一种土地用地性质识别方法、装置、电子设备及存储介质与流程

本申请涉及数据处理技术领域，具体而言，涉及一种土地用地性质识别方法、装置、电子设备及存储介质。

背景技术：

对城市的土地用地性质进行识别有助于更好理解一个城市的空间结构，为分析现实中城市发展与城市规划的差异，明确合理规划方向奠定基础。

现有技术中，针对一个城市的土地用地性质进行识别通常是通过兴趣点(pointofinterest，简称poi)来进行识别，即统计城市中每个区域不同类型poi的数量，将poi数量最多的类型作为该区域的用地性质。由于poi数据存在更新滞后且不全面，导致通过poi进行土地用地性质的识别不准确的问题。

技术实现要素：

本申请实施例的目的在于提供一种土地用地性质识别方法、装置、电子设备及存储介质，用以解决现有技术中对土地用地性质识别不准确的问题。

第一方面，本申请实施例提供一种土地用地性质识别方法，包括：获取待识别区域对应的多个兴趣点poi数据；对所述待识别区域进行网格划分，获得对应的多个街区网格；根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

本申请实施例通过先利用poi数据对待识别区域进行初步识别，获得各个街区网格的第一用地性质，然后利用识别模型对街区网格的人流密度曲线进行分析，获得第二用地性质，并利用第二用地性质修改对应街区网格的第一用地性质，获得最终的目标用地性质，提高了对待识别区域的土地用地性质识别的准确性。

进一步地，所述对所述待识别区域进行网格划分，获得对应的多个街区网格，包括：获取所述待识别区域对应的遥感影像；基于所述遥感影像获取预设宽度的街道，并利用所述预设宽度的街道对所述待识别区域进行网格划分，获得多个街区网格。

本申请实施例通过利用预设宽度的街道对待识别区域，更加符合待识别区域的区块情况。

进一步地，根据每个街区网格对应的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质，包括：将所述待识别区域对应的多个poi数据划分为特殊poi数据和非特殊poi数据；若街区网格包含特殊poi数据，则根据所述特殊poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；获取未标注街区网格包含的非特殊poi数据的权重，并根据所述非特殊poi数据的权重确定对应的未标注街区网格的第一用地性质；其中，所述未标注街区网格为所述待识别区域中除被标注为第一用地性质以外的街区网格。

本申请实施例中，由于特殊poi数据的影响较大，因此先对利用特殊poi数据对对应的街区网格进行标注，对没有特殊poi数据的街区网格采用非特殊poi数据的权重进行标注，提高了对街区网格标注的效率。

进一步地，在对所述待识别区域对应的多个poi数据进行分类之前，所述方法还包括：对所述待识别区域对应的多个poi数据进行噪音剔除。本申请实施例通过对待识别区域中影响较小的poi数据进行剔除，减少了后续的计算量，从而提高了识别效率。

进一步地，所述根据所述特殊poi数据确定对应街区网格的第一用地性质，包括：若街区网格中包含一个特殊poi数据，则将所述特殊poi数据对应的用地性质作为所述街区网格对应的第一用地性质；若街区网格中包含多个特殊poi数据，则获取每个特殊poi数据对应的优先级，将优先级最高的特殊poi数据的用地性质作为所述街区网格对应的第一用地性质。

本申请实施例中的特殊poi数据的优先级越高，其影响越大，因此将优先级最高的特殊poi数据对应的用地性质作为街区网格的第一用地性质，使得标注更加准确。

进一步地，所述根据所述非特殊poi数据的权重确定对应街区网格的第一用地性质，包括：将权重最大的非特殊poi数据对应的用地性质作为对应街区网格的第一用地性质。

本申请实施例中非特殊poi数据的权重越大对用地性质影响越大，因此将权重最大的poi数据对应的用地性质作为街区网格的第一用地性质，使得标注更加准确。

进一步地，在根据所述特殊poi数据确定对应街区网格的第一用地性质之后，所述方法还包括：若已标注为第一用地性质的街区网格的poi数量大于第一预设值和/或所述街区网格的poi密度大于第二预设值，则将所述街区网格对应的第一用地性质删除，并标记为未标注街区网格。

本申请实施例通过将poi数量大于第一预设值和/或所述街区网格的poi密度大于第二预设值的街区网格标记为未标注街区网格，以便进行再次标注，提高了对街区网格标注的准确性。

进一步地，在获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线之前，所述方法还包括：获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

