自立项建设以来，本工程中心所研发和实施的工程化项目达50多项，其中具有代表性的典型工程化案例共15项，具体信息如下： 

案例1：基于AI+无人机遥感大数据的城市内河水质监测与反演

该案例源于本工程中心所承担的三个横向课题：“基于AI算法与高光谱成像的城市内河水质参数反演”、“基于AI算法与高光谱成像的城市内河水质参数反演”和“福州市山仔水库富营养化无人机高光谱遥感反演”（详见附件7）。针对城市水环境水质大范围监测存在的难题，以福州市部分内河和湖泊为研究区域，采用无人机搭载高光谱相机对河段或湖面进行扫描获取内河水体的高光谱遥感影像，并同步采集河水样本进行实验室化学检测，获取采样点处的水质参数。该项目充分利用无人机高光谱遥感数据所有具有的高光谱分辨率和高空间分辨率的优势，结合AI算法（如深度学习算法）所具有的强大特征分类和拟合能力，建立福州市部分内河的水质预测模型，并通过遗传算法对模型进行全局优化。采用经优化的水质预测模型对内河水域水质进行高精度反演和定量评估，根据各种水质指标的参数大小等级生成水质参数空间分布图，并分析污染源或排污口的位置，以作为政府和环保部门的决策参考。在该项目中，水质指标参数预测达到了较高的精度，其中叶绿素A（CHL-a）、总氮(TN)、总磷(TP)、总悬浮物浓度（TSS）和浊度（NTU）的预测精度达80%以上。

 

图2 高光谱水质预测与反演模型训练与反演应用流程示意图

 

图3城市内河部分河段CHL-a、TN、TP和TSS浓度分布反演结果

 

图4  疑似排污口预测

 

图5 在无人机飞控屏幕上实时显示水质反演结果

目前该项目可基于现有水质反演模型实时反演总氮、总磷、叶绿素a、氨氮、高锰酸钾指数、溶解氧、悬浮物等20余种水质和植被参数，并显示在飞控屏幕上，实时判断疑似排污口并记录经纬度信息，自动上传至云平台。近年来，本工程中心与福州市环境科学研究院、共享数据（福建）科技有限公司和四创科技有限公司合作，已将本项目成果推广应用到福州市近10个水体（内河或湖泊）的水质反演与水污染溯源领域，取得了良好的成效。

案例2：基于Spark的全国空气质量大数据分析

该案例源于本工程中心所承担的国家级大学生创新创业训练计划项目“基于 Spark 的全国城市空气质量变化大数据分析”（编号：202113468004，详见附件7）。近年来，我国各大城市的环境污染问题日益凸显，聚集到城市空气质量的关注度也越来越多。如何减少空气污染物的排放是我国乃至世界的一项重大环保目标。本案例主要采用Scrapy-redis框架实现分布式爬虫，从国家环保部相关网站上爬取全国各城市空气质量指标的实时数据，并采用分布式爬虫管理工具，管理和监测各个爬虫的行为。通过Redis对爬取到的数据进行过滤去重，再将数据存储在MySQL数据库中，对数据进行持久化。然后，搭建Spark分布式集群，并用采用各种算法对数据进行并行分析处理，并采用Tableau或Echarts平台进行数据可视化，生成各种相应统计报表和动态变化趋势图, 并组合成仪表板，进行多维度的数据展示。本项目分析了从2020年2月20日-2020年3月16日期间全国各城市8项空气质量指标的平均值与变化趋势、各城市每天空气总体质量等级分布等主题，以及分析了新冠肺炎疫情期间武汉的空气质量变化情况。

 

图6空气质量数据发布网站首页

 

