基于遥感影像的城区充电桩配置需求评估方法和装置

1.本发明涉及充电桩配置技术领域，尤其涉及一种基于遥感影像的城区充电桩配置需求评估方法和装置。


背景技术：

2.随着环境保护意识的提升以及化石能源危机的日益严峻，电动汽车的发展与应用已成为当今世界关注的焦点,各国都在积极推动电动汽车产业的发展，充电桩作为电动汽车发展必备的基础设施，合理的充电桩数量有利于减少资源浪费，提升充电桩本身的运营效益，而且能够为电动汽车用户出行提供便利，提升大众对电动汽车的认可度，是电动汽车进一步推广发展的关键。
3.然而，在实施本发明过程中，发明人发现现有技术至少存在如下问题：现有技术难以综合考虑建筑占地面积和建筑环境因素来评估城区的充电桩需求，难以精准地实现对城区中充电桩需求的预测。


技术实现要素：

4.本发明实施例的目的是提供一种基于遥感影像的城区充电桩配置需求评估方法和装置，能够利用多光谱遥感影像对建筑足迹进行识别并算出占地面积，进而实现对地区充电桩灵活资源容量的相关性分析，从而精准地预测城区的充电桩需求。
5.为实现上述目的，本发明实施例提供了一种基于遥感影像的城区充电桩配置需求评估方法，包括：
6.获取包含目标城区的建筑的遥感影像数据；
7.采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；
8.基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；
9.对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。
10.作为上述方案的改进，所述学习偏移向量模型是通过以下步骤构建得到的：
11.将u-net模型和segnet模型进行融合，得到loft网络模型系统；
12.在loft网络模型系统中实现端到端识别建筑，并根据实际效果进行网络层改造，得到了融合u-net和segnet的学习偏移向量模型：
13.l＝l
u-net
+α1l
segnet
+α2l
mask
+α3l
offset
；
14.其中，l
u-net
、l
segnet
、l
mask
分别为u-ne模型t、segnet模型和掩模首层的损失；l
offset
是偏移头的损失，α1、α2和α3为损失权重。
15.作为上述方案的改进，在所述采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取之后，所述基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的
矢量形状面积之前，所述方法还包括：
16.采用功能级偏移增强方式对所述建筑足迹的多边形特征映射进行强化处理，得到强化处理后的建筑足迹。
17.作为上述方案的改进，所述基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，具体包括：
18.获取所述建筑足迹的矢量化后的数据，不断缩小所述建筑足迹的矢量的周长，直到接近包含所有矢量点的边缘周长为止；
19.以最左下角的点为极点进行极角排序，将极角排序后的点依次相连得到一个包围所有点的多边形；
20.向量不断逆时针旋转，组成凸多边形，弹出栈顶的过程把三角形的两条边用第三边代替，同时保证包含原来的顶点；
21.计算凸包点之间所成向量的极角；其中，所述凸包为所有能包含所有点的凸多边形的交集；
22.以最左下角的点为极点进行极角排序，检查三个点组成的两个向量的旋转方向是否为逆时针；
23.根据顺时针给定构成凸包的所有点坐标，基于格雷厄姆扫描法进行叉乘计算，计算得到多边形面积，得到所述建筑足迹的矢量形状面积。
24.作为上述方案的改进，所述对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模，具体包括：
25.采用斯皮尔曼秩相关系数计算公式对建筑环境自变量和充电桩灵活资源进行回归分析；
26.基于回归分析结果，结合复相关系数和影响指标因子对充电桩规模进行计算。
27.作为上述方案的改进，所述斯皮尔曼秩相关系数计算公式为：
[0028][0029]
