顾及出租车OD点分布密度的空间Voronoi剖分算法及OD流可视化分析

为对城市各区域出租车OD轨迹流进行可视化分析,需对城市作空间剖分处理,以产生研究所需的子区域。传统的欧氏距离空间剖分方法,在空间上进行硬性切割不能有效地顾及城市人、物的时空流动模式,因此,本文提出了一种空间约束条件下,顾及出租车OD点分布密度的网络Voronoi剖分方法。首先,将道路网的边细分成线性单元,然后,设定空间约束以产生合适的发生元,让各发生元在路网上以线性单元为单位扩散步长,以不同的速度向周围联通道路进行扩散,最终将城市空间划分成一系列与出租车OD点分布密度相适应的空间子区域。利用OD流可视化理论与技术,基于划分的城市子区域分析出租车在这些区域的时空流动,并结合图论知识探究城市空间OD流拓扑图结构的变化,分析不同划分区域出租车流动模式。最后,通过北京地区一天的出租车轨迹数据,对本文提出的算法及分析方法进行了实验。     

三维城市模型数据划分及分布式存储方法

随着信息获取技术的快速发展,地理信息数据每天以TB级的数量增加。三维城市模型数据作为三维GIS的重要内容,在数字城市和智慧城市建设过程中发挥重要作用。由于三维城市模型数据结构复杂,其数据量具有海量性,因此,高效地对三维城市模型进行划分及存储,以满足数据的长效管理及三维GIS系统的快速可视化数据调度和空间辅助决策需求,成为近年的研究热点。以往的数据划分方法导致划分区域在数据调度中变化频繁,使数据更新和管理变得困难,需寻找一种更为稳定且具有普适性的数据划分方法。本文分析了现有三维城市模型数据划分方法的不足,提出了基于拓扑关系模型的大比例尺图幅划分方法,并对划分后三维模型数据进行统一命名编码;借助非关系数据库MongoDB强大的海量数据组织及高效的多并发访问功能,构建了MongoDB分片集群服务器;对三维城市模型数据进行了单元划分,并采用规则建模软件City Engine进行建模,得到三维城市模型,借助非关系数据库软件MongoDB进行数据存储实验。结果表明,基于拓扑关系模型的大比例尺图幅划分方法适用于三维城市模型数据划分,划分后数据的存储效率明显提高,MongoDB数据库的多并发访问效率具有良好的稳定性。     

基于轨迹偏移算法的居民就医时空特征与空间格局分析

居民就医时空特征与空间格局反映了医疗设施的服务能力与布局合理性。本文以厦门岛为例,采用出租车轨迹数据,探讨了居民就医的时空特征和空间格局。论文提出了基于道路中心线的研究单元划分方法;提出OD轨迹偏移算法,更精细地提取出三级医院的就医OD数据,改善传统的缓冲区分析法中精确度较低的问题;对居民就医行为进行时空特征分析;基于就医意向与K-means聚类算法分析了居民的就医空间格局。结果表明：① 相对于传统的缓冲区分析,使用OD轨迹偏移算法提取医院的就医OD数据时,不要求OD数据具有较高的定位精度,仅通过偏移OD点坐标即可更加准确与完整地提取就医OD数据,精度提高约30%以上,并适用于所有浮动车轨迹数据;② 居民就医高峰期在7时与14时,休息日日均就医人次为工作日的2倍,当就医出行距离大于1 km时,就医出行人次随着出行距离的增加不断减少,整体符合韦伯分布函数;③ 居民就医时首要选择中山医院、第一医院或中医院,就医选择具有显著的区域性差异,反映居民临近就医的习惯,厦门岛西南部区域医疗资源十分充足,居民首要选择的就医最大出行距离在4 km以内,而西北部与东南部区域的居民首要选择的就医出行距离多在10 km左右,医疗资源较为匮乏,亟待加强;④ 厦门岛三级医院的吸引力具有明显的层次性,居民的强就医意向 （P_ij>33%）的医院皆为中山医院、第一医院与中医院中的1所,这3所医院的服务范围基本包括整个厦门岛,对居民有着较强的吸引力,居民对其余6所医院的就医意向值在0~33%之间,服务范围基本为医院临近的一些区域,吸引力与服务能力相对较弱。研究结果不仅为挖掘居民就医时空特征提供方法参考,还为后续医疗设施资源空间配置优化提供决策支持。     