图7空气质量实时动态仪表板

疫情期间武汉市的AQI平均值与PM2.5平均值的变化趋势如图8所示，疫情期间湖北省五个城市的空气质量变化情况如图9所示。由图8可以看出从2020年2月20日-2020年3月16日疫情期间武汉市的环境空气质量总体较为稳定，同时AQI平均值与PM2.5平均值的变化趋势比较相似。由图9可以看出湖北省疫情情况较为严重的五个城市在2020年3月2日-3月14日期间，荆州市的整体空气质量相对另外四个城市是较为差的，并且在3月6日上午2时达到了峰值。

 

图8 疫情期间武汉市AQI、PM2.5平均值的变化趋势图

 

图9 疫情期间湖北省五个城市的空气质量变化情况图

为了探索在全国范围内的PM2.5污染是否存在空间依赖性、空间异质性和空间结构性关联，对全国主要城市数据进行莫兰指数（Moran`s I）计算，从而分析各省市之间PM2.5污染的空间相关性。按周数来看，中国城市 PM2.5浓度的空间局部相关性呈现周期性变化。疫情期间部分时段中国主要城市PM2.5冷点和热点分布如图10所示。

                                                                                                                     

图10疫情期间部分时段中国主要城市PM2.5冷热点分布图

案例3：基于AI+多模态遥感数据的不透水面自动提取

本案例源于本工程中心所承担的国家自然科学基金项目“基于深度信念网络的高光谱遥感影像变化检测方法研究”（项目编号：41501451，详见附件7）。本项目以landsat8多光谱遥感影像、LIDAR三维点云数据（LAS格式）和Pléiades-1A高分辨率遥感影像（分辨率0.5米）三种数据为数据源，首先对其进行预处理、配准和特征融合，然后采用一种基于多源遥感数据和深度学习的城区不透水面自动提取方法（AEIDLMRS），对中国宁夏回族自治区石嘴山市崇岗镇附近地区（贺兰山脉东南侧）进行不透水面提取。本项目从多源数据所覆盖区域随机选择3个具有代表性的子区域A、B和C进行验证。验证结果表明，AEIDLMRS具有良好的不透水面提取精度和效率，适用于复杂城市不透水面的提取。

 

图11 验证区Pléiades-1A卫星影像和相应点云数据3D效果

 

图12 AEIDLMRS实现流程

 

               图13  AEIDLMRS中CNN网络结构

由图14和图15可知，验证区A、B和C所对应散点图的决定系数R²的值分别达0.9666、0.9591和0.9476（平均值为0.9578），均方要误差RMSE分别为6.0749%、6.9352%和6.9647%（平均值6.6583%），平均绝对误差MAE分别为5.0564%、5.0835%和5.2254%（平均值5.1218%），这表明采用AEIDLMRS方法进行不透水面提取所得到的预测值与实际值的拟合效果良好，AEIDLMRS方法能有效地对组成和分布较为复杂的城区不透水面进行提取。

 

图14 各实验区AEIDLMRS不透水面提取效果

图15 各验证区不透水面提取精度分析

案例4：基于深度学习的城区建筑物变化检测

本案例源于本工程中心所承担的福建省自然科学基金项目“基于张量与深度学习的高分遥感影像建筑物变化检测研究”（项目编号：2019J01088，详见附件7）。为了提高基于高分辨率遥感影像的建筑物变化检测的精度，本研究提出一种基于张量和深度信念网络（DBN）的高分遥感影像建筑物变化检测解决方案，设计出一种基于张量的时-空-谱-阴影特征一体化模型（TSSS-Cube）和一种可直接用于处理TSSS-Cube数据的受限波尔兹曼机（TC-RBM），构建包含多层TC-RBM和STM的深度信念网络（MTR-DBN），并采用少量标记样本和支持张量机（STM）分类器对MTR-DBN进行全局参数优化，综合利用监督学习和非监督学习的优点提高MTR-DBN网络变化检测的精度。

