一种基于POI和改进主题模型的城市功能区识别方法

摘要

本申请公开了一种基于POI和改进主题模型的城市功能区识别方法，属于地理信息系统技术领域。基于POI和改进主题模型的城市功能区识别方法包括以下步骤：获取目标功能区域的兴趣点数据，其中，兴趣点数据包括各兴趣点的空间位置数据；根据空间位置数据，将目标功能区域划分成多个功能子区域；确定各个功能子区域的子区域语义特征；根据子区域语义特征，得到目标功能区域的区域空间语义特征，从而解决了现有功能区域识别技术中存在的识别精度低，准确性差的问题。

说明书

技术领域

本申请涉及地理信息系统技术领域，尤其涉及一种基于POI和改进主题模 型的城市功能区识别方法。

背景技术

随着大数据时代的来临，学者们对城市功能区的识别已逐渐展开深入研 究。基于POI的城市功能区识别是其中的重要方向之一。这是因为POI(Points of Interest，兴趣点，指电子地图上代表地理实体的点)数据具有可获取性、 完整性等特点，更重要的是POI不仅蕴含了地理实体的物理特征，还表征了 其社会经济属性特征，这与城市功能区同时表征区域物理特征和社会经济特 征的特点不谋而合。

目前，基于POI的城市功能区识别方法中基于主题模型的方法采用词袋 模型表示POI数据，将城市功能区作为文档，功能区内的POI作为文档的单 词，依据功能区内POI出现的频率，从POI的共现关系中挖掘功能区内的语 义信息，依据语义信息对城市功能区进行识别。

主题模型是自然语言处理中的常用方法。然而，不同于自然语言中的单 词，组成城市功能区的POI数据具有空间特征，从而导致了功能区语义特征 的空间异质性。现有研究采用主题模型提取城市功能区的语义信息，忽略了 POI的空间特征和功能区语义特征的空间异质性，制约了语义特征表达的准确 性，从而造成了功能区识别精度低、准确性差的问题。