其中，vi为所述目标城区中第i个建筑的建筑容积，ni为所述第i个建筑容积内的充电桩数量，n为所述目标城区的充电桩总量，r(vi)和r(ni)分别是vi和ni的位次，和分别表示平均位次。
[0030]
作为上述方案的改进，所述充电桩规模的计算公式为：
[0031][0032]
其中，r
p
是建筑环境影响系数，rq是其它因素影响系数，r
p
,rq∈(0,1)，p《q；m表示
电动汽车市场潜力，f(t)表示t时第一次购买的概率，n(t)表示t时刻的累计充电桩数量。
[0033]
作为上述方案的改进，在所述获取包含目标城区的建筑的遥感影像数据之后，所述方法还包括：
[0034]
对所述遥感影像数据进行图像预处理操作；其中，所述图像预处理操作包括辐射定标、大气校正和正射校正处理。
[0035]
本发明实施例还提供了一种基于遥感影像的城区充电桩配置需求评估装置，包括：
[0036]
遥感影像数据获取模块，用于获取包含目标城区的建筑的遥感影像数据；
[0037]
建筑足迹提取模块，用于采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；
[0038]
建筑容积计算模块，用于基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；
[0039]
充电桩规模评估模块，用于对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。
[0040]
本发明实施例还提供了一种基于遥感影像的城区充电桩配置需求评估装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于遥感影像的城区充电桩配置需求评估方法。
[0041]
与现有技术相比，本发明公开的基于遥感影像的城区充电桩配置需求评估方法和装置，获取包含目标城区的建筑的遥感影像数据；采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模。采用本发明实施例的技术手段，能够利用多光谱遥感影像对建筑足迹进行识别并算出建筑占地面积，基于建筑环境因素自变量对地区充电桩灵活资源容量进行相关性分析，完成对多个自变量和充电桩规模回归分析，从而精准地预测城区的充电桩需求，给城区充电桩配置需求的预测提供参考。
附图说明
[0042]
图1是本发明实施例提供的一种基于遥感影像的城区充电桩配置需求评估方法的流程示意图；
[0043]
图2是本发明实施例中学习偏移向量模型的构建原理图；
[0044]
图3是本发明实施例中建筑足迹的矢量形状面积计算原理图；
[0045]
图4是本发明实施例提供的一种于遥感影像的城区充电桩配置需求评估装置的结构示意图；
[0046]
图5是本发明实施例提供的另一种于遥感影像的城区充电桩配置需求评估装置的
结构示意图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
参见图1，是本发明实施例提供的一种基于遥感影像的城区充电桩配置需求评估方法的流程示意图，本发明实施例提供了一种基于遥感影像的城区充电桩配置需求评估方法，具体包括以下步骤s11至s14：
[0049]
s11、获取包含目标城区的建筑的遥感影像数据；
[0050]
s12、采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；
[0051]
s13、基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；
[0052]
s14、对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。
[0053]
在本发明实施例中，对目标城区中的充电桩配置需求进行评估，首先通过影像传感器来获取包含所述目标城区建筑的遥感影像数据，通过对遥感影像数据的分析来计算目标城区中的建筑环境自变量。
[0054]
作为优选的实施方式，在步骤s11之后，所述方法还包括步骤s11’：
[0055]
s11’、对所述遥感影像数据进行图像预处理操作；其中，所述图像预处理操作包括辐射定标、大气校正和正射校正处理。
[0056]
