基于城市道路和POI数据的区域类型判别方法、装置及设备与流程

本发明涉及区域类型识别，尤其涉及一种基于城市道路和poi数据的区域类型判别方法、装置及电子设备。

背景技术：

1、随着城市化进程的加快，交通拥堵、住房紧张以及通勤困难等问题，不但困扰着城市居民的生活，更加制约了城市的发展，而城市的发展逐渐产生了不同的功能区域，如住宅区、教育区和商业区。但为了更好的区别地区的功能区域，给人们带来方便，需要对地区的道路数据和poi数据进行分析，以进行区域类型判别。

2、现有的区域类型判别技术多为基于地图软件中的道路情况对区域进行划分，进而对区域类型进行判别。实际应用中，不同地区的道路和城市实际设施分布都是不同的，仅考虑道路情况的分布，可能导致对区域类型判别方式过于单一，从而对进行区域类型判别的准确度较低。

技术实现思路

1、本发明提供一种基于城市道路和poi数据的区域类型判别方法、装置及电子设备，其主要目的在于解决进行区域类型判别时的准确度较低的问题。

2、为实现上述目的，本发明提供的一种基于城市道路和poi数据的区域类型判别方法，包括：

3、s1、获取第一目标地区的路网数据集和poi数据集，利用预设的路网划分算法对所述路网数据集进行划分，得到区块数据集，将所述区块数据集与所述poi数据集进行数据合并，得到合并数据集；

4、s2、利用预设的电子围栏提取所述合并数据集中的区块poi数据，根据预设的区块种类兴趣需求对所述区块poi数据进行种类筛选，得到兴趣poi种类，其中所述根据预设的区块种类兴趣需求对所述区块poi数据进行种类筛选，得到兴趣poi种类，包括：

5、s21、根据如下的认知度公式计算所述区块poi数据中每个poi数据的公共认知度：

6、

7、其中，r为所述公共认知度，ki为第i个认知情绪的数量，ka为认知情绪a的数量，kb为认知情绪b的数量，kc为认知情绪c的数量,kd为认知情绪d的数量,ke为认知情绪e的数量；

8、s22、当所述公共认知度小于预设的认知度阈值时，在所述区块poi数据中剔除所述公共认知度对应的poi数据，得到更新区块poi数据；

9、s23、当所述公共认知度大于或等于预设的认知度阈值时，根据所述区块种类兴趣需求对所述更新区块poi数据中的poi数据进行种类筛选，得到所述兴趣poi种类；

10、s3、利用预设的加权算法计算所述兴趣poi种类的加权评分值，根据所述加权评分值判断所述合并数据集中是否存在商业标志，当存在所述商业标志时，计算所述兴趣poi种类中商业类型的种类占比；

11、s4、根据所述种类占比及预设的种类占比阈值确定所述第一目标地区的区域类型标签，利用所述区域类型标签构建随机森林模型，根据所述随机森林模型对预设的第二目标地区进行区域类型判别。

