[发明专利]一种基于卫星影像和网络的城市区域功能属性的识别方法

摘要

本发明涉及一种基于卫星影像和网络的城市区域功能属性的识别方法，属于多模态传感器数据处理技术领域。首先，收集在城市区域内分布的路由器上活动的用户的连接行为信息以及整个城市区域对应的卫星影像。其次，基于收集到的数据进行城市区域的特征定义与提取，即对网络数据进行用户行为特征的提取，对卫星影像特征通过卷积神经网络进行视觉特征提取。最后，采用AdaBoost算法整合一系列的决策树模型进行城市区域功能属性识别，从而增加在训练的迭代过程中发现关键特征的稳定性。本发明的优点是融合了两种模态的传感器数据，提高了城市区域功能属性识别的灵活性和准确率。本方法采用的数据易获取，算法的计算复杂度低，可扩展性强，适合于实际工业应用。

主权项

一种基于卫星影像和网络的城市区域功能属性的识别方法，其特征在于该方法包括以下步骤：(1)在城市区域内布置供网络用户免费使用的路由器，利用路由器收集用户访问网络的时间TA和离开网络的时间TL，或者城市区域内网络用户利用手机自动数据收集程序发送访问网络的时间TA和离开网络的时间TL,每次用户访问的持续时间记为D，则：D＝TL‑TA记用户第i次访问网络的行为Bi，Bi用一个四元组(TA,i,TL,i,Di,Uidi)表示，其中Uidi代表该用户的代码ID，每个用户对应一个单独的代码ID，记所有用户访问的总次数为Q，记所有用户访问行为构成的集合为Gall；(2)利用电子地图软件下载城市区域的相应卫星影像,卫星影像的大小为256*256像素，每个像素用RGB颜色值表示；(3)根据上述步骤(1)的用户访问网络时间TA，离开网络时间TL以及持续时间D，计算城市区域的网络特征向量VN，该特征向量VN包括36维，计算过程如下：(3‑1)根据用户访问网络时间TA处于一天24小时中的某一小时，将所有用户的访问行为分为24组，记为G[1,2,…,24]，其中G[a]组中的用户访问网络时间TA满足a‑1≤TA<a，各组的用户访问行为的数量作为所述的特征向量VN的1‑24维VN[1,2,…,24]；(3‑2)根据用户访问网络时间TA处于周中或周末，将所有用户的访问行为分为2组，记为G[25,26],其中G[25]组中的用户访问发生在周中，G[26]组中的用户访问发生在周末，各组的用户访问行为数量作为特征向量VN的25‑26维VN[25,26]；(3‑3)分别计算上述步骤(3‑2)中G[25]组和G[26]组中用户访问网络的平均持续时间AvgD[25,26]作为特征向量VN的27‑28维VN[27,28]：AvgD[b]=Σu∈G[b]DuVN[b],b=25,26]]>(3‑4)设置一个用户访问网络的持续时间阈值Dth，计算用户访问网络持续时间大于该阈值的用户访问行为的数量占所有用户访问行为总数量的比率Rlong作为特征向量VN的29维VN[29]：Rlong=Σj=1QI(Dj>Dth)Q]]>其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0；(3‑5)将G[25]组，G[26]组以及Gall中的用户数量Nu作为特征向量VN的30‑32维VN[30,31,32]；(3‑6)分别计算G[25]组用户访问行为、G[26]组用户访问行为和Gall用户访问行为的平均重连时间Tre作为特征向量VN的33‑35维VN[33,34,35]，平均重连时间Tre的计算步骤如下(以G[25]为例)：(3‑6‑1)根据用户的代码IDUid，将G[25]组的用户访问行为分成Nu个部分，Nu为与该组用户访问行为相对应的用户数量，即每个部分中