社交网络时空大数据聚类挖掘有效选择分析

来自社交网络的时空大数据具有海量和高动态的特性,有效选择时空数据进行聚焦挖掘分析至关重要。以微博位置签到数据为例,首先,对时空大数据空间聚类挖掘的有效选择问题进行了研究,针对社交网络时空数据不确定性问题,提出了时空大数据针对聚类挖掘的有效选择方法。聚类挖掘有效选择方法提出从空间、时间或属性等维度对时空大数据进行分割。然后,对分割得到的数据集进行空间探索分析(exploratory spatial data analysis,ESDA),得到具有聚类挖掘潜力的数据集。最后,以武汉市微博位置签到数据进行商圈热点探测为例,对提出的社交网络时空大数据聚类挖掘有效选择方法进行验证。结果表明,有效选择方法可以得到挖掘效率和精准性更高的时空数据集。     

基于微博位置签到数据的POI更新方法

POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。     

利用地理标签数据感知城市活力

高度活跃的城市是社会稳定发展的基础。基于地理标签感知的城市活力能够量化城市发展现状,探索城市活力的影响机制,为精细化城市治理提供技术支撑。传统城市活力研究依赖于街区的活力调查,时间长,费用高。本文研究利用兴趣点和社交媒体签到等地理标签数据,提出了城市活力度量指标,探索性分析城市活力的分布模式。基于土地利用、道路和建筑物等数据计算建成环境指标,构建城市活力和建成环境之间的普通线性回归与空间自回归模型,揭示了影响城市活力的建成环境因素。基于深圳市的试验结果表明:兴趣点和社交媒体签到数据能够较好地指示城市活力。深圳市的城市活力主要受商业用地、工业用地、土地混合利用以及路网密度、地铁站点密度的影响。住宅用地和建筑物占地密度对基于POI的城市活力具有显著影响。     

利用位置签到数据探索城市热点与商圈

众源地理数据（Crowd Sourcing Geographic Data）是指由大众采集并向大众开放共享的地理空间数据。众源位置签到数据作为众源地理数据的一种,客观真实的反映了大众日常生活行为,包含大量丰富的社会化属性信息。本文提出了一种基于众源位置签到数据的城市热点探测与商圈挖掘方法,首先对位置签到数据时空分布特性进行了研究,设计并提出了众源位置签到数据时空数据库模型;其次,提出了位置签到数据探索性空间分析方法,通过对众源位置签到数据的空间聚类分析,实现基于位置签到数据的商圈热点探测;最后,以武汉市为例,对街旁网截止2011年9月30日的众源位置签到数据进行了城市热点探测与商圈挖掘分析实验,结果表明,基于众源位置签到数据挖掘的武汉市商圈分布与城市规划商圈具有强相关性,可用于城市社会经济发展预测与区域经济规划。     

微博签到数据的时空热点挖掘——以北京为例

对社交媒体位置服务大数据进行时空数据挖掘能为城市规划、商业决策、用户行为分析等应用提供决策依据。基于新浪微博签到点数据,应用Knox指数进行时空交互性检验,确定合适的时空分析尺度,并利用时空重排扫描统计方法分别在短时间尺度(时)和长时间尺度(天)下挖掘时空热点。结果表明:短时间尺度(时)和长时间尺度(天)的签到点都具有随着空间距离的增大,时空交互性逐渐增强的趋势;短时间尺度下的时空热点区域主要分布在主城区,覆盖半径集中在2~6km、时间集中在11:00—17:00,热点持续时长约为3~5h;长时间尺度下的时空热点主要集中在主城区,少量均匀分布在城外,覆盖半径集中在5~6km,时间集中在2016-02-07—2016-02-13,热点持续时长约为3~6d。     

利用核密度与空间自相关进行城市设施兴趣点分布热点探测

城市设施兴趣点(POI)在局部地理空间下往往呈现聚集型分布特征(即热点),表达该特征的核密度法(kernel density estimation)是最常用到的可视化工具。考虑到核密度方法中缺少量化统计分析,提出了一种城市设施POI分布热点探测的新方法。首先基于"距离衰减效应"计算地理单元的属性值;然后采用GetisOrd G*i统计指数定量分析设施POI点的局部空间相关性特征。与传统基于样方法的空间自相关相比,核密度法由于顾及了地理学第一定律的区位影响,计算获得的地理单元属性值可保留空间的细节信息,热点的空间自相关分析结果可以反映设施服务影响的连续性特征。通过实际金融设施数据的自相关分析实验,表明该方法能有效提取POI基础设施在城市区域中的分布热点范围。     

设施POI分布热点分析的网络核密度估计方法

设施POI(point of interest)在城市地理空间中往往聚集分布,呈现热点特征。对该类POI分布热点的分析大多采用基于欧氏距离的空间密度估计,忽略了城市空间通达、连接是沿着街道路径的事实,从而很难准确、客观地反映城市功能的热点布局。本研究针对该缺陷,利用基于网络路径距离的核密度计算方法确定热点的区域密度,并提出了一种简单、高效的网络分析算法。该算法扩展二维栅格膨胀操作,以一维形态算子的连续扩展计算POI在网络单元上的密度值,通过评价试验表明,该算法比现有算法具有更好的性能和可扩展性。通过实际POI数据分析发现,考虑街道网络约束的热点范围可凸显设施功能沿交通网络布局的空间特征,为区域规划、导航以及地理信息查询等应用提供有价值的空间知识与信息服务。     

基于多源数据的城市功能区识别及相互作用分析

随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。     

大数据构建的赋分评价模型与功能区识别研究

针对如何解决各类兴趣点(POI)的用地面积差异并精确地识别功能区等问题,该文构建了一种新的功能区识别模型.使用网上调查的各类POI的面积数据等,对各类POI的面积大小所处的区间进行赋值,整理出各类POI的面积评分表,并通过对各类POI进行核密度分析得到每个兴趣点的核密度值.通过构建面积评分与核密度值二级赋分评价模型,增加了POI数据的可用性,实现快速获取城市空间结构.经过精度检验,Kappa系数为0.76,功能区识别精度较高.研究结果可用于区位熵指数、土地利用混合度、平均最邻近距离与标准差椭圆等分析,有利于规划人员掌握城市空间结构与进行科学决策.     

基于POI大数据与土地利用数据协同的小尺度区域GDP空间化方法

针对小尺度区域难以准确获取空间完整、时间连续的经济格网数据问题.以广西南宁市为例,第一产值基于土地利用数据采用面积权重法建模;第二、三产值基于热点(point of interest,POI)数据空间关系权重建模;最后构建2019年南宁市1 km×1 km的GDP空间化密度图.研究结果表明:①城市POI数据与第二、三产...