顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

利用轨迹数据提取城市居民出行时空分布特征

介绍了利用出租车轨迹数据提取城市居民出行时空分布特征的过程,包括利用数理统计的方法对出租车上下客事件基于时间进行特征分析;给出了一种融合核密度估计(KDE)与兴趣点(POI)分类的密度聚类算法,实现了出租车上下客热点区域的挖掘以及居民出行活动规律与城市功能区之间关系的发现.?研究表明:居民的出行活动特征在"工-休"日之...     

基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义。传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构。动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keogh距离和LB_Hust距离相继克服了DTW距离时间复杂度高和不对称的缺点。为了探究基于时间相似性度量的聚类算法在识别城市功能区方面的可行性,首先基于OpenStreetMap(OSM)路网数据获取研究单元,再通过滴滴订单数据提取上下车点、构建研究单元内的居民出行时间序列,然后利用PAM算法结合4种相似度度量方法进行聚类,最后结合兴趣点(POI)数据识别城市功能区,并对结果进行精度验证。结果表明,基于LB_Hust距离的PAM算法能有效挖掘高维时间序列数据,应用于城市功能区识别的精度高达86%,为应用时间序列数据进行城市研究提供了一种新的方法。     

基于出租车轨迹的居民出行特征分析

研究并实现了一种结合核密度分析的DBSCAN空间聚类方法。首先对从马鞍山市出租车的轨迹数据中提取出上下客轨迹点数据进行预处理;再对上下客轨迹点数据进行聚类分析,识别居民出行热点区域;最后进行居民出行热点分析,并总结了居民出行的时空特征。     

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.     

出租车数据的时间序列谱聚类分析

城市空间运行的出租车产生大量的OD数据，数据的时序呈现周期性特点，客观反映人们的出行行为模式，本文采用谱聚类算法对北京五环区域内各空间单元的出行特征及其相似性进行探究。由于空间单元的时空行为特征受空间邻域和功能区划的影响，研究添加邻域因子和功能区因子以改进时间序列的相似性度量方法，从而实现时间序列谱聚类算法的空间和功能区拓展，进而增加人们对不同时空条件下出行行为特征的了解，以便对不同空间单元提供差异性服务，如不同时段公交的发车频次、动态调整商场营业时间、不同时空环境出租车候车点的实时变换、调控和优化不同区域服务保障等，将有助于降低城市能耗，更加合理地利用资源，也有助于居民实现智慧生活。     

基于差异化建模与TF-IDF算法的城市功能区识别及混合度测算

基于POI性质、特点的不同,本文构建了一个融合统计分析法、核密度分析法的城市功能区定量识别模型,有效地识别出了广州市中心四区的功能区类型。利用耦合TF-IDF算法和信息熵算法测算城市功能混合度并进行面积加权,使得城市功能混合度测算更加符合实际情况。研究结果表明：广州市中心城区呈现出混合用地为主的特征,总体混合程度高。混合用地主要分布在研究区中心,单一类型用地零星分布在研究区外围,呈现出显著的“核心-外围”式的圈层化分布格局。城市功能混合度呈现“中心高,四周低”“多中心,组团式”、空间梯度差异显著的分布特征,并且功能混合程度与发展水平有一定正相关关系;功能分区结果与混合密度情况分布较为一致,表明本研究方法可行、研究结果合理。     

核密度估计法支持下的网络空间POI点可视化与分析

城市空间POI点的分布模式、分布密度在基础设施规划、城市空间分析中具有重要意义,表达该特征的核密度法(kernel density estimation)由于顾及了地理学第一定律的区位影响,比其他密度表达方法(如样方密度、基于Voronoi图密度)占优。然而,传统的核密度计算方法往往基于二维延展的欧氏空间,忽略了城市网络空间中设施点的服务功能及相互联系发生于网络路径距离而非欧氏距离的事实。本研究针对该缺陷,给出了网络空间核密度计算模型,分析了核密度方法在置入网络结构中受多种约束条件的扩展模式,讨论了衰减阈值及高度极值对核密度特征表达的影响。通过实际多种POI点分布模式(随机型、稀疏型、区域密集型、线状密集型)下的核密度分析试验,讨论了POI基础设施在城市区域中的分布特征、影响因素、服务功能。     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

