-
公开(公告)号：CN115100395B
公开(公告)日：2025-02-14
申请号：CN202210736883.7
申请日：2022-06-27
Applicant: 南京大学
IPC: G06V10/25 , G06V10/74 , G06V10/764 , G06V10/774 , G06V20/10
Abstract: 本发明公开一种融合POI预分类和图神经网络的城市街区功能分类方法，本分类方法包括以下步骤：S1、利用城市街区POI构建Delaunay三角网，S2、根据与每个POI点相连的Delaunay三角网边的平均边长，确定城市街区内POI的重要性排序，S3、选取城市街区内排名前三的POI类型，作为城市街区功能的组合标签，S4、对组合标签进行归并得到城市街区功能伪标签，S5、基于Delaunay三角网建立每个城市街区的POI图网络，S6、利用城市街区功能伪标签，训练图神经网络分类模型，S7、利用训练好的图神经网络分类模型进行城市街区功能分类。本发明方法能够提取POI数据的空间结构信息，丰富了POI数据的语义信息，从而提高城市街区功能分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN115100394B
公开(公告)日：2023-11-03
申请号：CN202210729862.2
申请日：2022-06-24
Applicant: 南京大学
IPC: G06V10/25 , G06V10/764 , G06V20/10 , G06V20/70
Abstract: 本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法，属于数据处理技术领域。该方法执行如下步骤：对城市街区内部的兴趣点数据按类别进行分类；创建规则格网将城市街区划分为若干格网单元；对每个格网单元内的兴趣点数据进行聚合，得到兴趣点聚合点数据；基于兴趣点聚合点数据创建Voronoi图，得到每个兴趣点聚合点数据对应的Voronoi多边形；计算城市街区内每个Voronoi多边形的面积，将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重，从而实现对城市街区的功能识别。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性，从而有助于提高基于兴趣点数据的城市街区功能区识别的准确率。
-
公开(公告)号：CN114911787B
公开(公告)日：2023-10-27
申请号：CN202210613379.8
申请日：2022-05-31
Applicant: 南京大学
IPC: G06F16/215 , G06F40/216 , G06F40/289
Abstract: 本发明涉及一种融合位置和语义约束的多源POI数据清洗方法，属于数据处理技术领域。该方法执行如下步骤：步骤1，对收集到的多源POI数据进行GeoHash转换；步骤2，对转换后的字符串进行邻近点查询；步骤3，对步骤2中存在邻近点的窗口进行冗余处理；步骤4，构建分词方案；步骤5，对步骤4处理后的数据进行冗余处理；步骤6，基于步骤5重新构建的分词方案的词频统计完成POI数据重匹配。该方法能更加准确高效地完成数据清洗工作，清洗结果更加优秀，更切合实际且行之有效。
-
公开(公告)号：CN115100394A
公开(公告)日：2022-09-23
申请号：CN202210729862.2
申请日：2022-06-24
Applicant: 南京大学
IPC: G06V10/25 , G06V10/764 , G06V20/10 , G06V20/70
Abstract: 本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法，属于数据处理技术领域。该方法执行如下步骤：对城市街区内部的兴趣点数据按类别进行分类；创建规则格网将城市街区划分为若干格网单元；对每个格网单元内的兴趣点数据进行聚合，得到兴趣点聚合点数据；基于兴趣点聚合点数据创建Voronoi图，得到每个兴趣点聚合点数据对应的Voronoi多边形；计算城市街区内每个Voronoi多边形的面积，将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重，从而实现对城市街区的功能识别。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性，从而有助于提高基于兴趣点数据的城市街区功能区识别的准确率。
-
公开(公告)号：CN114911787A
公开(公告)日：2022-08-16
申请号：CN202210613379.8
申请日：2022-05-31
Applicant: 南京大学
IPC: G06F16/215 , G06F40/216 , G06F40/289
Abstract: 本发明涉及一种融合位置和语义约束的多源POI数据清洗方法，属于数据处理技术领域。该方法执行如下步骤：步骤1，对收集到的多源POI数据进行GeoHash转换；步骤2，对转换后的字符串进行邻近点查询；步骤3，对步骤2中存在邻近点的窗口进行冗余处理；步骤4，构建分词方案；步骤5，对步骤4处理后的数据进行冗余处理；步骤6，基于步骤5重新构建的分词方案的词频统计完成POI数据重匹配。该方法能更加准确高效地完成数据清洗工作，清洗结果更加优秀，更切合实际且行之有效。
-
公开(公告)号：CN115100395A
公开(公告)日：2022-09-23
申请号：CN202210736883.7
申请日：2022-06-27
Applicant: 南京大学
IPC: G06V10/25 , G06V10/74 , G06V10/764 , G06V10/774 , G06V20/10
Abstract: 本发明公开一种融合POI预分类和图神经网络的城市街区功能分类方法，本分类方法包括以下步骤：S1、利用城市街区POI构建Delaunay三角网，S2、根据与每个POI点相连的Delaunay三角网边的平均边长，确定城市街区内POI的重要性排序，S3、选取城市街区内排名前三的POI类型，作为城市街区功能的组合标签，S4、对组合标签进行归并得到城市街区功能伪标签，S5、基于Delaunay三角网建立每个城市街区的POI图网络，S6、利用城市街区功能伪标签，训练图神经网络分类模型，S7、利用训练好的图神经网络分类模型进行城市街区功能分类。本发明方法能够提取POI数据的空间结构信息，丰富了POI数据的语义信息，从而提高城市街区功能分类的准确率。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
