基于手机信令数据的北京市景区游客时空活动特征研究

手机信令数据可以用于研究区域人群时空活动特征,但利用手机信令数据对景区客流活动规律探究的研究较少。本文基于手机信令数据,以北京市32个景区为研究对象,建立客流时空特征评价指标,对北京景区2021年3月1日至2021年5月13日的客流时空变化规律进行了分析。结果显示节假日和周末北京客流量有明显的增长,不同景区间存在客流拥堵差异,近80%的景区在节假日会面临较高的客流压力。研究结论可为北京旅游发展和风险防范提供信息参考。     

结合轨迹数据的居民出行模式及功能识别研究

城市人群的出行特征通过车辆轨迹数据隐含的行为信息可以体现,但传统的单维度模型将不再适用于轨迹数据隐含的多维信息的挖掘.本文将海口市中心城区根据路网划分区域,使用能够挖掘多维信息的非负稀疏约束下张量分解基于"滴滴出行"轨迹数据,从时空维度挖掘居民出行规律并进行区域功能特征识别.结果表明:居民出行时间符合工作日,休息日的早...     

一种基于多源数据验证的手机信令数据分析结果不确定性研究方法

手机信令数据被广泛应用于城市人群的动态特征分析,但其分析结果的不确定性尚不明确。因此,提出一种多源数据验证的不确定性分析方法。将从手机信令数据中提取的分布特征与多源数据进行对比,用人群代表性、转移覆盖率、聚集一致性3个指标评价分析结果的不确定性。并基于深圳市手机信令数据,选取了城市感知中人群分布、区域流动、热点识别3个典型城市动态特征,用人口网格分布、营运车辆GPS数据、高德兴趣点（point of interest,POI）等数据集对手机信令数据的分析结果进行验证,得出该区域手机信令数据分析结果的不确定性特征。     

应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择

针对高光谱影像数据高维性、高度相关性和冗余性等特点,提出应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择。通过稀疏非负矩阵分解方法对高光谱影像进行稀疏化表示,同时顾及其可聚类的特性,在保留所选波段物理意义的基础上,得到波段选择后的高光谱影像降维数据。通过该方法对PHI-3高光谱影像进行波段选择的试验分析,应用聚类特征有效性分析波段聚类结果,并采用波段子集的信息量、相关性和可分性3类评价指标来验证方法的效果。最终,从运行效率和分类精度两方面证明了基于无监督聚类的稀疏非负矩阵分解对高光谱影像的波段选择的实用性。     

基于手机信令数据的北京市人口空间分布特征

手机信令数据兼有时间信息和空间信息,是用于研究人口空间分布、城市空间特征较好的大数据。利用手机信令数据和乡镇区划数据,分类分乡镇分析提取不同口径用户数量及用户密度概率分布函数,北京市人口空间分布及其均衡性。研究发现：北京市人口分布呈现出由首都功能核心区向中心城区和新城扩散的态势,对于手机信令可分时段统计用户,呈现出人口密度分布并不平衡,中心城区和新城个别街道如卢沟桥街道、新桥街道、沙河地区等工作居住用户远超于其他乡镇街道,人口聚集明显;在职住方面,个别街道存在就业功能空间外溢,居住功能空间紧张的现象,职住用户分布不匹配现象。     

重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混。由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法。首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新。最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力。     

利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。     

PCA联合字典的稀疏系数NMF融合

为了减少混合像元对字典建立的影响,结合在线字典学习法与主成分分析(principal component analysis,PCA)法提取全色与各分解影像字典的第一主成分分量构成PCA联合稀疏字典。该字典包括多光谱影像特征与高空间分辨率影像特征,同时考虑到了混合像元问题。使用PCA联合稀疏字典进行正交匹配追踪法(orthogonal matching pursuit,OMP)计算,分别得到全色与多光谱影像的稀疏系数,采用非负矩阵分解(nonnegative matrix factor,NMF)融合算法得到融合影像的稀疏系数,进行重构生成融合影像。对字典矩阵大小的研究,考虑到重构图像的均方根误差与计算机运算的限制,最终确定稀疏字典矩阵大小为64像元×480像元。采用5种定量融合评定指标对本文方法与联合字典NMF方法、小波方法和PCA方法的影像融合结果进行分析比较,结果表明本文方法既可提高融合影像的纹理细节信息,也能较好地保持多光谱信息,获得更好的融合效果。     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

DBSCAN与Kmeans相结合的手机大数据聚类方法研究

时空大数据是目前研究的热点。如何从海量手机信令数据中获取有价值的信息是研究手机信令数据的难点。本文在基于距离的点聚合方法的基础上,提出了将基于密度聚类算法DBSCAN与基于距离聚类算法kmeans相结合的点聚合算法。采用DBSCAN与kmeans相结合的点聚合算法实现手机信令数据的可视化,不仅能避免手机信令数据在可视化时点数据的堆叠和覆盖问题,而且使得其聚合后获取数据的空间分布结构更准确。     

利用可分离非负矩阵分解实现高光谱波段选择

高光谱影像波段众多且相关性强,导致分类存在信息冗余且计算量较大。提出了可分离非负矩阵分解方法来选取高光谱影像的代表性波段子集,在保证分类精度的同时降低计算量。该方法假设高光谱影像的波段集合具有可分离特性,改进传统非负矩阵分解模型,将波段选择转换为可分离非负矩阵分解问题,采用迭代投影方法来依次选取能够非负线性表达其他波段的代表性波段。在此基础上,利用两个公开高光谱数据集对比几种主流方法,采用定量评价和分类精度指标来综合评价所提的波段选择方法的效果。实验结果表明,可分离非负矩阵分解方法的分类精度高于其他几种方法,而且计算效率排名第2,能够选取合适的波段子集以满足高光谱遥感的应用需求。     

