基于手机信令数据的北京市空间品质时空动态分析

王楠, 杜云艳, 易嘉伟, 刘张, 王会蒙

地球信息科学学报 ›› 2019, Vol. 21 ›› Issue (1) : 86-96.

PDF(12545 KB)
EN中文
PDF(12545 KB)
地球信息科学学报 ›› 2019, Vol. 21 ›› Issue (1) : 86-96. DOI: 10.12082/dqxxkx.2019.180264 CSTR: 32074.14.dqxxkx.2019.180264
地理大数据时空模式挖掘的方法与应用研究

基于手机信令数据的北京市空间品质时空动态分析

作者信息 +

Spatial-temporal Dynamic Analysis of Urban Space Quality based on Cellular Signaling Data of Beijing

Author information +
文章历史 +

摘要

提升城市功能,增强城市承载力成为城市规划发展的新目标,城市空间品质研究已经成为目前城市规划研究的重点和难点,但是目前空间品质的研究存在动态连续性和空间精确性不足的问题。本文基于手机信令数据获取的城市内部全天的动态人口信息,以街区为尺度定量评价北京市五环内不同功能类型街区的空间品质指数一天内的动态变化,并进行时空分布特征、变化模式以及与人口活跃度关系的分析。结果表明,北京市五环内空间品质随人群活动的变化存在不均衡性,且在时间、空间、功能性质方面存在显著的分化。具体为：空间上城市内环与外环、城市南部与北部的品质差异显著;时间上大体呈现“陡降-低值稳定-陡升-高值稳定”的不稳定趋势;不同功能类型上有着特殊的变化模式,并且功能区之间的空间品质均值差距较大,夜晚街区的居住空间品质在城区内存在明显的等级差异性。这些结果为微观尺度下城市的资源分配和合理规划发展提供了参考和建议。

Abstract

Improving urban functions and enhancing urban carrying capacity become new targets for urban planning and development. Quantifying urban space quality has become the research focus of urban planning in recent years. However, the lack of dynamic continuity and spatial accuracy in measuring the space quality weakens the practical value in urban planning. This study used the dynamic population information derived from cellular signaling data of one day and the Analytic Hierarchy Process (AHP) method to establish a framework for evaluating dynamic spatial quality continuously at the functional block scale. The center region of Beijing within the fifth Ring were selected as a case study to test the evaluation framework. The time-varying spatial quality patterns and the correlation with dynamic population distribution were comprehensively investigated. The results show that the imbalance of the space quality in Beijing varies as the population distribution changes, and the significant differentiation in spatial-temporal and functional dimensions are manifested in the following aspects: We find that there exists spatial heterogeneity in the inner ring and outer ring of the city, which is more significant between the southern and northern parts of the city. On the time dimension, the spatial quality in the research area generally presents the unstable trend of "steep drop-low value stability-steep rise-high stability". On the dimension of function type, there are special changing modes on different functional types’ blocks and larger gap in the mean spatial quality values between functional areas. The quality of the living space in the night block has significant level differences in the city. These results show that the spatial quality is significantly differentiated in the time, space and functional nature of the city. Meanwhile, the analysis of the relationship between population activity and spatial quality can evaluate the rationality of current resource allocation in various types of blocks. These results can offer supportive references and recommendations for more scientific and rational urban planning at the microscopic scale.

关键词

空间品质 / 手机信令数据 / 时空分析 / 北京市五环 / 资源配置公平性

Key words

urban space quality / cellular signaling data / time-spatial analysis / 5th Ring of Beijing / fairness of resource allocation

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
王楠, 杜云艳, 易嘉伟, 刘张, 王会蒙. 基于手机信令数据的北京市空间品质时空动态分析[J]. 地球信息科学学报, 2019, 21(1): 86-96 https://doi.org/10.12082/dqxxkx.2019.180264
WANG Nan, DU Yunyan, YI Jiawei, LIU Zhang, WANG Huimeng. Spatial-temporal Dynamic Analysis of Urban Space Quality based on Cellular Signaling Data of Beijing[J]. Journal of Geo-information Science, 2019, 21(1): 86-96 https://doi.org/10.12082/dqxxkx.2019.180264

1 引言

城市空间品质是对城市活动空间在“量”和“质”两方面满足城市人群的生理、心理和各种功能适用需求以及对城市社会经济发展适宜程度的评价[1],直接关系到城市规划建设和资源合理分配,也影响着居民生活质量。开展城市空间品质定量评价研究有助于城市规划与决策部门客观、全面地认识城市人群对于空间品质感知的时空差异。如何科学地衡量与评价城市空间品质实现城市空间资源有效配置,合理和精准化地进行城市规划[2,3],是当前城市研究的重要问题[4]。
按照对城市空间品质关注侧重点的不同,现有研究主要从城市宜居性、城市活力、城市动态多样性3个方面开展了广泛的研究工作。当前关于城市宜居性的研究,主要从城市整体尺度开展评价与分析,包括指标体系建立及不同城市宜居性对比分析等;主要采用问卷调查和专家打分等传统方法。尤因等[5]对城市进行了愉悦度研究,李丽萍等[6]、张文忠[7]、李倩等[8]等以城市为单元针对城市宜居性评价问题分别从从物质环境和社会环境容量、人类宜居生活影响因子等方面开展城市宜居评估指标体系构建的探索和改进。这类研究系统地建立和完善了城市宜居评价体系,剖析了影响居住环境形成和演化的显著因子。但是由于评价单元局限于城市尺度,缺乏对城市内部人群活动多样性的考虑,难以反映城市内部的动态变化。
随着众多学者对“城市活力”概念[9]的深入理解,近年来面向街道或社区尺度融入多源数据的城市活力研究得到重视。该类研究主要从人群活跃度对城市活力的影响、城市内部尺度精细化等方面开展空间品质定量研究工作。龙瀛等[10]探讨了“街道活力”和“街道城市主义”概念,构建了定量评价街道活力的指标体系,并利用城市街景图片丰富街道活力评价内容[11];姜蕾[12]从街道的社会和环境要素出发定量分析城市的街区活力。这些研究在城市活力定量评价中融入了人群活跃度的信息,但由于数据难以实时获取以及城市人群动态分布制图方法的限制,该类研究在探讨人群动态特征对城市空间品质及活力评价的影响上存在不足。
随着手机信令、出租车轨迹、定位请求以及社交媒体等城市大数据的快速获取、城市计算[13,14]概念的提出以及城市人群时空动态分布测算方法[15,16,17]的不断改进,为开展城市空间品质的评价提供了新思路新方法新途径。近年来,学者们开始从城市空间品质的定量评价角度分别对交通、生活、环境、旅游等不同侧面融入不同活动类型人群的实时数据开展不同主题的定量分析与模式挖掘[18,19,20,21],并为空间品质研究带来了新的发展。Ratti等[22],Deville等 [23]开始使用大规模和细粒度数据对城市空间品质进行了解;Ju等[24]利用移动数据来实现人口活力与城市内部土地利用的关系;江慧娟[25]利用包括出租车数据在内的多源数据进行社区宜居性的动态研究。上述研究以人类活动的时空动态性为核心开展城市内部各特定主题的问题发现或者模式挖掘时,或多或少都涉及到了城市内部时空品质的评价,为空间品质的时空定量化提供了新的方向,但从系统性和全面性来看,缺乏对当前城市功能时空多样性及城市空间品质评价的融合研究。
由上述分析可知,当前城市空间品质研究由于受传统数据时空粒度的限制,仅限于从城市尺度给出定量评价结果。如何结合移动互联网技术带来的大数据获取手段,突破传统研究在时空尺度上的局限,实现更精细尺度、动态的城市空间品质评价,是当前研究的难点问题。街区是人类在城市生活工作中从事各项活动的单元,是对城市空间结构的自然划分;道路,建筑物,绿地公园等社会资源的分布都是按照道路划分的街区进行自然的分配,相较于格网尺度和行政区划尺度对人与街区社会资源关系的探讨而言,利用街区进行人地关系的研究是更为合适的。对此,本文以北京市为例在街区尺度上开展城市空间品质的时空动态分析研究。首先使用手机信令数据获取城市人群的动态分布制图;其次,基于城市POI和建筑物数据进行城市街区功能识别,并且针对不同类型的街区建立空间品质的时空动态评价体系;最后,基于评价结果进行时间、空间、功能类型多维度的分析和模式挖掘并进一步探索空间品质与人类活动强度关系。

