摘要
城市功能区的准确识别与分类对提高土地利用效率，优化城市空间布局具有重要的意义，通过对土地利用现状的空间分析及动态感知，可以帮助城市管理者确定和调整合理的城市功能区的空间布局。传统基于遥感影像识别或社交感知大数据挖掘的方法存在较大局限性，难以准确获取城市功能分区的现势性。融合多模态数据的深度学习方法给这一难题提供了解决思路。本文在充分研究现有成果的基础上，采用深度学习技术对上述两种模态数据进行融合，重点解决异构数据的模态异质性和异步性问题。具体包括:针对基于多源多模态数据的城市功能区识别任务，构建了一个新型深度学习框架，该框架可以兼容现有的深度学习网络，并具有聚合其他模态数据的能力;在此基础上，本文分别对遥感影像子分类器提取空间地理特征时设计轻量级的深度神经网络，对用户访问行为子分类器在抽取时序数据中的不同粒度特征时引入注意力机制，从单模态数据角度优化模型;最后，在多模态数据融合策略的驱动下，本文在深度学习框架中引入特征过渡网络层和精细融合网络层，分别进行多模态数据信息转换和基于概率方式组合多模态表示，从而缩小不同模态语义子空间中的分布差距，保持每个模态特定语义下的完整性。实验结果表明，多源多模态数据融合框架在确保精度不降低的前提下，鲁棒性优于现有模型，在模态数据存在不同比例缺失的情况下依然可以有效解决模态间的不同步问题。
NETL