CN106991142A - 一种基于微信数据和兴趣点数据识别城市功能区的方法 - Google Patents

Abstract

本发明提供了一种基于微信数据和兴趣点数据识别城市功能区的方法，其从微信数据中提取各基站人流量矩阵、出流人流量矩阵和入流人流量矩阵，从兴趣点数据中提取各基站的兴趣点类别分布矩阵，并分别对四个矩阵结合基站面积因素进行归一化处理；之后进行离群点删除操作，并对删除离群点后的基站重新进行划分城市空间、数据提取与归一化的处理，生成新的矩阵，再对生成的新矩阵进行聚类分析；最后，对聚类结果进行空间分布区域重叠率计算，根据重叠率计算结果确定城市区域的功能。本发明可以准确识别出城市各区域的功能，能较好实现城市区域的功能划分与特征分析，为城市结构布局和土地开发利用提供技术支撑，为城市空间的合理利用提供现实依据。

Description

一种基于微信数据和兴趣点数据识别城市功能区的方法

技术领域

本发明涉及大数据分析领域,尤其涉及一种基于微信数据和兴趣点数据识别城市功能区的方法。

背景技术

随着经济的飞速发展，一系列城市问题接踵而至，特别对于一些省会城市或者大都市来说，城市问题尤为严重。“城市病”作为发展中国家城市化的发展结果，表现为交通拥堵、住房紧张、供水不足、能源紧缺、环境恶化、就业困难等，这就给城市造成了负担，甚至制约了城市的发展，还容易引发市民的身心疾病等。

近年来，一些专家学者利用各种异构大数据进行“城市计算”，以此来解决城市化带来的问题。城市计算是一个交叉学科，是计算机科学中以城市为背景，与城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。更具体地说，城市计算通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战(如环境恶化、交通拥堵、能耗增加、规划落后等)。其中，城市规划是城市计算主要涉及的应用之一。进行城市规划的前提条件是了解城市，并了解城市各功能区域的分布情况。城市功能区指的是土地使用功能、使用强度、土地利用方向、基准地价大体一致的区域，它们的集约利用程度和使用潜力也基本相同，比如文教区，商业区和住宅区等。

目前，国内外学者对于城市功能区的研究主要利用手机数据、浮动车数据以及POI数据等。其中，POI数据被广泛的用于城市功能区的发现中。POI数据，全称为Point ofInterest，即兴趣点数据。在GIS系统中，一条POI数据可以是一个小区，一个店铺，一个公交车站等。一条POI数据包括名称、经纬度、详细地址、POI类别及联系电话等参数。近几年涉及到POI数据发现城市功能区的研究主要有：袁晶等在研究中提出了一个利用出租车GPS轨迹数据和区域POI数据构成的DPoF框架(即Discovers Regions of Different Functions)；杜润强等在解决无规律切换的手机停驻点时使用了POI数目最多的主题类作为小区的主题对相邻小区进行合并；于翔在研究中使用了公交IC卡刷卡数据以及POI数据构建了城市功能区识别模型(Discovering Zones of different Functions，DZoF)。

而手机基站的位置信息往往与Voronoi泰森多边形结合被用于分割城市基本单元。涉及到手机基站分割研究区域的研究主要有：Jameson L.Toole等在利用手机用户产生的动态数据识别土地使用和动态人口关系的时候利用了基站的位置信息对地图进行区域划分；Vícto Soto与EnriueFrías-Martínez提出使用手机基站网络产生的信息来自动识别划分土地使用情况的技术时也使用基站的位置信息对地图进行区域划分。

另外，POI数据包括的类型全面，涉及各个层面，且抓取十分方便，而其他一些数据往往比较难获取。当前，三大运营商的手机基站已经基本覆盖了整个中国。而且，为更好的服务群众，运营商的基站是根据人口的密集度和城市规划设立的。也就是说，在人口密集、高楼耸立的区域，基站的设置也会相对稠密，而在比较空旷的区域，基站的数量就会相应的减少。

可见，以往识别城市区域功能的研究使用的数据源主要包括浮动车数据、手机明细数据和兴趣点数据。浮动车数据包括城市出租车、公交车和地铁等交通工具的使用数据，这些数据依赖于城市的路网信息，只能将人类的活动定位到上车和下车的点，无法定位到人在上车前从哪里走来，下车后又走向哪里。手机的智能化程度，网络的广泛覆盖程度，微信的使用便利程度，形成了几乎人人都使用微信这一通讯手段进行联系的现况，短信和电话的使用量也因此正在逐渐减少。