基于出租车用户出行的功能区识别

出租车数据作为城市大数据重要来源,其上车行为和下车行为直接反映城市人群出行行为特征,帮助城市规划者发现城市人群出行规律和城市功能结构。但是出租车数据隐含多维度信息,一维或者二维模型不足以表达和挖掘其蕴含的多维信息,因此本文选择可以承载多维数据的张量模型对出租车OD（上车/下车）数据进行时空模式挖掘。本文将北京六环区域划分为500 m×500 m格网,采用北京市2012年11月1-16日的出租车OD数据,分别构建O点和D点张量,利用张量分解模型从日尺度、时段尺度揭示出租车用户出行时间模式,同时获取不同时段对应的出租车用户出行空间模式,并推测空间模式包含的语义属性。本文结合城市兴趣点（Point of Interest, POI）数据,提高空间模式语义属性推测的准确性,识别出租车用户出行功能区。结果表明：出租车用户出行时间符合工作日和休息日的早高峰、日间、晚高峰以及夜间模式;对应8种时间模式,出租车用户出行包含8种空间模式,每一种空间模式都是对应时间模式下的上下车热点区域,因此空间模式的变化表明城市人群在不同的时间点,到达不同的场所,进行不同的活动,间接表达空间功能的动态变化;区域的功能不是单一静态的,而是随着时间在不断地变化,是不同时段功能的组合。本文揭示出租车OD数据中隐含的出租车用户出行模式和空间功能动态变化,对利用人类行为时空模式研究区域空间功能结构具有科学参考价值。     

一种逐级合并OD流向时空联合聚类算法

现有OD流向聚类多将O点和D点相分离或者将OD流向看作4维空间的数据点进行聚类处理,忽视了流向长度、方向、时间对流向聚类的影响。本文以流向作为研究对象,提出一种基于流向间相似性度的逐级合并OD流向时空联合聚类算法。首先在充分研究OD流向的空间信息和时间信息的基础上,构建合理的OD流向间时空相似性度量方法,对OD流向间的时空相似性进行量化;然后提出逐级合并OD流向聚类策略,优化类簇合并的顺序,以减少层次聚类的时间开销,实现OD流向的时空联合聚类。以成都市的滴滴出行OD数据和纽约市出租车数据为例对本文方法进行了验证,结果表明：① 本算法聚类获得的流向类簇不仅带有空间特征还具备时间特征;② 在不同参数下本方法可以得到不同时空尺度的聚类结果;③ 与现有较高水平的流向聚类算法相对比,本文方法的聚类效果更好。这体现在流向类簇内部的流向之间有着充分的相似性,以及本文方法不仅可以提取出显著的流向类簇,还可以提取出非热点区域之间的流向类簇。本算法顾及空间因素和时间因素,可以通过调整时空相似性度量方法中的时间参数和空间参数以实现不同时空尺度的流向聚类,这使得从不同时空角度研究城市居民出行模式成为可能。本文提出的OD流向时空联合聚类算法从联合时间信息和空间信息的角度获得对运动数据的新见解,有助于合理全面地研究居民的移动模式、区域之间的空间联系、已知出行结构的确定以及出行目的的探索,是后续一系列分析工作的基础。     

基于停留区域识别的子轨迹异常检测方法

对轨迹数据进行分析和处理能够揭示移动对象的运动规律并挖掘出与其相关的隐含信息，移动对象的不规律或异常运动产生了异常轨迹数据，异常数据的出现往往意味着有特殊情况发生，隐含着更有意义的信息，快速、准确地检测异常轨迹能够服务于交通分析及事故检测等具体应用领域。针对传统轨迹异常检测方法没有充分考虑轨迹局部异常的问题，该文提出一种基于停留区域识别的子轨迹异常检测方法：(1)设计了一种基于密度的停留点检测算法检测轨迹集的停留点，通过寻找核心点以建立初始簇，使用核心点邻域内的点扩展当前簇，并根据簇内的时间间隔是否满足时间条件，从而检测出停留点；(2)根据停留点集合识别停留区域，将任意2个停留区域作为一对起点和终点区域后对轨迹进行分段；(3)根据分段后子轨迹的起点区域和终点区域对子轨迹集进行分组；(4)针对每个分组内的子轨迹，设计子轨迹异常检测算法检测异常空间子轨迹和异常时空子轨迹。在真实轨迹数据集上与传统异常检测方法进行对比，实验结果表明本文所提方法能有效地检测出异常子轨迹，并且运行时间明显低于TRAOD方法，检测准确率比TRAOD方法最高提升了23.9%;F₁分数值相较于AT...     