具体地，辐射定标的操作为：将影像传感器所得的测量值(dn值)变换为绝对亮度为与地表反射率、表面温度等物理量有关的相对值，消除传感器本身产生的误差，获取多光谱遥感影像的定标系数，对影像进行定标。辐射定标的计算公式如下所示：
[0057]
le(λe)＝gain*dn+offset；
[0058]
其中，le(λe)为转换后的辐亮度，dn为传感器接收的观测值，gain为定标增益值，offset为定标偏差值。
[0059]
大气校正的目的是消除大气和光照等因素对地物反射的影响，经过大气校正得到地物真实的反射率过程便于建设用地特征提取准确性，使用envi5.3快速大气校正方式进行校正，快速大气校正自动从图像上收集不同物质的波谱信息，获取经验值完成高光谱和多光谱的快速大气校正，它得到结果的精度近似flaash或者其他基于辐射传输模型的+/-15％，它支持的多光谱和高光谱波谱范围是0.4～2.5μm。
[0060]
正射校正的操作为：通过在像片上选取一些地面控制点，并利用原来已经获取的该像片范围内的数字高程模型dem数据，对影像同时进行倾斜改正和投影差改正，将影像通过有理多项式模型的正射校正(rpc正射校正方式)重采样成正射影像。rpc校正多项式方程如下：
[0061]
xi＝a0+(a1xi+a2yi)+(a3x
i2
+a4xiyi+a5y
i2
)+(a6x
i3
+a7x
i2
yi+a8xiy
i2
+a9y
i3
)
[0062]
yi＝b0+(b1xi+b2yi)+(b3x
i2
+b4xiyi+b5y
i2
)+(b6x
i3
+b7x
i2
yi+b8xiy
i2
+b9y
i3
)；
[0063]
其中，(x,y)为原始图像坐标，(x,y)为同名点的地面或地图坐标其中(x,y)为原始图像坐标，(x,y)为同名点的地面或地图坐标。
[0064]
进一步地，预先基于u-net模型与segnet模型融合构建得到的学习偏移向量模型，进而在对获取的所述遥感影像数据预处理之后，采用所述学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取。
[0065]
优选地，所述学习偏移向量模型是通过以下步骤补正s21至s22构建得到的：
[0066]
s21、将u-net模型和segnet模型进行融合，得到loft网络模型系统；
[0067]
s22、在loft网络模型系统中实现端到端识别建筑，并根据实际效果进行网络层改造，得到了融合u-net和segnet的学习偏移向量模型：
[0068]
l＝l
u-net
+α1l
segnet
+α2l
mask
+α3l
offset
；
[0069]
其中，l
u-net
、l
segnet
、l
mask
分别为u-ne模型t、segnet模型和掩模首层的损失；l
offset
是偏移头的损失，α1、α2和α3为损失权重。
[0070]
具体地，参见图2，是本发明实施例中学习偏移向量模型的构建原理图，在图像数据集上预训练的u-net，以segnet作为骨干。利用u-net与segnet模型融合后构建学习偏移向量模型，并进行整体结构系统的数据训练。
[0071]
u-net模型网络结主要由用于捕获上下文的压缩路径(即编码器网络)、用于查找精确位置的扩展对称路径(即解码器网络)和和跳跃连接组成，遵循典型的卷积网络架构，在vgg-13的基础上建立了一个编码器网络，用于提取特征生成特征图谱，只保留卷积层，删除全连接层。解码器网络用于解码特征信息，恢复输入图像的空间分辨率和细节信息，生成高分辨率的预测图。需要说明的是，这个网络主要有效操作是卷积，整个网络共有24层卷积操作层，包括20层卷积层和4层反卷积层。
[0072]
segnet网络架构核心由编码网络、解码器网络和像素级分类层组成，整个网络包含10层，第1层到第5层是编码器层，第6层到第10层是解码器层，编码器网络由13层3
×
3卷积组成，核心主干由vgg-16网络的前13个卷积层组成，通过消除全连接层，使得编码器即使在最深的网络层也能保持良好的分辨率，同时大幅减少了网络参数量。
[0073]