申请内容

本申请的主要目的在于提供一种基于POI和改进主题模型的城市功能区 识别方法，旨在解决现有功能区域识别技术中存在的识别精度低，准确性差 的问题。

为实现以上目的，本申请提供了一种基于POI和改进主题模型的城市功 能区识别方法，所述方法包括：

获取目标功能区域的兴趣点数据，其中，所述兴趣点数据包括各兴趣点 的空间位置数据；

根据所述空间位置数据，将所述目标功能区域划分成多个功能子区域；

确定各个所述功能子区域的子区域语义特征；

根据所述子区域语义特征，得到所述目标功能区域的区域空间语义特征。

可选地，所述获取目标功能区域的兴趣点数据，其中，所述兴趣点数据 包括各兴趣点的空间位置数据，包括：

获取目标功能区域所在城市的城市兴趣点数据，其中，所述兴趣点数据 包括兴趣点的空间位置数据；

根据所述兴趣点的空间位置数据，将所述城市兴趣点数据匹配到城市地 图上，得到目标功能区域的兴趣点数据。

可选地，所述根据所述空间位置数据，将所述目标功能区域划分成多个 功能子区域，包括：

根据所述空间位置数据，对所述兴趣点进行聚类，得到第一聚类结果；

根据所述第一聚类结果，将目标功能区域划分为多个子区域。

可选地，所述确定各个所述功能子区域的子区域语义特征，包括：

根据LDA模型与所述功能子区域的所有兴趣点数据，确定各个所述功能 子区域的主题分布；

将识别出的主题分布中概率排布为前预设数量个的主题确定为所述功能 子区域的子区域语义特征。

可选地，所述根据所述子区域语义特征，得到所述目标功能区域的区域 空间语义特征，包括：

将所有所述功能子区域的子区域语义特征进行聚类，得到所述目标功能 区域的特征类型。

可选地，若各个所述功能子区域的子区域语义特征属于同一类型，则将 所述子区域语义特征作为所述目标功能区域的区域空间语义特征。

可选地，若各个所述功能子区域的子区域语义特征不属于同一类型，则 将所有所述功能子区域的子区域语义特征聚类，得到第二聚类结果；

根据所述第二聚类结果，确定出所述目标功能区域的区域空间语义特征。

此外，为实现上述目的，本申请还提供一种基于POI和改进主题模型的 城市功能区识别装置，所述装置包括：

数据获取模块，用于获取目标功能区域的兴趣点数据，其中，所述兴趣 点数据包括各兴趣点的空间位置数据；

区域划分模块，用于根据所述空间位置数据，将目标功能区域划分为多 个子区域。

类型确定模块，用于确定所述功能子区域的子区域语义特征；

类型识别模块，用于根据所述子区域语义特征，得到所述目标功能区域 的区域空间语义特征。

本申请还提供一种基于POI和改进主题模型的城市功能区识别设备，包 括：处理器，存储器以及存储在所述存储器中的基于POI和改进主题模型的 城市功能区识别程序，所述基于POI和改进主题模型的城市功能区识别程序 被所述处理器执行时实现第一方面的实现方式中的任一种可能的实现方式中 所述的各个步骤。

本申请还提供一种计算机可读存储介质，其上存储有基于POI和改进主 题模型的城市功能区识别程序，所述基于POI和改进主题模型的城市功能区 识别程序被处理器执行时实现第一方面的实现方式中的任一种可能的实现方 式中所述的各个步骤。

本申请实施例提出了一种基于POI和改进主题模型的城市功能区识别方 法，通过获取目标功能区域的兴趣点数据，得到兴趣点的空间位置数据；根 据兴趣点的空间位置数据将目标功能区域划分为多个功能子区域；确定各个 功能子区域内的子区域语义特征；融合目标功能区内子区域的语义特征，进 一步得到目标功能区域的语义特征。即本申请：(1)首先基于兴趣点的空间 位置信息，采用聚类算法对兴趣点进行空间聚类，将空间上邻近的POI被划 分到一起组合为一个目标功能区域的子区域，因而同一个子功能区域内兴趣 点具有更强的空间关联性。(2)采用主题模型提取子区域的语义特征。在此 步骤中，本方法将子区域作为目标功能区提取语义特征的空间尺度，不同于 直接应用主题模型提取功能区的语义特征，可基于空间关联性更强的兴趣点 更加准确地识别出每个功能子区域的子区域语义特征，保证了同一语义特征 中兴趣点的空间关联性。(3)融合功能区内子区域的语义特征，进一步得到 目标功能区的语义特征，此特征包含了语义特征的空间特性，反映了功能区 内语义特征的空间异质性。

本申请通过目标功能区内子区域的划分重新定义了目标功能区语义特征 (主题)提取的空间尺度，通过语义特征提取的空间尺度约束实现了功能区 空间语义特征的提取。此外，本申请还可避免直接采用主题模型进行功能区 识别时，直接从所有兴趣点出现的概率中寻找语义特征而导致部分功能子区 域高频出现的POI在识别过程中掩盖了剩余部分功能子区域高度聚集但是出 现频率低的POI导致的识别误差大，从而提高功能区域识别的精度和准确性。

附图说明

图1为本申请涉及的硬件运行环境的基于POI和改进主题模型的城市功能 区识别设备的结构示意图；

图2为本申请基于POI和改进主题模型的城市功能区识别方法的第一实施 例的流程示意图；

图3为本申请基于POI和改进主题模型的城市功能区识别方法的第二实施 例的流程示意图；

图4为功能区1以及功能区1内的POI分布示意图；

图5为功能区2以及功能区2内的POI分布示意图；

图6为本申请涉及的基于POI和改进主题模型的城市功能区识别装置的功 能模块示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限 定本申请。

由于现有技术中基于词嵌入模型的方法，基于POI类型的特征相邻来识 别城市功能区域，而POI类型是一种面向对象的、低层次的特征，无法表达 更高层次的语义信息；基于主题模型的方法采用词袋模型表示POI数据，词 袋模型仅考虑了功能区域内POI出现的频率，忽略了POI的空间特征，导致 识别精度的降低。因此，以上两种城市功能区域识别的方法都无法实现基于 POI的空间语义对城市功能区域进行识别，从而提高城市功能区域识别的精度 和准确性。