本申请实施例通过利用第二人流密度曲线及对应的第三用地性质训练获得的识别模型，能够准确地预测出街区网格对应的第二用地性质。

进一步地，所述获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，包括：获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据；根据所述信令数据生成对应的第一人流密度曲线。

由于移动终端用户的信令数据能够很好地反应人流数据，因此根据信令数据能够生成较为客观的人流密度曲线，进而能够通过识别模型准确地识别出街区网格对应的第二用地性质。

进一步地，所述根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质，包括：若所述第一用地性质与所述第二用地性质相同，则所述目标用地性质为所述第一用地性质或所述第二用地性质；若所述第一用地性质与所述第二用地性质不同，则所述目标用地性质为所述第二用地性质。

本申请实施例在利用poi数据对街区网格的用地性质进行识别的基础上，再利用识别模型对街区网格的人流密度曲线进行分析获得的第二用地性质进行修正，能够提高对土地用地性质识别的准确性。

第二方面，本申请实施例提供另一种土地用地性质识别方法，包括：获取待识别区域；对所述待识别区域进行网格划分，获得对应的多个街区网格；获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，并将所述人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第四用地性质。

本申请实施例中，由于不同的用地性质的街区网格对应的人流密度曲线不同，因此，通过识别模型对各街区网格的人流密度曲线进行分析，获得对应街区网格的第四用地性质，其提高了对土地用地性质识别的准确性。

进一步地，所述获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，包括：获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据；根据所述信令数据生成对应的第一人流密度曲线。

由于移动终端用户的信令数据能够很好地反应人流数据，因此根据信令数据能够生成较为客观的人流密度曲线，进而能够通过识别模型准确地识别出街区网格对应的第二用地性质。

进一步地，在获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线之前，所述方法还包括：获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

本申请实施例通过利用第二人流密度曲线及对应的第三用地性质训练获得的识别模型，能够准确地预测出街区网格对应的第二用地性质。

第三方面，本申请实施例提供一种土地用地性质识别装置，包括：信息获取模块，用于获取待识别区域对应的多个兴趣点poi数据；第一网格划分模块，用于对所述待识别区域进行网格划分，获得对应的多个街区网格；标注模块，用于根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；第一识别模块，用于获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；修正模块，用于根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

第四方面，本申请实施例提供另一种土地用地性质识别装置，包括：图像获取模块，用于获取待识别区域对应的遥感影像；第二网格划分模块，用于基于所述遥感影像对所述待识别区域进行网格划分，获得对应的多个街区网格；第二识别模块，用于获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，并将所述人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第四用地性质。

第五方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面或第二方面的方法。

第六方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面或第二方面的方法。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种土地用地性质识别流程示意图；

图2为本申请实施例提供的人流密度曲线示意图；

图3为本申请实施例提供的划分后获得的街区网格示意图；

图4为本申请实施例提供的一种标注后结果示意图；

图5为本申请实施例提供的街区网格中poi分布示意图；

图6为本申请实施例提供的办公类街区网格对应的第二人流密度曲线；

图7为本申请实施例提供的商业类街区网格对应的第二人流密度曲线；

图8为本申请实施例提供的模型准确率结果示意图；

图9为本申请实施例提供的另一种用地性质识别方法流程示意图；

图10为本申请实施例提供的另一种标注结果示意图；

图11为本申请实施例提供的有一种用地性质识别方法流程示意图；

图12为本申请实施例提供的识别装置结构示意图；

图13为本申请实施例提供的另一种识别装置结构示意图；

图14为本申请实施例提供的电子设备实体结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

图1为本申请实施例提供的一种土地用地性质识别流程示意图，如图1所示，该识别方法的执行主体为识别装置，识别装置可以是台式电脑、平板电脑、笔记本电脑、智能手机、智能穿戴设备等智能电子设备，该方法包括：

步骤101：获取待识别区域对应的多个兴趣点poi数据；

步骤102：对所述待识别区域进行网格划分，获得对应的多个街区网格；

步骤103：根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；

步骤104：获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；

步骤105：根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

在步骤101中，待识别区域可以是一个城市、一个城市中的某个行政区、一个县或者根据需求指定的某块区域。电子地图上一般用气泡图标来表示poi，比如电子地图上的景点、政府机构、公司、商场、饭店等，都是poi。一条poi数据至少包括名称、类型、地址和经纬度，其中，类型是指poi是景点、政府机构、公司、商场还是饭店等。可以理解的是，通过第三方地图可以获得到待识别区域上的poi数据。

