基于多源大数据的社区生活圈划定方法和装置与流程

1.本技术属于人工智能技术领域，尤其涉及一种基于多源大数据的社区生活圈划定方法和装置。

背景技术：

2.目前，社区是居民生活的基本单元，社区内服务设施配置直接影响居民的生活品质与生活方式，是城市存量更新过程中的重要空间单元，是社区规划的重点关注对象。而在社区规划中对生活圈的边界划定是研究的重点和难点，在准确划定生活圈边界的基础上才能更合理的配置社区公共服务设施以及提高居民生活体验。为了实现对社区生活圈的划定，现有技术主要是基于矢量地图中的居住社区、设施和道路信息，通过社区居民穿戴带有gps定位装置的设备进行日常活动，进而获取社区生活圈的大致范围。但是上述测度方法成本较高、样本量少、数据质量较低。另外，社区生活圈划定需要基于各式各样的生活场景，而各社区场景之间存在一定差异，现有技术中社区生活圈划定方法泛化能力较差，难以将有限场景的社区生活圈划定方法泛化至各类型社区场景内，导致最终划定结果的准确率较低、实用性较差。因此，如何提高社区生活圈划定精度以实现社区设施的合理配置成为亟待解决的问题。

技术实现要素：

3.有鉴于此，本技术实施例提供了一种基于多源大数据的社区生活圈划定方法和装置，以解决现有社区生活圈划定的精度较低导致的社区设施配置不合理的问题。
4.第一方面，本技术实施例提供一种基于多源大数据的社区生活圈划定方法，所述社区生活圈划定方法包括：
5.基于多源大数据获取目标社区的规划底图，提取所述规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取所述规划底图中道路区域的路径表征；
6.利用gis交通网络分析模型，使用启发式搜索算法，结合所述中心点表征和所述路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径；
7.根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对所述规划底图中路径的预测热力图像；
8.获取所述道路区域中每个路径的实际热力图像，将所述预测热力图像与所述实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域；
9.将所述规划底图中每个居住区域和每个公共服务设施区域的位置以及所述差异区域对应的位置输入训练好的边界划定模型，生成划定生活圈边界后的规划底图，所述训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了不同类型的生活圈边界的规划底图。
10.第二方面，本技术实施例提供一种基于多源大数据的社区生活圈划定装置，所述
社区生活圈划定装置包括：
11.表征数据提取模块，用于基于多源大数据获取目标社区的规划底图，提取所述规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取所述规划底图中道路区域的路径表征；
12.最优路径预测模块，用于利用gis交通网络分析模型，使用启发式搜索算法，结合所述中心点表征和所述路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径；
13.路径热力预测模块，用于根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对所述规划底图中路径的预测热力图像；
14.差异区域确定模块，用于获取所述道路区域中每个路径的实际热力图像，将所述预测热力图像与所述实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域；
15.生活圈边界划定模块，用于将所述规划底图中每个居住区域和每个公共服务设施区域的位置以及所述差异区域对应的位置输入训练好的边界划定模型，生成划定生活圈边界后的规划底图，所述训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了不同类型的生活圈边界的规划底图。
16.本技术实施例与现有技术相比存在的有益效果是：本技术直接对目标社区的规划底图进行居住区域、公共服务设施区域和道路区域的特征提取，再利用gis交通网络分析模型和启发式搜索算法，确定每个居住区域与每个公共服务设施区域之间的最优预测路径，结合公共服务设施区域的被访问频率，对连接该公共服务设施区域的最优预测路径对应的像素单元赋值，得到规划底图中路径的预测热力图像，将其与实际热力图像比对，到差异区域，将差异区域、居住区域和公共服务设施区域作为训练好的边界划定模型的输入，进而输出划定边界后的规划底图，实现了对目标社区的生活圈边界的划定，通过预测居住区域和公共服务设施区域之间的最优路径和路径的热力，并与实际路径热力比对后得到差异区域，以此差异区域作为高纬度信息嵌入边界划定模型进行训练，得到更加贴合实际的边界划定模型，从而使用训练好的边界划定模型能够得到更加准确地生活圈边界划定结果。