2 研究区域与数据来源

研究范围覆盖北京市五环以内的主城区（116.2 °E-116 °E,39.9 °N-40.0 °N）。截止2017年底,北京市拥有2170.7万常住人口,城区面积 396 km2,城市空间结构复杂,功能区丰富,具有频繁的人群流动和职住跨越,对于开展城市空间品质研究具有非常好的代表性,并有助于北京市的资源优化配置和城市功能的合理布局。
数据主要包括3类：① 反映城市下垫面信息的城市土地利用、建筑物利用数据、城市地块数据等;② 城市基础设施与公共服务数据,包括地铁站、公交站、POI点、学校、公共服务设施等数据;③ 手机信令数据。其中前两类数据都属于城市空间数据,数据来源于北京市四维图新公司导航电子地图数据产品。手机信令数据来源于中国移动北京分公司,记录了经过匿名处理的北京市2700万手机用户在2015年12月某工作日的手机通话和短信的活动信息,约6亿条记录,记录每次通信发生的时间和所在的基站位置,共覆盖五环内的9875个基站。本文采用Liu 等[17]提出的基于BP神经网络模型的北京市动态人口制图方法,得到北京市基站尺度逐小时的人口动态分布。

3 研究方法

街区尺度城市空间品质的时空定量评价方法主要包括3个步骤：① 将手机信令数据和城市基础地理数据统一转换到街区单元,并进行数据标准化处理;② 结合POI、建筑物数据对城市街区功能类型进行识别;③ 建立街区尺度的城市空间品质定量评价指标体系,采用层次分析法确定各评价指标权重,实现不同功能街区的空间品质动态评价。具体技术流程见图1。
图1 空间品质定量评价研究技术路线框架

Fig. 1 Technical framework for quantitative evaluation of spatial quality

Full size|PPT slide

3.1 基于街区尺度的数据融合及功能区识别

本文通过对北京市主要道路网进行扩张细化处理从而获取北京市主要道路网骨架[15]并进行城市面的切割得到五环以内的街区划分。手机定位数据中的基站分布三角网,与街区多边形进行空间叠加,并按街区的建筑物容积比例对基站范围内的人口估算值进行空间分配。该方法比按街区面积进行人口数量分配更准确[29]。其他地理数据的融合,主要通过空间叠加、空间连接和空间统计等分析工具实现多源数据到街区尺度的转换[30]。
为了去除不同指标单位不同或者量纲不同的影响,采用基于原始数据均值和标准差的z-score方法对指标进行标准化处理,公式如下。
Pij*=Pij-Pj¯SjPij≠00Pij=0 （1）
式中： Pij* 为标准化后的指标值;i为街区的序号, i=1, 2, …, 296;j为指标的序号,j=1, 2, …, 14（见3.2节）; Pij 为指标的取值; Sj 为第j类指标的标准差; Pj¯ 为第j类指标的平均值。
本研究结合POI数据和建筑物用地类型数据对城市的街区进行功能划分。参考传统划分标准[28],将北京市五环以内街区划分为6种类型：商业商务区、居住区、公共管理与科教文化区、绿地与风景名胜区、道路与交通设施区、混合功能区。划分方法主要基于频率密度和类型比率,并结合建筑物面积和POI数量建立特征向量对街区进行功能判别。具体采用基于频率密度（FD）和类型比率（CR）的街区功能识别方法[31],通过引入建筑物面积参数,与POI点数共同进行街区功能类型的识别。在此过程中对POI和建筑用地的分类进行了一致性处理,以确保与上文提到的城市功能区类型相一致[32,33]。

3.2 街区尺度空间品质时空动态评价方法

3.2.1 评价指标体系
参考现有文献建立的评价指标体系[30-31,34-36],本研究在科学性、系统性、操作性和适用性的指导原则下,提出从经济、社会、感官和文化4个方面建立城市街区尺度空间品质的静态一级评价指标体系,并进一步延伸出二级和三级指标（图2）。其中,经济空间品质指的是街区内提供商务商业等相关活动的设施资源与能力,采用商业网点覆盖度和商务类型设施面积进行刻画;社会空间品质指的是街区提供公共服务的能力,该指标细分为交通、医疗、和居住3个亚类,具体包括街区内医疗设施分布、街区内公交站点、轨道交通站点布局以及道路密度;感官空间品质强调影响生态环境与资源可持续利用的要素,具体包括街区水体及绿地的覆盖面积、公园占有面积以及风景名胜区所占比重等指标;文化空间品质反映街区具备的文化价值及提供精神文化服务的能力,具体采用不同等级学校覆盖度、博物馆和图书馆等公共教育设施的分布指标来刻画。其次,为了衡量街区品质的动态变化特征,本研究引入街区空间动态评价指标,采用基于手机信令数据的人口动态指标,表征人群活动资源占有率随时间的变化。人口动态指标采用3.1节所介绍的基于手机数据的全天动态人口分布。
图2 街区空间品质评价指标体系

