根据权利要求1所述的一种基于卷积自编码器的空间位置信息的表征学习方法，其特征在于，步骤S2中的具体步骤描述如下：

2.1)表格数据转换为矢量数据，按照OGC的simple features的标准，根据样本的经纬度信息，以WKT的形式将其表达为点要素(POINT)的地理实体，并在原有表格数据的基础上添加该标识，作为矢量数据vec；

2.2)根据时间窗口筛选近邻样本，设置时间窗口的大小，如近3小时，根据各个样本的时间戳进行对其余样本进行筛选，筛选出符合时间窗口条件的样本，视作为各个样本在时间上的近邻样本，同时将近邻样本也表达为点要素(MULTIPOINT)的地理实体，添加到矢量数据vec上；

2.3)根据空间距离筛选近邻样本，根据步骤2.2)中所获取的近邻样本，以及步骤2.1)中所处理的点要素信息，按照距离构建矩形的缓冲区，即缓冲区为的方形区域，筛选点要素位于方形区域中的样本，作为各个样本在时空层面上的近邻样本；

2.4)将近邻样本的信息转换为栅格数据，根据步骤2.3)获得近邻样本，对于某个样本，记为该样本的经度，为该样本的纬度，构造大小为的矩阵，由于缓冲区的大小为，故每个栅格的边长为，若样本的第个近邻样本的经纬度为与，则按照公式(1)来确认近邻样本在矩阵中的行列索引与，其中int是指舍弃小数位，只保留整数位的函数；

通过统计矩阵内各个索引的点要素的个数，作为样本的近邻样本空间分布的栅格数据表示raster_dist；而通过最大值、平均值等聚合方式，统计矩阵各个索引中点要素的特征指标，能够构建N个特征的栅格数据表示raster_feature。