利用终端位置时空转移概率预测通讯基站服务用户规模

基站服务用户数的预测对通信基站的空间位置选取、通讯服务带宽的配置优化等有重要作用,并为城市公共安全管理方面中的人群聚集预警与群体事件预防提供辅助决策支持。本文利用海量手机轨迹数据,运用时空转移概率定量化描述城市内不同区域间人群流动的时空特性,结合马尔可夫链和贝叶斯定理,构建手机用户群体在基站间的时空转移概率模型,并以此提出一种城市区域尺度上的基站服务用户数预测方法。利用湖北省某城市长达30 d的手机轨迹数据进行模型训练与预测方法验证,实验结果表明：在时间粒度为60 min时,本文提出的方法对8-22时各时段基站服务用户数预测准确率都大于94.8%;在不同时间粒度下对比本文方法、Castro模型、移动平均法,发现在时间粒度大于20 min时,本文方法预测准确率高于另外两种方法。     

顾及轨迹还原与分类的渣土车作业行为提取方法

渣土车轨迹数据蕴含丰富的行为模式信息，包括停车行为、运输路径、异常活动、渣土装载与倾倒OD点等关键特征，已逐渐成为渣土车运行监测与作业行为监管的主要数据来源。但是目前在渣土车作业行为提取中仍主要采用车载GPS数据结合工地电子围栏的传统签到系统，存在电子围栏与道路相互包含、重叠等一系列问题。针对传统渣土车作业行为提取中存在的车辆作业误判问题，本文提出一种顾及轨迹还原与分类的渣土车作业行为提取方法。(1)从运动状态和几何形态2个方面理解并识别渣土车作业行为模式；(2)利用顾及时间与距离的停留点提取算法提取车辆停留点，处理停留点与轨迹的映射关系，完成基于停留点的轨迹匹配；(3)构建平均相似值函数对轨迹进行语义信息增强；(4)提出SR-LGBM算法，筛选作业轨迹与非作业轨迹，实现渣土车的作业行为提取。采用南京市渣土车轨迹数据进行测试，结果表明，本文方法的准确率达97.29%，相比GaussianNB、Logistic Regression等传统分类算法其准确率与召回率均得到不同程度的提高，有效解决了电子围栏与道路重叠或多个围栏交叉造成的误判问题，可实现准确、高效的作业行为提取。     

基于室内定位数据的群体时空行为可视化分析

室内定位数据记录了用户在室内空间活动的时空轨迹,是研究人群室内行为的重要信息源。室内数据时空耦合、分布复杂,可视化分析可以更好地揭示其规律。然而,与室外数据不同,室内数据具有时空粒度细、定位精度高等特点,与POI之间的空间关系更为明确,其轨迹受到室内设施和空间的制约,出现高维和不规则的特征,而这给室内行为研究提供依据的同时,又给可视化分析带来一定的挑战。现有的可视化方法主要应用于室外定位数据,关注轨迹自身的活动轨迹分析,往往忽略了所经过POI语义信息表达。针对这一问题,首先分析室内空间结构与定位数据的特征,阐述室内空间可视化分析的特殊性;在此基础上,面向室内人群的时空分布、移动模式及相关POI之间的对比、关联分析的需求,细化可视化分析的内容,明确可视化分析与展示的对象,并设计数据结构;从数据结构、可视化方法、展示图件及用户交互4个层次构建时空行为可视化分析模型;基于上述方法,采用WebGIS和WebGL技术综合设计和实现了面向商场定位的商场客流分析系统;最后,通过某一大型商场的用户定位数据进行可视化分析,从而验证了研究成果的正确性和有效性。     