本项目的数据集为覆盖新西兰Christchurch 市同一局部区域的2012年和2016年两个时相的高分辨率航空影像，总体覆盖面积约为20.5km2。，每个时相影像都包含R、G、B三个波段，影像分辨率为0.2m。两个时相影像分别分为训练影像和测试影像两部分，两者大小为 21243×15354×3和11265×15354×3。由于深度学习运算资源限制，为了提高模型训练的效率，本研究从项目区域中选择3个具有代表性的子区域（A、B和C），并从预处理后的时相1和时相2的影像中分别截取3组（共6幅）相对应的图像（A2012-A2016、B2012-B2016和C2012-C2016）进行建筑物变化检测验证，其尺寸分别为3533 × 4982、3442× 4998和3231× 5345，各验证区影像组和真实建筑物变化标签具体如图16所示。

采用MTR-DBN方法对A、B和C三个验证区进行建筑物变化检测可以取得良好的检测精度和检测效率，平均查全率和平均查准率分别达 94.34%和 94.02%，平均F1值达 0.9417，平均时间消耗为387.07秒，在变化检测精度上优于其他大部分方法，具体变化检测结果及其分析分别如图17和图18所示。

 

图16 各验证区影像组和真实建筑物变化标签

 

图17 建筑物变化检测结果

 

图18建筑物变化检测结果分析（正确：绿色，误检或漏检：红色）

案例5：基于AI与高分遥感的大范围烟草种植面积估算

该案例源于本工程中心所承担的福建省科技计划引导性项目“基于AI+空间抽样的大范围烟草种植面积遥感估算与应用示范”（编号：2023N0021，详见附件7）。融合科技特派员服务机制，全力协助受援企业（光泽县宏翔智能科技有限公司）打造智慧农业示范项目，聚焦光泽县土地利用分类，以及烟田识别与烟田覆膜面积估算，为当地烟草管理部门提供决策支持。

该项目使用国产高分辨率卫星（吉林1号）遥感影像提取光泽县土地利用分类和各乡镇农田空间分布情况，并通过改进型Unet深度学习算法与烟田的光谱、纹理特征，构建烟田识别模型，提取烟田覆膜面积，在烟苗移栽之前，提前预知全县当年烟农实际欲种植烟草面积，助力当地烟草管理部门（烟草专卖局）的执法监管和烟草种植总量控制，减少非必要的指标浪费或过量种植危害。

 

图19 基于改进型Unet深度学习网络的烟田地膜提取过程

 

图20司前乡烟田覆膜区域提取与面积估算（2022年2月，部分区域）

目前该项目已完成光泽县2022年土地利用一级分类和各乡镇农田空间分布情况提取，并形成矢量图层；以司前乡为例，通过AI算法与高分辨率卫星遥感影像，开展2022年和2023年司前乡烟田识别与烟田覆膜面积估算，估算精度分别达97.0%和96.5%，目前正努力将成果推广至光泽县所有乡镇和构建基于上述模型的信息化SaaS平台。目前已校企联合发表SCI论文1篇，并申请专利1项和软件著作权2项。该项目的开展使受援企业的整体专业水平得到明显提升，并有效地提升了当地烟草管理部门的监管业务能力和信息化应用水平。

案例6：基于GIS的税收征管系统

该案例源于本工程中心所承担的横向课题“基于GIS的税收征管系统”（详见附件7）。针对甲方在税收征管地图可视化方面的需求，研发一种基于GIS的税收征管系统，为税收征管部门提供业务操作与辅助决策支持。主要功能包括税源可视化管理、税源与纳税信息EXCEL批量导入、税源查询与定位、税收专题分析、地图管理、用户管理和系统备份等功能。要求系统具有良好的稳定性，且易于部署与升级，能够针对不同权限的用户提供不同的功能界面。系统采用传统C/S架构，主要部署于局域网，主要包括客户端和数据库服务器两部分。客户端采用组件式GIS嵌入方式进行二次开发，服务器采用SQLServer统一管理空间数据和属性数据。系统具有三种用户类型：征管操作员、税务分析员和系统管理员。征管操作员的功能权限包括税源登记与变更、税源与纳税记录批量导入和税源查询定位；税务分析员除了具有征管操作员的所有权限外，还具有税务专题分析、缓冲区分析和分析报表输出等功能权限；系统管理员的主要功能包括用户管理、地图管理和系统备份等。不同功能权限的用户登录后将显示不同的功能操作界面。该项目已成功地应用于内蒙古赤峰市红山区税务局及其下辖税管单位，并取得了预期成效，具有良好的工程化条件和市场推广价值。今后，本工程中心将对该系统进行升级和优化，继续推出Web版本和手机APP版本，以进一步满足税收征管信息化发展的需要。