为此，本申请提出了一种基于POI和改进主题模型的城市功能区识别方 法，通过获取目标功能区域的兴趣点数据，得到兴趣点的空间位置数据；根 据兴趣点的空间位置关系将目标功能区域划分为多个功能子区域；确定各个 功能子区域内的子区域语义特征；融合目标功能区内子区域的语义特征，进 一步得到目标功能区域的语义特征。即本申请：(1)首先基于兴趣点的空间 位置信息，采用聚类算法对兴趣点进行空间聚类，将空间上邻近的POI被划 分到一起组合为一个目标功能区域的子区域，因而同一个子功能区域内兴趣 点具有更强的空间关联性。(2)采用主题模型提取子区域的语义特征。在此 步骤中，本方法将子区域作为目标功能区提取语义特征的空间尺度，不同于 直接应用主题模型提取功能区的语义特征，可基于空间关联性更强的兴趣点 更加准确地识别出每个功能子区域的子区域语义特征，保证了同一语义特征 中兴趣点的空间关联性。(3)融合功能区内子区域的语义特征，进一步得到 目标功能区的语义特征，此特征包含了语义特征的空间特性，反映了功能区 内语义特征的空间异质性。

本申请通过目标功能区内子区域的划分重新定义了目标功能区语义特征 (主题)提取的空间尺度，通过语义特征提取的空间尺度约束实现了功能区 空间语义特征的提取。此外，本申请还可避免直接采用主题模型进行功能区 识别时，直接从所有兴趣点出现的概率中寻找语义特征而导致部分功能子区 域高频出现的POI在识别过程中掩盖了剩余部分功能子区域高度聚集但是出 现频率低的POI导致的识别误差大，从而提高功能区域识别的精度和准确性。

如图1所示，该基于POI和改进主题模型的城市功能区识别设备可以包 括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总 线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002 用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、 输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线 接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口 (如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速 的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定 的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储 器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对终端的限定， 可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布 置。

如图1所示，作为一种存储介质的存储器1005中可包括操作系统、数据 存储模块、网络通信模块、用户接口模块以及基于POI和改进主题模型的城 市功能区识别程序。

如图1所示，网络接口1004主要用于与网络服务器进行数据通信；用户 接口1003主要用于与用户进行数据交互；本发明服务器中的处理器1001、存 储器1005可以设置在服务器，服务器通过处理器1001调用存储器1005中存 储的基于POI和改进主题模型的城市功能区识别程序，并执行本发明实施例 提供的一种基于POI和改进主题模型的城市功能区识别方法。

基于上述硬件结构但不限于上述硬件结构，本发明提供一种基于POI和 改进主题模型的城市功能区识别方法第一实施例。参照图2，图2为本发明一 种基于POI和改进主题模型的城市功能区识别方法的第一实施例流程示意图。

参照图2，本申请第一实施例提供一种基于POI和改进主题模型的城市功 能区识别方法，方法包括：

S10：获取目标功能区域的兴趣点数据，其中兴趣点数据包括各兴趣点的 空间位置数据；

需要说明的是，本实施例的方法执行主体为城市功能区域识别系统，用 于获取以及识别目标功能区域的兴趣点数据，可为本地计算器或者云端服务 器等。

目标功能区域可为一座城市内的一片区域，区域面积可根据实际需要来 设定。

兴趣点POI是指电子地图上代表地理实体的点，包含了地理实体的物理 特征以及社会经济属性特征。POI不仅蕴含了地理实体的物理特征，还表征了 其社会经济属性特征。空间位置数据为兴趣点在电子地图中的经纬度坐标数 据。上述兴趣点数据还包括兴趣点的第三级类型。

城市功能区域识别系统获取某一城市的一片目标功能区域中电子地图上 兴趣点的数据，例如，城市功能区域识别系统获取A城市中的区域B在电子 地图上实体点的经纬度坐标以及第三级类型数据，作为区域B的兴趣点数据。

S20：根据空间位置数据，将目标功能区域划分成多个功能子区域；

功能子区域为城市功能区域识别系统以及兴趣点在目标功能区域的聚 集度将目标功能区域划分后得到，在此步骤中空间上邻近的POI被划分到 一起组合为一个子区域，因而同一个子功能区域内兴趣点具有更强的空间 关联性。

例如，区域B内所有的兴趣点在电子地图上的左上角分布密集，右上 角分布均匀，左下角以及右下角分布稀疏，则将区域B划分为子区域b1(左 上角)、子区域b2(右上角)以及子区域b3(下)。

