【技术实现步骤摘要】
基于深度学习的环境舒适度预测方法、平台、终端及介质
[0001]本专利技术涉及计算机
，尤其涉及一种基于深度学习的环境舒适度预测方法、平台及终端。
技术介绍
[0002]居住环境是提高生活质量的一个重要因素，也是经济、文化和社会等社会活动的一个重要支撑。
[0003]目前，通常是基于历史气象逐日数据对居住环境舒适度的进行预测，通常在空间纬度上以特定范围作为研究区，在对特定范围的环境舒适度进行预测。但是受环境变化和随城市化进程的影响，历史气象逐日数据无法更加准确的判断当前特定范围内的环境舒适度；并且，无法同时对不同范围内的环境舒适度进行预测。因此，需要提出更为合理的技术方案，解决现有技术存在的问题。
技术实现思路
[0004]为了解决在现有技术中受季节变化和地域变化的影响，历史气象逐日数据无法准确的判断不同季节、不同地域范围内的环境舒适度预测的问题。
[0005]第一方面的，本专利技术实施例提出了一种基于深度学习的环境舒适度预测方法，包括：
[0006]获取环境图像集，环境图像集包...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的环境舒适度预测方法，其特征在于，包括：获取环境图像集，所述环境图像集包括历史环境图像集和当前环境图像，其中，所述历史环境图像集包括若干不同季节环境和不同地域环境对应的环境样本图像；对所述当前环境图像进行卷积处理，得到所述当前环境图像对应的第一季节环境局部特征向量，以及对所述历史环境图像集中的每张环境样本图像进行卷积处理，得到每张环境样本图像对应的第二季节环境局部特征向量；求取各个环境样本图像对应的第二季节环境局部特征向量之间的交集，并将所述交集作为季节环境共有特征向量；计算所述第一季节环境局部特征向量与所述季节环境共有特征向量之间的环境差集，以将所述环境差集作为所述当前环境图像对应的环境相异特征向量；将所述环境相异特征向量输入至季节识别模型中，识别得到所述当前环境图像对应的季节类型；对所述当前环境图像进行卷积处理，得到所述当前环境图像对应的第一地域环境局部特征向量，以及对所述历史环境图像集中的每张环境样本图像进行卷积处理，得到每张环境样本图像对应的第二地域环境局部特征向量；求取各个环境样本图像对应的第二地域环境局部特征向量之间的交集，并将所述交集作为地域环境共有特征向量；计算所述第一地域环境局部特征向量与所述地域环境共有特征向量之间的地域差集，以将所述地域差集作为所述当前环境图像对应的地域相异特征向量；将所述地域相异特征向量输入至地域识别模型中，识别得到所述当前环境图像对应的地域类型；将带有季节类型和地域类型对应的所述当前环境图像作为输入，通过环境舒适度预测模型根据所述季节类型和地域类型对应的环境舒适度进行预测。2.根据权利要求1所述的基于深度学习的环境舒适度预测方法，其特征在于，对当前环境图像进行卷积处理，得到所述当前环境图像对应的第一季节环境局部特征向量的步骤，包括：获取卷积核函数，并确定该卷积核函数的尺度和方向；基于该卷积核函数的尺度和方向，组合得到若干特征提取核函数；将每个特征提取核函数与当前环境图像进行卷积运算，得到每个特征提取核函数对应的第一季节环境局部特征子向量；对每个第一季节环境局部特征子向量进行降维处理，并利用降维后的各个第一季节环境局部特征子向量组成一列向量，以将所述列向量作为所述第一季节环境局部特征向量。3.根据权利要求1所述的基于深度学习的环境舒适度预测方法，其特征在于，季节识别模型训练的步骤，包括：获取季节训练集，所述季节训练集包括多张训练用季节图像，及每一所述训练用季节图像对应的季节标签；所述季节标签用于指示所述训练用季节图像中是否存在季节特征；构建基于深度残差网络的初始季节识别模型；以所述季节训练集作为输入，对所述初始季节识别模型进行训练，得到季节识别模型。4.根据权利要求1所述的基于深度学习的环境舒适度预测方法，其特征在于，所述预测方法还包括训练得到季节类型和地域类型对应的环境舒适度模型，包括：获取环境舒适度训练集，所述环境舒适度训练集包括多张包含：季节类型和地域类型的训练用卫星图像，及每一所述训练用卫星图像对应的舒适度标签；
所述舒适度标签为所述训练用卫星图像对应的环境舒适度；构建基于深度残差网络的初始环境舒适度预测模型；以所述环境舒适度训练集作为输入，对所述初始环境舒适度预测模型进行训练，得到环境舒适度预测模型。5.一种基于深度学习的环境舒适度预测平台，其特征在于，所述平台包括：环境图像获取模块，用于获取环境图像集，所述环境图像集包括历史环境图像集和当前环境图像，其中，所述历史环境图像集包括若干不同季节环境和不同地域...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。