附图说明
17.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例一提供的一种基于多源大数据的社区生活圈划定方法的流程示意图；
19.图2是本技术实施例一提供的一种道路区域的道路二值图的示意图；
20.图3是本技术实施例一提供的一种启发式搜索过程的流程示意图；
21.图4是本技术实施例一提供的一种预测热力图像的示意图；
22.图5是本技术实施例一提供的一种实际热力图像的示意图；
23.图6是本技术实施例一提供的一种边界划定模型的结构示意图；
24.图7是本技术实施例二提供的一种基于多源大数据的社区生活圈划定装置的结构示意图。
具体实施方式
25.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
26.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
27.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
28.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0029]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0030]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0031]
本技术实施例中的终端设备可以是掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端终端设备、个人数字助理(personal digital assistant，pda)等，本技术实施例对终端设备的具体类型不作任何限制。
[0032]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0033]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、终端设备技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0034]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限
定。
[0035]
为了说明本技术的技术方案，下面通过具体实施例来进行说明。
[0036]
参见图1，是本技术实施例一提供的一种基于多源大数据的社区生活圈划定方法的流程示意图，上述社区生活圈划定方法应用于终端设备，该终端设备通过互联网连接相应的数据库，以获取相应的规划底图、设施访问流量、路径的实时热力等数据，实现大数据的收集工作。如图1所示，该社区生活圈划定方法可以包括以下步骤：
[0037]
步骤s101，基于多源大数据获取目标社区的规划底图，提取规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取规划底图中道路区域的路径表征。
[0038]
本技术中，上述的多源大数据可以包括百度、高德等互联网地图、人口热力图和国土“三调”数据等多源大数据，上述目标社区可以为任一需要进行生活圈边界划定的社区，规划底图为包含社区的居住区域、公共服务设施区域和道路区域等特征的图片，例如，社区的建筑规划底图纸，其中，该规划底图为采用实际尺寸设计的图纸，规划底图的尺寸可以根据图中的比例尺进行放大。居住区域可以是指规划底图中用于居住的区域，公共服务设施区域可以是指规划底图中用于放置公共服务设施的区域，道路区域可以是指规划底图中所有的道路。
[0039]
中心点表征是将居住区、公共服务设施区等闭合区域以中心点的形式进行表征，即提取规划底图中某个区域的中心点，并作为该区域的表征，路径表征是将道路区域以线条形路径的形式进行表征，即提取规划底图中某条道路的线条形路径，并作为该道路的表征。
[0040]
