基于街景影像和手机信令数据的城市街道安全性研究

城市化进程加快导致街道安全性问题突出,已有研究利用城市视觉要素刻画街道安全感空间分布,忽略了街道真实安全性与安全感间的差异。该文利用街景影像和手机信令数据,结合K-means聚类算法与笛卡尔积运算模型减少“安全感知差异”,以长沙市主城区为研究案例,得到白天、夜晚及总体城市街道安全性分布:1)长沙市主城区安全感指数随圈层数增加呈波动递减趋势,主要原因是建筑视觉要素占比下降较快以及天空视觉要素占比逐步上升;2)长沙市主城区呈双圈层结构,白天高安全性、夜晚低安全性以及总体安全性最低的区域主要分布在主城区中心,具有明显的聚集现象。该研究通过对城市街道安全性和低安全性街道的分析提出街道优化建议,为城市规划提供参考。     

Semantic interoperability:a metadata mediator approach

1 IntroductionWith fast development of infonnahon technology (IT), such as network and collUnbocation teClmology, itis necesseq to sharing geographical information (GI) through network. There are a lot of GI resourcesconnected by the netWork, which giVes good chance for accessing GI, but how to get the infonnationwhich we Wanted is a Challenge. That is because data is not only a Symbol, but it also needs to indiCate themeaning which it eXPresses. Due to the shared data coining from dif…     

居民出行与轨迹行为交互模式挖掘与关联技术

出租车是居民出行的重要交通工具,其轨迹数据蕴含着丰富的居民出行信息.原始出租车轨迹数据因缺少语义信息无法直观反映居民出行规律.通过轨迹数据挖掘技术处理之后的出租车轨迹数据能够反映居民活动规律和行为模式,从而为城市规划决策提供参考依据.本文重点研究了基于语义的交互模式度量,通过出租车停留点推断其语义信息;然后根据语义信息...     

顾及地理-语义动态的城市热点预测框架

城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络(PredRNN)、图卷积预测递归神经网络(GCPredRNN)和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。     

基于地理本体的海湾空间数据组织方法——以辽东湾为例

数字海湾的建设,面临着空间数据组织问题。本文在对基于分层和基于地理特征的空间数据组织方式及元数据技术深入分析的基础上,针对海湾多要素、多层次、多资源和多领域的复杂系统,采用地理本体的思想进行海湾的认知表达,并由此提出了基于地理本体的海湾空间数据组织方法。通过对海湾地理本体的建模,建立了更能客观反映海湾地理实体各个层次体系的概念模型,再根据海湾概念和已有的多源空间数据集之间的映射关系,重构地理本体支持下的海湾空间数据库,从而实现海湾多源空间数据的海、滩、陆一体化集成与管理。最后,以辽东湾为例,对该海湾所涉及到的多源空间数据进行了有效的组织。结果表明,利用地理本体的思想对空间数据进行组织管理,可以消除不同领域对信息理解的鸿沟,有利于数据的共享和互操作。     

基于随机补片和DeepLabV3+的建筑物遥感图像变化检测

为有效解决传统遥感图像变化检测预处理复杂的问题,提出一种基于随机补片和DeepLabV3+的建筑物遥感图像变化检测方法。以ResNet50特征提取网络为基础,创建DeepLabV3+语义分割网络,并在图像和标签中创建大小为224像素×224像素的随机补片作为网络输入,训练建筑物提取网络;修改建筑物提取网络输入层为6通道,通过矩阵运算将两期遥感图像转换为一幅6通道非RGB图像,利用转换后的非RGB图像进行网络训练并验证变化检测精度。实验1利用ENVI5.3软件,采用马氏距离法进行变化检测;实验2采用改进的U-Net网络和随机补片,完成网络训练和精度验证;实验3使用实验2的训练数据和验证数据,采用随机补片和DeepLabV3+网络进行变化检测网络训练及精度验证。实验结果表明,该方法实验1、实验2、实验3建筑物变化检测平均交并比分别为24.43%、83.14%、89.90%,边界轮廓匹配分数分别为61.47%,80.24%、96.51%。     

移动轨迹的尺度特征

移动轨迹是移动对象在地理空间环境中移动而留下的痕迹。移动轨迹数据是一类特殊的地理时空数据,它具有时间尺度、空间尺度和语义尺度特征。本文首先分析了轨迹数据的空间尺度特征与时间尺度特征,建立了轨迹空间尺度与时间尺度转换关系式;然后论述了轨迹的语义内涵和语义尺度特征,将轨迹语义分为移动对象语义、地理空间环境语义、采集设备语义、移动方式语义,并从地理空间环境语义的角度分析了轨迹的语义多尺度;最后探讨了轨迹语义尺度与时空尺度之间的一致性关系。     

多源道路智能选取的本体知识推理方法EI北大核心CSCD

大数据时代道路数据来源日益增多,跨数据源的道路选取面临巨大挑战。本文针对数据语义不一致问题,提出一种基于本体知识推理的多源道路选取方法。首先,将1∶5万基本比例尺地形图道路数据作为基础案例,将四维图新导航电子地图和开放街道地图中的道路数据作为试验数据,基于stroke计算道路等级、长度、连通度、接近度、中介度特征项,提取特征项概念并构建本体;然后,从语义特征项和数值特征项两方面计算本体概念相似性,建立基础案例与试验数据间的关联关系;最后,基于本体和语义网规则语言定义本体通用、语义特征、数值特征三类选取规则,实现跨数据源道路选取的过程性知识推理。试验表明,本文方法可基于本体概念相似性度量消除语义差异,同时利用语义网规则语言进行知识推理,可实现多源道路数据向基本比例尺数据的智能选取。     

Multi-level temporal autoregressive modelling of daily activity satisfaction using GPS-integrated activity diary data

In this research, we match web-based activity diary data with daily mobility information recorded by GPS trackers for a sample of 709 residents in a 7-day survey in Beijing in 2012 to investigate activity satisfaction. Given the complications arising from the irregular time intervals of GPS-integrated diary data and the associated complex dependency structure, a direct application of standard (spatial) panel data econometric approaches is inappropriate. This study develops a multi-level temporal autoregressive modelling approach to analyse such data, which conceptualises time as continuous and examines sequential correlations via a time or space-time weights matrix. Moreover, we manage to simultaneously model individual heterogeneity through the inclusion of individual random effects, which can be treated flexibly either as independent or dependent. Bayesian Markov chain Monte Carlo (MCMC) algorithms are developed for model implementation. Positive sequential correlations and individual heterogeneity effects are both found to be statistically significant. Geographical contextual characteristics of sites where activities take place are significantly associated with daily activity satisfaction, controlling for a range of situational characteristics and individual socio-demographic attributes. Apart from the conceivable urban planning and development implications of our study, we demonstrate a novel statistical methodology for analysing semantic GPS trajectory data in general.