在步骤102中，由于整个待识别区域面积较大，因此，为了提高对待识别区域用地性质的识别，可以将待识别区域面积进行网格划分，获得多个相对较小的街区网格。应当说明的是，在进行网格划分时，可以将待识别区域按照预设大小划分成多个街区网格，也可以按照待识别区域中的街道进行划分。

另外，预设大小或者街道的选择可以根据实际情况进行限定，以预设大小为例，若设定的预设大小过小，则会划分获得较多个街区网格，在后续对街区网格进行识别时会导致工作量大的问题，并且，太小的街区网格中可能没有包括poi，导致无法对该街区网格进行识别，也无法实现对待识别区域中土地用地性质进行统计梳理的目的。如果太大的街区网格则会导致一个街区网格中可能包括多种用地性质的区域，由于最后会给一个街区网格设定一个用地性质，因此，会导致对街区网格识别不准确的问题。

在步骤103中，本申请实施例中，将待识别区域的用地性质划分为四种，分别为：商业类、住宅类、服务类和办公类。虽然poi数据中的类型包括很多种，但是均能够对应到上面四种类型中的一种。因此，可以根据每个街区网格包括的poi数据对对应的街区网格进行标注，可以理解的是，标注就是确定街区网格对应的第一用地性质，一个街区网格的第一用地性质为上述四种用地性质中的一种。应当说明的是，将待识别区域划分的具体类型可以不止上述四种，还可以采用更细粒度进行划分。或者，对于待识别区域中，若预先获知待识别区域中不存在某种用地性质的区域，例如不存在住宅类的区域，那么将待识别区域的用地性质划分为商业类、服务类和办公类。具体将待识别区域划分为哪几类可以根据实际情况进行确定，本申请实施例对此不作具体限定。

在步骤104中，第一人流密度曲线是指对应街区网格中在一定时间段内的人流情况。如图2所示，横坐标表示一天内从0点到23点的时刻，纵坐标表示在对应时刻的街区网络中的人口数量。应当说明的是，第一人流密度曲线对应的时间段可以是一天、两天，也可以是一周的，具体可以根据实际情况进行确定。

通过发明人对人流密度曲线的长期观察并总结得到人流密度曲线与用地性质之间存在关联关系，即，不同的用地性质对应不同的人流密度曲线。因此，可以预先训练识别模型，将街区网络对应的第一人流密度曲线输入到识别模型中，识别模型可以输出对应的第二用地性质。可以理解的是，预设用地性质可以是上述提到的商业类、住宅类、服务类和办公类，也可以是上述四类中的任意一类或多类。如果预设用地性质为商业类、住宅类和办公类，那么该步骤只针对第一用地性质为商业类、住宅类和办公类的街区网格进行第二用地性质的识别。

在步骤105中，在获得街区网格的第一用地性质和第二用地性质之后，根据第一用地性质和第二用地性质确定对应街区网格的目标用地性质。其中，目标用地性质为该街区网格对应的最终用地性质。

在根据第一用地性质和第二用地性质获得对应街区网格的目标用地性质时，若第一用地性质和第二用地性质相同，则目标用地性质为第一用地性质或第二用地性质，例如：第一用地性质和第二用地性质均为住宅类，那么目标用地性质也为住宅类。若第一用地性质和第二用地性质不同，则利用第二用地性质修正第一用地性质，例如：第一用地性质为住宅类，第二用地性质为商业类，那么以第二用地性质为准，目标用地性质为商业类。

本申请实施例通过先利用poi数据对待识别区域进行初步识别，获得各个街区网格的第一用地性质，然后利用识别模型对街区网格的人流密度曲线进行分析，获得第二用地性质，并利用第二用地性质修改对应街区网格的第一用地性质，获得最终的目标用地性质。因此，本申请实施例在poi数据的基础上，加入了人流密度曲线和识别模型，能够更快的对第一用地性质进行校正，提高了对待识别区域的土地用地性质识别的准确性。

在上述实施例的基础上，所述对所述待识别区域进行网格划分，获得对应的多个街区网格，包括：

获取所述待识别区域对应的遥感影像；

基于所述遥感影像获取预设宽度的街道，并利用所述预设宽度的街道对所述待识别区域进行网格划分，获得多个街区网格。

其中，待识别区域对应的遥感影像可以是通过遥感卫星拍摄获得，然后将拍摄的遥感影像传输到识别装置中，另外，也可以是从网络中获取他人上传的待识别区域的遥感影像。本申请实施例不对遥感影像获得的具体方式进行限定。