发明内容

本发明所要解决的技术问题是提供一种基于微信数据和兴趣点数据识别城市功能区的方法，能使用基于微信数据和兴趣点数据对城市各个区域的功能进行识别。为此，本发明提供以下技术方案：

一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于包括以下步骤：

步骤1、地图分割：将地图栅格化，并对所有栅格进行编号；根据手机基站位置分割地图,计算每个栅格中心与基站的距离，并规定栅格属于离它最近的基站，得到距离各基站距离最近的栅格号列表，以及各基站所占栅格数矩阵G；

步骤2、处理微信数据：从微信数据中提取基站人流量数据，得到单个基站按工作日日平均和周末日平均的单位时间人流量矩阵A、单位时间离开人流量矩阵OUT和单位时间进入人流量矩阵IN，并将矩阵A、OUT、IN分别结合所占栅格数矩阵G采用归一化的方法进行处理，分别得到矩阵Y₁、Y₂和Y₃，矩阵Y₁、Y₂和Y₃每行所表示数据的基站号一一对应；

步骤3、处理兴趣点数据：分别找到距离每个兴趣点最近的基站，并判定此兴趣点属于该基站，得到属于各个基站的所有兴趣点列表；根据各个基站兴趣点列表的数据中“兴趣点类别”这一参数对各基站的兴趣点进行分类统计，得到每个基站的兴趣点类别分布矩阵P；并将兴趣点类别分布矩阵P结合所占栅格数矩阵G采用归一化的方法对其进行处理，得到最终用于分析的矩阵，该矩阵命名为Y₄，矩阵Y₄与矩阵Y₁、Y₂和Y₃每行所表示数据的基站号也一一对应；

步骤4、删除离群点：令矩阵Y^*＝[Y₁，Y₂，Y₃，Y₄]，找出Y^*中的离群点，并删除离群点所对应的基站，以删除离群点后的基站号重新进行步骤1至步骤3的操作，形成新的矩阵Y。

步骤5、聚类：对矩阵Y进行模糊聚类分析，得到聚类结果；

步骤6、识别城市功能区：计算带有类别特征的兴趣点和步骤5得到的聚类结果在地图上的分布重叠率，对聚类后各基站的功能进行识别。

在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：

所述步骤1和步骤2中，归一化处理方法如下：

使用式(1)分别对单位时间人流量矩阵A、单位时间离开人流量矩阵OUT、单位时间进入人流量矩阵IN、兴趣点类别分布矩阵P和各基站所占栅格数矩阵G进行归一化处理，将矩阵归一化到[0,1]的区间内，并通过式(2)、式(3)、式(4)、式(5)分别将单位时间人流量矩阵A的归一化结果、单位时间离开人流量矩阵OUT的归一化结果、单位时间进入人流量矩阵IN的归一化结果、兴趣点类别分布矩阵P的归一化结果与各基站所占栅格数矩阵G的归一化结果进行结合，

Y₁＝D_A·e^-X (2)

Y₂＝D_OUT·e^-X (3)

Y₃＝D_IN·e^-X (4)

Y₄＝D_P·e^-X (5)

式(1)中，{x_i}为样本集，x_i为样本集所有样本分量，x_max为样本集所有样本各分量的最大值，x_min为样本集所有样本各分量的最小值；

式(2)、式(3)、式(4)、式(5)中，X为所占栅格数矩阵G根据式(1)归一化后的矩阵,维数为1×n；

式(2)中，Y₁为最终用于分析的矩阵,维数为n×m₁；D_A为基站单位时间人流量分布矩阵A根据式(1)归一化后的矩阵,维数为n×m₁；n为基站数,m₁为矩阵A的列数；

式(3)中,Y₂为最终用于分析的矩阵,维数为n×m₂；D_OUT为基站单位时间出流人流量分布矩阵Out根据式(1)归一化后的矩阵,维数为n×m₂，n为基站数,m₂为矩阵Out的列数；

