LBS之十二：AOI三部曲之AOI资产挖掘

最新推荐文章于 2025-06-27 10:59:13 发布

时空数据矿工

最新推荐文章于 2025-06-27 10:59:13 发布

阅读量943

点赞数 27

CC 4.0 BY-SA版权

分类专栏：城市计算 LBS 文章标签： LBS 空间计算城市计算 AOI 城市功能区 urban area 兴趣区

本文链接：https://blog.csdn.net/whascj/article/details/148445871

城市计算同时被 2 个专栏收录

17 篇文章

订阅专栏

LBS

17 篇文章

订阅专栏

1 认识AOI

1.1 什么是AOI

AOI(Area of Interest)，与POI(point of Interest)相对，一个表示兴趣点一个表示兴趣面（多边形）。每一个POI至少包含四项基本信息：名称、地址、类别、经纬度坐标，它可以是一栋房子、一个商铺、一个小区门口或一个公交站等；AOI（Area of Interest），顾名思义，指的是互联网电子地图中的兴趣面，同样包含四项基本信息，区别在于其经纬度坐标不是一个坐标点，而是形成一个封闭围栏坐标串组成，主要用于在地图中表达区域状的地理实体，如一个居民小区、一所大学、一个写字楼、一个产业园区、一个综合商场、一个医院、一个景区或一个体育馆等等；AOI相比POI，具有更好的空间表达力，更好的计算力，更好的稳定性（POI瞬息万变，而AOI所表达的地理实体变化频率低很多）；相反，POI比AOI的抽象层次更高，万事万物都抽象为一个点，实现降维，回归本源。

随着云计算、IoT、5G等信息技术发展，人类正在快速推进地理空间到信息空间（基于ICT技术构建）的映射和关联，如目前的O2O模式。而AOI所表达的地理实体是所有社会经济活动的地理载体，因此，以AOI数据为载体，将组织的业务数据、生产材料、生产工具、运营策略、人等所有生产要素组织起来，能够有效的完成线上线下一体化、推进组织向信息空间进化。

1.2 AOI分类

AOI是POI的更进一步抽象，所以，一般AOI也可以由标准POI类目体系（高德POI类目分类表）进行划分，分为三级共约20+一级类目、200+二级类目和约1000个三级子类目，具体包括学校、医院、住宅区、商场、门店等等；当然也包括根据场景，区分为经营性POI、非经营性POI，导航点位POI、行业类POI（如医院类POI/学校类POI等）等；

此外，根据AOI生产方式，又可以分为人工AOI和全域AOI，人工AOI是指人工绘制采集的各类AOI，全域AOI一般是由各类地图数据通过算法生成的，是融合真实地理要素围栏，和路网加轨迹大数据挖掘的城市无缝全域覆盖的地址围栏分层体系。在很多城市末端O2O场景（快递、外卖及出行等）中，需要划分区域进行运营策略制定、服务人员（快递员）分区任务分配等，此时人工按热点采集绘制的AOI已无法满足业务需求，全域覆盖且划分合理的AOI网格是满足业务的基础单元。在菜鸟/蚂蚁，全域AOI目前已更新到第4版，除了越来越合理的空间划分，最新版城市市区内会有较全AOI类别及名称标注。

2 多模态AOI挖掘

传统的人工AOI采集通常成本较高（据测算约40元/个），且需要大量的人力及时间，越来越无法满足业务快速迭代的需求。所以，算法批量生成AOI成为首选。无论是基于POI辐射范围抽象生成的AOI，还是路网水系等划分的全域AOI，都是通过算法手段，利用各类时空多模态数据（路网、水系绿地、行政区、LBS轨迹、物流文本地址等）建模生成各类AOI资产。

