众源地理空间数据的城市热点区域探测

针对众源地理空间数据具有丰富的空间、时间和语义信息,将其应用于城市热点区域的探测可为城市发展规划、区域监督预警及大众服务等提供有力支撑的问题,该文提出了一种基于众源地理空间数据的城市热点区域探测方法。针对新浪微博签到数据的特性,以新浪微博2015年全年的签到数据为例,采用一种改进的空间采样方法获取格网单元的用户活跃度与类型信息,在此基础上,依次利用度量空间相关性和方向特征的空间测度对签到数据的空间模式进行了分析,最终探测到城市热点区域及其大致发展方向。结果表明,该方法具有周期短、成本低、可靠性高等特性,为城市热点区域的探测提供了一种新手段。     

参数优化DBSCAN算法的城管案件聚类分析

针对DBSCAN算法参数对聚类结果具有较大的不确定性问题,该文提出了基于空间分析的参数优化思想:首先,基于Ripley’s K函数分析,实现自适应确定数据聚类范围EPS值;基于K-D树分析,实现自适应确定在Eps阈值内的点数量MinPts值;然后,基于以上参数的自适应确定思想,利用R语言编写了DBSCAN算法,进一步实现了数据的精确聚类。基于典型城市管理案件的实验结果表明:该方法充分考虑了空间数据统计特性,具有较好的适用性,聚类簇特征明显,聚类质量较高。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

车载激光扫描数据中杆状地物提取

针对车载激光扫描数据中对杆状地物提取效果不够理想的问题,该文提出一种基于聚类的杆状地物提取方法。首先将原始点云投影到水平面并进行格网划分,以单个格网为数据处理单元去除地面点;再基于处理数据对格网进行点云探测并编号,赋予同一属性值利用八邻域搜索对地物点聚类;然后以聚类后单个点云块为处理单元,利用各类地物特征,如高度、投影点密度、投影面积及形状等,逐步排除其他地物点,实现对杆状地物的精细提取。试验验证了文中所述方法对道路环境中杆状地物提取的有效性。     

社交网络时空大数据聚类挖掘有效选择分析

来自社交网络的时空大数据具有海量和高动态的特性,有效选择时空数据进行聚焦挖掘分析至关重要。以微博位置签到数据为例,首先,对时空大数据空间聚类挖掘的有效选择问题进行了研究,针对社交网络时空数据不确定性问题,提出了时空大数据针对聚类挖掘的有效选择方法。聚类挖掘有效选择方法提出从空间、时间或属性等维度对时空大数据进行分割。然后,对分割得到的数据集进行空间探索分析(exploratory spatial data analysis,ESDA),得到具有聚类挖掘潜力的数据集。最后,以武汉市微博位置签到数据进行商圈热点探测为例,对提出的社交网络时空大数据聚类挖掘有效选择方法进行验证。结果表明,有效选择方法可以得到挖掘效率和精准性更高的时空数据集。     

利用浮动车数据挖掘城市职住空间关系

基于浮动车大数据,利用数据挖掘技术,在空间格网及行政区划两个空间尺度下研究城市职住空间特征,从通勤距离和通勤时间、浮动车数据在空间上的聚类结果及职住分离指标等多个方面对武汉市三环线范围内的职住空间特征进行了分析.结果表明,基于浮动车大数据可以快速、精细化地分析职住空间特征,分析结果可为城市规划提供依据.     

顾及属性空间分布不均的空间聚类方法——以城市商业中心的提取为例

针对Delaunay三角网空间聚类存在的不足,提出一种顾及属性空间分布不均的空间聚类方法。首先将Delaunay三角网空间位置聚类作为约束条件,采用广度优先搜索方法,以局部参数"属性变化率"作为阈值识别非空间属性相似簇的聚类过程。以城市商业中心为例,验证了该方法能够更客观地识别非空间属性相似的簇,且自适应属性阈值可以满足不同聚类需求,为城市商业中心等空间实体的提取提供了一种有效方法。     

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。     

基于HBase的矢量数据云存储策略研究

大数据时代,矢量数据量急剧增长,迫切需要寻找有效的矢量大数据存储方法。提出了一种基于HBase的矢量数据云存储策略。首先应用四叉树剖分方法构建多级格网索引并基于Hilbert填充曲线对矢量数据进行聚类划分;其次结合多级格网编码和Hilbert排列码设计矢量要素唯一标识并以此作为矢量要素在HBase数据库的行键;再次对矢量数据的存储规则进行了具体设计;最后通过两个对比实验对矢量要素唯一标识聚类效果及矢量数据查询效率进行了验证,实验结果证明了该方法的可行性与有效性。