Fig. 2 Index system for evaluation of block's space quality

Full size|PPT slide

3.2.2 基于AHP的评价方法
对于不同功能类型街区将空间品质评价体系的各种指标分解成3个层次。根据上述指标,开展每个街区的空间品质时空评价,具体采用指标体系的各层级各指标的加权综合评价方法。第一级指标评价公式见式（2）。第二级和第三极评价指标计算以此类推。
R=Soc(p)×Q1(1)+Eoc(p)×Q1(2)+Env(p)×Q1(3)+Cul(p)×Q1(4))BlockPopTimet （2）
式中：R为空间品质评价值; Soc(p) 、 Eoc(p) 、 Env(p) 、 Cul(p) 为第一级指标计算值,其分别对应二级指标下社会、经济、感官和文化的加权评价结果;Q1(i)分别对应为一级指标下的评价指标权重; BlockPopTimet 为t时段的街区人口相对活跃度指标。
对于每一级指标的权重的获取,运用层次分析法AHP(Analytic Hierarchy Process)确定评价因子权重,用标度把评价因子两两比较的重要性主观判断客观量化,主要包括以下步骤：① 判别矩阵的构造,对空间品质评价指标体系的每一层级指标两两比较,将重要性判断写成判断矩阵;② 层次单排序及一致性检验;③ 组合权重的计算与排序;④针对不同功能类型的街区带入相应功能的空间品质评价体系依次对296个街区进行评估,得到全天街区质量评估的结果。

4 结果及分析

依据3.2节中对街区单元的获取及处理方法,在北京市五环内共提取出296个街区（图3）,街区平均面积为2.88 km2,标准差为4.19551 km2。其中,居住区面积占比54.4%,主要集中在三环内,而商业区圈分布较为分散,公共管理和科教文化区域则集中在五环内西北方向的“海淀高校群”,天安门广场以及圆明园等区域集中分布着大面积绿地及风景名胜区,火车站附近被判别为交通设施区。在上述街区功能划分的基础上,本文从时间、空间、功能类型3个维度对空间品质评价结果进行详细讨论。
图3 北京市五环以内街区功能类型分布

Fig. 3 Distribution of functional types within the 5th Ring of Beijing

Full size|PPT slide

4.1 研究区不同功能街区空间品质值的时间维度分析

空间品质反映了人群在不同街区内不同时刻的活动空间感受质量,值越高代表其质量越高。将一天划分13个时段（7:00-20:00每个小时为一个时段,20:00至次日早7:00为夜间时段）,对北京市296个街区6种不同的功能类型进行空间品质的动态评价（图4）。
图4 空间品质全时段评价结果

Fig. 4 Space quality full-time evaluation results

Full size|PPT slide

首先,从不同功能街区时间变化看,空间品质大体表现出“陡降-低值稳定-陡升-高值稳定”的趋势,即大部分街区白天品质值较低而夜晚升高,与五环内人群活跃强度变化密切相关。大部分街区早上9:00后到晚上19:00时段变化比较平稳,主要因为人们的出行在该时间段内相对稳定,大规模的移动较少,因而空间品质没有明显波动;20:00-7:00晚间时段有一个明显的上升,五环内的居住场所比较集中,该时间段内人群大规模返回居住地或离开五环使得五环内大部分街区空间品质值得以明显升高;早晨（7:00-8:00）一般为出行时段,五环以外人群涌入五环并分散分布造成大部分街区空间品质的陡降。从街区功能类型来看,商业商务区、公共管理及科教文化区和绿地及风景名胜区的空间品质在7:00-8:00和夜间时段明显相对较高;居住区相对在早晨和夜间时段（7:00-8:00、20:00-7:00）的端点变化较为复杂,主要有2种模式：2个端点较高或者白天时段相对较高而2个端点出现低谷;道路及交通设施区一天之中波动较大,没有特别明显的变化模式。
其次,为了分析街区空间品质随时间变化的异常,采用时空异常检测“kσ”准则（σ是空间单元内评价结果的标准偏差,k的取值参照以往的研究结果取1.634[37]）获取时间异常模式。
图5显示,296个街区的异常值主要出现在夜间时段且以异常高值居多（夜间异常共有220个街区,其中135为异常高,85为异常低;白天异常共 有93个街区,35个街区在早晨时段出现异常值,只有28个街区在一天之中未出现异常值）,反映北京大部分街区在早晨和夜间时段空间品质存在剧 烈变化,选择图5中异常变化最具代表性的4个街区,进行土地利用和人流移动模式分析（图6）。可以看出,以地坛公园为主的109号街区,异常高和低值分别出现在早晨10：00和18：00,呈现出与人 群到访公园的出行模式相一致的特点;而以大量工厂和生产基地分布为主的34号街区异常高值出现在早间7:00-8:00和20:00-7:00,呈现出与人群作息负相关的变化模式;以商业商务场所为主的66号 街区（北京CBD）空间品质在午间随着人们出行聚集的高峰,达到低谷（异常低值）;而以马术俱乐部和度假村为主的294的街区分布,在17:00以后出现空间品质的异常高值。这4个街区代表了北京市典型的4种变化模式,由于街区主体功能不同导致人群活动在瞬时时刻的波动引起空间品质异常值的出现。
图5 街区空间品质异常检测及典型街区分析

Fig.5 Block space quality anomaly detection and typical block analysis

Full size|PPT slide

图6 全天5个典型时段的空间品质空间分布情况

Fig. 6 Spatial distribution of space quality in five typical time periods

Full size|PPT slide

4.2 街区空间品质的空间分布特征模式分析

选取5个代表时段（8:00-9:00、12:00-13:00、 14:00-15:00、17:00-18:00、20:00-8:00）进行北京市空间品质空间分布分析（图6）。整体上北京的空间品质维持在相对稳定的区间;早晚两时段（8:00- 9:00、20:00-7:00）相比,晚间时段研究区总体空间品质提升,尤以东三环和中关村附近的商业商务集中区表现明显,但西南部丰台区的住宅集中区夜间时段空间品质略有下降;从时间序列来看,全天时段内街区自身的空间品质波动较大,从空间分布趋势来看,各个时间段的北京市街区的空间品质又呈现相对稳定的分布趋势和特点,空间品质较高的街区主要集中在四环以内且北部居多,并且北五环与北二环间有明显的高值聚集区存在,这个区域全天的均值达到0.64;从城市空间格局来看,以南北和东西中轴线对城市进行划分,北部和东部全天所有时段街区空间品质均高于南部和西部,北部街区均值为0.601,南部为0.53,西部为0.56,东部为0.58。
为研究街区空间品质最小值空间分布规律,本文对各个街区全天时段中的最低空间品质值进行归一化处理,并进行空间分布可视化表达（图7（a））。空间品质最低值的均值从小到大依次为绿地及风景名胜区（0.167）、商业区（0.398）、居住区（0.562）、道路及交通设施区（0.639）、公共服务及科教文化区（0.765）。从功能类型来看,居住区、公共服务及科教文化区和道路及交通设施区这三类功能区空间品质最低值相对较高,而商业区和绿地及风景名胜区整体空间品质最低值相对偏低,这与北京市中心区城市功能集中,旅游人口在景区密度极高有很大关系。在城市的中心区的故宫、CBD、西单等区域集聚着巨大的人口活动,交通拥堵,资源配置近乎饱和但仍然不能满足人们的活动需求,图7(b)显示了短板效应的各个街区空间品质最佳和最差的街区。从空间分布情况来看,整体空间分异明显,北京四环五环的整体空间品质较差并突出表现在西四环、西五环、南五环;北京中轴线穿越以北的10 km缓冲区区域内具有较高的空间品质;同时,西部南部虽然活跃人口较多（主要在夜晚时段）,但长期资源配置不够完善,造成其空间质量偏低。
图7 人口活跃最大时间段的不同功能类型街区的空间品质分布情况