 

图21 从EXCEL批量导入税收明细数据

 

图22 纳税专题空间分析

案例7：基于Cesium/WebGL的3D全景智慧社区管理系统

该案例源于本工程中心所承担的2个横向课题：“无人机倾斜摄影与三维虚拟社区Web平台构建”和“长乐居民小区倾斜摄影与三维精细化建模”（详见附件7）。本项目针对福州市长乐区棋山社区和龙翔社区构建基于3D全景的智慧社区管理系统。首先，通过无人机倾斜摄影与3D建模技术建立两个社区的高精度3D初始模型，然后对模型进行精细化修缮、轻量化和单体化处理；然后，采用HTML5和Web开发技术构建智慧社区管理系统的前台与后台。前台主要通过基于Cesium/WebGL的3D实景交互和大数据仪表盘技术实现社区大数据分析、关键设施的查询定位和安防视频监控等，而后台主要用于社区资源管理、数据库管理和地图管理等。系统可以在线加载社区的轻量化3D模型，可实现社区3D全景浏览、社区生活和服务设施查询与定位，并可分类选择设备和实现批量灯控，点选设备浏览详细信息或弹出实时监控视频画面。通过社区动态大数据可视化展现模块，可以在系统前端直观展示住户信息、安防动态、小区设备情况和系统键康度，并可实现物业统计、访客统计、通道统计等；通过资源管理模块中以展示告警信息、告警数量、告警7天趋势、资源状态、设备在线状态等；通过物业管理模块实现访客记录、车辆进出记录、报修记录和投诉记录的管理。

 

图23 社区三维实景浏览

 

图24 社区楼内视频监控调阅

 

                   图25 社区地面井盖定位分析

 

         图26 社区地下车库管理

案例8：基于倾斜摄影和激光点云技术的古建筑复原

该案例源于本工程中心的开放式基金项目（阳光学者计划经费资助）：“基于倾斜摄影和激光点云技术的古建筑复原”（详情请参阅附件7）。古建筑遗迹保护是一个涉及到国家历史、文化宣传和工程管理等方面的综合性工程，随着科技的不断进步，传统二维纸质存档图纸的方式已经难于满足古建筑修复、重建和线上观赏的要求，所以对古建筑遗迹的进行室内外数字化精细建模变得越来越重要。无人机倾斜摄影与建模技术可以较好地解决建筑物外部三维实景模型的构建问题，而三维激光扫描与点云重建技术可以建立高精度的室内精细化模型，两者相结合可使古建筑遗迹资料得以真实、完整和长久的保存。本项目针对福州市著名古建筑镇海楼和龙岩市高北土楼群，利用无人机倾斜摄影与三维激光扫描技术对其进行户外和室内三维建模和融合，为后续建立三维数字化展示平台提供数据支持，让游客不到其地就能有身临其境感受真实场景。

① 古建筑室外无人机倾斜摄影与精细化建模

采用大疆M300搭载五镜头相机和P1相机，通过WPM软件进行航线规划，对测区进行多角度倾斜摄影和近距离环绕拍照，采集古建筑外部影像数据，利用中海达RTK采集航测前在测区内布设的像控点和检查点的坐标信息。然后，利用Bentley Context Capture软件对外业采集的数据进行内业处理，得到古建筑的高分辨率初始三维实景模型、DSM和DOM。最后，采用DP-Modeler和3dsmax等对上述初始三维实景模型进行修缮、精细化渲染和轻量化处理，得到高精度的古建筑外部3D实景模型（空间精度<=2cm，纹理细节精度<=0.1cm），并在Web服务端进行产品发布。