基于DBI和稀疏轨迹数据的交通状态精细划分与识别

浮动车轨迹数据已逐渐成为城市交通状态识别的主要数据源之一,但是现有基于浮动车轨迹数据的交通状态识别中多数是应用高精度或是多源轨迹数据。针对稀疏轨迹数据在城市交通状态识别中存在识别精度不高的问题,本文提出一种结合戴维森堡丁指数（DBI）和轨迹相似性度量的动态交通状态划分方法。首先,对轨迹数据和路网数据进行预处理并且建立不同时间片的路段轨迹集合;接着,依据轨迹速度-空间相似性,利用戴维森堡丁指数动态地扩展轨迹的空间维度,并根据轨迹相似性度量方法构建最佳车辆队列;然后,将前后不同的车辆队列进行二次处理,连接组成交通流簇;最后,基于模糊C均值聚类方法将交通流进行划分,实现路段交通状态的识别。采用厦门市厦禾路、湖滨西路和湖滨南路交叉路段上的真实出租车轨迹数据进行测试,结果表明,本文所提方法保证了车辆队列速度分布与原始轨迹速度分布基本一致,相比对比方法Kmeans++和ST-DBSCAN,本文方法均方根误差平均下降了18.77%和21.22%,并且在不同的实验路段表现更加稳定,可有效、可靠地运用稀疏轨迹数据识别城市交通状态,进而实现城市交通状态的精细分析。     

综述与展望：地理空间数据的管理、多尺度变换与表达

多尺度表达是地理空间数据的重要研究内容之一。本文从地理空间数据管理、地理空间数据尺度变换以及地图多尺度表达3个方面对地理空间数据的多尺度表达研究现状进行归纳和总结,对研究成果进行系统分析与展望。主要分析包括：① 在地理空间数据管理的多尺度数据库与多尺度空间索引方面,多库多版本、一库多版本和一库一版本数据库能够帮助多尺度表达方法构建较好的数据支撑,层次化的多尺度空间索引也是主流的多尺度数据库构建结构。但目前多尺度数据库与多尺度空间索引方法还不具备解决不同层次数据的集成与匹配能力,对不同尺度数据进行实时一致性调整的能力不足;② 在地理空间数据多尺度变换方面,地图自动综合能够较好地与人工智能技术相结合,但由于知识获取的限制,距离实现完全自动综合仍有一段距离;且当前智能化的自动综合研究相关成果主要用于辅助决策,对综合知识的自主学习有待进一步研究;目前多数研究是基于离散的尺度变换模式,对连续尺度变换能力不足;且缺乏强有力的质量控制机制,自动尺度变换结果存在较大的不确定性;③ 在地图多尺度表达方面,地图数据类型多源、种类丰富且使用灵活,多尺度显示的复杂性较高,当前地图可视化对地理信息中隐藏的现象与规律有待进一步挖掘。最后,从智能化自动综合方法、连续多尺度表达模型、深度学习与制图综合及“新”时代多尺度表达等方面对未来发展进行了展望。     

利用导航大数据挖掘城市热点区域关联性

导航大数据是大量与导航相关且具有泛在导航、定位、授时特征的数据集合。城市环境的特性影响居民的出行活动,而居民出行活动中产生的导航大数据则蕴含了城市环境的时空信息。热点区域空间分布以及热点区域之间的关联性特征是城市环境时空特性的重要组成部分,由客观的环境现状和主观的人为活动造成。通过挖掘导航大数据可以揭示这些特征。本文提出了利用导航大数据的城市热点区域关联性挖掘方法。首先,通过对居民出行的起点和终点坐标进行空间聚类,挖掘城市中的热点区域,并依据点的分布特点对城市热点区域进行离散化;然后,利用基于谱聚类和蚁群算法的方法分析居民出行特征,揭示城市中热点区域之间存在的关联性。本文提出的方法能够充分利用导航大数据对城市动态的感知能力。以上海市2007年2月20日的出租车轨迹数据为例进行分析,结果表明：利用导航大数据分析城市热点区域之间的关联性,可以得到具有紧密关联性的热点区域的空间分布特征;上海市居民出行活动频繁的热点区域被划分为15个内部紧密关联的子图,形成该分布特征的内在机制以及居民流通规律与上海市的土地资源利用及道路交通建设现状密切相关。分析方法和结果可为合理的城市功能区域规划,智慧城市建设等提供决策支持和参考信息。     