Fig. 7 Distribution of spatial quality of different functional types of blocks with the highest population activity period

Full size|PPT slide

为了进一步分析五环内的居住空间品质状况,把夜间时段所有街区都看做居住区的情况下,按照本文评价方法给出进一步的评价结果（图8(a)）。可知居住品质最高值位于奥林匹克森林公园和望京街区,其中奥运体育中心附近有大面积的公共服务设施和丰富的绿地资源,给居民带来感官空间品质的提升。而望京附近地区住宅覆盖率较高,拥有完善的交通设施和商业场所;玉泉路地区由于人口密度相对较大,然而交通设施不足,社会资源相对匮乏,不能很好满足街区居民相应社会需求的生活需求,呈现最低的居住品质评价结果。相对高值区集中分布在中轴线与北五环相交处的奥林匹克森林公园5 km缓冲区域和国贸、双井区域;相对低值区域分布在四环以外西南部丰台区、西北部海淀区、西部石景山区和东南部大兴区的居住小区密度很高的街区和榆树庄村、果园、张仪村等城中村。
图8 居住空间品质评价结果

Fig. 8 Quality evaluation results of living space

Full size|PPT slide

此外,基于冷热点（Hot Spot Analysis）分析方法[38]识别街区在夜间时段空间品质具有统计显著性的热点和冷点聚集区（图8(b)）。从居住角度看,呈现出南北差异显著、沿中轴线递减,且呈现沿环线路等级差异明显的空间分布规律。靠近北五环的居住空间品质总体高于南部,居住空间品质在研究区内存在明显的6个分级,在三环之外西部和南部有明显的低值区,这表明在北京市居民对居住空间在五环空间不同地域上享受的不公平性十分明显。

4.3 北京市五环内空间品质与人口活跃度关系

城市活力观点下越多的人会让街区变得更有活力,但是空间品质的感受度、人对资源的实际使用率也会与人口数呈现一定负相关关系。由此探讨空间品质与人口活跃度关系能够依据关系中不同类型的典型区域发掘各类规划问题以及规划参考街区,找到空间分布中不同区域的两者关系的分布特点。为了研究人口活跃强度与城市空间品质的关系,制作了人口活跃度与空间品质之间的二元关系图（图9（a））。“自然间断点法”划分数据方法基于数据中固有的自然分组,将对分类间隔加以识别,可对相似值进行分组,使各个类之间的差异最大化。图中按照自然间断点法将所有街区一天之内的平均值与街区空间品质进行“高-中-低”3个等级划分进行组合可以得到9种关系类型,按照每个街区的2个值所属的相应级别归入相应关系类型街区。结果可以看出,北京空间活跃度高同时空间品质也高的区域大多集中在城市的北三环和四环区域,这样的区域是城市的次中心拥有丰富的公共空间资源,在适度的人口强度下保持较高的空间品质;而二者皆低的区域分布在西部和南部的四环与五环之间,这些区域受传统地理观念的影响难以有足够的资源和人群吸引力;高人口活跃强度低空间品质街区位于研究区东北部和部分景点街区,这些区域是住宅小区密集区或者人流量很高的风景名胜区,有限的空间和资源内无法高效承担人的活动;低人口活跃强度高空间品质街区位于南部的二环和三环区域,这些区域人流量小可以进行资源配备吸引更多人口流入,从而缓解部分城市热点街区的低空间品质压力。具体选取有代表性的3类关系街区如图9（b）,分别为“高-高”（高空间品质,高人口活跃强度）,“低-高”,“高-低”。中关村和望京是典型的“高-高”区域,中关村是科教文化中心、望京是商业商务经济中心,也是人口高度集中的地区。从分析结果来看,2个地区很好地调整了人地关系,依据位置特征,功能定位来配置设施,发展互联网经济,高校区域集中,是合理配置资源的参考。故宫风景区则为典型的由于大量旅游团体的集中,活动强度极高出现人地矛盾,需要重点关注该地区的交通以及公众服务设施的加强。
图9 研究区空间品质与人口活跃强度关系及街区分类分析

Fig. 9 Relationship between spatial quality and active human intensity in the study area

