(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 202211210819.1 (22)申请日 2022.09.30 (71)申请人 江苏省城市规划设计 研究院有限公 司 地址 210036 江苏省南京市 鼓楼区草场门 大街88号 (72)发明人 蒋金亮　高湛　徐云翼　陈军　 (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 朱小兵 (51)Int.Cl. G06K 9/62(2022.01) G06F 30/20(2020.01) G06Q 50/26(2012.01) G06F 17/18(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器学习的绿道网络识别方法 (57)摘要 本发明提出了一种基于机器学习的绿道网 络识别方法， 涉及绿道网络识别和规划领域， 通 过收集居民运动轨迹、 手机信令、 街景等数据构 建现状数据库， 提取所有道路相关指标， 采用神 经网络算法训练得到运动轨迹不同属性变化规 律， 模拟得到运动轨迹并与真实运动轨迹验证对 比， 进一步提取绿道选线的起始点和终点， 将其 输入到训练的人工智能框架， 得到模拟的居民出 行线路， 统计高频次出行线路并识别绿道网络， 形成绿道 规划设计方案。 本发明通过采集居民活 动数据， 借助人工智能分析框架综合分析居民的 真实出行倾向， 剖析居民真实轨迹的道路相关指 标变化规律， 模拟居民出行行为并识别绿道网 络， 支撑城市 绿道选线和规划设计 。 权利要求书3页 说明书6页 附图2页 CN 115481699 A 2022.12.16 CN 115481699 A 1.一种基于 机器学习的绿道网络识别方法， 其特 征在于， 包括： 步骤S1、 构建绿道网络识别数据库； 步骤S2、 计算道路属性指标， 具体包括如下子步骤： S201、 根据道路空间特 征， 选取关键指标测度道路属性； S202、 统计距 道路一定距离范围内人口密度作为道路人口密度； S203、 统一范围内兴趣点设施密度作为道路兴趣点设施密度； S204、 利用熵值法来测算道路兴趣点设施的混合度； S205、 基于机器学习算法的卷积神经网络工具Segnet对街景图片进行语义分割操作， 获取图片 中的植被占比、 天空占比， 对街景点四周的四张图片取平均值得到该街景点位的 绿视率、 天空开阔度； S206、 利用机器学习进行道路宽度的识别， 输出计算慢行道宽度的模型； S207、 通过GIS空间分析计算得到道路宽度、 交叉口密度、 到公园距离； S208、 计算城市空间的全局集成度； 步骤3、 构建道路拓扑网络； 步骤4、 采用LSTM神经网络对居民运动 轨迹的指标变化规律进行学习， 预测居民在绿道 中的行进规 律； 步骤5、 绿道路径模拟， 具体包括如下子步骤： S501、 将属性变化 规律模型和拓扑路网输入进人工智能框架， 对 模型进行验证； S502、 计算每一条轨迹真实热度和预测热度值， 分析真实值和预测值二者相关性， 确认 整体模型的可信度； S503、 将属性变化规律模型和拓扑路网输入进人工智能框架， 输入绿道起始点、 终点， 将框架内预置的代理智能体agent在拓扑路网中根据属性变化规律进行模拟轨迹运行， 最 终输出路线模拟后的运动轨 迹； 步骤6、 识别绿道网络： 对模拟轨迹做热度统计处理， 提取居民出行经过频次较高的路 网， 作为绿道网络识别结果。 2.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤 S202统计距道路一定距离范围内人口密度作为道路人口密度， 是沿道路建立双侧100 m缓冲 区， 结合手机信令数据， 统计包含在缓冲区范围内居住人 口数并赋予每个缓冲区人 口数量 的属性， 其中人口密度的计算公式如下： PopDensityi＝Popi/(Li×100) 其中， PopDensityi为道路人口密度值， Popi为第i段路100m范围内人口数量， Li为道路 长度。 3.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤 S203统一范围内兴趣点设施密度作为道路兴趣点设施密度， 是沿道路网建立双侧50m缓冲 区， 统计包含在缓冲区内不同种类的兴趣点数量并统计每个缓冲区兴趣点设施密度， 兴趣 点设施密度的计算公式如下： POIDensityi＝Poii/(Li×100÷10000) 其中， Poii为第i段路5 0m范围内该类POI的数量。 4.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤权　利　要　求　书 1/3 页 2 CN 115481699 A 2S204利用熵值法来测算道路兴趣点设施的混合度， 兴趣点设施混合度的计算公式如下： 其中， H(X)表示随机变量X的熵， Pi为X取Xi的概率。 5.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤 S206利用机器学习进行道路宽度的识别， 使得机器先对大量的慢行道路进行识别， 具体如 下： 首先， 对图像进行 灰度处理， 具体公式为： Gray＝0.2 99·R+0.587·G+0.114·B 其中Gray为灰度值， R、 G、 B分别代 表RGB中不同值； 按照上述公式形成相应的灰色照片， 同时对图像进行平 滑滤波处 理； 其次， 选择高斯滤波法进行处理， 重新计算图像 中每个点的值， 计算 时将该点与周围点 进行加权平均， 将权重按对应位置组成矩阵形式， 称为高斯核， 针对二 维图像的高斯滤波公 式如下： 其中参数σ 为尺度参数， 高斯核的大小为5， 具体如下： 灰度图像平滑之后， 利用慢行道和车行道边缘比较明显的特点， 设置合理的阈值将其 提取出来； 最后， 人工校核去除掉明显不正常的边缘后， 计算两条直线的间距， 通过机器学习反复 计算后， 输出计算慢行道宽度的模型。 6.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤 S208计算城市空间的全局集成度， 具体为： 所述全局集成度是实际相对不对称值的倒数， 计算公式为： 式中， Ii是城市空间的全局集成度， R(n)是实际相对不对称 值， MDi是平均深度值， 指系统 某一空间到 达其他空间所需经 过最小连接数； n 为城市单 元空间个数和。 7.根据权利要求1所述的一种基于机器学习的绿道网络识别方法， 其特征在于， 步骤S3 构建道路拓扑网络具体为： S301、 按照拓扑学原理， 将所有道路抽象为节点， 节点与节点之间的关系抽象为联系，权　利　要　求　书 2/3 页 3 CN 115481699 A 3