S30：确定各个功能子区域的子区域语义特征；

子区域语义特征为将识别出的功能子区域包含的POI类型中出现频率最 高的POI类型。

城市功能区域识别系统根据每一个功能子区域的兴趣点的第三类型数 据，得到每一个功能子区域的子区域语义特征。本步骤将子区域作为目标功 能区提取语义特征的空间尺度，可基于空间关联性更强的兴趣点更加准确地 识别出每个功能子区域的子区域语义特征，保证了同一语义特征中兴趣点的 空间关联性。

S40：根据子区域语义特征，得到目标功能区域的区域空间语义特征；

区域空间语义特征为目标功能区域的区域性子区域语义特征，区域空间 语义特征可以为居住区、商业区、生活区等。且可以理解的，区域空间语义 特征可包括一个或多个。城市功能区域识别系统根据各个功能子区域的子区 域语义特征，进一步结合得到目标功能区域的区域空间语义特征。本步骤融 合了功能区内子区域的语义特征，进一步得到目标功能区的语义特征，此特 征包含了语义特征的空间特性，反映了功能区内语义特征的空间异质性。

容易理解的，现有技术中，LDA模型在提取区域空间语义特征的时候会 受到区域内POI类数量的影响。换句话说，LDA模型的结果会忽略数量相对 较少的POI类对区域功能的影响，只表现出数量较多的POI类所决定的区域 功能。如对于居住区和商业区的复合功能区域，一般而言，商业类的POI的 数量会显著地大于居住类POI的数量，导致在利用LDA模型识别区域空间语 义特征时，将居住区和商业区的复合功能区域错误地识别为商业区。

本实施例通过先将目标功能区域依据兴趣点的空间位置划分为多个子区 域，使得POI数据包含了空间特征，因此关系密切的POI类会被划分到一起， 同一个子功能区域内兴趣点的关联性更强，这些子功能区域的功能更加单一， 再采用基于主题模型的方法识别子功能区域的子区域语义特征时，能够更加 准确的判别各个子功能区域的子区域语义特征，而不受到其他功能子区域的 高频POI类的影响，然后基于各个子功能区域的子区域语义特征，综合得到 目标功能区域整体的区域空间语义特征。由此，本实施例基于兴趣点的空间 语义特征对目标功能区域进行识别，从而提高了功能区域识别的精度和准确 性。

参照图3，图3为本申请一种基于POI和改进主题模型的城市功能区识别 方法第二实施例的流程示意图，基于上述图2所示的实施例，提出本发明一 种基于POI和改进主题模型的城市功能区识别方法的第二实施例。

本实施例中，方法包括：

S11：获取目标功能区域所在城市的城市兴趣点数据，其中兴趣点数据包 括兴趣点的空间位置数据；

S12：根据兴趣点的空间位置数据，将城市兴趣点数据匹配到城市地图上， 得到目标功能区域的兴趣点数据；

城市地图为电子地图，例如，可使用高德地图APP显示该城市。

城市功能区域识别系统获取兴趣点的数据，包括兴趣点的经纬度坐标以 及第三级类型，根据获取到的兴趣点的经纬度坐标将兴趣点匹配到城市的电 子地图中，得到目标功能区域的兴趣点数据。

S21：根据空间位置数据，对兴趣点进行聚类，得到第一聚类结果；

S22：根据第一聚类结果，将目标功能区域划分为多个子区域；

聚类方式可为自动判断类别数目的空间聚类方式，空间聚类方式是指将 空间数据集中的对象分成由相似对象组成的类，同类的对象间具有较高的相 似度，不同类的对象间具有较低的相似度，最终得到的每个类记为功能子区 域。

城市功能区域识别系统通过兴趣点在城市地图上的空间分布位置以及兴 趣点的第三级类型，采用自动判断类别数目的空间聚类方式对目标区域的兴 趣点进行聚类，得到第一聚类结果，将功能区域划分为多个子区域，例如， 参阅图4，获取到的目标功能区域中兴趣点的第三级类型为3个类型，类型A 大多分布在区域的左上角，类型B大多分布在区域的右下角，类型C大多分 布在区域的左下角，则将目标功能区域划分为子区域1(左上角)、子区域2 (右下角)以及子区域3(左下)三个子功能区域。