Full size|PPT slide

5 结论与讨论

城市空间品质是衡量人地之间和谐程度的一个重要概念。本文在对以往空间品质定量评价体系及当前较为前沿的城市人群时空动态制图研究成果分析的基础上,提出了融合传统空间品质定量评价方法和城市人群时空动态特征方法开展空间品质时空动态评价的框架,并针北京市内部街区尺度开展实例研究。从时间变化来看,北京街区空间品质大多呈现“陡降-低值稳定-陡升-高值稳定”的趋势。从空间分布来看,五环以内,东部和北部空间品质相对高于西部和南部,西部和南部的四五环区间空间品质处在较低水平,呈现半圆形的差异性对比模式,沿北京市的中轴线在北三环至北五环的10 km范围内空间品质相对较高。居住空间品质内环空间品质总体高于外环,北部总体高于南部并且集中体现在四环与五环之间的差异性。研究区存在6个明显的居住空间品质等级,其从中轴线由北及南呈现递减趋势,这与谌丽等[39]采用问卷调查的北京市居住环境结果较为吻合;对于空间品质和人类活动的关系,在研究区内有着多样的人地关系,在对典型的3类关系研究中能够发现二者关系相互影响的特点和规划较为合理的街区。
为了实现精细动态的城市街区空间品质评估,本文虽然使用手机数据进行了人类分布的刻画,但仅靠手机信令数据还存在一定的片面性,难以全面地反映人群对空间品质的情感认知,未来研究中可进一步结合大众点评数据、微博等多源大数据获取到人对活动空间的感知和认识,提高结果的深度和丰富性。另外,本文对于空间品质中依靠相对人口活跃度与空间品质之间近似的负相关关系存在一定的局限性,未能全面考虑各类型街区对人流量的需求,在今后的研究中需要进一步改进评价体系的全面性与客观性。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析
[1]
董春方. 城市高密度环境下的建筑学思考[J].建筑学报,2010(4):20-23.以紧缩城市及城市高密度环境为预设,通过分析一些基于高密度条件的建筑实践,以建筑学的视角尝试从建筑空间、实体、功能,以及因建筑而留下的城市空间、建筑物之间的空间关系等方面探讨应对高密度的城市空间和发展模式的建筑方法和对策。
https://doi.org/10.3969/j.issn.0529-1399.2010.04.005
http://www.cqvip.com/QK/71135X/201107/33864387.html
[ Dong C F.Architectural consideration to urban high density[J]. Architectural Journal, 2010(4):20-23. ]
本文引用 [1]
[2]
Nadai M D, Staiano J, Larcher R, et al.The death and life of great Italian cities: A mobile phone data perspective[C].// International Conference on World Wide Web, International World Wide Web Conferences Steering Committee, 2016.
本文引用 [1]
[3]
Rapoport A.The study of spatial quality[J]. Journal of Aesthetic Education, 1970,4(4):81-95.
https://doi.org/10.2307/3331287
https://www.jstor.org/stable/3331287?origin=crossref
本文引用 [1]
[4]
周进,黄建中.城市公共空间品质评价指标体系的探讨[J].建筑师,2003(3):52-56.城市公共空间品质评价是城市人居环境评价的重要内容。准确地评价现有公共空间品质能为制定城市规划和相关建设决策提供客观依据。本文通过界定和剖析城市公共空间和城市公共空间品质的概念和内涵,试图确立以满足使用者需要为城市公共空间品质评价的基本原则,并提出一个层次分明。操作性强的城市公共空间品质评价指标体系
http://www.cnki.com.cn/Article/CJFDTotal-JZSS200303008.htm
[ Zhou Jing, Huang J Z.Discussion on quality evaluation index system of urban public space[J]. Architect, 2003(3):52-56. ]
本文引用 [1]
[5]
Reid E, Robert C.Travel and the built environment: A meta-analysis[J]. Journal of the American planning association, 2010,76(3):265-294.
https://doi.org/10.1080/01944361003766766
http://www.tandfonline.com/doi/abs/10.1080/01944361003766766
本文引用 [1]
[6]
李丽萍,郭宝华.关于宜居城市的理论探讨[J].城市发展研究,2006,13(2):76-80.界定了宜居城市的概念,探讨了宜居城市在经济、社会、文化、生活、生态、安全诸方面的内涵,剖析了宜居城市的环境系统,认为宜居城市是由自然物质环境和社会人文环境相互交织、融合形成的一个复杂巨系统,提出宜居城市的七大判别标准———经济发展度、社会和谐度、文化丰厚度、居住舒适度、景观怡人度、公共安全度。阐述了宜居城市发展演变的一般性规律,旨在为中国宜居城市建设实践提供理论依据。
https://doi.org/10.3969/j.issn.1006-3862.2006.02.016
http://www.cqvip.com/QK/71135X/201107/21722134.html
[ Li L P, Guo B H.A study on the theory of the livable city[J]. Urban Studies, 2006,13(2):76-80. ]
本文引用 [1]
[7]
张文忠. 宜居城市的内涵及评价指标体系探讨[J].城市规划学刊,2007(3):30-34.在总结国内外关于宜居城市的研究进展的基础上,重点探讨了宜居城市的内涵,并分析了宜居城市与人居环境、居住环境、生态城市等相关概念的异同点。认为宜居城市应该是一个安全的城市、健康的城市、生活方便的城市、出行便利的城市,也是一个居住舒适的城市。最后从安全、健康、生活方便、出行便利和居住舒适性等五个方面,构建了宜居城市的评价指标体系。
https://doi.org/10.3969/j.issn.1000-3363.2007.03.007
http://www.cnki.com.cn/Article/CJFDTotal-CXGH200703010.htm
[ Zhang W Z.Study on intrinsic meanings of the livable city and the evaluation system of livable city[J]. Urban Planning Forum, 2007(3):30-34. ]
本文引用 [1]
[8]
陈晓勤. 城市宜居指数评价体系研究——以北京市为例[C]//2008中国城市规划年会论文集.上海:同济大学,2008.
[ Chen X Q.Study on the evaluation index system of livable index in cities -- a case study of Beijing[C]//2008 proceedings of the annual conference of China urban planning. Shanghai: Tongji University, 2008. ]
本文引用 [1]
[9]
Jacob J.The death and life of great american cities[M]. New York: Random House LLC,1961.
本文引用 [1]
[10]
龙瀛,周垠.街道活力的量化评价及影响因素分析——以成都为例[J].新建筑,2016(1):52-57.街道在城市生活中扮演着极为重要的角色,它不仅是交通的主要载体,也是重要的城市开放空间。在龙瀛和沈尧提出的街道城市主义思想的基础上,对成都全市街道活力展开定量探索,明确了"街道""活力"和"街道城市主义"的概念,构建了街道活力定量评价的指标体系,分别探索了A类(公共管理与公共服务)、B类(商业服务业设施)和R类(居住)街道活力的外在表征和街道活力构成因素的关系。研究表明,不同类型街道的活力影响因子差异较大:A类街道活力受天府广场距离制约明显,B类街道活力则与地铁口紧密关联,R类街道活力更多受功能混合度影响。
https://doi.org/10.3969/j.issn.1000-3959.2016.01.009
http://d.wanfangdata.com.cn/Periodical/xjz201601009
[ Long Y, Zhou G.Quantitative evaluation on street vibrancy and its impact factors: A case study of Chengdu[J]. New Architecture, 2016(1):52-57. ]
本文引用 [1]
[11]
姜蕾. 城市街道活力的定量评估与塑造策略[D].大连:大连理工大学,2013.
[ Jiang L.Quantitative sssessment and shaping strategy of vitality of urban streets[D]. Dalian: Dalian University of Technology, 2013. ]
本文引用 [1]
[12]
唐婧娴,龙瀛,翟炜,等.街道空间品质的测度、变化评价与影响因素识别——基于大规模多时相街景图片的分析[J].新建筑,2016(5):110-115.街道空间品质对城市形象和公共生活具有重要影响。试图构建"街道空间品质评估—品质变化特征识别—影响因素分析"的研究框架,利用北京市2005—2013年已有建设用地上的居住类土地出让信息,获取其周边多年份的街景图片,用于评价街道品质和空间变化判读。研究发现,样本街道的总体品质偏低,改善比例在10%左右,且多为表面化的整治。微观环境的优化措施尚未体现精细化设计理念。
https://doi.org/10.3969/j.issn.1000-3959.2016.05.021
http://d.wanfangdata.com.cn/Periodical/xjz201605021
[ Tang J X, Long Y, Zhai W, et al.Measuring quality of street space, its temporal variation and impact factors: An analysis based on massive street view pictures[J]. New Architecture, 2016(5):110-115. ]
本文引用 [1]
[13]
Zheng Y, Capra L, Wolfson O, et al.Urban computing: Concepts, methodologies and applications[J]. Acm Transactions on Intelligent Systems & Technology, 2014,5(3):51-55.Urbanization's rapid progress has modernized many people's lives but also engendered big issues, such as traffic congestion, energy consumption, and pollution. Urban computing aims to tackle these issues by using the data that has been generated in cities (e.g., traffic flow, human mobility, and geographical data). Urban computing connects urban sensing, data management, data analytics, and service providing into a recurrent process for an unobtrusive and continuous improvement of people's lives, city operation systems, and the environment. Urban computing is an interdisciplinary field where computer sciences meet conventional city-related fields, like transportation, civil engineering, environment, economy, ecology, and sociology in the context of urban spaces. This article first introduces the concept of urban computing, discussing its general framework and key challenges from the perspective of computer sciences. Second, we classify the applications of urban computing into seven categories, consisting of urban planning, transportation, the environment, energy, social, economy, and public safety and security, presenting representative scenarios in each category. Third, we summarize the typical technologies that are needed in urban computing into four folds, which are about urban sensing, urban data management, knowledge fusion across heterogeneous data, and urban data visualization. Finally, we give an outlook on the future of urban computing, suggesting a few research topics that are somehow missing in the community.
