合理的城市功能區(qū)規(guī)劃是城市可持續(xù)發(fā)展的基礎(chǔ)。城市功能區(qū)的準(zhǔn)確識(shí)別是城市規(guī)劃的重要內(nèi)容,而當(dāng)前城市功能區(qū)識(shí)別方法的相關(guān)研究,大多僅基于單源數(shù)據(jù)分析建模來進(jìn)行功能區(qū)的劃分與識(shí)別,無法充分利用易于獲取的多尺度多來源的數(shù)據(jù),為此本文提出了基于多模態(tài)機(jī)器學(xué)習(xí)的城市功能區(qū)域分類模型MM-Urban FAC,模型部分首先使用SE-Res Ne Xt與自定義結(jié)構(gòu)的DPN結(jié)合的雙分支神經(jīng)網(wǎng)絡(luò),用來自動(dòng)挖掘與融合多來源數(shù)據(jù)的整體特征。模型還并采用人工設(shè)計(jì)的特征工程對(duì)用戶行為數(shù)據(jù)進(jìn)行深度挖掘,獲取更多的關(guān)聯(lián)信息。最后結(jié)合基于梯度提升樹的算法分別對(duì)不同層次的特征進(jìn)行學(xué)習(xí),進(jìn)而獲取對(duì)城市功能區(qū)域分類的最終預(yù)測(cè)結(jié)果。通過對(duì)真實(shí)數(shù)據(jù)集進(jìn)行了分析和實(shí)驗(yàn)驗(yàn)證,結(jié)果表明MM-Urban FAC有效提升了功能區(qū)劃分的準(zhǔn)確率,提高了集成學(xué)習(xí)的性能。城市化的進(jìn)程的相關(guān)研究中,城市人流預(yù)測(cè)也是很重要的一個(gè)部分。人流預(yù)測(cè)在城市規(guī)劃、交通控制、公共安全等領(lǐng)域有著廣泛的應(yīng)用。在城市功能區(qū)劃分的研究中,用戶的到訪數(shù)據(jù)對(duì)于城市劃分有很大的影響。本文還根據(jù)人流對(duì)城市功能區(qū)劃分的影響,提出了城市功能區(qū)的先驗(yàn)知識(shí)也能幫助提升城市人流預(yù)測(cè)的準(zhǔn)確性...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究及應(yīng)用現(xiàn)狀
        1.2.1 地理大數(shù)據(jù)研究現(xiàn)狀
        1.2.2 城市功能區(qū)識(shí)別研究現(xiàn)狀
        1.2.3 城市人流預(yù)測(cè)研究現(xiàn)狀
        1.2.4 梯度提升樹研究現(xiàn)狀
        1.2.5 多模型集成方法研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
2 相關(guān)技術(shù)與理論
    2.1 城市功能區(qū)相關(guān)概念
        2.1.1 城市功能區(qū)概述
        2.1.2 功能區(qū)識(shí)別常用數(shù)據(jù)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
    2.3 梯度提升樹
    2.4 模型融合方法
3 多維度特征的功能區(qū)識(shí)別
    3.1 數(shù)據(jù)來源與任務(wù)描述
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 遙感圖像數(shù)據(jù)基本特征
        3.2.2 用戶到訪數(shù)據(jù)基本特征
    3.3 到訪記錄多維度特征提取
        3.3.1 基于功能區(qū)的時(shí)序特征提取
        3.3.2 基于用戶的時(shí)序特征提取
    3.4 用戶特征篩選
        3.4.1 隨機(jī)森林算法介紹
        3.4.2 重要特征篩選
4 基于多模態(tài)機(jī)器學(xué)習(xí)的城市功能區(qū)域分類模型
    4.1 多模態(tài)機(jī)器學(xué)習(xí)分析
    4.2 SE-ResNeXt與 DPN雙分支神經(jīng)網(wǎng)絡(luò)
        4.2.1 深度融合模型建立
        4.2.2 SE-ResNeXt基本理論與分支結(jié)構(gòu)設(shè)計(jì)
        4.2.3 DPN基本理論與分支結(jié)構(gòu)設(shè)計(jì)
    4.3 基于GBDT的工程實(shí)現(xiàn)
        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 多模態(tài)機(jī)器學(xué)習(xí)融合模型
        4.5.1 數(shù)據(jù)增強(qiáng)
        4.5.2 Gradual Warmup
        4.5.3 多層次融合框架
    4.6 實(shí)驗(yàn)分析
        4.6.1 實(shí)驗(yàn)條件
        4.6.2 評(píng)價(jià)指標(biāo)
        4.6.3 實(shí)驗(yàn)描述
        4.6.4 消融實(shí)驗(yàn)
        4.6.5 集成方法對(duì)比
        4.6.6 魯棒性分析
5 多模態(tài)數(shù)據(jù)下的城市網(wǎng)格人流研究
    5.1 人口流量預(yù)測(cè)相關(guān)概念
        5.1.1 人口流量概述
        5.1.2 人流預(yù)測(cè)研究問題
    5.2 問題定義與數(shù)據(jù)分析
        5.2.1 問題定義
        5.2.2 人流數(shù)據(jù)介紹
        5.2.3 POI分布與流量分析
    5.3 scSEST+人流預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        5.3.1 網(wǎng)絡(luò)框架
        5.3.3 Semantic Plus單元
        5.3.4 POI-Augmentor
        5.3.5 多模態(tài)特征融合方法
        5.3.6 網(wǎng)絡(luò)訓(xùn)練過程
    5.4 實(shí)驗(yàn)結(jié)果分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3837366