在遥感影像中可以获得待识别区域的街道信息，本申请实施例利用预设宽度的街道对待识别区域进行网格划分，获得多个街区网格。其中，一般来说，城市内的街道可以分为3米、6米、8米和12米，可能还有更窄或更宽的街道。采用不同宽度的街道对待识别区域进行划分，获得的街区网格大小不同。如果采用的街道宽度太窄，则获得的街区网格多且小，增加后续的计算量，并且无法实现对待识别区域的用地性质的统计和整理。如果采用的街道宽度太宽，则获得的街区网格少且大，颗粒度太大会导致对街区网格的用地性质识别不准确的问题。因此，可以根据待识别区域的具体情况选择合适的街道宽度，例如可以选择街道宽度为3米的街道进行划分。图3为本申请实施例提供的划分后获得的街区网格示意图。

在另一实施方式中，若待识别区域中包括铁路、河流、山川等物理阻隔，则也可以将其与预设宽度的街道一起对待识别区域进行划分，使得对街区网格划分的精度更高，更具有普适性。

由于传统的网格划分规则与复杂多变的用地类型存在天然的矛盾，自然街区基于街道级的划分院子，每一个街区网格内部用地性质具备较高的一致性，在后续的分析环节中，抗干扰性强。

在上述实施例的基础上，根据每个街区网格对应的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质，包括：

将所述待识别区域对应的多个poi数据划分为特殊poi数据和非特殊poi数据；

若街区网格包含特殊poi数据，则根据所述特殊poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；

获取未标注街区网格包含的非特殊poi数据的权重，并根据所述非特殊poi数据的权重确定对应的未标注街区网格的第一用地性质；其中，所述未标注街区网格为所述待识别区域中除被标注为第一用地性质以外的街区网格。

在具体的实施过程中，预先设定属于特殊poi数据的poi类型，除了特殊poi数据以外的为非特殊poi数据。一般来说，特殊poi数据的权重过大，一旦一个街区网格中包括该特殊poi数据，则该街区网格的用地性质便为该特殊poi数据对应的用地性质。例如，一个poi类型为大学的poi，其对应的面积较大，导致对其所在的街区网格影响较大，即权重较大。

特殊poi数据主要包括服务类和住宅类；并且，特殊poi数据有对应的优先级，一级优先级为服务类，包括综合即三甲医院、高等院校、国家及省级景点等，其优先级最高；二级优先级为住宅类，包括门牌信息等，其优先级次之；三级优先级也为服务类，包括小学、中学等。应当说明的是，哪些poi数据为特殊poi数据为预先根据经验确定，并且特殊poi数据可以划分为更多的优先等级，并且，每一个优先级里面包括的poi类型也是根据经验预先确定的。

因此，可以将待识别区域中的poi数据进行划分为特殊poi数据和非特殊poi数据。

如果街区网格中包括特殊poi数据，由于特殊poi数据对用地性质的影响大于非特殊poi数据，因此，根据特殊poi数据确定对应街区网格的第一用地性质。并且可以将标注了第一用地性质的街区网格称为已标注街区网格，剩下的为未标注街区网格。

未标注街区网格大部分为只包含非特殊poi数据的街区网格，也可能存在已经标注为第一用地性质，但是被重置的街区网格。对于哪些被重置的街区网格在后面实施例中解释。对于未标注街区网格来说，采用街区网格包含的非特殊poi数据来确定该街区网格对应的第一用地性质。

应当说明的是，如果待识别区域中不包括特殊poi数据，则可直接利用各街区网格对应的非特殊poi数据对对应的街区网格进行标注，获得街区网格的第一用地性质。

本申请实施例中，由于特殊poi数据的影响较大，因此先对利用特殊poi数据对对应的街区网格进行标注，对没有特殊poi数据的街区网格采用非特殊poi数据的权重进行标注，提高了对街区网格标注的效率。

在上述实施例的基础上，待识别区域中可能还会包括一些对用地性质影响比较小的poi类型，例如：道路附属设施、交通设施服务、公共设施、摩托车服务、汽车维修、事件活动、室内设施、通行设施等，还可以包括其他poi类型，可以根据实际情况进行预先设定哪些poi类型为影响较小的。因此，为了能够降低计算工作量，将属于上述poi类型的poi数据作为噪音进行剔除。