https://doi.org/10.1145/2629592
http://dl.acm.org/citation.cfm?id=2629592
本文引用 [1]
[14]
郑宇. 城市计算概述[J].武汉大学学报·信息科学版,2015,40(1):1-13.
[ Zheng Y.Introduction to urban computing[J]. Geomatics and Information Science of Wuhan University, 2015,40(1):1-13. ]
本文引用 [1]
[15]
Zhang J, Zheng Y, Qi D, et al.Predicting citywide crowd flows using deep spatio-temporal residual networks[J]. Artificial Intelligence, 2018,259:147-166.Abstract: Forecasting the flow of crowds is of great importance to traffic management and public safety, and very challenging as it is affected by many complex factors, including spatial dependencies (nearby and distant), temporal dependencies (closeness, period, trend), and external conditions (e.g., weather and events). We propose a deep-learning-based approach, called ST-ResNet, to collectively forecast two types of crowd flows (i.e. inflow and outflow) in each and every region of a city. We design an end-to-end structure of ST-ResNet based on unique properties of spatio-temporal data. More specifically, we employ the residual neural network framework to model the temporal closeness, period, and trend properties of crowd traffic. For each property, we design a branch of residual convolutional units, each of which models the spatial properties of crowd traffic. ST-ResNet learns to dynamically aggregate the output of the three residual neural networks based on data, assigning different weights to different branches and regions. The aggregation is further combined with external factors, such as weather and day of the week, to predict the final traffic of crowds in each and every region. We have developed a real-time system based on Microsoft Azure Cloud, called UrbanFlow, providing the crowd flow monitoring and forecasting in Guiyang City of China. In addition, we present an extensive experimental evaluation using two types of crowd flows in Beijing and New York City (NYC), where ST-ResNet outperforms nine well-known baselines.
https://doi.org/10.1016/j.artint.2018.03.002
https://linkinghub.elsevier.com/retrieve/pii/S0004370218300973
本文引用 [2]
[16]
陈丽娜,吴升,陈洁,等.基于手机定位数据的城市人口分布近实时预测[J].地球信息科学学报,2018,20(4):523-531.精细时空尺度下城市人口分布的近实时预测可为优化公共资源配置、协助城市交通诱导、制定公共安全应急预案、探索城市居民活动规律等提供重要科学依据。本文采用城市手机定位数据,基于时间序列分析方法,分别建立参数预测模型和非参数预测模型,对精细尺度下的城市人口空间分布开展近实时预测。预测结果表明,基于时间序列分析方法的预测模型可为精细尺度下的城市人口分布近实时预测提供方法支持;在本文实验条件下,从人口规模、时空分布、多时间尺度、特殊事件等多个角度评估模型精度,非参数预测模型其预测误差均小于参数预测模型,且预测结果更为稳定。
http://www.cqvip.com/QK/86408A/201804/675051374.html
[ Chen L N, Wu S, Chen J, et al.The near-real-time prediction of urban population distributions based on mobile phone location data[J]. Journal of Geo-information Science, 2018,20(4):523-531. ]
本文引用 [1]
[17]
Liu Z, Ma T, Du Y Y, et al.Mapping hourly dynamics of urban population using trajectories reconstructed from mobile phone records[J]. Transactions in Gis, 2018,22(2):494-513.Abstract Understanding the spatiotemporal dynamics of urban population is crucial for addressing a wide range of urban planning and management issues. Aggregated geospatial big data have been widely used to quantitatively estimate population distribution at fine spatial scales over a given time period. However, it is still a challenge to estimate population density at a fine temporal resolution over a large geographical space, mainly due to the temporal asynchrony of population movement and the challenges to acquiring a complete individual movement record. In this article, we propose a method to estimate hourly population density by examining the time-series individual trajectories, which were reconstructed from call detail records using BP neural networks. We first used BP neural networks to predict the positions of mobile phone users at an hourly interval and then estimated the hourly population density using log-linear regression at the cell tower level. The estimated population density is linearly correlated with population census data at the sub-district level. Trajectory clustering results show five distinct diurnal dynamic patterns of population movement in the study area, revealing spatially explicit characteristics of the diurnal commuting flows, though the driving forces of the flows need further investigation.
https://doi.org/10.1111/tgis.12323
http://doi.wiley.com/10.1111/tgis.2018.22.issue-2
本文引用 [2]
[18]
周洋. 基于出租车数据的城市居民活动空间与网络时空特性研究[D].武汉:武汉大学,2016.
[ Zhou Y.Study on urban human activity space patterns and network spatial temporal characteristics in urban cities using taxi trajectory data[D]. Wuhan: Wuhan University, 2016. ]
本文引用 [1]
[19]
