基于多模态数据的城市功能区与人流研究
发布时间：2023-07-26 18:53
合理的城市功能区规划是城市可持续发展的基础。城市功能区的准确识别是城市规划的重要内容,而当前城市功能区识别方法的相关研究,大多仅基于单源数据分析建模来进行功能区的划分与识别,无法充分利用易于获取的多尺度多来源的数据,为此本文提出了基于多模态机器学习的城市功能区域分类模型MM-Urban FAC,模型部分首先使用SE-Res Ne Xt与自定义结构的DPN结合的双分支神经网络,用来自动挖掘与融合多来源数据的整体特征。模型还并采用人工设计的特征工程对用户行为数据进行深度挖掘,获取更多的关联信息。最后结合基于梯度提升树的算法分别对不同层次的特征进行学习,进而获取对城市功能区域分类的最终预测结果。通过对真实数据集进行了分析和实验验证,结果表明MM-Urban FAC有效提升了功能区划分的准确率,提高了集成学习的性能。城市化的进程的相关研究中,城市人流预测也是很重要的一个部分。人流预测在城市规划、交通控制、公共安全等领域有着广泛的应用。在城市功能区划分的研究中,用户的到访数据对于城市划分有很大的影响。本文还根据人流对城市功能区划分的影响,提出了城市功能区的先验知识也能帮助提升城市人流预测的准确性...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景和意义
1.2 国内外研究及应用现状
1.2.1 地理大数据研究现状
1.2.2 城市功能区识别研究现状
1.2.3 城市人流预测研究现状
1.2.4 梯度提升树研究现状
1.2.5 多模型集成方法研究现状
1.3 本文研究内容
1.4 本文组织结构
2 相关技术与理论
2.1 城市功能区相关概念
2.1.1 城市功能区概述
2.1.2 功能区识别常用数据
2.2 卷积神经网络
2.2.1 卷积神经网络结构
2.2.2 卷积神经网络的发展
2.3 梯度提升树
2.4 模型融合方法
3 多维度特征的功能区识别
3.1 数据来源与任务描述
3.2 数据预处理
3.2.1 遥感图像数据基本特征
3.2.2 用户到访数据基本特征
3.3 到访记录多维度特征提取
3.3.1 基于功能区的时序特征提取
3.3.2 基于用户的时序特征提取
3.4 用户特征筛选
3.4.1 随机森林算法介绍
3.4.2 重要特征筛选
4 基于多模态机器学习的城市功能区域分类模型
4.1 多模态机器学习分析
4.2 SE-ResNeXt与 DPN双分支神经网络
4.2.1 深度融合模型建立
4.2.2 SE-ResNeXt基本理论与分支结构设计
4.2.3 DPN基本理论与分支结构设计
4.3 基于GBDT的工程实现
4.3.1 Light GBM
4.3.2 XGBoost
4.4 集成方法
4.4.1 集成方法原理
4.4.2 基于GBDT的集成模型方法
4.5 多模态机器学习融合模型
4.5.1 数据增强
4.5.2 Gradual Warmup
4.5.3 多层次融合框架
4.6 实验分析
4.6.1 实验条件
4.6.2 评价指标
4.6.3 实验描述
4.6.4 消融实验
4.6.5 集成方法对比
4.6.6 鲁棒性分析
5 多模态数据下的城市网格人流研究
5.1 人口流量预测相关概念
5.1.1 人口流量概述
5.1.2 人流预测研究问题
5.2 问题定义与数据分析
5.2.1 问题定义
5.2.2 人流数据介绍
5.2.3 POI分布与流量分析
5.3 scSEST+人流预测网络结构设计
5.3.1 网络框架
5.3.3 Semantic Plus单元
5.3.4 POI-Augmentor
5.3.5 多模态特征融合方法
5.3.6 网络训练过程
5.4 实验结果分析
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
本文编号：3837366
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景和意义
1.2 国内外研究及应用现状
1.2.1 地理大数据研究现状
1.2.2 城市功能区识别研究现状
1.2.3 城市人流预测研究现状
1.2.4 梯度提升树研究现状
1.2.5 多模型集成方法研究现状
1.3 本文研究内容
1.4 本文组织结构
2 相关技术与理论
2.1 城市功能区相关概念
2.1.1 城市功能区概述
2.1.2 功能区识别常用数据
2.2 卷积神经网络
2.2.1 卷积神经网络结构
2.2.2 卷积神经网络的发展
2.3 梯度提升树
2.4 模型融合方法
3 多维度特征的功能区识别
3.1 数据来源与任务描述
3.2 数据预处理
3.2.1 遥感图像数据基本特征
3.2.2 用户到访数据基本特征
3.3 到访记录多维度特征提取
3.3.1 基于功能区的时序特征提取
3.3.2 基于用户的时序特征提取
3.4 用户特征筛选
3.4.1 随机森林算法介绍
3.4.2 重要特征筛选
4 基于多模态机器学习的城市功能区域分类模型
4.1 多模态机器学习分析
4.2 SE-ResNeXt与 DPN双分支神经网络
4.2.1 深度融合模型建立
4.2.2 SE-ResNeXt基本理论与分支结构设计
4.2.3 DPN基本理论与分支结构设计
4.3 基于GBDT的工程实现
4.3.1 Light GBM
4.3.2 XGBoost
4.4 集成方法
4.4.1 集成方法原理
4.4.2 基于GBDT的集成模型方法
4.5 多模态机器学习融合模型
4.5.1 数据增强
4.5.2 Gradual Warmup
4.5.3 多层次融合框架
4.6 实验分析
4.6.1 实验条件
4.6.2 评价指标
4.6.3 实验描述
4.6.4 消融实验
4.6.5 集成方法对比
4.6.6 鲁棒性分析
5 多模态数据下的城市网格人流研究
5.1 人口流量预测相关概念
5.1.1 人口流量概述
5.1.2 人流预测研究问题
5.2 问题定义与数据分析
5.2.1 问题定义
5.2.2 人流数据介绍
5.2.3 POI分布与流量分析
5.3 scSEST+人流预测网络结构设计
5.3.1 网络框架
5.3.3 Semantic Plus单元
5.3.4 POI-Augmentor
5.3.5 多模态特征融合方法
5.3.6 网络训练过程
5.4 实验结果分析
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
本文编号：3837366
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/3837366.html