 

图27福州镇海楼室外3D实景模型

 

图28龙岩高北土楼群室外3D实景模型

 

   图29 古建筑前殿屋檐和栏杆细节复原

 

图30 古建筑台阶上石雕细节高精度复原

 

                                                                   图31 古建筑墙壁文字高精度复原

   

                                                                          图32 古建筑墙边石碑文字高精度复原

②古建筑室内激光点云扫描与3D模型高精度重建

采用徕卡三维激光扫描仪的WFD波形数字化技术和HDR图像技术获取古建筑室内结构和家具的三维空间点云信息和360°全景影像，并采用云处理软件和手工编程进行点云数据拼接、去噪和轮廓提取等预处理步骤。然后将处理好的E57格式点云数据转成LAS格式数据，根据点云数据提供的大小、尺寸等信息，采用Blender或3D max等建模软件进行室内三维模型高精度重建与渲染，以生成最终的古建筑室内三维模型。

                                                                                               

图33镇海楼LAS点云俯视图

 

图34 镇海楼一楼室内点云数据

 

图35 点云配准报告

 

图36 古建筑室内局部白膜

 

图37 古建筑室内局部3D模型重建（渲染）

案例9：基于3DGIS+BIM的室内外一体化模型构建与分析

该案例源于本工程中心的开放式基金项目（阳光学者计划经费资助）：“基于3DGIS+BIM的室内外一体化模型构建与分析”（详见附件7）。随着空间数据采集技术的快速发展，单方面数据已经无法满足智慧城市建设的需求，多源数据融合已是未来发展的大趋势。目前流行的无人机倾斜摄影技术构建的真三维实景模型仅仅是单一的表面模型，仅能反映地表宏观室外场景，而无法深入展现建筑物的内部信息，应用止步于建筑物之外，很难满足智慧城市建设的需求。BIM单体化建模程度高，可进行建筑物内部及其设施的三维建模，包含了建筑物全生命周期动态变化的所有信息。基于3DGIS+BIM的室内外一体化，可为智慧城市的建设提供更好服务。本案例针对阳光学院30号楼，通过无人机倾斜摄影和手工建模，分别构建其OSGB室外3DGIS模型和基于Revit的BIM三维模型，并通过底层编码转换和SuperMap实现3DGIS与BIM的融合，以及相应三维空间分析功能，为智慧校园管理平台建设提供数据支持。

 

图38 阳光学院30号楼的3DGIS模型

 

图39 阳光学院30号楼的BIM模型

基于SuperMap平台提供的BIM插件实现了OGC与IFC编码转换的互操作，并通过坐标配准、模型平移、镶嵌等实现BIM模型与3DGIS真三维实景模型的融合，从而构建基于3DGIS+BIM的室内外一体化三维模型。

 

图40 BIM与3DGIS模型融合后的室外效果

 

图41 BIM与3DGIS模型融合后的室内效果

可以通过基于3DGIS+BIM的室内外一体化三维模型进行三维空间分析，包括可视域分析、日照分析、通视分析和天际线分析等。

 

图42 可视域分析效果

 

图43 日照分析效果

 

图44 通视分析效果

 

