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.     

兴趣面数据和随机森林方法的城市功能区划分

针对传统城市功能区研究探索了利用兴趣点、遥感影像等数据进行城市功能区自动划分的方法,但分类精度仍有待进一步提高的问题,该文提出一种基于兴趣面数据和随机森林算法的城市功能区自动划分方法,首先对城市道路网络数据运用形态学运算方法自动构建交通分析区,然后从其区域内的兴趣区等多源数据中提取4类41项特征,最后结合地理国情普查数据和人工识别选取476个样本数据,构建基于随机森林分类器的城市功能区识别模型。结果表明,随机森林模型能够准确地识别城市功能区,识别模型预测精度为87.67%,支持向量机模型精度为83.71%,未引入兴趣面数据的模型精度为78.72%。利用上述模型对北京市内4 112个单元进行功能区识别,准确率达81.37%。该研究方法有较好的重复性和推广性,有助于对城市功能区进行定量、客观的研究。     

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。     

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。     

使用语义数据识别多层次城市功能结构

针对城市功能结构认知的不足,空间规划的需求和可持续城市的转变,该文以城市大数据为依托,以交通小区为最小研究单元,提出一种利用电子地图POI数据与交通小区结合识别城市功能区的方法.把高等级道路划分交通小区作为最小研究单元,使用电子地图POI数据的标签,精细化识别交通小区的功能区属性,利用层次分析法识别城市主要功能结构.以上海市主城区为例进行实验,结果表明:①上海市主城区城市功能以市中心为圆心呈现明显层次性,商业用地、居住用地、工业用地依次分布;②以交通小区为研究单元,能够对复杂城市功能区进行有效识别.该方法有利于城市空间结构优化与规划的合理制定.     

基于最小二乘原理的组合模型在建设用地需求量预测中的应用

通过分析武汉市2002-2011年建设用地数据, 选取了三次指数平滑、灰色GM(1,1)模型和多因素回归法建立组合模型, 提出了一种基于最小二乘原理解算组合系数的方法, 并对武汉市2012-2025年的建设用地需求量进行了预测。经过计算预测结果的平均绝对百分误差、均方根误差及希尔不等系数, 证明了该组合模型可信度高, 可用于武汉市土地利用规划编制工作。     

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。     

大数据支持的武汉市功能识别与分布特征研究

针对如何识别城市功能布局与分析及其分布特征等问题,该文借助大数据技术,对武汉市中心城区的城市功能与分布特征进行了识别和分析。使用POI数据作为城市功能点并进行重分类,并选取公众认知度和一般面积作为影响因子,通过权重赋值与核密度分析的方法,进行点与面的拓扑分析,最终得到武汉中心城区的城市功能分区与城市功能分布。通过与武汉市城市规划图和高精度遥感图像以及现有地图的对比和部分实地调查后发现,使用这种方法得到的城市功能分区的正确率达83%,是一种较为准确地进行城市功能分区与研究城市功能分布的办法。通过对武汉市功能分布特征的研究,我们发现:武汉呈现多中心发展模式;住宅功能和公共服务功能分布十分广泛;武汉各种城市功能在空间上有着较大的重叠。