S31：根据LDA模型与功能子区域的所有兴趣点数据，确定各个功能子 区域的主题分布；

LDA模型是一种针对离散数据集合的概率生成模型，是一种三层贝叶斯 模型，其中集合里的每一个元素都可以看为一些潜在主题集合元素的有限次 混合。

在LDA模型下所有功能子区域内兴趣点的第三级类型数据的集合形成功 能子区域的主题分布。容易理解的，各个功能子区域的主题分布可以有多个， 但是主题分布的出现概率不同。可在确定各个功能子区域的主题分布后，根 据其出现概率的大小对确定出的所有主题分布进行排序。

S32：将识别出的主题分布中概率排布为前预设数量个的主题确定为功能 子区域的子区域语义特征；

预设数量个可设置为一个，则将识别出主题分布概率排布第一个，即出 现概率最高的主题作为功能子区域的子区域语义特征。

根据在LDA模型下的功能子区域的所有兴趣点第三级类型数据，得到各 个功能区域的主题分布，将识别出的主题分布中概率分布为第一个的主题确 定为功能子区域的子区域语义特征，例如，三个功能子区域对应的概率最高 的主题见表1，topic164为上方功能子区域的主题，topic95、topic30为右下功 能子区域的主题，topic43、topic86为左下子区域的主题。topic164和topic95 中包含的POI类型大多为消费场所，topic43中包含的POI类型为住宅、楼栋 号和一些配套生活服务。根据主题中包含的POI类型，可以推断功能区1上方和右侧的两个功能子区域为商业区，左下的功能子区域为居住区。

S41：将所有功能子区域的子区域语义特征进行聚类，得到目标功能区域 的区域空间语义特征；

即将所有功能子区域的相同子区域语义特征进行合并，最终得到的至少 一个子区域语义特征的组合即为目标功能区域的区域空间语义特征。

例如，参阅表1，根据主题中包含的POI类型，得到目标功能区域1上方 和右侧的两个功能子区域为商业区，左下的功能子区域为居住区，将三个功 能子区域的子区域语义特征进行聚类，可得功能区1的目标功能区域的区域 空间语义特征为商业区+居住区。本实施例通过获取目标功能区域的兴趣点经 纬度坐标以及第三级类型，根据兴趣点的经纬度坐标将兴趣点匹配到城市地 图上，并根据兴趣点在地图上的分布进行聚类，得到第一聚类结果，根据第 一聚类结果将目标功能区域划分为多个子区域，再根据LDA模型下所有兴趣 点的第三级类型数据，得到子功能区域的主题分布，在将识别出的主题分布 中概率排布为前预设数量个的主题确定为功能区域的主要子区域语义特征， 根据所有功能子区域的子区域语义特征，将所有子区域语义特征进行聚类， 得到目标功能区域的区域空间语义特征，解决了原LDA模型的结果忽略了功 能区内语义特征的空间异质性以及数量相对较少的兴趣点类型对区域功能的 影响，导致区域识别不精准的问题，提高了功能区域识别的准确性以及精确 度。

为使得本领域技术人员，更好地理解本申请权利要求的保护范围。以下 通过具体的应用场景中的具体实施示例，对本申请权利要求记载的技术方案 进行解释说明，可以理解的是，以下示例仅用于解释本申请，而不用于限定 本申请权利要求的保护范围。

示例1，参阅图4，对功能区1分别采用LDA主题模型和本申请中改进 的LDA主题模型对该功能区域进行子区域语义特征的识别，两种方法得到的 主题分布如表1所示：

从表1可见，采用LDA主题模型挖掘的主题为topic107和topic51， topic107中主要的POI类型为公司，topic51中POI类型主要为生活服务，可 以推断功能区1的功能类型为商业区。

采用本发明提出的方法，该功能区首先被划分为三个子区域，如图4(b) 所示，三个子区域对应的概率最高的主题见表1，topic164为上方子区域的主 题，topic95、topic30为右下子区域的主题，topic43、topic86为左下子区域的 主题。topic164和topic95中包含的POI类型大多为消费场所，topic43中包含 的POI类型为住宅、楼栋号和一些配套生活服务。根据主题中包含的POI类 型，可以推断功能区1上方和右侧的两个子区域为商业区，左下的子区域为 居住区，综合可得功能区1的功能类型为商业区+居住区。