本申请实施例通过对待识别区域中影响较小的poi数据进行剔除，减少了后续的计算量，从而提高了识别效率。

在上述实施例的基础上，所述根据所述特殊poi数据确定对应街区网格的第一用地性质，包括：

若街区网格中包含一个特殊poi数据，则将所述特殊poi数据对应的用地性质作为所述街区网格对应的第一用地性质；

若街区网格中包含多个特殊poi数据，则获取每个特殊poi数据对应的优先级，将优先级最高的特殊poi数据的用地性质作为所述街区网格对应的第一用地性质。

在具体的实施过程中，有的街区网格中可能包含的特殊poi数据的数量只有一个，有的街区网格中包含的特殊poi数据的数量可能有多个。那么，对于包含一个特殊poi数据的街区网格，则将该特殊poi数据对应的用地性质作为街区网格对应的第一用地性质。对于包含多个特殊poi数据的街区网格，可以将优先级最大的特殊poi数据对应的用地性质作为街区网格的第一用地性质。例如，一个街区网格中包括两个特殊poi数据，分别为某某大学和某个小区，由于大学的优先级比小区的优先级高，因此，将大学对应的服务类作为该街区网格的第一用地性质。图4为本申请实施例提供的一种标注后结果示意图，如图4所示，左斜线填充的表示商业类的街区网格；右斜线填充的表示办公类的街区网格；斜线网格填充的表示住宅类的街区网格；矩形网格填充的表示服务类的街区网格。

在另一实施例中，对于包含多个特殊poi数据的街区网格，还可以先根据数量决定街区网格的第一用地性质，若数量相同，则再使用优先级决定街区网格的第一用地性质。例如：一个街区网格中包括1个大学的poi数据和3个居住小区的poi数据，由于居住小区的poi数据的数量大于大学的poi数据的数量，因此，该街区网格的第一用地性质为住宅类。若街区网格中包括1个大学的poi数据和1个居住小区的poi数据，服务类和住宅类的poi数据的数量相同，由于大学对应的服务类用地性质的优先级高于居住小区的住宅类的优先级，因此，该街区网格的第一用地性质为服务类。

在另一实施方式中，还可以根据面积来确定街区网格的第一用地性质，例如，街区网格中包括1个大学的poi数据、5个居住小区的poi数据和1个小学的poi数据；学校属于服务类，居住小区属于住宅类，大学和小学的总面积为4平方公里，5个居住小区的总面积为3.5平方公里，学校的面积大于居住小区的面积，因此，该街区网格的第一用地性质为服务类。

本申请实施例中的特殊poi数据的优先级越高，其影响越大，因此将优先级最高的特殊poi数据对应的用地性质作为街区网格的第一用地性质，使得标注更加准确。

在上述实施例的基础上，在根据所述特殊poi数据确定对应街区网格的第一用地性质之后，所述方法还包括：

若已标注为第一用地性质的街区网格的poi数量大于第一预设值和/或所述街区网格的poi密度大于第二预设值，则将所述街区网格对应的第一用地性质删除，并标记为未标注街区网格。

在具体的实施过程中，发明人在多次试验后发现对于已标注第一用地性质的街区网格中，属于商业类和办公类的街区网格具有集聚效应，即一个街区网格的poi数量和/或密度都异常高，如图5所示，黑色的点表示poi，从图5中可以看出有几个街区网格中的poi比其他街区网格要多。可以理解的是，poi数量是指一个街区网格中poi的数量，poi密度是指一个街区网格中poi数量与街区网格的面积。如果poi数量大于第一预设值和/或poi密度大于第二预设值，则认为该街区网格异常，需要将已标注的第一用地性质删除，并标记为未标注街区网格，以便后续重新对其进行标注，提高了对街区网格标注的准确性。

可以理解的是，第一预设值和第二预设值均可以根据实际情况进行确定，本申请实施例对此不作具体限定。

在上述实施例的基础上，所述根据所述非特殊poi数据的权重确定对应街区网格的第一用地性质，包括：

将权重最大的非特殊poi数据对应的用地性质作为对应街区网格的第一用地性质。

在具体的实施过程中，预先设定各个poi数据对应的权重，权重不同，对街区网格的影响不同。

下表为本申请实施例提供的部分poi类型对应的权重，可以理解的是，各poi类型对应的权重可以根据实际情况进行调整，不同的待识别区域可能对应的poi类型的权重可能不同，本申请实施例对此不做具体限定。