图45 天际线分析效果

案例10：基于Flex的仿三维虚拟校园系统

该案例源于本工程中心所承担的横向课题“基于Flex的仿三维虚拟校园系统”（详情请参阅附件7）。网络三维虚拟校园系统是当前我国智慧校园建设的重要组成部分，将WebGIS（网络地理信息系统）和RIA（Rich Internet Applications）技术引入“数字校园”的建设，可为校园信息化建设注入新鲜的血液。本产品采用WebGIS+RIA技术，旨在为广大师生和校外人员提供一个基于2.5维校园电子地图的虚拟校园服务系统，实现校园地点定位、校内线路导航、招生和迎新宣传、校园实景浏览、校园设施查询、校园部门单位查询等功能，有效解决针对传统二维校园电子地图在表现能力、场景模拟和交互性能方面的局限性。系统采用三层B/S结构，采用 ArcGIS API for Flex 和瓦片技术加载和展示 2.5 维仿真校园电子地图。

 

                                                                                                          图46 系统体系结构图

虚拟校园服务系统分为前台和后台两大模块。在前台，用户进入系统就可以直接使用校园地点定位、招生和迎新宣传、校园实景浏览、校园设施查询、校园部门单位查询等功能。后台在实现了前台功能的基础上，增加了与前台各个功能相对应的管理模块。系统具有良好的校园场景模拟效果、人性化的图形交互性能，以及较快的地图加载和响应速度。基于Flex的仿三维虚拟校园系统具有以下的特点：成本较低，可以自主完成仿三维电子地图的制作与渲染；采用多层瓦片技术，地图页面反应速度快，可在不同Web浏览器上使用，兼容性好；功能齐全，实用性强；可跨平台部署。系统实现的部分截图如下：

 

图47校园设施与Wifi定位

 

图48 搜索关键点与关键路径

 

图49校园实景展示与后台管理

案例11：基于AI+VR的“云游船政”虚拟仿真体验系统

该案例源于本工程中心所承担的2019年国家文化和旅游部信息化专项项目“基于AI+VR的中国船政文化与旅游深度融合数字资源的建设”（项目编号：2019006，详见附件7）。“云游船政”项目是本工程中心自主研发的集合3DGIS、激光点云大数据与3D建模、虚拟现实、增强现实以及Web3D为一体的文化旅游项目。3DGIS技术主要用于船政园区的地形建模与3D浏览，而激光点云技术则主要用于室内空间和船体结构扫描，通过专业3D建模软件对点云数据进行处理，可以构建高精度室内空间和船体结构的3D模型。在项目研发的过程中，得到了福州市马尾区政府和福州中国船政文化管委会的大力支持。

船政文化是中华民族的精神瑰宝，是马尾的一张亮丽名片。VR可以实现身临其境的虚拟仿真，帮助人们更加容易地理解和记住船政历史。项目利用最新VR、AR等技术手段，让船政文化得到有形化展示、船政文物及历史场景得到数字化复原。用户戴上VR眼镜头盔后，瞬间进入了虚拟的现实世界，不仅能看到船政自主建造的第一艘两千吨级别大舰，还能扮演成一名战士，穿越回中法马江海战现场，在“扬武号”上与敌人展开搏斗。同时，参与者还能“实地”观看复原后的船政学堂，一同领略中国第一所近代海军学校风貌，聆听海军将士的英勇事迹，感受“精忠报国、自强不息”的船政文化，实现船政文化景区的沉浸式线上游览，让游客在获得文化认知的同时，享受体验的乐趣，触发实地打卡的冲动，带动文化和旅游经济的双复苏，实现大众随时随地“云旅行”的梦想。用户可以通过Web浏览器或手机APP体验“云游船政”。该项目曾应邀参加第四届数字中国峰会现场展示，众多参观者亲身经验后给予了好评，并有多家国内新闻媒体的关注和报道。

 

图50 “云游船政”项目在数字中国峰会参展

 

图51 云游船政VR室内体验系统

案例12：基于AR+LBS的商城移动智能导航系统

该案例源于本工程中心所承担的阳光学者开放式基金项目：“基于AR+LBS的商城移动智能导航系统”（详见附件7）。本项目针对大型商场内部楼层和商店分布较为复杂的问题，综合采用基于three.js+Vue的增强现实技术（AR）和最短路径算法等，通过蜂鸟云地图API加载商城内部各楼层的2.5维电子地图，实现在大型商场内部的手机端智能导航系统，具备室内楼层切换、2D/3D模型切换和点对点室内导航等功能，为广大顾客寻找相关商家位置提供便利。