2.1 多模态AOI挖掘数据准备

多模态AOI挖掘用到的相关数据包括轨迹数据、原有AOI数据、POI数据、用户/商家物流收货地址，也包括

中国行政区划数据+路网数据与高德山/水系数据等，如下图所示：

除此之外，如需通过遥感图像建模生成AOI，还需高清遥感数据，这里可采样Google Earth/Google Earth Pro等数据源。示例：

2.2 多模态AOI挖掘分段建模方案

本文相关是蚂蚁多模态AOI挖掘建模过程，主要可分为5个主要部分，也即AOI生成全链路算法方案。如下两图所示：

蚂蚁AOI资产实体生成主要分为3个阶段4个模块：

（0）主POI的精选--筛选出哪些POI类别是适合或者能被用于挖掘AOI的（第一轮主要优先筛选top50三级类目--业务高优先级且数量较大的）；

（1）全域路网AOI围栏的生成--生成细粒度原子独立区块围栏实体，作为挖掘最终AOI参照边界；

（2）遥感AOI轮廓预测--利用高清遥感图像，预测生成各类目AOI的大致轮廓；

（3）AOI精细形态的生成拓扑空间建模--包括主POI与AOI的挂载建模+AOI形态的空间搜索拓扑重建；

（4）最终AOI整体可信度的预估建模--输出达到一定可信度的优质AOI与AOI分层（即此围栏范围内是##学校/小区的可信度）。

当然，AOI实体资产挖掘后，后续还包括AOI实体资产实际的准确性和覆盖率评估等，后文也将对AOI资产评测方案进行简介。

2.3 路网到AOI初始网格的算法方案

利用NLP与GIS技术，全域AOI即把一个城市切割为无缝或近似无缝的AOI组合。末端区域划分解决方案中，城市区域划分方式主要分为两类：一类是根据行政区域划分，但这类划分往往粒度太大，一般商业企业能获得准确的行政分级信息通常只到三级行政区粒度（地图管制原因），也就是省市区的区粒度，还是偏大；另一类是根据标准格网对城市地图进行切分，如geohash网格，或标准正多边形切分，滴滴打车的区域加价和排队机制的基础，就是对城市地图进行特定大小的正六边形的切分，以每个正六边形为单位，计算实时供需关系，以匹配相应的运营或计价机制。在打车场景中，司机乘客位置都是局限于路网中点的概念，而在外卖和快递配送场景中，配送范围是面的概念更多一些，且现实场景中道路两侧的通行成本往往高于一个小区或学校内，所以，在这些场景中，不得不考虑交通约束带来的配送成本，用标准格网模式切割划分城市地图就有可能把一个小区切成两块，而有明显通行障碍约束的道路两侧划分为一个区域，因此，有必要以现实约束的路网为界限的区域分隔就非常有必要。

（1）路网生成的全域AOI算法流程简图：

（2）路网全域AOI核心算法过程：

蚂路路网AOI生成核心算法.pptx

（3）全域AOI核心算法指标：

1）Scalable balanced st-rtree：单城市100w路网段，计算性能2小时-->0.5小时

2）Road closed-loop repair algo（启发式算法）:路网网格数，相对已有AOI库正样本，IOU>0.85 的比例提升约5%（35%-->40%）。

2.4 遥感AOI轮廓预测建模

在解决路网切割AOI过大问题的解决方案中，主POI处于中心位置及其与AOI边界顶点的地理几何关系被重点考虑，进行AOI二次切割建模（https://yuque.antfin-inc.com/antlocation/cqwt85/br96pw/edit）。受此启发，在遥感AOI提取建模中，以POI为极坐标系原点，每隔一特定弧度取一条射线，该射线和多边形的交点选为待预测点如下图所示：

通过深度网络来预测N个点的坐标来获得AOI轮廓

（1）算法方案：feature extracting backbone + transformer head

（2）遥感AOI预测结果示例：

目前，不同类目评价指标为预测多边形和原始多边形的mIoUIOU预测0.58~0.88。对接近矩形的多边形预测较好，不规则多边形预测较差；边界清晰界限分明的AOI预测也会较好，反之较差。

2.5 AOI围栏的融合重建

在抽样评测完成1000个算法打标AOI的结果后发现，基于多级路网生成的围栏+主题提取后的AOI，准确率大约35~40%，在错误的部分中，约80%是过大，过大的原因来源于：该区域（一般偏郊区）没有外部路网，而AOI生成模型中一般会过滤内部路网，因为复杂性与非闭合性--断头。那怎么找到这些主POI的准确边界围栏呢？