为了减少功能级偏移增强模块中的参数，需要共享所有分支中的fc层的参数。在训练阶段，每个分支将分别计算偏移向量损失，而在推理阶段，相应分支中预测的多个偏移向量将根据旋转角度反向旋转。最终的融合偏移量是由最大选择策略产生的，偏移量的值往往小于地面真值。
[0074]
参见图2，整体模型系统的fo为功能级偏移增强，显示了旋转角集为的功能级偏移增强模块的网络架构，其每个分支由一系列卷积层conv和全连接层fc组成，其参数与sec中的偏移头相同。功能级偏移增强有四个分支，fc层的参数被共享。在训练阶段，每个分支通过给定的旋转角度旋转输入特征图fo，并回归相应的偏移向量。在推理阶段，由四个分支回归的偏移向量被反向旋转并融合形成最终的偏移向量。
[0075]
为了解决在屋顶投影足迹的边界部分立面严重遮挡的问题，本发明设计了一个新的偏移头来预测每个建筑的“屋顶到足迹”的偏移向量，根据预测的偏移向量，通过平移预测的屋顶掩模来估计建筑足迹。
[0076]
因此，需要建立建筑足迹标记数据。给定一个最低点的空中图像，建筑足迹估算任务是设计一个模型来定位足迹，同时提取所有建筑物的边界包含的我。通过监督学习一个深度建筑足迹提取模型的数据d，即
[0077]
d＝{(ii,ti)；i＝1,...,n}；
[0078]
其中，ti是d中图像ii所包含的建筑的相应标签。特别是ti由k足迹由k足迹每个由m个顶点的多边形表示。此外，由于建筑物的足迹是部分可见的，而屋顶总是完全可见的，因此通过估计与每个建筑物的足迹的一个偏移向量相关联的屋顶来提取建筑足迹。因此，每一个数据集d中的足迹标签对应于一个屋顶标签和一个额外的偏移标签它表示从图像ii中的屋顶到第j个建筑的足迹的偏移向量。因此，被标记的数据将会是：
[0079][0080]
接下来结合融合后的学习偏移向量模型进行建筑足迹提取。
[0081]
学习偏移向量模型方法loft是根据最低图像通过预测屋顶及其相关的偏移向量建筑的足迹，监督数据集d，其过程为插入一个新的偏移头学习抵消向量到一个自上而下的实例分割框架用于学习建筑屋顶。学习偏移向量模块用于其他一些实例分割框架，包括u-net和segnet，以下进行学习偏移向量模型系统的训练：
[0082]
建筑边界框(b-bbox)屋顶掩模(r-mask)和偏移向量每个是一个边界框表示和每个顶点的多边形。该信息可以从标签中获得。
[0083]
用一组标记的数据d，将输入图像i输入骨干网络，生成骨干特征图b。然后，u-net网模型以特征地图b作为输入生成区域建议。接下来，三个选择层把每个建议pi＝(xi,yi,ωi,hi)∈p和b作为输入计算特征地图fb，fr，fo，在pi表示为建筑建议，fb，fr，fo分别是建筑边界框，屋顶面具，和偏移首层、掩膜首层和偏移向量特征地图。segnet和掩膜首层继承自掩膜segnet。对于偏移头，特征图fo被用作输入，它由几个卷积(conv)层和全连接(fc)层组成。u-net和segnet首层的地面真相是在建立边界框，因为网络的接受域在偏移量头部需要同时覆盖屋顶和足迹来回归偏移向量，即偏移向量的信息被嵌入到可见的建筑立面结构中。最后，通过最小化一个关节损失函数，得到了融合u-net和segnet的学习偏移向量模型loft网络系统：
[0084]
l＝l
u-net
+α1l
segnet
+α2l
mask
+α3l
offset
；
[0085]
其中，l
u-net
、l
segnet
、l
mask
与掩膜segnet相同，即分别为u-net模型、segnet模型和掩模首层的损失。l
offset
是偏移头的损失，其中使用标准平滑l1损失。可选地，将损失权重设置为α1＝1、α2＝1和α3＝2。
[0086]
为了加快偏移头收敛速度，使用以下编码功能：
[0087]
φ
x
＝o
x
/ω
p
,φy＝oy/h
p
；
[0088]
其中，ω
p
和h
p
是匹配的建议pm∈p的宽度和高度，[o
x
,oy]
t
是地面真实偏移向量，[φ
x
,φy]
t
是用于回归的编码偏移向量。在推理阶段使用预测的偏移向量将预测的屋顶掩模转换为足足迹掩模。具体来说，一个预测的屋顶掩模将首先用拓扑结构分析算法表示为一个具有m个顶点的多边形通过将屋顶多边形r与预测的偏移量进行平移，最终计算出建筑足迹的多边形f。
[0089]