对于未标注街区网格来说，通过预先设定的poi数据对应的权重，获得该街区网格中权重最大的poi数据，并将权重最大的poi数据对应的用地性质作为该街区网格的第一用地性质。

应当说明的是，对于上述实施例中先根据特殊poi数据进行标注，然后又重置为未标注的街区网格，在重新对该街区网格进行标注时，需要去除该街区网格中的特殊poi数据，只在非特殊poi数据中找权重最大的。

在另一实施方式中，在对未标注街区网格进行标注时，还可以统计该街区网格中属于同一用地性质的非特殊poi数据的权重之和，将权重之和最大的用地性质作为该街区网格对应的第一用地性质。

在另一实施方式中，对于未标注街区网格进行标注时，还可以根据poi数量进行标注，即统计街区网格中属于同一类用地性质的poi的数量，将poi数量最多的那一类的用地性质作为街区网格的第一用地性质。

在另一实施方式中，对于未标注街区网格的标注，还可以根据poi所占面积进行标注，例如：将该街区网格中所占面积最大的poi对应的用地性质作为该街区网格的第一用地性质；或者统计该街区网格中属于同一类用地性质的poi所占的总面积，将总面积最大的用地性质作为该街区网格的第一用地性质。

本申请实施例中非特殊poi数据的权重越大对用地性质影响越大，因此将权重最大的poi数据对应的用地性质作为街区网格的第一用地性质，使得标注更加准确。

在上述实施例的基础上，在获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线之前，所述方法还包括：

获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；

利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

在具体的实施过程中，训练街区网格是指已经被标注用地性质的街区网格，其可以是除待识别区域之外的街区网格，训练街区网格对应的标签可以是人工对其进行标注获得，可以理解的是，标签即为第三用地性质。

历史时间段可以是一天、两天或一周，也可以根据实际情况确定。移动终端在开机的状态下，会不断地跟附近基站交互信令数据，并且信令数据中包括时间信息和位置信息，当然，信令数据中还可以包括其他数据，本申请实施例对此不作具体限定。

在获取到历史时间段内多个训练街区网格对应的移动终端用户的信令数据后，可以根据信令数据中的时间信息和位置信息生成对应的第二人流密度曲线。图6为本申请实施例提供的办公类街区网格对应的第二人流密度曲线，图7为本申请实施例提供的商业类街区网格对应的第二人流密度曲线。另外，图2为住宅类的人流密度曲线，从图2中可以看出，住宅类的人流密度曲线波形呈现为双峰顶，且后峰高于前峰的形态。从图6中可以看出，办公类的人流密度曲线大体为单峰，且峰值靠前的形态。从图7中可以看出，商业类的人流密度曲线为峰值不明显，但在大段时间内整条折线均偏高的形态。可以理解的是，在获得信令数据之后，可以通过python中的一些包，可以进行画图，获得第二人流密度曲线，例如numpuy和pandas以及matplotlib。

识别模型可以采用卷积神经网络(convolutionalneuralnetwork，cnn)，cnn是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(shift-invariantartificialneuralnetworks，siann)。

该cnn包括3层卷积池化层，2层全连接层，激活函数relu，采用dropout和softmax函数做分类器。其中，卷积层：当给定一张新图时，cnn并不能准确地知道这些特征到底要匹配原图的哪些部分，所以它会在原图中把每一个可能的位置都进行尝试，相当于把这个feature(特征)变成了一个过滤器。这个用来匹配的过程就被称为卷积。池化层：为了有效地减少计算量，cnn使用的另一个有效的工具被称为“池化(pooling)”。池化就是将输入图像进行缩小，减少像素信息，只保留重要信息。全连接层：全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积、激活函数、池化等深度网络后，再经过全连接层对结果进行识别分类。分类器：激活函数的作用是用来加入非线性因素，把卷积层输出结果做非线性映射。

应当说明的是，识别模型除了可以采用上述结构外，还可以是其他结构的cnn，还可以是其他种类的网络，例如：支持向量机、长短时记忆网络(longshorttermmemorynetwork,lstm)等。

