技術特征：

1.一種基于機器學習的建筑結構識別方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述步驟s2中，人工標注包括將建筑物標注為以下結構類型中的一種：磚石結構、混凝土框架、混凝土框架-剪力墻、混凝土剪力墻和鋼結構。

3.根據權利要求1所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述幾何特征包括：建筑面積、周長、樓層數、樓層高度、長寬比和高寬比。

4.根據權利要求1所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述形狀特征包括：形狀不規則性和輪廓頂點數，其中所述形狀不規則性通過以下公式計算：si＝ab/ambr其中，si為建筑輪廓的形狀不規則性，ab為建筑輪廓面積，ambr為包圍建筑輪廓的最小邊界矩形面積。

5.根據權利要求1所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述poi特征包括：poi數量、poi類型數量和主要poi類型。

6.根據權利要求1所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述步驟s4具體包括：

7.根據權利要求6所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述機器學習算法包括以下一種或多種：梯度提升決策樹gbdt、決策樹dt、隨機森林rf、支持向量機svm、k近鄰knn和多層感知機mlp。

8.根據權利要求6所述的一種基于機器學習的建筑結構識別方法，其特征在于，所述步驟s4還包括：

9.一種基于機器學習的建筑結構識別模型，其特征在于，包括：

10.根據權利要求9所述的建筑結構識別模型，其特征在于，所述預測建模模塊包括：

技術總結
本發明提供了一種基于機器學習的建筑結構識別方法及模，涉及機器學習技術領域，包括：通過GIS獲取建筑物的幾何輪廓數據，并從網絡地圖獲取建筑物的興趣點POI數據；處理GIS數據，對建筑物進行人工標注得到訓練數據集，并將POI數據與建筑物匹配，生成完整的shp格式數據集；從訓練數據集中提取建筑物的特征值，包括幾何特征、形狀特征和POI特征；采用預聚類主動學習方法對訓練數據集進行分類訓練，得到建筑結構預測模型；基于該預測模型，構建城市尺度的建筑結構信息資源數據庫。本發明通過多源數據融合和機器學習技術，實現了建筑結構的自動識別，顯著提高了分類準確率，降低了識別成本，特別適用于包含大量老舊建筑的城市環境。

技術研發人員：徐躍家,金心怡,梁佳,張鑫浩,楊一諾,李煜
受保護的技術使用者：北京建筑大學
技術研發日：
技術公布日：2025/4/24