采用本发明实施例，全卷积语义分割模型u-net和segnet在融合后的loft网络模型系统中实现端到端识别建筑，并根据实际效果进行网络层改造，实现最优的模型性能，在本地数据集上进行建筑物识别精度对比、分析，研究各个网络层功能和特点，调整最佳网络结构与超参数，提升现有网络的分割精度。
[0090]
作为优选的实施方式，在步骤s12之后，步骤s13之前，所述方法还包括步骤s12’：
[0091]
s12’、采用功能级偏移增强方式对所述建筑足迹的多边形特征映射进行强化处理，得到强化处理后的建筑足迹。
[0092]
具体地，在极坐标系中，o＝[o
x
,oy]
t
的偏移向量可以在极坐标系中转换为[o
ρ
,o
θ
]
t
。o
θ
大约均匀分布，因为航空成像平台的视角对场景几乎是任意的。因此，在学习偏移量时，网络需要处理任意的旋转转换。此外，偏移头可能不能很好地收敛于有限数量的偏移训练样本。因此，设计一个增强模块需要学习更健壮的鲁棒偏移特征。一种方法是使用图像级的旋转增强功能。观察到图像中的偏移向量只能旋转一个角度训练时代和网络因此需要更多的时间收敛，本发明实施例提出一个功能级偏移量增强模块旋转偏移特性，提高偏移预测的鲁棒性操作在抽象的特征空间。
[0093]
本方法将单个正向偏移头扩展到多个平行偏移头分支，这些分支以不同的角度平行回归多个旋转偏移向量。具体来说，输入特征映射fo和相应的地面真值偏移向量[o
x
,oy]
t
将通过一个旋转角度集θ＝{θ1,θ2,...,θn}同时旋转。
[0094]
具体来说，利用空间转换器来进行特征图的旋转。首先，使用旋转角度θi∈θ创建一个采样网格，即一组点，对输入的特征图进行采样，生成变换后的特征图。更准确地说，给定旋转矩阵：
[0095][0096]
在输入特征映射上的点级变换是：
[0097][0098]
其中，为输出特征图中规则网格的目标坐标，为输入特征图中的源坐标。类似的方法应用于偏移向量旋转，即旋转偏移向量由o
*
＝a
θ
o计算。
[0099]
再接下来，根据学习偏移向量模型得出的建筑物足迹多边形f的提取结果进行建
筑占地面积的计算。由于获得的建筑物足迹提取结果是栅格类型的.tiff格式文件，因此首先需要实现栅格tif格式文件转换成矢量shp格式文件。tif格式的栅格影像需要在地图上进行动态切片的方式渲染，并且需要做多期影像的切换。
[0100]
将每个像元转成一个矩形，然后将相似的像元进行合并，其实现转换的方法是：
[0101][0102]
输出文件为合并之后的矢量数据，在地图交互中包含每个像素对应值。得到建筑足迹矢量化后的数据后，接下来则可以使用凸包算法计算建筑占地矢量形状的面积。参见图3，是本发明实施例中建筑足迹的矢量形状面积计算原理图，凸包算法划分单元矢量，以计算矢量形状面积的步骤如下：
[0103]
获取所述建筑足迹的矢量化后的数据，不断缩小所述建筑足迹的矢量的周长，直到接近包含所有矢量点的边缘周长为止；
[0104]
以最左下角的点为极点进行极角排序，将极角排序后的点依次相连得到一个包围所有点的多边形；
[0105]
向量不断逆时针旋转，组成凸多边形，弹出栈顶的过程把三角形的两条边用第三边代替，同时保证包含原来的顶点；
[0106]
计算凸包点之间所成向量的极角；其中，所述凸包为所有能包含所有点的凸多边形的交集；
[0107]
以最左下角的点为极点进行极角排序，检查三个点组成的两个向量的旋转方向是否为逆时针；
[0108]
根据顺时针给定构成凸包的所有点坐标，基于格雷厄姆扫描法进行叉乘计算，计算得到多边形面积，得到所述建筑足迹的矢量形状面积，具体公式如下：
[0109]
∵
[0110]
∴
[0111]
接着，利用雷达数据即可得出对应的建筑容积：预处理雷达数据表以创建空间索引；预处理遥感地图表以创建空间索引；在遥感地图创建一个新列，以包含每个建筑物占地面积内的点补丁；将建筑物标高描述为建筑物占地面积内所有点标高的统计数据；通过识别建筑物轮廓并将其与雷达数据结合来获得地面标高；建筑标高与前面建筑占地面积依次相乘即可求出各个建筑容积。
[0112]
进一步地，对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模，具体包括步骤s141和s142：