Yuan N J, Zheng Y, Xie X, et al.Discovering urban functional zones using latent activity trajectories[J]. Knowledge & Data Engineering IEEE Transactions on, 2015,27(3):712-725.The step of urbanization and modern civilization fosters different functional zones in a city, such as residential areas, business districts, and educational areas. In a metropolis, people commute between these functional zones every day to engage in different socioeconomic activities, e.g., working, shopping, and entertaining. In this paper, we propose a data-driven framework to discover functional zones in a city. Specifically, we introduce the concept of latent activity trajectory (LAT), which captures socioeconomic activities conducted by citizens at different locations in a chronological order. Later, we segment an urban area into disjointed regions according to major roads, such as highways and urban expressways. We have developed a topic-modeling-based approach to cluster the segmented regions into functional zones leveraging mobility and location semantics mined from LAT. Furthermore, we identify the intensity of each functional zone using Kernel Density Estimation. Extensive experiments are conducted with several urban scale datasets to show that the proposed framework offers a powerful ability to capture city dynamics and provides valuable calibrations to urban planners in terms of functional zones.
https://doi.org/10.1109/TKDE.2014.2345405
本文引用 [1]
[20]
丁亮,钮心毅,宋小冬.上海中心城就业中心体系测度——基于手机信令数据的研究[J].地理学报,2016,71(3):484-499.利用手机信令数据识别上海市域内手机用户的工作地和居住地,获取就业者的通勤数据,测度上海中心城的就业中心体系.首先用就业者工作地数据生成就业密度分布图,基于中心城的就业密度识别就业中心.随后,用就业者工作地和居住地数据分别从就业密度和通勤联系两方面测度各中心的能级、分析各中心的腹地和势力范围.研究发现:①上海中心城的就业中心呈主中心强大的弱多中心体系;②就业密度越高的中心与其他地区的通勤联系一般也越强,但通勤联系在各中心间的差异更显著;③能级越高的中心腹地面积越大,但势力范围不一定越大;④相比于能级,职住功能混合度对职住平衡的影响更大;⑤缺少就业中心的地区势力范围呈交替状.本研究一定程度上能有助于解决既往就业中心体系研究因空间单元较大、缺少通勤数据在中心识别、通勤联系测度等方面受到的局限,希望能为构建上海中心城就业多中心体系提供帮助.
https://doi.org/10.11821/dlxb201603011
http://www.cqvip.com/QK/90059X/201603/668177641.html
[ Ding L, Niu X Y, Song X D.Measuring the employment center system in Shanghai central city: A study using mobile phone signaling data[J]. Acta Geographica Sinica, 2016,71(3):484-499. ]
本文引用 [1]
[21]
王德,钟炜菁,谢栋灿,等.手机信令数据在城市建成环境评价中的应用——以上海市宝山区为例[J].城市规划学刊,2015(5):82-90.城市建成环境与个人时空间行为之间具有密切的互动关系。利用手机信令数据,从职住关系、通勤行为和居民消费休闲出行行为的微观个体行为视角构建城市建成环境的评价框架,以上海市宝山区为例进行城市建成环境的综合评价。研究表明,居民各类活动、出行行为在空间分布上具有明显差异,受到用地、交通、区位等建成环境因素影响显著,综合分析得出宝山整体建成环境的发展呈现出南北不同的格局,具有明显的近中心城、新城和近轨道交通轴线的发展特征。最后,简要探讨了利用手机信令数据对城市建成环境评价的应用价值,并结合评价结果和区域发展目标,对宝山区的空间调整优化和居民行为引导提出建议。
https://doi.org/10.16361/j.upf.201505010
http://www.cnki.com.cn/Article/CJFDTotal-CXGH201505013.htm
[ Wang D, Zhong W, Xie D, et al.The application of cell phone signaling data in the assessment of urban built environment: A case study of Baoshan district in Shanghai[J]. Urban Planning Forum, 2015(5):82-90. ]
本文引用 [1]
[22]
Ratti C, Frenchman D, Pulselli R M, et al.Mobile landscapes: Using location data from cell phones for urban analysis[J]. Environment and Planning B-Planning & Design, 2006,33(5):727-748.
本文引用 [1]
[23]
Deville P, Linard C, Martin S, et al.Dynamic populationmapping using mobile phone data[J]. Proceedings of theNational Academy of Sciences of the United States ofAmerica, 2014,111(45):15888-15893.
本文引用 [1]
[24]
Tu W, Cao J, Yue Y, et al.Coupling mobile phone and social media data: A new approach to understanding urban functions and diurnal patterns[J]. International Journal of Geographical Information Science, 2017,31(4):1-28.react-text: 387 urban big data /react-text react-text: 388 /react-text
https://doi.org/10.1080/13658816.2017.1356464
http://www.tandfonline.com/doi/abs/10.1080/13658816.2017.1356464
本文引用 [1]
[25]
江慧娟. 基于多源时空数据的城市社区宜居性动态评价方法研究[D].武汉:武汉大学,2017.
[ Jiang H J.Research on dynamic evaluation method of urban community livability based on multi temporal spatial data[D]. Wuhan: Wuhan University, 2017. ]
本文引用 [1]
[26]
肖亮. 城市街区尺度研究[D]. 上海:同济大学, 2006.
[ Xiao L. The research on urban block[D]. Shanghai: Tongji University, 2006 ]
[27]
Zhang Junbo, Zheng Y, Qi D. Deep spatio-temporal residual Networks for citywide crowd flows prediction[J]. National Conference on Artificial Intelligence, 2016,1655-1661.Traffic problems have seriously affected people's life quality and urban development, and forecasting short-term traffic congestion is of great importance to both individuals and governments. However, understanding and modeling the traffic conditions can be extremely difficult, and our observations from real traffic data reveal that: 1) similar traffic congestion patterns exist in the... [Show full abstract]
http://arxiv.org/abs/1610.00081
[28]
中华人民共和国住房和城乡建设部.GB/T 50137-2011 城市用地分类与规划建设用地标准[S].北京:中国建筑工业出版社,2011.
[ Ministry of Housing and Urban-Rural Development of the People's Republic of China. GB/T 50137-2011 Classification of Urban Land Use And Planning Standards Of Development Land[S]. Beijing: China Architecture & Building Press, 2011. ]
本文引用 [1]
[29]
王瑶莉,高松,刘瑜.青岛城市道路邻近中心性及其应用方法[J].地理研究,2013,32(3):452-464.以青岛为实证研究区域,从理论角度探讨了道路全局和局部邻近中心性的地理含义及其各自优缺点,认为全局邻近中心性(GCC)反映的是网络上各点到网络“质心”的距离,可从全局角度反映区位重要性；局部邻近中心性(LCC)反映小范围空间区域的重心,与局部路网密度相关.进一步根据核密度估计(KDE)的机理证明,在城市地理空间结构的实际应用案例中适宜采用KDE法来进行空间分析.本文以手机话务量数据反映的城市居民活动空间结构为例讨论了邻近中心性核密度估计(CC-KDE)的应用,发现与居民活动相关性最高的是核密度全局邻近中心性(GCC-KDE),因为全局邻近中心性核密度估计(GCC-KDE)综合了到网络“质心”距离与道路网络局部密度双重因素,故反映城市人口等与道路密度相关的社会经济现象更有效.
https://doi.org/10.11821/yj2013030007
http://www.cqvip.com/QK/95732X/201303/45220420.html
[ Wang Y L, Gao S, Liu Y.Exploration into urban street closeness centrality and its application methods: A case study of Qingdao[J]. Geographical Research, 2013,32(3):452-464. ]
本文引用 [1]
[30]
王劲峰,葛咏,李连发,等.地理学时空数据分析方法[J].地理学报,2014,69(69):1326-1345.随着地理空间观测数据的多年积累,地球环境、社会和健康数据监测能力的增强,地理信息系统和计算机网络的发展,时空数据集大量生成,时空数据分析实践呈现快速增长。本文对此进行了分析和归纳,总结了时空数据分析的7类主要方法,包括:时空数据可视化,目的是通过视觉启发假设和选择分析模型;空间统计指标的时序分析,反映空间格局随时间变化;时空变化指标,体现时空变化的综合统计量;时空格局和异常探测,揭示时空过程的不变和变化部分;时空插值,以获得未抽样点的数值;时空回归,建立因变量和解释变量之间的统计关系;时空过程建模,建立时空过程的机理数学模型;时空演化树,利用空间数据重建时空演化路径。通过简述这些方法的基本原理、输入输出、适用条件以及软件实现,为时空数据分析提供工具和方法手段。
https://doi.org/10.11821/dlxb201409007
[ Wang J F, Ge Y, Li L F, et al.A theoretical framework for spatial analysis[J]. Acta Geographica Sinica, 2014,69(9):1326-1345. ]