滚动球变换的数字水深模型多尺度表达

 空间数据的多尺度表达,是GIS领域研究的重点和难点问题之一。本文以数字水深模型(Digital Depth Model, DDM)为研究对象,从DDM的地理和尺度特性出发,在分析二维滚动圆变换算法原理的基础上,通过对二维滚动圆变换算法的维数扩展,提出一种可用于DDM多尺度表达的滚动球变换算法。即利用不同大小的三维空间球体代替二维滚动圆沿给定DDM的上侧表面滚动,得到可保留正向地貌,缩小或填平小于一定尺度下的海底负向地貌的DDM,从保障舰船海上航行安全的角度,实现对DDM的多尺度表达。另阐述了该算法的基本原理和实现步骤,并在VC++环境下对算法的正确性和有效性进行了验证。实验结果表明,该算法在符合DDM多尺度表达原则的前提下,能较好地保持DDM的基本地形特征,且具有较高的计算效率。     

Blondel和k-核分解混合算法相结合的网络空间点群要素多尺度模型构建

随着人们对网络空间的依赖性不断增强,互联网技术与网络基础设施规模迅速发展。很难直接用数字或表格的形式对网络空间进行全局的规划与管理,并且不容易发现隐藏在网络空间中的一些关键信息。网络空间点群要素的多尺度模型构建对网络空间数据的多尺度分析和可视化具有非常重要的意义。本文以网络空间的特征为依据,在借鉴基于社团划分的网络空间分层算法和基于节点重要性的网络空间分层算法特点的基础上,提出了Blondel算法和k-核分解的混合算法相结合的网络空间点群要素多尺度模型构建算法。本算法通过自动社团划分,用同一社团内的节点合并构建新的网络,有效解决了基于节点重要性的网络空间分层算法自动化程度低的弊端。利用核心节点来代替整个社团结构,显著保留了网络空间中节点的属性。实验表明使用该算法可以使各个层次网络空间点群要素的综合比例降至30%以下,较好的实现了网络空间点群要素的聚类与分层,若将网络空间点群要素的多尺度模型应用于地理空间中,则可实现网络空间地图的多尺度绘制。     

基于开源大数据的北京地区餐饮业空间分布格局

基于大数据进行城市服务设施空间格局分析已成为一种新的研究热点,而餐饮业是城市服务业的典型代表,因此通过开源大数据对城市餐饮业的空间布局进行研究具有重要的意义。本文以北京地区作为研究区,采用网络爬虫技术获取大众点评上153 895家餐饮店数据,引入基于密度的CFSFDP聚类算法从空间分布密集度和人均消费等级方面对餐饮业背后蕴含的地理聚集特征进行分析。研究发现：① 北京地区餐饮店总体呈现多中心的空间分布特征,其集聚程度以主城区为核心向外逐级递减,并明显表现出围绕重要商圈、旅游景点和住宅区进行布局以及沿交通轴线扩展的趋势;② 不同人均消费水平的餐饮店呈现等级体系特征,即高档餐馆少而集聚,中低档餐馆多而散的分布特点;③ 餐馆分布密集程度和定价表现出接近市场和消费者的特征。同时,本文综合空间集聚特征和消费水平2项指标对影响餐饮店集群空间分布格局的因素进行了分析,以期为政府规划部门进行城市商业空间布局研究提供借鉴。     

大型商场顾客消费行为轨迹推断

如何获取大型商场内海量顾客消费行为一直是行为地理学面临的难点问题,而近年来爆发式增长的室内轨迹数据为这一问题解决提供了机遇,但室内轨迹的语义信息缺失、数据质量差等问题给推断顾客消费行为造成了挑战。本研究提出了一种顾及文本-轨迹的商场顾客消费行为轨迹推断框架,无需隐私敏感的顾客消费记录数据,可以获取大量顾客消费行为,该方法通过爬取室内店铺的网络文本,增强室内店铺语义属性,进而实现顾客几何轨迹到语义轨迹的转化提升,并引入了轨迹嵌入特征表示学习方法,捕捉群体轨迹之间的移动特征,综合轨迹移动特征、轨迹语义特征及顾客嵌入特征,通过高维聚类实现了大型商场顾客消费模式的推断。通过某大型商场7045位顾客的真实轨迹进行实验分析,实验结果表明,本文提出的方法与传统特征提取方法相比,聚类结果在轮廓系数上提升最高达69.8%,顾客消费行为提取准确率更高。研究发现,室内顾客移动具有一定楼层倾向性,并且室内空间结构如店铺位置、扶梯位置、功能区划分等,会影响顾客消费模式。本文提出的方法可以有效识别不同消费水平、移动特征的顾客群体,实现顾客消费行为的轨迹推断。