精细地图融合手机信令的城市人口时空分布特征研究

针对城市人口时空分布研究中缺乏以精细地图数据为支撑的地理分析方法、不能真实反映人类活动目的等问题,提出了一种精细地图融合手机信令的方法。该方法以地图为智能底板,基于信令轨迹中的基站位置与精细地块的类型,通过空间计算和时间推理得到手机用户在每个时段的驻留地块以及驻留时长,建立基于精细地块的人口空间化模型;识别每个地块中的职住人口和短期到访人口,再汇总得到任意目标区域的实际服务人口总量及人群结构,分时段研究人口流动和聚集变化特征。经过验证,该方法提升了人口时空分布研究结果的真实性和实用性,弥补了手机基站定位与用户实际位置存在偏差且无法准确识别居民行为规律的不足,为城市人口精细化管理、重点区域人流监测与安全保障、优化公共资源配置等提供可靠的决策支撑。     

应用Sinkhorn距离和图正则约束的高效解混算法

高光谱盲解混是解决混合像元问题的重要技术。其中,非负矩阵分解凭借其明确的物理意义,为无监督线性光谱解混的发展奠定了基础。由于传统非负矩阵分解采用欧氏距离度量原始矩阵与重构矩阵之间的误差,因而不能有效挖掘各维度特征间关系,影响解混精度。为充分利用高光谱图像中丰富的相关特征,本研究在地球移动距离的基础上引入熵正则约束,用Sinkhorn距离代替欧氏距离,建模不同维度特征之间的关系。同时,为刻画数据的流形结构,将图正则项作为丰度的约束条件,提出了一种基于Sinkhorn距离和图正则约束的非负矩阵解混算法。本研究采用乘性迭代规则对提出的解混模型进行求解,在模拟数据集、Urban数据集以及Jasper数据集上进行实验,实验结果验证了所提出算法的有效性。     

基于特征值和Singh分解的全极化Radarsat-2图像分类

基于模型的分解发展较快,但存在负功率、体散射过估计、未充分利用相干矩阵等问题,考虑到基于模型分解的优点,采用Singh分解提取极化信息,同时用散射角、极化熵和极化总功率进行补充,再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性,将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明,该方法分类效果较好,总体精度分别提高了6.4%和3.48%。     

利用时序手机通话数据识别城市用地功能

城市土地利用是人的活动与城市物质空间交互所表现出的综合结果,因此人的活动与城市土地利用功能密切相关;具有不同时间段人的活动的空间聚集与分散规律的区域,其所属的社会功能属性亦不相同。随着大数据时代的到来,以居民手机数据为代表的基于位置的服务数据（local basic service,LBS）大量出现,使得实现时空全覆盖和精细化地监测城市人的活动成为可能。因此,利用手机数据的优势,能够实现从人的角度来区分识别城市用地功能类型。利用手机通话详单数据（call detail records,CDRs）提取面向地块尺度的居民通话聚合时序特征,提出了一种城市土地利用类型谱聚类识别方法。以武汉市为例进行实验分析,结果表明,该方法识别城市土地利用的平均精度为54.6%,为探知城市土地利用空间分布提供了一个有效的方法。     

基于时空数据挖掘的城市体检评估方法与实践——以无锡市为例

时空数据挖掘作为当前研究的热点之一,为城市研究提供了新的思路和技术手段。本文以无锡市为例,利用手机信令数据、车辆轨迹实时数据、基础地理信息等多源异构时空数据,构建相应的数据挖掘模型,进行了职住平衡、区域联系度、交通拥堵等城市特征的挖掘与分析,构建多源数据挖掘的城市评估体系,探索了时空数据挖掘在城市体检评估中的应用,为城市规划和运行管理提供了科学评估与决策。     

智慧黄山时空大数据建设与应用实践

基于时空大数据技术、面向服务模式、高性能计算和分布式计算等相关理论和技术,本文设计并实现了时空大数据平台,集合了时空数据整合、处理、存储、分析、可视化等功能,并具备后台资源弹性分配和管理能力.规划了适合本地情况的时空大数据重点应用方向,基于大数据空间分析模型,分析了土地利用现状数据变化情况;运用机器学习的方法构建地价预测模型,实现了远期地价预测能力;利用大数据分析及存储手段,实现了基于手机信令数据的旅游景区流量分析.为黄山市提供了统一的时空大数据服务基础设施,并为智慧城市全面应用积累了经验.     

基于手机信令的空间位置数据计算职住地

通过手机信令数据提取人们在使用手机时记录下来的基站位置和服务时间,用以识别居民出行的职业地和居住地。在分析提取到的手机信令数据时,由于数据采集、整合的质量问题,需要对手机信令数据进行提取、清洗、关联等预处理,在预处理后的标准化数据的基础上,通过搭建数学算法、模型来识别职业地和居住地,用以辅助城市交通调查、规划。     

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。     

列式鲁棒主成分分析的高光谱遥感异常探测

传统的基于鲁棒主成分分析的高光谱异常探测模型中,稀疏异常矩阵假设为非低秩且其非零元素满足随机分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计,进而制约背景信息和异常信息的有效分离。提出列式鲁棒主成分分析的异常探测方法,改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像2维矩阵为低秩背景矩阵,列稀疏异常矩阵和噪声矩阵,松弛目标方程为凸优化问题,并采用非精确增强拉格朗日乘子算法来求解得到列稀疏异常矩阵的最优估计。最后,对稀疏异常矩阵中所有列的L2范数值进行阈值分割来探测得到异常像元。利用两个高光谱影像数据集,对比5种主流的异常探测方法来验证提出方法的有效性。实验结果表明,列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的5种异常探测方法,且计算效率适中。