[0113]
s141、采用斯皮尔曼秩相关系数计算公式对建筑环境自变量和充电桩灵活资源进行回归分析；
[0114]
s142、基于回归分析结果，结合复相关系数和影响指标因子对充电桩规模进行计算。
[0115]
基于以上建筑指标的计算结果进行相关性分析，对具备相关性的变量元素的建筑环境因变量对充电桩规模进行分析，结合交通活动和社会经济活动指标来衡量包括建筑容积在内的变量因素的相关密切程度，相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
[0116]
首先，对实施城镇区域的社会、经济、环境因素等数据构成基于遥感图像的地理信息系统，为后续该地区的电车交通行为特征的提取提供数据基础，以及为该地区后续电动汽车保有量预测极其充电负荷需求计算提供因变量；影响汽车拥有率的因素被广泛接受，除了家庭结构、社会经济特征，还与和建筑环境有关(包括多样性、建筑占地密度、设计、目的地可达性、过境距离和需求管理等)。其中建筑环境自变量包括：所述目标城区中的建筑占地面积密度、建筑容积的平均值、建筑容积总和、建筑群功能划分单元(比如办公区、公共广场、居住区等)各自的容积占比、居民人口密度、电动汽车人均保有量和电动汽车总和保有量等。
[0117]
设因变量y为充电桩配置需求指标，以上建筑环境指标、社会经济活动指标为自变量为x1,x2,...,x
p
，构造一个线性模型：
[0118]
y＝b0+b1x1+...+b
p
x
p
+ε；
[0119]
对以上线性方程做一次线性回归，估计出b0,...,b
p
：
[0120][0121]
获得以上影响充电桩配置数量的因变量后，需要求得各自的复相关系数，y与x1,x2,...,x
p
作相关分析，就是对y与做简单相关分析,其决定系数的一般方程计算如下：
[0122][0123]
作为举例，以在天津地区的遥感图像数据得到的建筑占地面积与充电桩数量相关性分析为例：
[0124][0125][0126]
由各城建筑环境因素与社会经济因素指标和充电桩数量之间的关系，进一步分析充电桩数量的分布规律，通过汇总两者数值发现其规律并建立相关性分析，采用斯皮尔曼秩相关系数计算公式如下：
[0127][0128]
其中vi为所述目标城区中第i个建筑的建筑容积，ni为所述第i个建筑容积内的充电桩数量，n为所述目标城区的充电桩总量，r(vi)和r(ni)分别是vi和ni的位次，和分别表示平均位次。
[0129]
判定系数γ2在线性回归中可解释离差平方和与总离差平方和之比值，通过斯皮尔曼秩相关分析原理，如下式简易方程所示，对建环境因素和充电桩可配置程度进行自相关回归：
[0130][0131]
其中，di为第i个数据对的位次值之差，k为总的建筑观测样本数
[0132]
判定系数在回归分析中评估回归模型对因变量y产生变化的解释程度，也即判定系数γ2是评估回归模型好坏的指标。γ2取值范围也为0～1，通常以百分数表示。比如回归模型的γ2＝0.7，那么表示，此回归模型对预测结果的可解释程度为70％，一般认为，γ2》0.75，表示模型拟合度很好，可解释程度较高；γ2《0.5，表示模型拟合有问题，不宜采用进
行回归分析。
[0133]
最后，基于以上包括建筑环境因素在内的自变量与充电桩配置相关性回归分析对充电桩规模进行计算，充电桩规模计算公式为：
[0134][0135]
其中，r
p
是建筑环境影响系数，rq是其它因素影响系数，r
p
,rq∈(0,1)，p《q；m表示电动汽车市场潜力，f(t)表示t时第一次购买的概率，f(t)表示t时(f＝df/dt)时购买者的累计比例，n(t)表示t时刻的累计充电桩数量。
[0136]
由此，从遥感图像建筑足迹提取，到建筑环境自变量因子相关性回归分析，完成了该城区范围内充电桩规模的计算和配置需求统计。
[0137]
本发明实施例提供了一种基于遥感影像的城区充电桩配置需求评估方法，获取包含目标城区的建筑的遥感影像数据；采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模。采用本发明实施例的技术手段，能够利用多光谱遥感影像对建筑足迹进行识别并算出建筑占地面积，基于建筑环境因素自变量对地区充电桩灵活资源容量进行相关性分析，完成对多个自变量和充电桩规模回归分析，从而精准地预测城区的充电桩需求，给城区充电桩配置需求的预测提供参考。