其中，居住区域中心点采用居住区域图形质心点表征，获取居住区域中心点对应的图像坐标，公共服务设施区域中心点采用公共服务设施区域图形质心点表征，也可以公共服务设施区域通行出口的具体位置表征，并获取公共服务设施区域中心点对应的图像坐标。对规划底图中道路区域进行线条提取，得到道路二值图像，该道路二值图像中表征道路区域的像素单元的像素值为1，其他区域像素单元的像素值为0，即形成线条形路径。
[0041]
目标社区的规划底图本质上可以为规划设计电子图(gis数据格式)，在图中需要标记出以下内容，以表格示出，表格仅为一种示例，不对实际使用情况进行限定，如下：
[0042][0043]
步骤s102，利用gis交通网络分析模型，使用启发式搜索算法，结合中心点表征和
路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径。
[0044]
本技术中，利用gis交通网络分析模型，对规划底图中居住区域和公共服务设施区域之间的最优路径进行预测，在过程中可以使用启发式搜索算法作为预测方法，过程如下：
[0045]
根据居住区域、公共服务设施区域的中心点表征，可以确定对应居住区域、公共服务设施区域的中心点在图像中的图像坐标，根据道路区域的路径表征，可以确定道路区域的路径在图像中的图像坐标。
[0046]
针对任一个居住区域的中心点与任一个公共服务设施区域的中心点，使用启发式搜索算法可以预测对两个中心点通过实际的道路进行连通的路径，该路径即为对应居住区域与对应公共服务设施区域之间的最优预测路径。
[0047]
可选的是，使用启发式搜索算法，结合中心点表征和路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径包括：
[0048]
将每个居住区域的中心点分别与每个公共服务设施区域的中心点连接形成理论路径；
[0049]
以任一理论路径的一端作为起点，另一端作为终点，从起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点，预设范围为扇形区域，扇形区域的夹角不大于180
°
，扇形区域的顶点为起点，扇形区域的对称中心线为对应的理论路径，扇形区域的半径为目标半径；
[0050]
将搜索点作为起点再次在对应的预设范围内搜索，直至搜索点与终点重合，确定所有搜索点的连线为对应理论路径的最优预测路径。
[0051]
其中，使用上述的道路二值图像，结合两个中心点的图像坐标，确定两个中心点在图像中的位置，将两个中心点直接连接形成理论路径，即两个中心点的直线距离。
[0052]
如图2所示，为道路的二值图像，其中的黑弯曲线条表征了道路，以c小区至公园为例，以c小区对应的中心点作为起点，以公园的正门坐标作为终点，从起点开始进行扇形搜索，以理论路径所确定的射线方向确定扇形搜索范围，扇形搜索范围的两边界与射线方向的夹角均设置为90
°
，扇形半径设置为2个像素单元，对扇形搜索范围内的像素值为1的像素单元，计算像素单元是否满足预设条件。其中，预设条件可以是指像素单元与理论路径的垂直距离最小，或者，是指像素单元与理论线路的垂直距离，以及与终点的直线距离的和最小。
[0053]
将满足预设条件的像素单元作为搜索点，并以搜索点为起点再次进行搜索，直至搜索点与终点重合，完成搜索，得到预测路径为最优预测路径。如图3所示，为上述搜索过程的流程图。
[0054]
可选的是，从起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点包括：
[0055]
从起点开始在预设范围内搜索，确定预设范围内且在路径表征上的所有像素单元；
[0056]
计算所有像素单元分别与对应理论线路的垂直距离以及与终点的直线距离；
[0057]
将每个像素单元对应的垂直距离与直线距离求和，确定求和结果最小的像素单元为搜索点。
[0058]
其中，像素单元与理论路线的垂直距离为d_1，像素单元与终点的直线距离为d_2，
选择扇形搜索范围内min(d_1+d_2)对应的像素单元作为搜索点。
[0059]
步骤s103，根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对规划底图中路径的预测热力图像。
[0060]
本技术中，将公共服务设施区域的被访问频率作为修改路径像素单元的依据，从而可以表征路径的热度，确定路径的热力图像。被访问频率可以通过手机信令od数据进行采集。
[0061]
如图4所示，以被访问频率s为依据，对连接四个公共服务设施区域的路径的像素单元进行修改，对赋予初始值后的路径像素单元进行高斯模糊得到预测路径热力图像，高斯核的尺寸可由实施者自行设置，但需与后续关键点检测生成标注数据时的尺寸一致，在本技术中高斯核尺寸设置为5*5，将所有预测路径热力图像进行逐点叠加并取均值，得到预测热力图像。