在导航时用户首先要在导航地图界面下方输入起点与终点，然后点击提交。提交点后，蜂鸟云API将采用最短路径算法搜索并计算起点与终点之间的最佳路径。若成功，则在导航地图上显示导航路径轨迹，并检查手机摄像头是否能正常工作。若摄像头启动正常，则将摄像头的视频流使用贴图映射到three.js加载的2.5D地图的背景中，然后结合实时背景变化、路径轨迹和陀螺仪姿态信息等进行商城内部的点对点路径导航。

 

图52 商城室内手机端点对点导航

案例13：基于Spark的二手房网络交易大数据分析

该案例源于本工程中心的开放式基金项目（阳光学者计划经费资助）：“基于Spark的二手房网络交易大数据分析”（详见附件7）。近些年随着互联网大数据的高速发展，房产交易产生的数据量以爆炸式增长。在海量数据面前，购房者难以根据自身情况做出合理的选择。如何从海量房产数据中高效、快速地提取有效信息成为了各界广泛探讨的问题，用大数据为购房者提供更合理的购房选择也应运而生。

本案例首先创建了分布式服务器集群，在数据采集方面采用Scrapy框架进行爬虫程序的编写，借助Scrapy-Redis组件实现Scrapy分布式爬取，并将爬虫程序部署到虚拟机中以实现分布式爬取的功能。在数据存储方面，借助Scrapy-Redis去重功能，将爬虫程序采集到的数据存储到Redis非关系型数据库中，随后将数据持久化存储到非关系型数据库MongoDB中以便于后期可视化数据的调用。网络爬虫的数据采集目标为搜房网和链家网等国内常见的房产中介或房产交易门户网站上的二手房源信息，采集的具体字段包括省份、城市、总价、单价、面积、户型、楼层类型、朝向、户型结构、装修情况、所在小区名称、所在行政区名称、交易属性、房屋类型和地理坐标等。数据清洗方面采用WPS表格对结构化数据进行统一的清洗，对于比较难处理的数据再结合Pandas等数据处理技术进行处理。数据分析方面则是使用Spark进行数据分析并结合K-means算法对数据进行聚类分析，线性回归算法进行房价预测。数据可视化方面则是通过Echarts和Matplotlib可视化技术对数据进行可视化成果展示。

 

图53全国二手房信息可视化界面（厦门市，2021-06-01）

 

图54福州市区二手房价格热力图（不含长乐区，2019-05-05）

 

     图55 福州市区二手房面积与价格聚类分析（2019-05-05）

 

图56 厦门市区二手房价格预测

由图53和图54可以直观地看出厦门市和福州市二手房源的分布情况，而从图55可以直观地看出，福州地区的二手房交易主要遍布在110~130平方米的房子，80~100平方米的房子虽然在图上有小部分聚集的区域，但不是最主要的聚合点。因此，110~130平方米的房源较为抢手。同样，如果想要购买这一区间的房子，因为房源多的原因，选择也可更多样。而从图56可知看到，厦门二手房价格波动规律性不强，预测精度不高。

案例14：基于Spark的电商用户画像系统

该案例源于本工程中心所承担的横向课题“基于AI技术的跨境电商商品推广最优策略研究”（详见附件7）。在本项目中，首先须对用户打上对应的标签，将用户使用习惯的特征属性标签化，分析消费者用户的社会属性、行为习惯等数据，再通过使用大数据、机器学习等技术将用户生成富有其特征的标签，达到将用户抽象化的目的。然后根据用户的标签构建画像，依据画像可以做到快速获取目标群体和根据画像中用户的特点偏好做到内容的个性化推荐。