（1）算法整体思路：

（2）实例分析

在我们作为线索的主POI，会发现其绝大部分处于其真实边界的中心，可利用该信息，进行围栏二次生成建模，提取其最可能的边界，如下图：

从地图中不难发现，该图中2个过大的路网AOI内含有多个真实的实体AOI，以右上角“浙江圣奥家具制造有限公司”为例，计算其主POI与路网AOI边各界距离（点到线段边的距离，且垂直点在线段内），设置合理阈值，提取1~3个有效边界（提取有效参考边的个数及距离阈值，则通过构造分AOI类别的正样本进行学习，输出2+个短距边界会更好）--此次根据类别距离阈值，提取东北2条有效边界，然后对称生成另外2条边界，最终组成四边形AOI围栏。

AOI二次围栏生成算法的核心是充分利用：原路网AOI的围栏部分边界+可信主POI中心性的特点。当然也会带来异常的围栏图形的问题，需要平滑处理，如下图会生成“锯齿”边界的问题--此问题可用改进的计算机图形学中的Douglas–Peucker算法处理。

（3）算法实现核心主代码：（入参中的poi_type对应limitDistance通过离线正样本学习得到）

public class AOIReBulidAlgo extends UDF {



double outAngleLimit=100.0;

String anceLimit="15";

String distanceLimit="0.0001";

smoothPolygon sp=new smoothPolygon();

PolygonSimpliy ps=new PolygonSimpliy();

polygonCleanAndFormat pcf=new polygonCleanAndFormat();

// poi_lng、poi_lat主POI的经纬度；rs_flag:0、1是否有遥感图参考；reference_wkt_or_distance：参考遥感图围栏；road_wkt：路网切割的AOI围栏

    public String evaluate(String poi_lng,String poi_lat,String rs_flag,String road_wkt,String reference_wkt_or_distance) {

        String resultWkt="";

        try {    

//参考围栏的拓扑修正

road_wkt=sp.evaluate(road_wkt, anceLimit, distanceLimit);

road_wkt=ps.evaluate(road_wkt, distanceLimit, "false");

         Polygon polygon=JtsOdpsIO.inputPolygonWkt(road_wkt);

            Point point =JtsOdpsIO.inputPointFormat(poi_lng+" "+poi_lat);

            //(1)POI点到多边形每条边的距离列表

            List<LineString>  sideDistances=getPoiPolygonSideDistance(point,polygon);

List<LineString> effectLines=new ArrayList<LineString>();

//(2)AOI生成的参考围栏，初始为路网AOI

String reference_wkt=road_wkt;

if("0".equals(rs_flag)){

//(2)AOI有效边的提取

effectLines=computeEffectLines(sideDistances,polygon,point,reference_wkt_or_distance);

}else{

//(2.0)参考围栏变更+遥感AOI的轮廓格式修正

reference_wkt=pcf.evaluate(reference_wkt_or_distance, "false", "true");

//(2.1)AOI中心位置修正

point=poiCenterUpdate(point,reference_wkt);

//(2.2)中心边距计算

double dis[]=getReferenceDistance(point,reference_wkt);

//(2.3)AOI有效边的提取

sideDistances=getPoiPolygonSideDistance(point,polygon);

effectLines=computeEffectLinesWithRs(sideDistances,polygon,point,dis,reference_wkt);

}

//(3)AOI边界重绘（含拓扑优化补全）

resultWkt=AoiRebulid(point,effectLines,reference_wkt,rs_flag);

            //resultWkt=resultPolygon.toText().replace("POLYGON ((","POLYGON((").replace(", ",",");   

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

return "Parms Error";

}

        

        return resultWkt;

    }

}

（4）算法核心指标：

1)第一版AOI生成时（无遥感特征），AOI测评整体准确率：35%-->59%;

2)第二版AOI生成时（融合遥感特征），AOI测评整体准确率：路网AOI 59%+遥感AOI65.4%-->70.5%。

2.6 AOI挖掘实体准确性预测建模

（1）AOI实体准确性评估预测模型：

（2）更详细的算法模块实现参考：

https://yuque.antfin-inc.com/antlocation/cqwt85/raz7vm

（3）最终算法指标：

80w挖掘AOI，整体70.5%准确率，经预测模型训练后整体auc约91%，输出算法预测平均86%的条件下，2次累计共产出高质量AOI资产18.2w,实际测评准确率85.7%。