[0062]
可选的是，根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在规划底图上的像素单元进行赋值之前，还包括：
[0063]
获取每个公共服务设施区域在单位时间内的单位访问人数，并确定所有公共服务设施区域在单位时间内的总访问人数；
[0064]
确定每个公共服务设施区域的单位访问人数与总访问人数的比值为对应公共服务设施区域的被访问频率。
[0065]
其中，公共服务设施区域的被访问频率采用单个设施日均访问次数与所有设施日均访问次数之比表征，从而可以使用该被访问频率来表征与公共服务设施区域连接的路径的热度。
[0066]
可选的是，根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对规划底图中路径的预测热力图像包括：
[0067]
针对一个公共服务设施区域，以公共服务设施区域的被访问频率与最大像素值的乘积，对与公共服务设施区域连接的最优预设路径在规划底图上的像素单元进行赋值，规划底图中其他路径的像素单元赋值为0，得到公共服务设施区域对应的路径热力图；
[0068]
遍历每个公共服务设施区域，得到每个公共服务设施区域对应的路径热力图，将所有路径热力图中每个像素单元的像素值相加求平均，确定平均值为对应像素单元的预测像素值，并赋值给对应像素单元得到针对规划底图中路径的预测热力图像。
[0069]
其中，赋值的计算方法为255*被访问频率，针对其他路径的像素单元赋值为0，从而一个公共服务设施区域得到一张路径热力图，将所有的路径热力图叠加求均值即可形成预测热力图像，通过上述过程能够较为准确地预测路径的热力。
[0070]
步骤s104，获取道路区域中每个路径的实际热力图像，将预测热力图像与实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域。
[0071]
本技术中，道路区域中每个路径的实际热力图像可以从处在相应的数据库中，并且可以被本技术的终端设备调用，在一种实施方式中，该终端设备能够获取相应的道路区域人员轨迹信息，并利用人员轨迹信息生成实际热力图像。如图5所示，为根据人员的移动轨迹等信息生成的实际热力图像的示意图。
[0072]
将预测热力图像中每个像素单元与实际热力图像中对应像素单元的像素值进行比较，从而得到差异，相差较大的部分即为差异区域。
[0073]
可选的是，获取道路区域中每个路径的实际热力图像包括：
[0074]
通过手机信令od数据，获取任意时刻的包含道路区域中所有路径的实时图像，实时图像包括行人数据；
[0075]
将实时图像输入训练好的关键点检测网络，输出实时图像的关键点热力图像；
[0076]
将连续两个时刻的关键点热力图像进行加权求平均，确定加权求平均的结果为对应的人员轨迹图像，遍历目标时间段内所有的关键点热力图像，得到所有人员轨迹图像；
[0077]
将所有人员轨迹图像相加求平均，确定相加求平均的结果为道路区域中每个路径的实际热力图像。
[0078]
其中，通过手机信令od数据，可以获取到任意时刻的行人数据，从而用于后续人员轨迹图像的生成，进而得到实际热力图像。
[0079]
针对任一行人的手机信令od数据，可将其映射与包含道路区域中所有路径的图像中，进而得到该行人在此目标社区内的位置点的实时图像。对实时图像中位置点进行关键点提取，将实时图像转化为表征热力信息的关键点热力图像。
[0080]
上述构建的关键点检测网络中网络结构为编码器-解码器，网络输入为表征行人位置点的实时图像，网络输出为多通道关键点热力图像，该关键点检测网络的训练方式为：采用不同社区不同时刻的多张道路区域中行人的手机信令od数据映射的位置点，以位置点作为关键点，并以关键点为中心进行高斯模糊，高斯模糊后的图像作为标注图像，损失函数采用均方误差损失函数。
[0081]
将所有表征热力信息的关键点热力图像进行叠加处理，即可到表征所有人员对道路区域的热力贡献，也即是包含道路区域内每个路径的实际热力图像。
[0082]
在一实施方式中，在目标社区的道路区域中覆盖摄像头，摄像头的采样频率及采样时间节点一致，各摄像头位姿固定且已知，各摄像头在同一时刻采集的图像均投影至地面坐标系中，并采用图像拼接方式获取到该时刻的道路区域的实时全景图像。
[0083]
构建关键点检测网络，网络结构为编码器-解码器，网络输入为道路区域全景图像，网络输出为多通道关键点热力图像，该关键点检测网络的训练方式为：采用不同社区不同时刻的多张道路区域全景图像作为训练数据集，以人员两脚中心点作为关键点，并以关键点为中心进行高斯模糊，高斯模糊所采取的高斯核尺寸为5*5，高斯模糊后的图像作为标注图像，损失函数采用均方误差损失函数。