式(4)中,Y₃为最终用于分析的矩阵,维数为n×m₃；D_IN为基站单位时间入流人流量分布矩阵In根据式(1)归一化后的矩阵,维数为n×m₃；n为基站数,m₃为矩阵In的列数；

式(5)中,Y₄为最终用于分析的矩阵,维数为n×m₄；D_P为兴趣点类别分布矩阵P根据式(1)归一化后的矩阵,维数为n×m₄；n为基站数,m₄为兴趣点类别数；

矩阵Y₁、Y₂、Y₃和Y₄每行所表示数据的基站号一一对应。

步骤5中，所述模糊聚类分析采用C均值聚类算法将所有向量分成C个簇，并求得每个簇的聚类中心，使得簇内方差的和达到最小；

再通过C均值模糊聚类算法聚类，得出的结果为基站i属于不同簇的可能性列表，然后，提取基站i在各类可能性中的最大值所属的类，定义该类为基站i所属的类别，得到各基站所属类别的列表，该列表即聚类结果。

步骤6中，计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率，通过输入根据兴趣点类别为“s”的兴趣点所在的栅格列表和聚类类别为“n”的基站所覆盖的栅格号列表，计算两者在地图上的分布的重叠栅格数占两者所覆盖所有栅格数之比。

步骤6中，计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率的具体方法如下：

6-1:根据兴趣点类别为“s”的各个兴趣点经纬度，找出它们所在栅格号；

6-2:以步骤6-1得到的栅格号为中心向东南西北四个方向将面积放大到一个正方形区域，得到此放大面积中的所有栅格号；

6-3:统计步骤6-2得到的所有不重复的栅格号，此集合记为S；

6-4:根据聚类类别为“n”的基站号和各基站所覆盖的栅格号列表，找到聚类类别为“n”所覆盖的栅格号，此集合记为N；

6-5:根据式(6)计算栅格重叠率(OverlapRatio),所述栅格重叠率即兴趣点类别为“s”的栅格号集合S与聚类类别为“n”所覆盖的栅格号集合N的重叠率:

步骤1中，采用寻找离栅格中心最近的基站的方法利用手机基站位置分割地图,其方法如下所述：

1-1.将地图栅格化：选取经纬度0.0001°×0.0001°(在纬度120°左右约为9.6m×11.1m)作为一个单位栅格对地图进行分割，并对所有栅格进行编号，得到栅格经纬度列表，表元素包括栅格号、栅格经度、栅格纬度；

1-2.遍历计算每个栅格中心与每个基站的欧式距离，找到距离每个栅格最近的基站，并规定栅格属于该基站；

1-3.得到各基站所覆盖的栅格号列表，表元素包括栅格号、栅格经度、栅格纬度、栅格所属基站号。

步骤4中，离群点的查找步骤为：

4-1.分别计算每个基站的特征与其余各基站特征的距离，即矩阵Y中某一行与其余各行的欧式距离；

4-2.计算每个基站与其余各基站的距离和的平均数，即该基站与其他基站的平均距离d，并得到其中的最大值d_max；

4-3.设定合适的Δd，寻找每相差一个Δd，大于(d_max-nΔd)的点的个数，并列表；

4-4.根据步骤4-3得出的离群点个数分布规律，找出离群点；

4-5.根据离群点所在行对应到相应基站号，得出离群基站的基站号列表。

本发明提出利用微信数据结合兴趣点数据对城市不同区域的功能进行识别的方法，经研究发现，本发明提供的方法可以准确的识别出城市各区域的功能，无论是旅游区、工作区居民区，均能对这些城市区域功能识别，且结果与实际基本相吻合，能较好实现城市区域的功能划分与特征分析，为城市结构布局和土地开发利用提供技术支撑，为城市空间的合理利用提供现实依据。

附图说明

图1为本发明实施例所采用的杭州市研究区域地图。

图2为图1的基站划分结果示意图。

图3为本发明所提供的聚类参数C＝4的聚类结果示意图。

图4为杭州市2001-2020年的城市总体规划图。

图5为“景区”的聚类结果在地图上的投影图。

图6为人流量密集的“工作居住”聚类结果在百度地图上的投影图。

图7为识别为“工作区”的聚类结果在百度地图上的投影图。

具体实施方式

如图所示，一种基于微信数据和兴趣点数据识别城市功能区的方法，包括以下步骤：

步骤一、地图分割：将地图栅格化，并对所有栅格进行编号；根据手机基站位置分割地图,计算每个栅格中心与基站的距离，并规定栅格属于离它最近的基站，得到距离各基站距离最近的栅格号列表，以及各基站所占栅格数矩阵G；其方法如下所述：

