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。     

场景视角下社区智慧停车的数据融合北大核心CSCD

在全国智慧社区建设的大背景下,智慧停车成为智慧社区建设的重要内容。当前社区停车管理智慧化程度普遍较低,其主要根源在于未形成物联网数据、调度指挥数据等资源的动态整合利用。本文面向社区停车管理智慧化需求,针对停车功能分散、可视化能力不足、数据资源差异大等问题,通过研究智慧停车场景及相关数据流,提出了智慧停车多模态数据动态融合框架,并在社区进行落地应用,解决了停车过程中的实际问题,满足了多模态数据融合技术在社区停车场景中的拓展及智慧停车建设继续深入的需要,提升了城市停车管理的科学化、智能化水平。     

图斑数据的多密度属性连接聚类方法

图斑面的聚类处理是挖掘图斑空间知识的重要手段。针对当前图斑面大小不一、形态各异、分布不均等导致聚类结果不够准确的问题,同时为满足大规模图斑数据分析的需要,本文引入多密度属性计算指标,提出了一种图斑数据的聚类方法。首先,根据单个图斑内部点位置(包含边界)的不同赋予其多个密度属性;然后,根据图斑间密度低值向密度高值靠拢的趋势建立图斑归属连接,依次生成图斑要素的树状结构连接;最后,依据树状结构连接的结果对各连接进行剪枝或合并,生成多个独立树,完成图斑面的聚类。试验证明,本文方法可以有效识别各类不规则图斑的聚合集群,并在大规模图斑数据的聚合中具有良好的精度表现,满足高密度多边形区域的聚类识别需求。