[0084]
将在目标社区内实际拍摄连续时刻的道路区域全景图像对应的关键点热力图像分别进行叠加，叠加算式为p＝αp'+(1-α)p”，其中，p为叠加后的像素值，p'为当前帧像素值，p”为上一帧像素值，α为权重系数，设置为0.05，采用上述叠加方式可近似得到人员轨迹图，将所有人员轨迹图进行叠加并取均值，即可获取到实际热力图像。需要说明的是，当关键点到达任一居住区域中心点或公共服务设施区域中心点后，停止该轨迹的叠加，避免轨迹像素值随时间逐渐减小，影响后续对比。
[0085]
上述过程是采用对社区道路区域的全景图像进行分析，来获取道路区域人员的行动轨迹。
[0086]
在一种实施方式中，实施者可获取多个时间段的实际热力图像，并选择较为类似
的多张实际热力图像中的一张作为用于对比的实际热力图像，以避免单时间段可能存在特殊情况，进而提高对比分析的准确率。
[0087]
可选的是，将预测热力图像与实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域包括：
[0088]
将预设热力图像中任一位置的像素单元与实际热力图像中对应位置的像素单元进行差异运算，确定差异运算的结果大于差异阈值的像素单元，差异运算为将两个像素单元的像素值进行相减并取绝对值；
[0089]
统计处于同一连通区域的像素单元的连通数量，若连通数量大于数量阈值，则确定对应连通区域为差异区域。
[0090]
其中，将预测热力图像与实际热力图像进行逐像素单元相减并取绝对值，并设置差异阈值，将差异图像中大于差异阈值的像素单元提取出来，再进行差异图像的连通域判断，若像素单元所在连通域小于数量阈值，说明该点为噪声点，则忽略该像素单元；若像素单元所在连通域大于等于数量阈值，则该认为该像素单元所在连通域为差异区域，并提取质心点为差异点；差异阈值在本技术设置为50，数量阈值在本技术设置为20，实施者也可根据实际情况对阈值进行调整。上述过程能够降低噪声的干扰，从而更加准确地确定差异区域。
[0091]
步骤s105，将规划底图中每个居住区域和每个公共服务设施区域的位置以及差异区域对应的位置输入训练好的边界划定模型，生成划定生活圈边界后的规划底图。
[0092]
本技术中，训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了不同类型的生活圈边界的规划底图，训练时的损失函数采用交叉熵损失函数。以社区内差异区域作为高维信息嵌入后续边界划定模型，提高社区生活圈划定方法的泛化性和准确率。
[0093]
构建边界划定模型，如图6所示，为边界划定模型的结构示意图，该边界划定模型对应的网络包含两个输入，两输入分别送入编码器中，所提取到的特征进行concatenate后，再送入编码器-解码器结构中，由解码器输出划定边界的图。
[0094]
具体的，在边界划定模型中将差异区域转化为差异信息图像，该差异信息图像尺寸与规划底图尺寸一致，差异信息图像包含设施分布信息，由差异区域向各方向直线搜索，以各方向搜索到的第一个公共服务设施区域的中心点对应的公共服务设施区域作为设施分布信息，将设施分布信息之外的像素单元均置0。
[0095]
规划底图送入第一编码器中，差异信息送入第二编码器中，第一编码器和第二编码器的结构一致，仅有卷积核参数不同，以便于后续进行特征联结，联结后的特征送入第三编码器和解码器中，输出划定边界后的规划底图。
[0096]
本技术实施例直接对目标社区的规划底图进行居住区域、公共服务设施区域和道路区域的特征提取，再使用启发式搜索算法，确定每个居住区域与每个公共服务设施区域之间的最优预测路径，结合公共服务设施区域的被访问频率，对连接该公共服务设施区域的最优预测路径对应的像素单元赋值，得到规划底图中路径的预测热力图像，将其与实际热力图像比对，到差异区域，将差异区域、居住区域和公共服务设施区域作为训练好的边界划定模型的输入，进而输出划定边界后的规划底图，实现了对目标社区的生活圈边界的划定，通过预测居住区域和公共服务设施区域之间的最优路径和路径的热力，并与实际路
径热力比对后得到差异区域，以此差异区域作为高纬度信息嵌入边界划定模型进行训练，得到更加贴合实际的边界划定模型，从而使用训练好的边界划定模型能够得到更加准确的生活圈边界划定结果，另外，上述过程无需采集社区住户的定位等敏感信息，脱敏程度较高。
[0097]