12、可选地，所述利用预设的路网划分算法对所述路网数据集进行划分，得到区块数据集，包括：

13、对所述路网数据集中的道路进行道路筛选，得到筛选道路；

14、按照预设的道路等级将所述筛选道路进行等级划分，得到等级道路；

15、利用预设的缓冲区对所述等级道路进行空间划分，得到道路空间；

16、从所述路网数据集中剔除所述道路空间，得到所述区块数据集。

17、可选地，所述利用预设的电子围栏提取所述合并数据集中的区块poi数据，包括：

18、选取所述合并数据集中的任一兴趣点为目标点；

19、根据所述目标点确定所述电子围栏的围栏坐标；

20、根据所述围栏坐标生成多边形区域；

21、利用所述多边形区域提取所述合并数据集中的poi数据，汇集所述poi数据为区块poi数据。

22、可选地，所述利用预设的加权算法计算所述兴趣poi种类的加权评分值，包括：

23、获取每个所述兴趣poi种类的种类分值；

24、利用预设的层次分析法确定每个所述兴趣poi种类的种类权重；

25、利用所述加权算法根据所述种类分值及所述种类权重计算所述兴趣poi种类的加权评分值：

26、

27、其中，f为所述加权评分值，pj为第j个所述兴趣poi种类的种类分值，wj为第j个所述兴趣poi种类的种类权重，n为所述兴趣poi种类的数量。

28、可选地，所述计算所述兴趣poi种类中商业类型的种类占比，包括：

29、统计每个所述兴趣poi种类中第一poi数据数量，以及统计所述兴趣poi种类中每个商业类型中的第二poi数据数量；

30、利用如下的种类占比公式根据所述第一poi数据数量及所述第二poi数据数量计算所述商业类型的种类占比：

31、

32、其中，tv为第v个商业类型的种类占比，su为第u个所述兴趣poi种类的第一poi数据数量，γv为第v个所述商业类型的第二poi数据数量，m为所述商业类型的种类数量。

33、可选地，所述利用所述区域类型标签构建随机森林模型，包括：

34、利用预设的估计算法将所述区域类型标签进行划分，得到划分区域类型标签数据集；

35、在每个所述划分区域类型标签数据集中任一选取标签特征作为根节点，在所述根节点中分裂左节点和右节点；

36、将每个所述划分区域类型标签数据集分配至所述左节点和所述右节点，得到分类回归树，汇集所述分类回归树为所述随机森林模型。

37、可选地，所述根据所述随机森林模型对预设的第二目标地区进行区域类型判别，包括：

38、获取所述第二目标地区的待判别区域数据；

39、利用所述随机森林模型中的每棵分类回归树对所述待判别区域数据进行分类，得到分类预测值；

40、选取所述分类预测值最大的区域作为所述第二目标地区的区域类型。

41、为了解决上述问题，本发明还提供一种基于城市道路和poi数据的区域类型判别装置，所述装置包括：

42、数据合并模块，用于获取第一目标地区的路网数据集和poi数据集，利用预设的路网划分算法对所述路网数据集进行划分，得到区块数据集，将所述区块数据集与所述poi数据集进行数据合并，得到合并数据集；

43、poi种类筛选模块，用于利用预设的电子围栏提取所述合并数据集中的区块poi数据，根据预设的区块种类兴趣需求对所述区块poi数据进行种类筛选，得到兴趣poi种类；

44、种类占比计算模块，用于利用预设的加权算法计算所述兴趣poi种类的加权评分值，根据所述加权评分值判断所述合并数据集中是否存在商业标志，当存在所述商业标志时，计算所述兴趣poi种类中商业类型的种类占比；

45、区域类型判别模块，用于根据所述种类占比及预设的种类占比阈值确定所述第一目标地区的区域类型标签，利用所述区域类型标签构建随机森林模型，根据所述随机森林模型对预设的第二目标地区进行区域类型判别。

46、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

47、至少一个处理器；以及，

48、与所述至少一个处理器通信连接的存储器；其中，

49、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于城市道路和poi数据的区域类型判别方法。

50、本发明实施例通过将目标地区的路网数据集进行划分，得到区块数据集，并将区块数据集与poi数据集进行合并，得到合并数据集，进而根据合并数据集提取区块poi数据，可以提高区域类型判别的准确性。筛选感兴趣poi种类，并对区块内poi种类进行打分并加权汇总，进而根据加权评分值判断区域中是否存在商业标志，可以准确判断商业区和非商业区。当存在商业标志时，计算每个商业类型的种类占比，并根据种类占比确定区域类型标签，进而利用区域类型标签构建随机森林模型，利用随机森林模型对其他地区的区域类型进行判别，可实现对目标地区的区域类型判别，进而提高区域类型判别的准确性，便于其他地区更容易实现区域类型判别。因此本发明提出的基于城市道路和poi数据的区域类型判别方法、装置及电子设备，可以解决进行区域类型判别时的准确度较低的问题。