的所有用户访问行为对应同一个Uid，对于Nu个部分中的第c部分用户访问行为，将上述步骤(1)的访问网络时间TA从小到大排序，得到序列B[1,2,…,p],其中p为第c部分用户访问行为的数量，则第c部分用户访问行为的平均重连时间Tre,c为：Tre,c=Σk=1p-1(TA,k+1-TL,k)p-1,p≥2Maximum,p=1]]>其中Maximum为设定的平均重连时间Tre极大值，取值为168小时；(3‑6‑2)利用下式计算G[25]组用户访问行为的平均重连时间Tre为：Tre=Σc=1NuTre,cNu]]>(3‑6‑3)重复步骤(3‑6‑1)和步骤(3‑6‑2)，分别计算G[26]组用户访问行为和Gall用户访问行为的平均重连时间；(3‑7)根据上述步骤(1)的访问网络时间TA，将所有用户访问行为按照日期顺序记为G′[1,2,…,ND]，其中每组用户访问行为发生在同一天，计算G′[1,2,…,ND]中第e天的用户群变化率CRCe：CRCe=1-com(e-1,e)Nu,e-1′+Nu,e′-com(e-1,e),2≤e≤ND]]>其中N′u,e为与G′[e]组访问行为相对应的用户数量，G′[e]为第e天的的用户访问行为，com(e‑1,e)为与G′[e‑1]组访问行为和G′[e]组访问行为相对应的用户中共同重复的用户数量；利用下式计算平均用户群变化率CRC作为特征向量VN的36维VN[36]：CRC=Σe=2NDCRCeND-1]]>(4)将上述步骤(2)的卫星影像中输入到卷积神经网络中，将卷积神经网络的第二个全连接层的输出作为影像特征向量VI[1,2,…,4096]；(5)将上述步骤(3)得到的城市区域的网络特征向量VN[1,2,…,36]和上述步骤(4)得到的城市区域的卫星影像特征向量VI[1,2,…,4096]连接，合并成向量V[1,2,…,4132]，作为城市区域的特征向量；(6)建立功能属性分类模型，过程如下：(6‑1)将具有已知功能属性的N个城市区域作为训练样本，记N个城市区域中任意一个城市区域为Rf，1≤f≤N，具有已知的功能属性tf，利用上述步骤(5)得到特征向量Vf，遍历N个城市区域中的所有城市区域，得到具有已知功能属性的N个城市区域的特征向量；(6‑2)利用AdaBoost算法，训练基于决策树的功能属性分类模型步骤如下：(6‑2‑1)定义一个N维样本权重向量wN，权重向量wN中的每个元素对应一个具有已知功能属性的城市区域训练样本，将每个元素初始化为(6‑2‑2)将误差函数εm最小化，得到决策树函数ym(V)：ϵm=Σf=1NwN,f(m)I(ym(Vf)≠tf)]]>其中，I(·)为指示函数，当条件·为真时，I(·)取值为1，当条件·为假时，I(·)取值为0，m为迭代次数，V为上述步骤(5)中的城市区域的特征向量，Vf为上述步骤(6‑1)中的N个城市区域中任意一个城市区域Rf的特征向量；利用下式，计算决策树函数ym(V)的权重αm：αm=ln{1-ϵmϵm}]]>利用下式调整权重向量wN：wN,f(m+1)=wN,f(m)Zm*exp(-αm),ym(Vf)=tfexp(αm),ym(Vf)≠tf,1≤f≤N,]]>其中，Zm是归一化因子，保证权重向量wN的和为1；(6‑2‑3)重复上述步骤(6‑2‑2)M次，得到M个决策树模型；(6‑2‑4)将步骤(6‑2‑3)得到的M个决策树模型加权，得到如下功能属性分类模型：YM(V)=Σm=1Mαmym(V)]]>(7)对未知功能属性的城市区域R，重复步骤(1)‑(5)，得到特征向量V，将V输入步骤(6‑2‑4)的功能属性分类模型YM(V)，输出即为城市区域R的功能属性。