买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东建筑大学申请的专利一种基于多源大数据的目标区域低效用地提取方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120450931B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510682469.6，技术领域涉及：G06Q50/26；该发明授权一种基于多源大数据的目标区域低效用地提取方法及系统是由林伟鹏;张洋华;程亮;闫怡然;杨明俊;单乐乐;倪剑波;曹鸿雁设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本一种基于多源大数据的目标区域低效用地提取方法及系统在说明书摘要公布了：本发明公开了一种基于多源大数据的目标区域低效用地提取方法及系统，属于土地管理领域，该提取方法具体步骤如下：P1、实时从多组数据源采集数据，并预处理采集到的各类多源数据，再提取预处理后的各类多源数据的特征信息；P2、基于提取出的各类特征信息，建立用地表征矩阵，并依据构建的用地表征矩阵，建立低效用地判别模型；本发明能够从多角度刻画土地利用情况，提高识别准确性以及特征提取精准性，同时提高低效用地识别精度，降低终端计算成本，实现实时更新与优化，能够适用于不同区域和城市的土地管理需求。

本发明授权一种基于多源大数据的目标区域低效用地提取方法及系统在权利要求书中公布了：1.一种基于多源大数据的目标区域低效用地提取方法，其特征在于，该提取方法具体步骤如下： P1、实时从多组数据源采集数据，并预处理采集到的各类多源数据，再提取预处理后的各类多源数据的特征信息； P2、基于提取出的各类特征信息，建立用地表征矩阵，并依据构建的用地表征矩阵，建立低效用地判别模型； P3、将实时采集数据输入各终端设备，通过低效用地判别模型识别并标记低效用地，同时根据模型标记结果实时更新模型参数； P4、分析各低效用地的产生原因，并预测各低效用地的未来变化趋势，同时生成用地效率变化预测报告； P5、动态优化低效用地判别规则，并更新低效用地判别模型的判别规则，同时可视化处理低效用地分布与历史变化趋势； P2所述基于提取出的各类特征信息，建立用地表征矩阵的具体步骤如下： S1.1：收集预处理后来自多组数据源的遥感影像、POI数据、传感器数据以及文本数据，再检测时空对齐后的各类数据，是否存在偏差情况，若存在，则重新修正，之后分离并提取传感器数据中的交通流量数据； S1.2：通过DeepLabV3+模型将各遥感影像转换为像素级的地物类别图，再使用灰度共生矩阵提取各遥感影像的纹理特征，利用归一化各遥感数据中的植被指数获取对应光谱特征，再通过KDE计算POI数据在空间上的分布特征，并计算POI多样性熵，以获取各区域内POI数据类型的多样性特征； S1.3：基于GNN网络提取交通流量数据的道路网络结构，并构造邻接矩阵，以提取道路连通性特征，计算预设单位时间内的平均交通流量，并获取不同时间区间内的交通流量聚合特征，再对传感器数据进行统计分析，提取均值、方差各特征信息，并采用傅里叶变换提取传感器数据的频谱特征； S1.4：分别利用BERT模型以及LDA模型提取各文本数据中的各特征文本，之后基于提取的纹理特征、光谱特征、分布特征、多样性特征、道路连通性特征、交通流量聚合特征、均值、方差、频谱特征以及特征文本建立对应区域的用地表征矩阵，其中，用地表征矩阵具体表现形式如下： 其中，代表遥感影像特征，包括纹理特征以及光谱特征；代表POI特征，包括分布特征以及多样性特征；代表交通流量特征，包括道路连通性特征与交通流量聚合特征，代表传感器特征，包括均值、方差以及频谱特征，代表特征文本； P2所述建立低效用地判别模型的具体步骤如下： S2.1：将构建的用地表征矩阵中各类特征数据进行标准化处理后，将各类特征数据作为输入数据，再建立低效用地判别模型，其中，低效用地判别模型包括输入层，自注意力层、GNN层、LSTM层、修正层、分类层以及输出层； S2.2：将各组输入数据划分为训练集、验证集以及测试集，将训练集输入至低效用地判别模型中，输入层接收训练集，并进行前向传播，自注意力层接收遥感影像特征，并将遥感影像特征拆分为多个子块，再通过线性投影单元将每个子块映射到多维向量空间中，以形成Patch嵌入； S2.3：通过正弦函数计算各Patch嵌入的位置编码，再通过自注意力层中的各注意力头各自的独立投影矩阵，计算每个Patch嵌入的查询矩阵Q、键矩阵K和值矩阵V，并基于查询矩阵Q和键矩阵K计算各注意力头的注意力分数，采用softmax函数归一化处理各注意力分数，获取各注意力头的注意力权重； S2.4：依据各注意力权重以及值矩阵V，获取各注意力头的全局特征，再将各头的输出的全局特征进行拼接，再通过输出投影矩阵投影后，获取遥感影像的全局特征； S2.5：GNN层接收POI特征以及交通流量特征，并将POI特征中的地理位置、类型以及密度各信息，以及交通流量特征中的交通设施，作为节点，将各节点之间的联系作为边，以建立对应区域的路网拓扑图，再通过反复多次图卷积操作，分别将路网拓扑图中各节点与其对应的邻居节点信息进行聚合，并更新各节点信息，直至多轮更新后，各节点信息变化值收敛至预设阈值后，停止更新，并输出增强的POI特征和交通流量特征； S2.6：LSTM层接收传感器特征，通过LSTM层遗忘门以及输入门、输出门依次处理，以获取当前用地效率趋势的预测值，之后修正层接收特征文本，并基于当前城市规划领域规则的特征文本进行修正，以获取对应修正特征； S2.7：拼接各层输出的全局特征、增强的POI特征和交通流量特征、用地效率趋势的预测值以及修正特征，并将拼接后的特征信息输入至分类层中，之后依据分类层权重和偏置，通过sigmoid激活函数对拼接后的特征信息进行处理，并输出当前区域为低效用地的预测概率，若预测概率高于预设阈值，则判断当前区域为低效用地； S2.8：通过Focal损失函数计算预测结果与实际结果之间的损失值，并将损失值从低效用地判别模型输出层，进行反向传播计算损失值对应各层的梯度值，并使用AdamW优化器优化各网络层参数，每轮训练结束后，将验证集输入至低效用地判别模型中，计算验证集对于低效用地判别模型的损失值，以评估模型性能指标，若性能指标未达到预设阈值，则重新训练； S2.9：反复训练验证低效用地判别模型，若多轮迭代后的，验证集的模型损失值变化收敛至预设阈值内，停止训练，之后将测试集数据输入至低效用地判别模型中，低效用地判别模型通过前向传播对测试集进行逐层处理，并输出各区域低效用地判断结果，同时计算各特征的SHAP值，并根据各SHAP值分析各特征对判别结果的影响。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东建筑大学，其通讯地址为：250000 山东省济南市历城区临港开发区凤鸣路；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。