地理空间数据结合手机信令等多源数据刻画城市居民出行特征

本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。     

出租车轨迹数据挖掘进展

大数据、物联网与精密定位技术的发展推动了城市感知的进步。随着社会活动的与日俱增,出租车轨迹数据不仅记录了出租车的行车轨迹,还蕴藏着道路交通状态、城市居民出行规律、城市结构及其他社会问题。通过各种数据分析与挖掘手段对出租车轨迹数据进行深入探究,对于智能交通、城市规划等有着重要意义。本文综述了近十年国内外基于出租车轨迹大数据的相关研究,按照空间统计方法、时间序列方法、图论与网络方法及机器学习方法等4类,详细阐述各类方法的研究现状。随后,本文分析了现有研究的应用领域、热点主题和发展趋势。最后,本文指出了出租车轨迹数据挖掘研究领域面临的挑战和未来研究方向。     

网络空间中线要素的核密度估计方法

核密度估计(KDE)方法是分析点要素或线要素空间分布模式的一种重要方法,但目前线要素核密度方法只能分析线要素在二维均质平面空间的密度分布,不能正确分析交通拥堵、交叉口排队、出租车载客等线事件在一维非均质道路网络空间中的密度分布。本文提出了一种网络空间中线要素的核密度估计方法(网络线要素KDE方法),首先确定每个线要素在网络空间上的密度分布,然后根据网络空间距离和拓扑关系确定网络空间的线要素核密度与时空分布。以出租车GPS轨迹数据中提取的"上客"线事件为例,分析出租车"上客"线事件在网络空间中的密度分布,通过与现有方法比较的试验结果表明,本文提出的方法更能准确反映路网空间中线事件的分布特征。     

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。     

POI与NPP/VIIRS夜光数据空间耦合关系下的城市空间结构分析——以武汉市主城区为例

城市兴趣点（POI）和夜光遥感影像能够直观反映城市社会经济等实体要素的空间分布特征，在城市空间结构研究中发挥着重要作用。本文首先选取长江中游城市群的典型城市代表——武汉市作为研究区，选用研究区2016年POI和NPP/VIIRS夜光遥感数据作为基础研究数据，采用GIS分析工具对POI数据进行了空间核密度分析；然后分别对POI核密度分析结果和NPP/VIIRS夜光遥感数据进行了空间网格化处理；最后采用双因素制图和栅格叠加分析方法对两类数据的空间耦合关系进行了探讨，并在此基础上进一步分析了城市空间结构特征。研究表明，武汉市POI数据和夜光遥感数据的空间耦合性整体较好，空间耦合相一致区域占比为82.15%；但POI数据和夜光遥感数据的空间耦合性在长江沿岸地区也存在部分差异，如硚口区、汉阳区夜光遥感数据和POI数据多以低—中的空间耦合模式为主，而青山区、武昌区和汉口区则多以中—低的空间耦合模式为主。武汉市作为中原城市群的核心城市之一，其城市内部空间结构与长江经济带发展关联密切，通过对POI和夜光遥感数据的空间耦合关系探讨，能够对武汉市空间实体要素的空间结构特征有更加深入的了解。本文结果可为沿江城市内部空间结构的研究提供一种崭新的视角。     

遥感影像与POI数据相结合的城市建成区提取适用性研究——以沈阳市为例

城市建成区的发展状况是地理国情监测的重要内容，本文基于遥感影像数据和POI数据对城市建成区进行提取，针对二者的适用性问题进行了研究。试验以沈阳市为研究区域，在研究区域内选择2016年遥感影像数据和POI数据作为数据源进行对比分析。首先，对遥感影像数据和POI数据进行预处理；其次，通过监督分类的方法对遥感影像进行建成区的提取；然后，采用核密度估计法分析POI数据并提取出建成区；最后，利用叠加分析法对比分析这两种数据的适用性。试验结果表明：使用遥感影像数据作为数据源可以较为全面客观地反映城市建成区的发展现状；利用POI数据提取出的城市建成区具有较强的经济属性，能够很好地反映出城市中的经济活跃区。     

顾及道路网约束的商业设施空间点模式分析

基于社交网络点评数据, 考虑到城市的路网结构特征, 采用道路网约束下的核密度估计方法研究城市商业设施的空间分布模式。同时, 结合商业设施的顾客光临次数和评分对核密度估计进行加权, 发现了城市商业设施顾客光临和顾客满意度在空间上的差异性, 即在部分路段商业设施的分布、顾客光临分布以及顾客满意度分布不匹配。为了分析这种空间差异性, 针对城市的路网结构特征以及社交网络点评数据特征, 提出了道路网约束下的G统计量作为指标的空间自相关分析方法, 通过量化分析发现了高值聚集和低值聚集的路段, 反映了顾客光临和顾客满意度在空间上的分布模式, 揭示了顾客满意度高或低的商业设施在空间上的聚集分布。这些分析结果为城市规划、商业设施布局、选址问题等提供了定量化的参考依据。