对比两种不同方法挖掘的主题结果可见，功能区1中商业类型的POI数 量较多，LDA模型挖掘的主题中商业类型的POI占主导地位，掩盖了该功能 区的居住功能，忽略了数量相对较少的POI类对区域功能的影响，导致这一 问题的主要原因是主题模型基于词袋模型，从POI出现的频率中寻找主题， 而本发明根据POI的空间分布对功能区进行了子区域的划分，使得子区域中 的居住功能凸显出来。

示例2，参阅图5，对功能区2分别采用LDA主题模型和本申请中改进 的LDA主题模型对该功能区域进行子区域语义特征的识别，两种方法得到的 主题分布如表2所示：

功能区2的结果如图4和表2所示。采用LDA主题模型得到的概率较大 的两个主题为Topic93和Topic72，其POI类型主要分别为公司和美容美发、 美容美发和充电宝，由此可判断功能区2的功能类型为商业区。

采用本发明提出的方法，将功能区2划分为了5个子区域。其中左上方 区域概率最高的两个主题为Topic164和Topic110，其中主要的POI类分别为 中餐厅和公司、科教文化场所和生活服务场所，由此可判断该子区域为商业 区加生活区；左下方区域概率最高的两个主题为Topic170和Topic133，其中 主要的POI类分别为公司和楼栋号、中餐厅和公司，由此可判断该子区域为 商业区；右上方区域概率最高的两个主题为Topic146和Topic110，其中主要 的POI类分别为公司和充电宝、科教文化场所和生活服务场所，由此可判断 该子区域为商业区加生活区；中间区域概率最高的两个主题为Topic110和 Topic35，其中主要的POI类分别为科教文化场所和生活服务场所、旅游景点 和科教文化场所，由此可判断该子区域为商业区加生活区；右下方区域概率 最高的两个主题为Topic146和Topic110，其中主要的POI类分别为公司和充 电宝、科教文化场所和生活服务场所，由此可判断该子区域为商业区加生活 区。综合可判断功能区2功能类型为商业区加生活区。

可以看出，LDA模型在提取区域特征的时候会受到区域内POI类数量的 影响。换句话说，LDA模型的结果会忽略数量相对较少的POI类对区域功能 的影响，只表现出数量较多的POI类所决定的功能。

由此可见，本申请改进后的LDA主题模型更准确地将目标功能区域划分 为多个子区域，这些子区域的功能更加单一，因此关系密切的POI类总是被 划分到一起，这样可以更好地训练出模型，得到更精确、细致的结果。

参阅图6，图6为本申请提供的一种基于POI和改进主题模型的城市功能 区识别装置的结构示意图，该装置具体包括：

数据获取模块，用于获取目标功能区域的兴趣点数据，其中，所述兴趣 点数据包括各兴趣点的空间位置数据；

区域划分模块，用于根据所述空间位置数据，将目标功能区域划分为多 个子区域。

类型确定模块，用于确定所述功能子区域的子区域语义特征；

类型识别模块，用于根据所述子区域语义特征，得到所述目标功能区域 的区域空间语义特征。

本实施例的技术方案，通过各个功能模块间的相互配合，实现了通过获 取目标功能区域的兴趣点数据，得到兴趣点的空间位置数据，根据兴趣点的 空间位置数据将目标功能区域划分为多个功能子区域，确定各个功能子区域 内的子区域语义特征，进一步得到目标功能区域的区域空间语义特征，以解 决现有功能区域识别技术中存在的识别精度低，准确性差的问题。

此外，本申请实施例还提出一种计算机存储介质，存储介质上存储有基 于POI和改进主题模型的城市功能区识别程序，基于POI和改进主题模型的 城市功能区识别程序被处理器执行时实现如上文的一种基于POI和改进主题 模型的城市功能区识别方法的步骤。因此，这里将不再进行赘述。另外，对 采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算 机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描 述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于 一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网 络互连的多个计算设备上执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于 一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施 例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为 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模块来 实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之 间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信 总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本 申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件 包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情 况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而 且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、 数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更 佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储 在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM， Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或 者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务 器，或者网络设备等)执行本申请各个实施例的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是 利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间 接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。