基于POI数据的城市功能区识别研究

基于兴趣点数据与道路网络数据,选取济南市中心城区为研究区域,通过频数密度与类型比例计算,以街区为研究单元对济南中心城区功能区进行定量识别,并验证识别精度。将识别结果与《济南市城市总体规划（2011-2020年）》对比,提出功能区优化对策。研究结果表明：城市功能区自西向东呈现多中心分布特征,单一功能区呈现圈层分布特征。构建混淆矩阵,计算出功能区总体精度为83.34%,可为济南市功能区空间规划提供新的思路。     

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。     

基于logistic回归模型的城市功能区识别

通过构建兴趣点与城市功能区之间的logistic回归模型进行功能区识别,以武汉市主城区为例进行试验分析,将识别结果可视化并与《武汉市城市总体规划图(2010—2020)》进行对比,通过百度地图进行验证。研究结果表明,logistic回归模型与兴趣点数据相结合能基本识别居住用地、商业服务业设施用地、工业用地、公共管理与公共服务用地,准确率较高。     

基于POI数据的城市功能区识别及主要交通枢纽空间分析

研究利用机器学习中的TF-IDF统计方法,基于POI数据识别北京五环范围内的城市用地功能区。实验从道路网和格网两个层面开展,首先,将两结果与相同地区的遥感影像进行对比与验证,并从中提取属于交通用地范畴中的主要交通枢纽;其次,基于空间服务范围和空间连接强度两个视角对火车站和机场的地理特征进行分析,具体包括空间分布范围的特点、受区域影响的强弱、空间联系强度的差异等内容;最后,进一步对比各重要交通枢纽所在空间单元作为出租车行程起始点和终止点的共性和差异性。     

使用时序出租车轨迹识别多层次城市功能结构

地理时空大数据被广泛用于城市功能结构识别,其中功能层次性的研究对于系统理解城市功能的结构特征和分布形态具有重大意义,但相关研究仍处于空缺状态。基于时序出租车出行数据和感兴趣点数据描述居民出行模式,结合动态时间规整和K-MEDOIDS聚类算法识别城市的功能属性和空间结构。研究结果表明,广州市中心城区的城市功能具有明显的层次性。随着层次细致程度的提升,其功能属性由"职-住"二元结构向"职-住-休"三元结构发展;其空间结构符合环状圈层构造,功能由外围的居住游憩向中心的商业休闲过渡,并在不同的圈层上呈现出各自的功能倾向。这为城市规划人员系统理解城市功能的属性变化和结构特征提供了有效的参考价值。     

出租车轨迹数据的频繁轨迹识别

为识别城市交通中的频繁路径,本文提出了一种出租车轨迹数据的频繁轨迹识别方法。该方法首先对轨迹数据进行轨迹压缩,以降低计算复杂度;然后基于最长公共子序列和动态时间规整算法进行轨迹相似性度量计算,利用计算得到的轨迹间相似度生成距离矩阵;最后将生成的距离矩阵结合HDBSCAN算法进行聚类得到频繁轨迹。选取厦门岛内两个区域进行试验分析,结果表明,该方法能够识别出轨迹数据集中的频繁轨迹,进而得到城市区域之间通行的频繁路径,对道路规划、路径优化与推荐、交通治理等应用提供帮助。     

北京市出租车GPS轨迹数据统计特征分析

以2015年5月11-17日北京市3万多辆出租车3.85亿条轨迹点数据为研究对象,对非载客段数据点进行剔除,使用R语言从居民出行距离、轨迹段持续时间、分时段出行量、出行方向及平均速度五个角度进行统计特征分析,并通过拟合得到浮动车行驶距离与持续时长所遵循的指数分布,进而发现距离衰减效应、工作日与周末的日律性,并以此分析乘客出行距离、出行时间的潜在规律。     

基于出租车轨迹数据的人口活动分析

根据轨迹数据识别出人们感兴趣的区域,并且挖掘出人们的日常出行特性,作为数据挖掘的一个热点逐渐受到人们的重视。目前,绝大多数大城市的出租车上都安装有GPS,其记录的轨迹数据在时间和空间上都包含丰富的信息,分析出租车的轨迹数据能在一定程度上反映城市人口的出行情况,挖掘有价值的信息。文中挖掘出租车轨迹数据中的乘客上下车的位置点数据,经过数据预处理、地图匹配以及整合后,对位置点进行有权重的热点区域分析,叠加到地图上进行人口活动分析。     