[0138]
参见图4，是本发明实施例提供的一种于遥感影像的城区充电桩配置需求评估装置的结构示意图，本发明实施例提供了一种基于遥感影像的城区充电桩配置需求评估装置20，包括：
[0139]
遥感影像数据获取模块21，用于获取包含目标城区的建筑的遥感影像数据；
[0140]
建筑足迹提取模块22，用于采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；
[0141]
建筑容积计算模块23，用于基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；
[0142]
充电桩规模评估模块24，用于对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。
[0143]
需要说明的是，本发明实施例提供的一种基于遥感影像的城区充电桩配置需求评估装置用于执行上述实施例的一种基于遥感影像的城区充电桩配置需求评估方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
[0144]
参见图5，是本发明实施例提供的另一种于遥感影像的城区充电桩配置需求评估装置的结构示意图，本发明实施例还提供了一种基于遥感影像的城区充电桩配置需求评估
装置30，包括处理器31、存储器32以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项实施例所述的基于遥感影像的城区充电桩配置需求评估方法。
[0145]
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，所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，所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(random access memory，ram)等。
[0146]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种基于遥感影像的城区充电桩配置需求评估方法，其特征在于，包括：获取包含目标城区的建筑的遥感影像数据；采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。2.如权利要求1所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，所述学习偏移向量模型是通过以下步骤构建得到的：将u-net模型和segnet模型进行融合，得到loft网络模型系统；在loft网络模型系统中实现端到端识别建筑，并根据实际效果进行网络层改造，得到了融合u-net和segnet的学习偏移向量模型：l＝l
u-net
+α1l
segnet
+α2l
mask
+α3l
offset
；其中，l
u-net
、l
segnet
、l
mask
分别为u-ne模型t、segnet模型和掩模首层的损失；l
offset
是偏移头的损失，α1、α2和α3为损失权重。3.如权利要求1所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，在所述采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取之后，所述基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积之前，所述方法还包括：采用功能级偏移增强方式对所述建筑足迹的多边形特征映射进行强化处理，得到强化处理后的建筑足迹。4.