(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 202210736883.7 (22)申请日 2022.06.27 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号南京大学地理与海洋科学学 院 (72)发明人 曾智伟　陈振杰　李满春　黄秋昊　 李飞雪　姜朋辉　邱小倩　许长青　 (74)专利代理 机构 南通博瑞达专利代理事务所 (特殊普通 合伙) 32530 专利代理师 李宾 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 20/10(2022.01) (54)发明名称 一种融合POI预分类和图神经网络的城市街 区功能分类方法 (57)摘要 本发明公开一种融合POI预分类和图神经网 络的城市街区功能分类方法， 本分类方法包括以 下步骤： S1、 利用城市街区POI构建Delaunay三角 网， S2、 根据与每个POI点相连的Delaunay三角网 边的平均边长， 确定城市街区内POI的重要性排 序， S3、 选取城市街区内排名前三的POI类型， 作 为城市街区功能的组合标签， S4、 对组合标签进 行归并得到城市街区功能伪标签， S5、 基于 Delaunay三角网建立每个城市街区的POI图网 络， S6、 利用城市街区功能伪标签， 训练图神经网 络分类模型， S7、 利用训练好的图神经网络分类 模型进行城市街区功能分类。 本发 明方法能够提 取POI数据的空间结构信息， 丰富了POI数据的语 义信息， 从而提高城市街区功能分类的准确率。 权利要求书2页 说明书4页 附图2页 CN 115100395 A 2022.09.23 CN 115100395 A 1.一种融合POI预分类和图神经网络的城市街区功能分类方法， 其特征在于： 本分类方 法包括以下步骤： S1、 利用城市街区POI构建Delaunay三角网； S2、 根据步骤S1中与每个POI点相连的Del aunay三角网边的平均边长， 确定城市街区内 POI的重要性 排序； S3、 根据步骤S2的排序选取城市街区内排名前三的P OI类型， 作 为城市街区功能的组合 标签； S4、 对步骤S3得到的组合标签进行归并得到城市街区功能伪标签； S5、 基于Delaunay三角网建立每 个城市街区的POI图网络； S6、 利用步骤S4中得到的城市街区功能伪标签， 训练图神经网络分类模型； S7、 利用步骤S4训练好的图神经网络分类模型进行城市街区功能分类。 2.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法步骤S2中与POI点相连的Delaunay三角网边的平均边长大小能够表征该POI 在街区中的重要性大小， 一定区域内平均边长与重要性成正比。 3.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法步骤S3中组合标签为选取城市街区内排名前三的POI类型名组成的字符串。 4.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法步骤S4中组合标签归并包括有三轮， 其中： 第一轮标签归 并将组合标签完全相同的归 并为一类， 并统计每种类型标签的城市街 区 数量； 第二轮标签归并基于字符串标签的相似度进行， 计算所有标签两两之间的相似度， 将 相似度大于某个阈值的两个字符串标签中城市街区数量较少的类型归并到城市街区数量 较多的类型中； 第三轮标签归并考虑每种功能类型的城市街区有着特定的POI类型特征， 通过人工判 别第二轮标签归并后得到的字符串标签， 将标签中拥有不同POI类型特征的城市街区归并 为最终的若干种城市街区功能类型。 5.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法步骤S 5将每个街区的Delaunay三角网导出并保存为符合后续模 型输入要求 的POI图网络数据。 6.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法步骤S 6训练中采用图神经网络中的监督分类模型， 利用POI图网络数据和街 区功能伪标签数据共同训练模型。 7.根据权利要求1所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法中步骤S7中将需要进行功能分类的城市街区的POI图网络数据输入训练好 的模型中进行 预测， 得到城市街区功能分类结果。 8.根据权利要求7所述的融合POI预分类和图神经网络的城市街 区功能分类方法， 其特 征在于： 本方法中步骤S7中输入网络数据包括有非训练数据和训练数据， 其中： 输入网络数据为非训练数据， 通过预测结果与城市街区功能标签的对比直接得到分类 准确率；权　利　要　求　书 1/2 页 2 CN 115100395 A 2输入网络数据为训练数据， 则将模型预测的城市街 区功能类型与城市街 区天地图影像 进行实证对比， 统计对比结果从而确定城市街区功能分类的准确率。权　利　要　求　书 2/2 页 3 CN 115100395 A 3