本项目基于现有的电商业务数据构建电商数据仓库，以提供数据分析的支持；通过现有的数据构建适合的标签体系，以完善用户画像的构建；使用SparkSQL计算用户的基本属性，给用户打上基本标签；使用SparkMLlib和相关算法进行机器学习建模，分析出用户特点；根据用户过往数据，利用ASL（Alternating Least Squares）算法实现商品的推荐；系统由Java和Scala进行混合编程实现，最终将数据仓库中用户基本信息数据、用户行为数据、用户订单数据以及商品数据进行结合构建成完整的用户画像标签数据，可提供精准营销和个性推荐的数据支持。同时为了方便管理元数据（标签数据）和用户画像的应用，需要有一个更加直观的交互平台。因此本研究使用Spring搭建了1套用于管理和展示用户画像的Web系统。同时为了方便管理元数据（标签数据）和用户画像的应用，构建了一个更加直观的交互平台，使用Spring+Vue+Echarts搭建了1套用于管理和展示用户画像的Web系统。

在整个用户画像建立的过程中，最重要的是标签元数据的管理。这些标签是画像基石，用户画像也是基于这些标签拼凑完整。在进行标签计算的时候需要根据标签的规则，可能在计算完成的一段时间之后可能会出现新的需求，这个时候就可以通过标签管理系统进行添加新的标签。同样当有标签过期，相关人员也可以进行删除。标签管理界面采用标签分级管理,一共分为五个等级，包括一级行业分类、二级商城分类、三级属性分类、四级业务标签和五级明细标签。标签管理界面图如图57所示。

 

图57 标签管理界面图

用户微观画像图使用Echarts中的关系图进行绘画，通过Canvas可以自由拖动，尽管只是一张图，但是图中每一个节点都代表着一个标签，而每一个标签对应一个Spark RDD程序。在标签设计环节，基于用户的行为数据使用ASL算法获取到用户兴趣商品，从而通过这些数据实现简单的商品推荐功能。顾客微观画像生成和商品推荐如图58所示。

 

图58 顾客微观画像和商品推荐

案例15：基于O2O+LBS的移动电子商城系统

该案例源于本工程中心的开放式基金项目（阳光学者计划经费资助）：“基于O2O+LBS的移动电子商城系统”（详见附件7）。本项目针对目标用户的需求和购物习惯，分析市场上已有的移动电子商城的特点和优势，采用LBS（ Location Based Services，基于位置的服务）+O2O（ Online To Offline，即在线离线或线上到线下）技术，设计并实现了一套基于SpringBoot 和LBS+O2O 的移动电子商城系统。

该系统研发采用前后端分离技术，前端开发利用Vue+ElmentUI+NI-APP组件化技术，采用SpringBoot 框架进行后端程序的开发，利用Redis数据库对对数据进行缓存，并将用户数据存储在MySQL数据库中。系统主要分为客户端、后台管理系统和骑手端三个子系统。

客户端是面向消费者的子系统，消费者可以在网上寻找自己想要的商品，然后进行网上购买和网上支付，最后通过物流在线下收到自己所购买的东西；后台管理系统包含订单管理、前置仓管理、商品管理、配送管理、入库与出库管理、库存监控等模块，用来控制整个平台的运营和产品销售。在配送管理中，一般通过骑手自动抢单方式实现配送，但当出现在规定时间内某些订单无人配送时，台后可基于LBS技术和最低消耗原则，与距离消费者最近的前置仓或骑手进行协商，以尽快实现商品配送到位；骑手端是一个当用户下单并且商家进行备货后就可以开始配送给消费者的一个子系统，其可基于LBS技术和最短路径算法，根据距离消费者路程最短或配送时间最短等原则，选择一个或多个消费者进行商品配送，实现了真正的O2O+LBS商务过程，其核心是在网上寻找最优消费者，然后把所订购的商品带到其面前。

 

  图59 微信客户端操作

 

图60 后台登录功能

 

图61 后台前置仓管理功能

 

 图62 骑手端接单操作