3 多模态AOI End to End模型升级

在本文第二部分中，我们的多模态AOI生成是划分为多个阶段/模块进行建模的，后来我们又对遥感AOI预测生成模型进行了end to end升级改造，改造分为2个阶段，首先是融合路网和类别信息的多query AOI围栏预测，最后建立一个级联模型，让模型同时输出生成的AOI的准确率。

3.1 融合路网节点的AOI预测建模改造

（1）改造思路：新增AOI类目（即主POI类目）与road_nodes的2个decoder queries，分别进行transformer后，首先针对road_nodes与召回图像进行crop&filter，然后对3个queris的transformer outs进行add&norm，最后仍是接FFN。（2）road_nodes选取：与AOI轮廓的36个点选择方式一样--根据主POI，等角取n（n=36）个边界交点（模型decoder后与召回图像进行crop，filter掉图像边缘部分参考意义小的nodes）

3.2 多模态AOI End to End预测建模最终方案

因LBS点位分布或地址等特征无法直接用于AOI轮廓的预测，所以，通过增加一个级联模型，来预测前序模型输出的AOI准确率，整体结构如下图：

（1）模型注释：

AOIRecall&Group：重新召回预测AOI范围的内的特征值； AOI flow spatial-Temporaldistribution（人流特征）：早晚流量密度比、工作日与周末人流密度比、人流周稳定性----来源交易定位及wifi数据； AOI-POI topics area distribution（AOI内、附近POI类目/主题分布）：POI的类目与主POI类目一致性，tf-idf特征，附近POI与主POI的相似性/类目（或父子）从属性。（物流地址首先解析出POI，计算POI动态密度特征）； AOI-POI relation features：主poi中心度，POI绝对/相对边界距离； AOI-road relation features：rate of coverage。

（2）准确率级联模型的样本构造：

因AOI的负样本较少，除了让外包标记得到的少量正负样本，其他正样本则来源于AOI库原有AOI，而负样本来源于其对应的围栏进行内外buffer一定距离得到（会同步更新其他特征）。

4 AOI资产测评

随着高德引入AOI资产和我们自身挖掘AOI资产越来越多，但之前我们只有关于POI的质量评测，却没有AOI的质量评测，越来越多的业务在使用某些类别AOI资产时，无法给到业务方准确的关于数据准确性和覆盖度的预期；所以想初步建立第一版AOI资产质量的评测标准，建立标准后，利用现有外包资源，评测现有多个源的AOI（高德、蚂蚁及正在挖掘的AOI）整体质量情况，及分类的准确率和覆盖率，以给业务方更明确的指导。

4.1 AOI资产评测指标因子

核心指标因子：AOI覆盖率和准确率，关于覆盖率分母，考虑线上实操性，也因为AOI是基于POI之上一层抽象的产品，所以，覆盖率的分母为主POI数目--适合绘制AOI围栏且代表一定地理区域并存在”进场”概念的POI类别，如学校、医院、工业园区等，而经营门店类POI则为非主POI，至于未被采集的主POI，则认为已在评测POI覆盖率时已计算；AOI准确率因子是指AOI核心三要素--AOI名称、类别和围栏准确性均正确的，则为正确，否则为不正确。

（1）AOI覆盖率：--仅供分类目参考

~~1）AOI的整体覆盖率：被AOI化的主POI数量/总的主POI数量（主POI细分为Top10、Top50等）~~

2）AOI的分类目覆盖率：特定类别被AOI化的主POI数量/特定类别总的主POI数量

特别说明：因主POI存在一定的重复率（单个真实AOI范围内存在多个别名或错误类别的主POI的现象），所以分母主POI数目可能偏大，所以该指标真实覆盖率会略高于计算的覆盖率--当前，不同类别主POI重复情况不一样，主POI需要经过明确规则筛选确定后，覆盖率的指标才是严谨客观的。

（2）AOI准确率：

1）AOI的整体准确率：被评测为准确的AOI数量/总的AOI数量（亦可再细分+无法判别的比例）

2）AOI的分类目准确率：特定类别被评测为准确的AOI数量/特定类别总的AOI数量

（3）重复率：

1）AOI重复率：重复的AOI数量/总的AOI数量

2）AOI的分类目重复率：特定类别被评测为重复的AOI数量/特定类别总的AOI数量