(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210767018.9 (22)申请日 2022.06.30 (71)申请人 中国科学院南京地理与湖泊研究所 地址 210008 江苏省南京市北京东路73号 (72)发明人 王磊　韦胜　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 朱桢荣 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 20/10(2022.01) G06V 10/82(2022.01) (54)发明名称 一种保留重要极值点的格拉姆角场转换的 用地分类方法 (57)摘要 本发明公开了一种保留重要极值点的格拉 姆角场转换的用地分类方法， 涉及城市规划、 城 市交通技术领域， 包括： 步骤1、 提取研究区内所 有表征用地人口数量的时间序列数据； 步骤2、 确 定所有表征用地人口数量的时间序列数据的重 要极值点； 步骤3、 根据重要极值点和人口数量的 时间序列数据的分段区间值， 聚合用地人口数量 的时间序列分布数据； 步骤4、 对分段后的人口数 量的时间序列数据中分段区间内的人口数量进 行归一化； 步骤5、 生成极坐标数据； 步骤6、 生成 格拉姆角场和或格拉姆角场差； 步骤7、 构建二维 图像， 并对 所构建的全部二维图像进行图像深度 学习分类。 本发 明能够实现城市用地的人口数量 分布时间序列数据转换为图像， 进而完成用地分 类处理。 权利要求书2页 说明书4页 附图5页 CN 115115885 A 2022.09.27 CN 115115885 A 1.一种保留重要极值点的格拉姆角场转换的用地分类方法， 其特征在于， 包括以下步 骤： 步骤1、 提取研究区内所有表征用地人口数量的时间序列数据； 步骤2、 使用高斯混合模型GMM方法和贝叶斯信息准则BIC来确定所有表征用地人口数 量的时间序列数据的重要极值 点； 步骤3、 根据重要极值点和人口数量的时间序列数据的分段区间值， 聚合用地人口数量 的时间序列分布数据， 得到 分段后的用地人口数量的时间序列数据和新的时间戳； 其中， 分 段区间值是 预先设定的； 步骤4、 针对每个用地人口数量的时间序列数据， 对分段后的用地人口数量的时间序列 数据中分段区间内的人 口数量进行归一化， 得到新的人 口数量， 所得新的人 口数量被记为 缩放值； 步骤5、 针对每个用地人口数量的时间序列数据， 将新的时间戳作为半径， 将缩放值的 反余弦值作为角度来 生成极坐标 数据； 步骤6、 进一步针对每个用地人口数量的时间序列数据， 利用所生成的极坐标数据， 生 成格拉姆角场和GASF或格拉姆角场差GADF； 步骤7、 以新的时间戳为图像的横纵坐标值， 以GASF或者GADF为图像的像素值， 对每个 用地人口数量的时间序列数据构建二 维图像， 并对所构建的全部二 维图像进 行图像深度学 习分类， 以实现研究区的用地分类处 理。 2.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤1具体如下： 针对研究区内所有用地人口数量， 按照时间间隔 k进行统计， 使 得研究区内每个用地 都对应一个人口数量的时间序列数据， 从而得到研究区内所有表征用 地人口数量的时间序列数据。 3.根据权利要求2所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤2具体如下： 步骤2.1、 采用高斯混合模型GMM方法对每个用地人口数量的时间序列数据进行 聚类处 理； 步骤2.2、 基于贝叶斯信息准则BIC确定步骤2.1中每个用地人口数量的时间序列数据 的最佳聚类数； 步骤2.3、 根据最佳聚类数， 利用python语言中ksdensity函数， 对每个用地人口数量的 时间序列数据计算 其概率密度曲线的局部极值 点； 步骤2.4、 汇集所有用地人口数量的时间序列分布数据的概率密度曲线的局部极值点， 并对汇集后的局部极值 点进行频率分布统计 计算， 得到局部极值 点的频率分布集； 步骤2.5、 再采用高斯混合模型GMM方法对局部极值点的频率分布集进行聚类处理， 并 通过贝叶斯信息准则BIC确定最佳聚类数； 利用python语言中ksdensity函数， 对局部极值 点的频率分布集计算其概率密度曲线的局部极值点； 此次所得的局部 极值点即为所有表征 用地人口数量的时间序列数据的重要极值 点。 4.根据权利要求3所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤3具体如下： 步骤3.1、 针对每个用地人口数量的时间序列数据进行分段： 首先， 将重要极值点按照权　利　要　求　书 1/2 页 2 CN 115115885 A 2预设的第一分段区间值K进行分段， 保证每个重要极值点与相邻的时间点都是在同一个分 段区间内； 其次， 将不是重要极值点的时间点按照预设的第二分段区间值M进 行分段； 最后， 时间序列数据中若还存在单独的时间点， 则按照第三区间值进 行分段处理； 其中， K= m×k， M =n×k， n为正整数， 且m大于等于n； 步骤3.2、 完成每个用地人口数量的时间序列数据分段处理后， 将步骤3.1得到的每个 分段区间采用新的时间戳； 新的时间戳计算方法为： 取分段区间内多个时间点的平均值为 新的时间戳。 5.根据权利要求4所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 第三区间值 为1。 6.根据权利要求2所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤中1中按照一定时间间隔进 行统计时， 人口数量是每个时间间隔内人口数量 的总和。 7.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤6中， 将 每对所生成的极坐标数据相加， 然后取余弦值， 所得结果即为格拉姆 角场和GASF； 若将每对 所生成的极坐标数据减， 然后取余弦值， 所得结果即为格拉姆角场差 GADF。 8.根据权利要求1所述的一种保留重要极值点的格拉姆角场转换的用地分类方法， 其 特征在于， 步骤7中图像深度学习分类包括基于DN N的ResNet5 0模型。权　利　要　求　书 2/2 页 3 CN 115115885 A 3