在训练完成识别模型后，可以对识别模型的准确率进行测试，图8为本申请实施例提供的模型准确率结果示意图，经过多次训练，识别模型的准确率平均在85％以上。

图9为本申请实施例提供的另一种用地性质识别方法流程示意图，如图9所示，包括：

第一步，从数据库中获取多个训练街区网格在历史时间段内的信令数据，获得信令数据表，其中，可以每个训练街区网格对应的信令数据对应一个信令数据表；

第二步，根据信令数据表中的信令数据生成原始图像，该原始图像中包括第二人流密度曲线；

第三步，对原始图像进行预处理，预处理包括降维和缩略，原始图像为4维数据，其数据量较大，为了降低识别模型的计算量，可以将原始图像降维成3维图像。缩略是降低原始图像像素点个数，其目的也是为了降低识别模型的计算量。

第四步，利用预处理后的图像以及该图像对应的训练街区网格的第三用地性质对识别模型进行训练，获得训练好的识别模型。其训练的过程为：将预处理后的图像输入cnn中，cnn输出预测结果，根据预测结果和预处理后的图像对应的第三用地性质计算损失值，并利用损失值反向优化cnn中的参数，直到损失值小于预设值或达到预设的迭代次数为止。

第五步，获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据，根据信令数据生成对应的第一人流密度曲线，将第一人流密度曲线输入训练好的识别模型中，该识别模型输出预测结果，即该街区网格对应的第二用地性质。图10为本申请实施例提供的另一种标注结果示意图，如图10所示，在利用第二用地性质对第一用地性质进行修正后可以发现，原来标注为住宅类的街区网格被修正为办公类，以及还有一些其他之前被标注错误的街区网格也被及时修正过来。

另外，在获得待识别区域中各街区网格对应的第一用地性质和第二用地性质之后，可以人工分别对第一用地性质和第二用地性质的标注进行验证。

本申请实施例通过先利用poi数据对待识别区域进行初步识别，获得各个街区网格的第一用地性质，然后利用识别模型对街区网格的人流密度曲线进行分析，获得第二用地性质，并利用第二用地性质修改对应街区网格的第一用地性质，获得最终的目标用地性质，提高了对待识别区域的土地用地性质识别的准确性。

图11为本申请实施例提供的有一种用地性质识别方法流程示意图，如图11所示，该方法包括：

步骤1101：获取待识别区域；

步骤1102：对所述待识别区域进行网格划分，获得对应的多个街区网格；

步骤1103：获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，并将所述人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第四用地性质。

在步骤1102中，对待识别区域进行网格划分的方法与上述实施例相同，此处不再赘述。

在步骤1103中，第一人流密度曲线是指对应街区网格中在一定时间段内的人流情况。如图2所示，横坐标表示一天内从0点到23点的时刻，纵坐标表示在对应时刻的街区网络中的人口数量。应当说明的是，第一人流密度曲线对应的时间段可以是一天、两天，也可以是一周的，具体可以根据实际情况进行确定。

通过发明人对人流密度曲线的长期观察并总结得到人流密度曲线与用地性质之间存在关联关系，即，不同的用地性质对应不同的人流密度曲线。因此，可以预先训练识别模型，将街区网络对应的第一人流密度曲线输入到识别模型中，识别模型可以输出对应的第四用地性质。

在上述实施例的基础上，所述获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，包括：

获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据；

根据所述信令数据生成对应的第一人流密度曲线。

在上述实施例的基础上，在获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线之前，所述方法还包括：

获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；

利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

应当说明的是，第一人流密度曲线的获得方式以及识别模型的训练过程与上述实施例一致，此处不再赘述。

本申请实施例中，由于不同用地性质的人流密度曲线不同，因此利用人流密度曲线和识别模型能够准确的获得待识别区域中各个街区网格的用地性质。

图12为本申请实施例提供的识别装置结构示意图，该装置可以是电子设备上的模块、程序段或代码。应理解，该识别装置与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该识别装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该识别装置包括：信息获取模块1201、第一网格划分模块1202、标注模块1203、第一识别模块1204和修正模块1205，其中：

信息获取模块1201用于获取待识别区域对应的多个兴趣点poi数据；第一网格划分模块1202用于对所述待识别区域进行网格划分，获得对应的多个街区网格；标注模块1203用于根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；第一识别模块1204用于获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；修正模块1205用于根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