如权利要求1所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，所述基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，具体包括：获取所述建筑足迹的矢量化后的数据，不断缩小所述建筑足迹的矢量的周长，直到接近包含所有矢量点的边缘周长为止；以最左下角的点为极点进行极角排序，将极角排序后的点依次相连得到一个包围所有点的多边形；向量不断逆时针旋转，组成凸多边形，弹出栈顶的过程把三角形的两条边用第三边代替，同时保证包含原来的顶点；计算凸包点之间所成向量的极角；其中，所述凸包为所有能包含所有点的凸多边形的交集；以最左下角的点为极点进行极角排序，检查三个点组成的两个向量的旋转方向是否为逆时针；根据顺时针给定构成凸包的所有点坐标，基于格雷厄姆扫描法进行叉乘计算，计算得到多边形面积，得到所述建筑足迹的矢量形状面积。5.如权利要求1所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，所述对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模，具体包括：
采用斯皮尔曼秩相关系数计算公式对建筑环境自变量和充电桩灵活资源进行回归分析；基于回归分析结果，结合复相关系数和影响指标因子对充电桩规模进行计算。6.如权利要求5所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，所述斯皮尔曼秩相关系数计算公式为：其中，v
i
为所述目标城区中第i个建筑的建筑容积，n
i
为所述第i个建筑容积内的充电桩数量，n为所述目标城区的充电桩总量，r(v
i
)和r(n
i
)分别是v
i
和n
i
的位次，和分别表示平均位次。7.如权利要求5所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，所述充电桩规模的计算公式为：其中，r
p
是建筑环境影响系数，r
q
是其它因素影响系数，r
p
,r
q
∈(0,1)，p<q；m表示电动汽车市场潜力，f(t)表示t时第一次购买的概率，n(t)表示t时刻的累计充电桩数量。8.如权利要求1所述的基于遥感影像的城区充电桩配置需求评估方法，其特征在于，在所述获取包含目标城区的建筑的遥感影像数据之后，所述方法还包括：对所述遥感影像数据进行图像预处理操作；其中，所述图像预处理操作包括辐射定标、大气校正和正射校正处理。9.一种基于遥感影像的城区充电桩配置需求评估装置，其特征在于，包括：遥感影像数据获取模块，用于获取包含目标城区的建筑的遥感影像数据；建筑足迹提取模块，用于采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于u-net模型与segnet模型融合构建得到的；建筑容积计算模块，用于基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；充电桩规模评估模块，用于对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模；其中，所述建筑环境自变量包括所述建筑占地面积和所述建筑容积。10.一种基于遥感影像的城区充电桩配置需求评估装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于遥感影像的城区充电桩
配置需求评估方法。

技术总结
本发明公开了一种基于遥感影像的城区充电桩配置需求评估方法和装置，通过获取包含目标城区的建筑的遥感影像数据；采用预先构建的学习偏移向量模型对所述遥感影像数据进行建筑足迹的提取；其中，所述学习偏移向量模型是基于U-Net模型与SegNet模型融合构建得到的；基于格雷厄姆扫描法的凸包算法计算所述建筑足迹的矢量形状面积，得到建筑占地面积，并根据所述建筑占地面积计算建筑容积；对建筑环境自变量和充电桩灵活资源进行回归分析，以计算所述目标城区的充电桩规模。采用本发明，能够利用多光谱遥感影像对建筑足迹进行识别并算出占地面积，进而实现对地区充电桩灵活资源容量的相关性分析，从而精准地预测城区的充电桩需求。需求。需求。


技术研发人员：孙志鹏 戴攀 王蕾 高强 刘曌煜 周灵刚 张笑弟 叶承晋 钟磊 王鹏 侯文浩 梁邱 胡哲晟 张曼颖
受保护的技术使用者：国网浙江省电力有限公司 浙江大学
技术研发日：2023.03.30
技术公布日：2023/7/28