出租车轨迹数据的地域间移动模式分析

基于地域的移动模式（zone-based movement pattern,ZMP）的发掘通过对出租车轨迹的聚类分析,同步发掘地域与移动轨迹。该方法通过ZMP的合并达到新地域发掘的目的,并加以距离和专题属性组成的相邻约束以保留移动的方向性、地域的功能属性以及地域间的距离关系。通过连接矩阵迭代计算得到最优合并的ZMP进行合并,从而发掘ZMP,同时通过覆盖度、精准度以及基于这两者的平衡评估因子等对合并得到的ZMP进行评定。通过现实世界的出租车数据进行实验,结果表明该方法高效可行,能合理地实现合并现有区以发掘新地域。     

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。     

动态数据空间分析的不确定性问题——以城市中心识别为例

目的 动态数据在空间分析中存在不确定性问题。以手机定位数据为例来识别城市中心,探索可塑性面积单元问题和不确定的地理情境问题,发现群体活动强度的空间自相关程度受到采样区域划分方式和分析单元大小的影响,地理情境的时空动态变化也会带来不确定的地理情境问题。讨论了减轻不确定性的可能方法。     

散乱数据内插平原地区DEM的方法

以我国东部平原地区钱营孜煤矿矿区为案例,根据实测的散乱数据,使用交叉统计检验和视觉特征分析了ANUDEM方法和与地理信息系统领域中常用传统插值方法的空间插值结果。分析表明,在平原地区,TIN方法生成的DEM具有较高的精度,ANUDEM方法生成的DEM能够准确反映水文地貌。     

众源车辆轨迹加油停留行为探测与加油站点提取

针对当前加油站点信息采集成本高、更新周期长等问题,提出了运用车辆轨迹数据提取加油站点的方法。首先,从轨迹运动特征、几何模式等方面分析个体和群体加油行为轨迹特征。其次,基于Stop/Move模型,集成加油轨迹运动特征提出速度序列线性聚类算法提取加油停留轨迹。最后,运用Delaunay三角网层次聚类加油停留轨迹线,综合运用傅里叶形状识别、语义约束等方法识别、提取加油站点。运用北京市7d的出租车轨迹数据进行试验分析,共提取482个加油站,正确率为93.1%,且位置精度高。     

移动轨迹数据发布中的隐私度量框架研究

在移动轨迹数据发布场景中,由于攻击者所拥有的背景知识及攻击模型的差异,使得无法对不同隐私保护机制的隐私保护度和数据可用性进行统一评价。针对该问题,提出了一个顾及用户、攻击者和隐私保护机制的度量框架。定义了一个融合攻击者背景知识和攻击方法等因素的隐私度量指标U_m,使得不同的隐私保护机制在统一度量下能够进行有效性比较,有助于数据发布方选择合适的隐私保护机制以获取隐私保护和数据可用性之间的均衡。在两个真实轨迹数据集上进行的实验验证了该框架以及度量指标的有效性。     

出租车GPS轨迹下的医疗设施服务半径确定

设施服务半径大小是设施空间布局合理性的重要体现。传统研究大都基于理论的方法,缺少实际数据的验证。本文提出了基于出租车GPS轨迹确定医疗设施服务半径的方法,并以深圳市三级医院为研究对象,验证该方法的有效性。研究表明,深圳市三级医院的访问人群集中在9 km范围内,4 km是比较合理的服务半径。从医疗设施服务范围在各行政区域的空间分布上看,深圳市三级医院布局呈现出较大的不均衡性,然而通过质心分析法综合人口的分布状况研究,其空间分布与人口密度分布相差不远。     

利用轨迹数据进行道路网更新及轨迹融合

随着经济的快速发展,城市道路网更新迅速,道路网数据对于交通规划和城市发展具有重要意义。本文提出了一种基于轨迹数据的道路更新及轨迹融合方法。首先使用几何最短距离分析和隐马尔科夫模型来提取失配轨迹,然后使用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,提取出新增道路骨架线,对得到的骨架线进行显化和延长处理,使其融合到现有道路网中。试验结果表明,采用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,能够提高新增道路的生成效率,改善道路网的更新效果。