在上述实施例的基础上，第一网格划分模块1202具体用于：

获取所述待识别区域对应的遥感影像；

基于所述遥感影像获取预设宽度的街道，并利用所述预设宽度的街道对所述待识别区域进行网格划分，获得多个街区网格。

在上述实施例的基础上，标注模块1203具体用于：

将所述待识别区域对应的多个poi数据划分为特殊poi数据和非特殊poi数据；

若街区网格包含特殊poi数据，则根据所述特殊poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；

获取未标注街区网格包含的非特殊poi数据的权重，并根据所述非特殊poi数据的权重确定对应的未标注街区网格的第一用地性质；其中，所述未标注街区网格为所述待识别区域中除被标注为第一用地性质以外的街区网格。

在上述实施例的基础上，该识别装置还包括去噪模块，用于：

对所述待识别区域对应的多个poi数据进行噪音剔除。

在上述实施例的基础上，标注模块1203具体用于：

若街区网格中包含一个特殊poi数据，则将所述特殊poi数据对应的用地性质作为所述街区网格对应的第一用地性质；

若街区网格中包含多个特殊poi数据，则获取每个特殊poi数据对应的优先级，将优先级最高的特殊poi数据的用地性质作为所述街区网格对应的第一用地性质。

在上述实施例的基础上，标注模块1203具体用于：

将权重最大的非特殊poi数据对应的用地性质作为对应街区网格的第一用地性质。

在上述实施例的基础上，该识别装置还包括重置模块，用于：

若已标注为第一用地性质的街区网格的poi数量大于第一预设值和/或所述街区网格的poi密度大于第二预设值，则将所述街区网格对应的第一用地性质删除，并标记为未标注街区网格。

在上述实施例的基础上，该识别装置还包括第一模型训练模块，用于：

获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；

利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

在上述实施例的基础上，第一识别模块1204具体用于：

获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据；

根据所述信令数据生成对应的第一人流密度曲线。

在上述实施例的基础上，修正模块1205具体用于：

若所述第一用地性质与所述第二用地性质相同，则所述目标用地性质为所述第一用地性质或所述第二用地性质；

若所述第一用地性质与所述第二用地性质不同，则所述目标用地性质为所述第二用地性质。

图13为本申请实施例提供的另一种识别装置结构示意图，该装置可以是电子设备上的模块、程序段或代码。应理解，该识别装置与上述图11方法实施例对应，能够执行图11方法实施例涉及的各个步骤，该识别装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该识别装置包括：图像获取模块1301、第二网格划分模块1302和第二识别模块1303，其中：

图像获取模块1301用于获取待识别区域；第二网格划分模块1302用于对所述待识别区域进行网格划分，获得对应的多个街区网格；第二识别模块1303用于获得第一用地性质为预设用地性质的街区网格对应的人流密度曲线，并将所述人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第四用地性质。

在上述实施例的基础上，第二识别模块1303具体用于：

获取第一用地性质为预设用地性质的街区网格在预设时间段内的移动终端用户的信令数据；

根据所述信令数据生成对应的第一人流密度曲线。

在上述实施例的基础上，该识别装置还包括第二模型训练模块，用于：

获取历史时间段内多个训练街区网格对应的移动终端用户的信令数据，根据每个训练街区网格的信令数据生成对应的第二人流密度曲线；

利用各训练街区网格对应的第二人流密度曲线和标签对识别模型进行训练，获得训练后的识别模型；所述标签包括训练街区网格对应的第三用地性质。

图14为本申请实施例提供的电子设备实体结构示意图，如图14所示，所述电子设备，包括：处理器(processor)1401、存储器(memory)1402和总线1403；其中，

所述处理器1401和存储器1402通过所述总线1403完成相互间的通信；

所述处理器1401用于调用所述存储器1402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待识别区域对应的多个兴趣点poi数据；对所述待识别区域进行网格划分，获得对应的多个街区网格；根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

处理器1401可以是一种集成电路芯片，具有信号处理能力。上述处理器1401可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器1402可以包括但不限于随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待识别区域对应的多个兴趣点poi数据；对所述待识别区域进行网格划分，获得对应的多个街区网格；根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待识别区域对应的多个兴趣点poi数据；对所述待识别区域进行网格划分，获得对应的多个街区网格；根据每个街区网格包含的poi数据对对应的街区网格进行标注，获得各街区网格的第一用地性质；获得第一用地性质为预设用地性质的街区网格对应的第一人流密度曲线，并将所述第一人流密度曲线输入预训练的识别模型，获得所述识别模型输出的第二用地性质；根据所述第一用地性质和所述第二用地性质获得对应街区网格的目标用地性质。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。