本文引用 [2]
[31]
池娇,焦利民,董婷,等.基于POI数据的城市功能区定量识别及其可视化[J].测绘地理信息, 2016,41(2):68-73.城市地区的电子地图兴趣点（POI）主要包括城市内具有标志性作用的实体建筑物,并描述这些实体建筑物的空间和属性信息。对POI数据重分类,定量识别出城市单一功能区及混合功能区,选定基本颜色表示单一功能区,借鉴RGB颜色加色法对城市混合功能区进行可视化。经与城市总体规划图对比分析,结果表明,城市功能区识别结果更为细致准确。
https://doi.org/10.14188/j.2095-6045.2016.02.017
http://www.cqvip.com/QK/93326X/201602/668486509.html
[ Chi J, Jiao L M, Dong T, et al. Quantitative identification and visualization of urban functional area based on POI data[J]. Journal of Geomatics, 2016,41(2):68-73. ]
本文引用 [2]
[32]
刘欣葵,彭文英.城市功能分区与分区分类管理[J].城市管理与科技,2010,12(4):20-22.正一、城市功能分区的相关理论(一)城市功能分区的涵义城市功能分区是指按照城市的主导功能对区域进行划分,形成功能统一、相对独立而又彼此联系的功能区,构成布局合理的有机整体。城市功能分区往往是伴随产业结构发展而出现的,城市功能分区是各物质要素在地域上的分化组合,因而与城市地域结构形成也密不可分,但是,城
https://doi.org/10.3969/j.issn.1008-2271.2010.04.006
http://www.cqvip.com/Main/Detail.aspx?id=35052594
[ Urban functional division and division management[J]. Urban Management Science & Technology, 2010,12(4):20-22. ]
本文引用 [1]
[33]
张玲. POI的分类标准研究[J].测绘通报,2012,(10):82-84.POI点是地理信息的重要组成部分,通过对POI点的使用者及其所关注兴趣点的研究,给出POI分类的原则和方法,为地理信息的查询、浏览服务提供了良好的支持,从而提高了地理信息的服务水平。
[ Zhang L.Research on POI classification standard[J]. Bulletin of Surveying and Mapping, 2012,(10):82-84. ]
本文引用 [1]
[34]
曾佑海. 城市公共空间品质评价及分析研究[D].重庆:重庆大学,2015.
[ Zeng Y H.An analysis and evaluation of the quality of urban public space[D]. Chongqing: Chongqing University, 2015. ]
本文引用 [1]
[35]
Li Q, Xu B, Ma Y, et al.Real-time monitoring and forecast of active population density using mobile phone data[M]// Big Data Technology and Applications. Singapore:Springer, 2015.
[36]
Sun J, Wang Y X, Si H, et al.Aggregate human mobility modeling using principal component analysis[J]. Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications, 2010,1(2/3):83-95.
本文引用 [1]
[37]
Cheng T, Li Z L.A multiscale approach for spatio-temporal outlier detection[J]. Transactions in GIS, 2006,10(2):253-263.Abstract A spatial outlier is a spatially referenced object whose thematic attribute values are significantly different from those of other spatially referenced objects in its spatial neighborhood. It represents an object that is significantly different from its neighbourhoods even though it may not be significantly different from the entire population. Here we extend this concept to the spatio-temporal domain and define a spatial-temporal outlier (ST-outlier) to be a spatial-temporal object whose thematic attribute values are significantly different from those of other spatially and temporally referenced objects in its spatial or/and temporal neighbourhoods. Identification of ST-outliers can lead to the discovery of unexpected, interesting, and implicit knowledge, such as local instability or deformation. Many methods have been recently proposed to detect spatial outliers, but how to detect the temporal outliers or spatial-temporal outliers has been seldom discussed. In this paper we propose a multiscale approach to detect ST-outliers by evaluating the change between consecutive spatial and temporal scales. A four-step procedure consisting of classification, aggregation, comparison and verification is put forward to address the semantic and dynamic properties of geographic phenomena for ST-outlier detection. The effectiveness of the approach is illustrated by a practical coastal geomorphic study.
https://doi.org/10.1111/j.1467-9671.2006.00256.x
http://www.blackwell-synergy.com/toc/tgis/10/2
本文引用 [1]
[38]
Feng Y, Chen X, Gao F, et al.Impacts of changing scale on Getis-Ord Gi* hotspots of CPUE: A case study of the neon flying squid (Ommastrephes bartramii) in the northwest Pacific Ocean[J]. Acta Oceanologica Sinica, 2018,37(5):67-76.We examined the scale impacts on spatial hot and cold spots of CPUE for Ommastrephes bartramii in the northwest Pacific Ocean. The original fishery data were tessellated to 18 spatial scales from 5′×5′ to 90′×90′ with a scale interval of 5′ to identify the local clusters. The changes in location, boundaries, and statistics regarding the Getis-Ord Gi* hot and cold spots in response to the spatial scales were analyzed in detail. Several statistics including Min, mean, Max, SD, CV, skewness, kurtosis, first quartile (Q1), median, third quartile (Q3), area and centroid were calculated for spatial hot and cold spots. Scaling impacts were examined for the selected statistics using linear, logarithmic, exponential, power law and polynomial functions. Clear scaling relations were identified for Max, SD and kurtosis for both hot and cold spots. For the remaining statistics, either a difference of scale impacts was found between the two clusters, or no clear scaling relation was identified. Spatial scales coarser than 30′ are not recommended to identify the local spatial patterns of fisheries because the boundary and locations of hot and cold spots at a coarser scale are significantly different from those at the original scale.
https://doi.org/10.1007/s13131-018-1212-6
http://link.springer.com/10.1007/s13131-018-1212-6
本文引用 [1]
[39]
谌丽,张文忠,李业锦,等.北京城市居住环境类型区的识别与评价[J].地理研究,2015,34(7):1331-1342.基于北京数字城市要素平台的空间集成数据和问卷调查数据,将居住 环境的客观指标和居民主观评价相结合,以北京为典型案例,首先运用因子生态分析等方法识别出居住环境类型区,然后采用以居民个体感受作为依据的价值化评价 方法,明确不同居住环境类型区的问题,最后总结北京城市居住环境类型的空间格局.研究发现,北京城区可分为内城异质性居住区、内城同质性居住区、近郊职住 混合区、近郊高密度居住区、远郊职住混合区和远郊低可达性居住区等六类居住环境类型区,其空间结构同时体现了同心圆、扇形和多核心等特征.居民对不同居住 环境类型区的评价存在显著差异,整体上从内城到郊区满意度逐级降低.最后提出改善北京居住环境的建议.
https://doi.org/10.11821/dlyj201507012
[ Chen L, Zhang W Z, Dan Y X.Identification and evaluation of residential environment types in Beijing city. Geographical Research, 2012,31(4):720-732. ]
本文引用 [1]

脚注

The authors have declared that no competing interests exist.

基金

国家自然科学基金重大项目（41590845）
中国科学院前沿科学重点研究项目（QYZDY-SSW-DQC007-2）.
PDF(12545 KB)
可视化

1349

Accesses

0

Citation

Detail
段落导航
相关文章

/

〈 〉