Step1.将地图栅格化：选取经纬度0.0001°×0.0001°(在纬度120°左右约为9.6m×11.1m)作为一个单位栅格对地图进行分割，并对所有栅格进行编号，得到栅格经纬度列表(表元素包括栅格号、栅格经度、栅格纬度)。

Step2.遍历计算每个栅格中心与每个基站的欧式距离。找到距离每个栅格最近的基站，并规定栅格属于该基站。

Step3.得到各基站所覆盖的栅格号列表(表元素包括栅格号、栅格经度、栅格纬度、栅格所属基站号)。

步骤二、处理微信数据：从微信数据中提取基站人流量数据，得到单个基站按工作日日平均和周末日平均的小时人流量矩阵A、小时离开人流量矩阵OUT和小时进入人流量矩阵IN。并将矩阵A、OUT、IN分别结合所占栅格数矩阵G采用归一化的方法进行处理，分别得到矩阵Y₁、Y₂和Y₃，矩阵Y₁、Y₂和Y₃每行所表示数据的基站号一一对应。归一化处理方法如下所述：

使用式(1)分别对基站单位时间人流量矩阵A、单位时间离开人流量矩阵OUT、单位时间进入人流量矩阵IN和各基站所占栅格数矩阵G进行归一化处理，将矩阵归一化到[0,1]的区间内，并通过式(2)、式(3)、式(4)分别将单位时间人流量矩阵A的归一化结果、单位时间离开人流量矩阵OUT的归一化结果、单位时间进入人流量矩阵IN的归一化结果与各基站所占栅格数矩阵G的归一化结果进行结合。

Y₁＝D_A·e^-X (2)

Y₂＝D_OUT·e^-X (3)

Y₃＝D_IN·e^-X (4)

式(1)中，{x_i}为样本集，x_i为样本集所有样本分量，x_max为样本集所有样本各分量的最大值，x_min为样本集所有样本各分量的最小值；

式(2)、式(3)、式(4)中，X为所占栅格数矩阵G根据式(1)归一化后的矩阵,维数为1×n。

式(2)中，Y₁为最终用于分析的矩阵,维数为n×m₁；D_A为基站单位时间人流量分布矩阵A根据式(1)归一化后的矩阵,维数为n×m₁；n为基站数,m₁为矩阵A的列数。

式(3)中,Y₂为最终用于分析的矩阵,维数为n×m₂；D_OUT为基站单位时间出流人流量分布矩阵Out根据式(1)归一化后的矩阵,维数为n×m₂；n为基站数,m₂为矩阵Out的列数。

式(4)中,Y₃为最终用于分析的矩阵,维数为n×m₃；D_IN为基站单位时间入流人流量分布矩阵In根据式(1)归一化后的矩阵,维数为n×m₃；n为基站数,m₃为矩阵In的列数。

步骤三、处理兴趣点数据：分别找到距离每个兴趣点最近的基站，并判定此兴趣点属于该基站，得到属于各个基站的所有兴趣点列表；根据各个基站兴趣点列表的数据中“兴趣点类别”这一参数对各基站的兴趣点进行分类统计，得到每个基站的兴趣点类别分布矩阵P；并将兴趣点类别分布矩阵P结合所占栅格数矩阵G采用归一化的方法对其进行处理，得到最终用于分析的矩阵，该矩阵命名为Y₄，矩阵Y₄与矩阵Y₁、Y₂和Y₃每行所表示数据的基站号也一一对应。归一化处理方法如下所述：

使用式(1)分别对兴趣点类别分布矩阵P和各基站所占栅格数矩阵G进行归一化处理，将矩阵归一化到[0,1]的区间内，并通过式(5)将兴趣点类别分布矩阵P的归一化结果与各基站所占栅格数矩阵G的归一化结果进行结合。

Y₄＝D_P·e^-X (5)

式(5)中,Y₄为最终用于分析的矩阵,维数为n×m₄；D_P为兴趣点类别分布矩阵P根据式(1)归一化后的矩阵,维数为n×m₄；X为所占栅格数矩阵G根据式(1)归一化后的矩阵,维数为1×n；n为基站数,m₄为兴趣点类别数。