对应于上文实施例的社区生活圈划定方法，图7示出了本技术实施例二提供的基于多源大数据的社区生活圈划定装置的结构框图，上述社区生活圈划定装置应用于终端设备，该终端设备通过互联网连接相应的数据库，以获取相应的规划底图、设施访问流量、路径的实时热力等数据，实现大数据的收集工作。为了便于说明，仅示出了与本技术实施例相关的部分。
[0098]
参见图7，该社区生活圈划定装置包括：
[0099]
表征数据提取模块71，用于获取目标社区的规划底图，提取规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取规划底图中道路区域的路径表征；
[0100]
最优路径预测模块72，用于使用启发式搜索算法，结合中心点表征和路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径；
[0101]
路径热力预测模块73，用于根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对规划底图中路径的预测热力图像；
[0102]
差异区域确定模块74，用于获取道路区域中每个路径的实际热力图像，将预测热力图像与实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域；
[0103]
生活圈边界划定模块75，用于将规划底图中每个居住区域和每个公共服务设施区域的位置以及差异区域对应的位置输入训练好的边界划定模型，输出划定边界后的规划底图，训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了生活圈边界的规划底图。
[0104]
可选的是，上述最优路径预测模块72包括：
[0105]
理论路径形成单元，用于将每个居住区域的中心点分别与每个公共服务设施区域的中心点连接形成理论路径；
[0106]
搜索点确定单元，用于以任一理论路径的一端作为起点，另一端作为终点，从起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点，预设范围为扇形区域，扇形区域的夹角不大于180
°
，扇形区域的顶点为起点，扇形区域的对称中心线为对应的理论路径，扇形区域的半径为目标半径；
[0107]
最优路径预测单元，用于将搜索点作为起点再次在对应的预设范围内搜索，直至搜索点与终点重合，确定所有搜索点的连线为对应理论路径的最优预测路径。
[0108]
可选的是，上述搜索点确定单元具体用于：
[0109]
从起点开始在预设范围内搜索，确定预设范围内且在路径表征上的所有像素单元；
[0110]
计算所有像素单元分别与对应理论线路的垂直距离以及与终点的直线距离；
[0111]
将每个像素单元对应的垂直距离与直线距离求和，确定求和结果最小的像素单元为搜索点。
[0112]
可选的是，该社区生活圈划定装置还包括：
[0113]
访问人数确定模块，用于根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在规划底图上的像素单元进行赋值之前，获取每个公共服务设施区域在单位时间内的单位访问人数，并确定所有公共服务设施区域在单位时间内的总访问人数；
[0114]
访问频率确定模块，用于确定每个公共服务设施区域的单位访问人数与总访问人数的比值为对应公共服务设施区域的被访问频率。
[0115]
可选的是，上述路径热力预测模块73包括：
[0116]
路径热力确定单元，用于针对一个公共服务设施区域，以公共服务设施区域的被访问频率与最大像素值的乘积，对与公共服务设施区域连接的最优预设路径在规划底图上的像素单元进行赋值，规划底图中其他路径的像素单元赋值为0，得到公共服务设施区域对应的路径热力图；
[0117]
路径热力预测单元，用于遍历每个公共服务设施区域，得到每个公共服务设施区域对应的路径热力图，将所有路径热力图中每个像素单元的像素值相加求平均，确定平均值为对应像素单元的预测像素值，并赋值给对应像素单元得到针对规划底图中路径的预测热力图像。
[0118]
可选的是，上述差异区域确定模块74包括：
[0119]
实时图像获取单元，用于通过手机信令od数据，获取任意时刻的包含道路区域中所有路径的实时图像，实时图像包括行人数据；
[0120]
热力图像输出单元，用于将实时图像输入训练好的关键点检测网络，输出实时图像的关键点热力图像；
[0121]
轨迹图像确定单元，用于将连续两个时刻的关键点热力图像进行加权求平均，确定加权求平均的结果为对应的人员轨迹图像，遍历目标时间段内所有的关键点热力图像，得到所有人员轨迹图像；
[0122]
热力图像确定单元，用于将所有人员轨迹图像相加求平均，确定相加求平均的结果为道路区域中每个路径的实际热力图像。
[0123]
可选的是，上述差异区域确定模块74包括：
[0124]
差异运算单元，用于将预设热力图像中任一位置的像素单元与实际热力图像中对应位置的像素单元进行差异运算，确定差异运算的结果大于差异阈值的像素单元，差异运算为将两个像素单元的像素值进行相减并取绝对值；
[0125]
差异区域确定单元，用于统计处于同一连通区域的像素单元的连通数量，若连通数量大于数量阈值，则确定对应连通区域为差异区域。
[0126]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0127]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：

1.一种基于多源大数据的社区生活圈划定方法，其特征在于，所述社区生活圈划定方法包括：基于多源大数据获取目标社区的规划底图，提取所述规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取所述规划底图中道路区域的路径表征；利用gis交通网络分析模型，使用启发式搜索算法，结合所述中心点表征和所述路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径；根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对所述规划底图中路径的预测热力图像；获取所述道路区域中每个路径的实际热力图像，将所述预测热力图像与所述实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域；将所述规划底图中每个居住区域和每个公共服务设施区域的位置以及所述差异区域对应的位置输入训练好的边界划定模型，生成划定生活圈边界后的规划底图，所述训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了不同类型的生活圈边界的规划底图。2.根据权利要求1所述的社区生活圈划定方法，其特征在于，利用gis交通网络分析模型，使用启发式搜索算法，结合所述中心点表征和所述路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径包括：将每个居住区域的中心点分别与每个公共服务设施区域的中心点连接形成理论路径；以任一理论路径的一端作为起点，另一端作为终点，从所述起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点，所述预设范围为扇形区域，所述扇形区域的夹角不大于180
°
，所述扇形区域的顶点为所述起点，所述扇形区域的对称中心线为对应的理论路径，所述扇形区域的半径为目标半径；将所述搜索点作为起点再次在对应的预设范围内搜索，直至搜索点与所述终点重合，确定所有搜索点的连线为对应理论路径的最优预测路径。3.根据权利要求2所述的社区生活圈划定方法，其特征在于，从所述起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点包括：从所述起点开始在预设范围内搜索，确定所述预设范围内且在所述路径表征上的所有像素单元；计算所有像素单元分别与对应理论线路的垂直竖向距离以及与所述终点的路径直线距离；将每个像素单元对应的垂直竖向距离与路径直线距离求和，确定求和结果最小的像素单元为搜索点。4.根据权利要求1所述的社区生活圈划定方法，其特征在于，根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值之前，还包括：获取每个公共服务设施区域在单位时间内的单位访问人数，并确定所有公共服务设施区域在单位时间内的总访问人数；确定每个公共服务设施区域的单位访问人数与总访问人数的比值为对应公共服务设