矩阵Y₄与矩阵Y₁、Y₂、Y₃每行所表示数据的基站号一一对应。

步骤四、删除离群点：令矩阵Y^*＝[Y₁，Y₂，Y₃，Y₄]，找出Y^*中的离群点，并删除离群点所对应的基站，以删除离群点后的基站号重新进行步骤一至步骤三的操作，形成新的矩阵Y。查找离群点的方法如下：

Step1.分别计算每个基站的特征与其余各基站特征的距离，即矩阵Y中某一行与其余各行的欧式距离。

Step2.计算每个基站与其余各基站的距离和的平均数，即该基站与其他基站的平均距离d，并得到其中的最大值d_max；

Step3.设定合适的Δd，寻找每相差一个Δd，大于(d_max-nΔd)的点的个数，并列表；

Step4.根据Step3得出的离群点个数分布规律，找出离群点。

Step5.根据离群点所在行对应到相应基站号，得出离群基站的基站号列表。

步骤五、聚类：对矩阵Y进行模糊聚类分析，得到聚类结果；所述模糊聚类分析采用C均值聚类算法将所有向量分成C个簇，并求得每个簇的聚类中心，使得簇内方差的和达到最小；

再通过C均值模糊聚类算法聚类，得出的结果为基站i属于不同簇的可能性列表，然后，提取基站i在各类可能性中的最大值所属的类，定义该类为基站i所属的类别，得到各基站所属类别的列表，该列表即聚类结果。

步骤六、识别城市功能区：计算带有类别特征的兴趣点和步骤五得到的聚类结果在地图上的分布重叠率，对聚类后各基站进行功能识别。计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率，通过输入根据兴趣点类别为“s”的兴趣点所在的栅格列表和聚类类别为“n”的基站所覆盖的栅格号列表，计算两者在地图上的分布的重叠栅格数占两者所覆盖所有栅格数之比，得到重叠率。计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率的具体方法如下：

Step1:根据兴趣点类别为“s”的各个兴趣点经纬度，找出它们所在栅格号；

Step2:根据“s”的特征放大面积，即以Step1得到的栅格号为中心向东南西北四个方向将面积放大到一个正方形区域，得到此放大面积中的所有栅格号；

Step3:统计Step2得到的所有不重复的栅格号，此集合记为S；

Step4:根据聚类类别为“n”的基站号和各基站所覆盖的栅格号列表，找到聚类类别为“n”所覆盖的栅格号，此集合记为N；

Step5:根据式(3)计算栅格重叠率(OverlapRatio)，所述栅格重叠率即兴趣点类别为“s”的栅格号集合S与聚类类别为“n”所覆盖的栅格号集合N的重叠率。

以下，以单个手机基站范围为单位区域，使用杭州市一定区域的兴趣点数据对本发明提出的功能区识别方法进行验证。

步骤一：地图分隔

选取浙江省杭州市如图1所示经度120.040°～120.410°，纬度30.090°～30.400°范围内的矩形区域作为研究对象，将此区域划分为0.0001°×0.0001°(约为9.6m×11.1m)的栅格，并根据杭州市某运营商的手机基站经纬度数据，使用栅格归属计算方法划分城市单位区域，划分结果如图2所示。

步骤二：处理微信数据

从微信数据中提取三种基站人流量数据：基站每小时人流量、基站每小时入流人流量和基站每小时出流人流量。

根据式(2)、式(3)、式(4)得到矩阵Y₁、Y₂、Y₃。其中，单位时间取一小时。

Y₁为根据式(2)将归一化后的按工作日日平均和按周末日平均进行统计的基站人流量矩阵与归一化后的基站面积矩阵相结合的矩阵。Y₁为n×48的矩阵，其中，n为基站数，48表示工作日人流量平均的24小时与周末人流量平均的24小时。

Y₂为根据式(3)将归一化后的按工作日周末进行统计的基站每小时出流人流量矩阵与归一化后的基站面积矩阵相结合的矩阵。Y₂为n×48的矩阵，其中，n为基站数，48表示工作日出流人流量平均的24小时与周末出流人流量平均的24小时。