施区域的被访问频率。5.根据权利要求1所述的社区生活圈划定方法，其特征在于，根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值，遍历每个公共服务设施区域，得到针对所述规划底图中路径的预测热力图像包括：针对一个公共服务设施区域，以所述公共服务设施区域的被访问频率与最大像素值的乘积，对与所述公共服务设施区域连接的最优预设路径在所述规划底图上的像素单元进行赋值，所述规划底图中其他路径的像素单元赋值为0，得到所述公共服务设施区域对应的路径热力图；遍历每个公共服务设施区域，得到每个公共服务设施区域对应的路径热力图，将所有路径热力图中每个像素单元的像素值相加求平均，确定平均值为对应像素单元的预测像素值，并赋值给对应像素单元得到针对所述规划底图中路径的预测热力图像。6.根据权利要求1所述的社区生活圈划定方法，其特征在于，获取所述道路区域中每个路径的实际热力图像包括：通过手机信令od数据，获取任意时刻的包含所述道路区域中所有路径的实时图像，所述实时图像包括行人数据；将所述实时图像输入训练好的关键点检测网络，输出所述实时图像的关键点热力图像；将连续两个时刻的关键点热力图像进行加权求平均，确定加权求平均的结果为对应的人员轨迹图像，遍历目标时间段内所有的关键点热力图像，得到所有人员轨迹图像；将所有人员轨迹图像相加求平均，确定相加求平均的结果为所述道路区域中每个路径的实际热力图像。7.根据权利要求1至6任一项所述的社区生活圈划定方法，其特征在于，将所述预测热力图像与所述实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域包括：将所述预设热力图像中任一位置的像素单元与所述实际热力图像中对应位置的像素单元进行差异运算，确定差异运算的结果大于差异阈值的像素单元，所述差异运算为将两个像素单元的像素值进行相减并取绝对值；统计处于同一连通区域的像素单元的连通数量，若连通数量大于数量阈值，则确定对应连通区域为差异区域。8.一种基于多源大数据的社区生活圈划定装置，其特征在于，所述社区生活圈划定装置包括：表征数据提取模块，用于基于多源大数据获取目标社区的规划底图，提取所述规划底图中每个居住区域和每个公共服务设施区域的中心点表征，并提取所述规划底图中道路区域的路径表征；最优路径预测模块，用于利用gis交通网络分析模型，使用启发式搜索算法，结合所述中心点表征和所述路径表征，确定每个居住区域与每个公共服务设施区域之间的最优预测路径；路径热力预测模块，用于根据每个公共服务设施区域的被访问频率，对与对应公共服务设施区域连接的最优预测路径在所述规划底图上的像素单元进行赋值，遍历每个公共服
务设施区域，得到针对所述规划底图中路径的预测热力图像；差异区域确定模块，用于获取所述道路区域中每个路径的实际热力图像，将所述预测热力图像与所述实际热力图像比对，确定比对结果大于差异阈值的区域为差异区域；生活圈边界划定模块，用于将所述规划底图中每个居住区域和每个公共服务设施区域的位置以及所述差异区域对应的位置输入训练好的边界划定模型，生成划定生活圈边界后的规划底图，所述训练好的边界划定模型的训练集为已知差异区域、居住区域和公共服务设施区域的位置，并标注了不同类型的生活圈边界的规划底图。9.根据权利要求8所述的社区生活圈划定装置，其特征在于，所述最优路径预测模块包括：理论路径形成单元，用于将每个居住区域的中心点分别与每个公共服务设施区域的中心点连接形成理论路径；搜索点确定单元，用于以任一理论路径的一端作为起点，另一端作为终点，从所述起点开始在预设范围内搜索，确定满足预设条件的像素单元为搜索点，所述预设范围为扇形区域，所述扇形区域的夹角不大于180
°
，所述扇形区域的顶点为所述起点，所述扇形区域的对称中心线为对应的理论路径，所述扇形区域的半径为目标半径；最优路径预测单元，用于将所述搜索点作为起点再次在对应的预设范围内搜索，直至搜索点与所述终点重合，确定所有搜索点的连线为对应理论路径的最优预测路径。10.根据权利要求8或9所述的社区生活圈划定装置，其特征在于，所述差异区域确定模块包括：差异运算单元，用于将所述预设热力图像中任一位置的像素单元与所述实际热力图像中对应位置的像素单元进行差异运算，确定差异运算的结果大于差异阈值的像素单元，所述差异运算为将两个像素单元的像素值进行相减并取绝对值；差异区域确定单元，用于统计处于同一连通区域的像素单元的连通数量，若连通数量大于数量阈值，则确定对应连通区域为差异区域。

技术总结

本申请涉及一种基于多源大数据的社区生活圈划定方法和装置。该方法从百度、高德等互联网地图、人口热力图和国土“三调”数据等多源大数据中自动提取目标社区周边的居住社区、公共服务设施及城市道路网特征信息制作成规划底图，确定居住区域与公共服务设施区域之间的最优预测路径，结合手机信令数据获取的公共服务设施区域的被访问频率，得到规划底图中路径的预测热力图像，将与实际的差异区域、居住区域和公共服务设施区域输入边界划定模型输出划定边界后的规划底图，以此差异区域为高纬度信息嵌入边界划定模型进行训练，从而能够更加准确地划定生活圈边界，并可根据用户使用需求选择五分钟、十分钟、十五分钟、半小时等不同类型的生活圈边界。型的生活圈边界。型的生活圈边界。