Y₃为根据式(4)将归一化后的按工作日周末进行统计的基站入流人流量矩阵与归一化后的基站面积矩阵相结合的矩阵。Y₃为n×48的矩阵，其中，n为基站数，48表示工作日入流人流量平均的24小时与周末入流人流量平均的24小时。

步骤三：处理兴趣点数据

百度兴趣点数据在国内被普遍使用，且其在城市空间的分布和实际情况基本吻合，保证了数据的准确性与可靠性，故提取百度在研究范围内的兴趣点数据进行研究。该数据包括研究范围内大于11万条的兴趣点信息，包含兴趣点的名称、经纬度、详细地址、兴趣点类别及联系电话等参数。研究中根据“兴趣点类别”参数对兴趣点数据进行处理，将兴趣点数据分为购物、工作、居住、旅游、高校文教、小学幼儿园、中学、医疗、文化娱乐、生活服务、金融服务、汽车服务、车站、停车场、美食以及酒店16大类。

分别计算每个兴趣点和各基站的距离，定义兴趣点属于离它最近的基站，并根据兴趣点类别统计各基站范围内不同类别兴趣点的个数，以此形成研究区域范围内基站所属兴趣点类别分布矩阵P；最后，根据式(5)对兴趣点类别分布矩阵P进行归一化处理，得到矩阵Y₄。

Y₄为根据式(3.5)将归一化后的兴趣点类别分布矩阵与归一化后的基站面积矩阵相结合的矩阵。Y₄为n×16的矩阵，其中，n为基站数，16表兴趣点类别数。

步骤四：删除离群点

因为Y₁、Y₂、Y₃和Y₄每行所表示数据的基站号一一对应，故令矩阵Y^*＝[Y₁，Y₂，Y₃，Y₄]，Y为n×160的矩阵，其中，n为基站数，且Y每行所表示数据的基站号与Y₁、Y₂、Y₃和Y₄每行所表示数据的基站号也相对应，160列中包括48列按工作日周末进行统计的基站人流量矩阵，48列按工作日周末进行统计的基站出流人流量矩阵，48列按工作日周末进行统计的基站入流人流量矩阵，以及16列兴趣点类别矩阵。

根据本发明所述方法查找矩阵Y^*中的离群点，查找离群点，并删除离群点所对应的基站，以删除离群点后的基站号重新进行步骤一至步骤三的操作，形成新的矩阵Y。

步骤五：聚类

根据本发明提出的聚类方法对结果矩阵Y进行基站聚类分析。取参数C＝4，即将研究区域分为4类不同的功能区域，最后将分析结果可视化，结果如图3所示。

步骤六：识别城市功能区

选取兴趣点类别参数中的“居住”、“工作”和“旅游”三大特征值进行基站功能识别。根据本发明的重叠率计算方法，对聚类结果进行重叠率计算，计算结果如表1为步骤六重叠率计算结果。在放大兴趣点面积的时候，结合实际情况，对类别为“居住”和“工作”的兴趣点放大的面积为30m×30m，即以每个兴趣点所属栅格为中心，3×3的正方形区域；而对类别为“旅游”的兴趣点放大的面积为90m×90m，即以每个兴趣点所属栅格为中心，9×9的正方形区域。表1：

重叠率(％)	颜色4	颜色3	颜色2	颜色1
					工作	1.333975	0.931620	1.751597	1.189055
居住	0.650588	0.661694	0.988854	0.741734
					景点	0.196863	0.491617	0.288217	0.260539

根据表1的重叠率计算结果，可以首先看出图3中的颜色3在兴趣点类别为“景点”中的重叠率特别高而与“工作”和“居住”的重叠率分别为最低和第二低，这符合景区的自身特点，所以可以判定图3中的颜色3区域主要功能为景区。

图3中的颜色2区域与“工作”和“居住”兴趣点的重叠率都为最高，由此可知，颜色2区域为工作和居住比较密集的功能区域。

颜色1区域与“工作”重叠率排位为第三，但与排第二的颜色4区域只相差0.14％，与颜色3区域的重叠率则相差0.26％；与“居住”重叠率排位第二。由此可知颜色1区域的功能为比颜色2区域稍不密集的居住工作区域。

颜色4区域与“工作”重叠率排位为第二；与“居住”重叠率排位最末；与“景点”重叠率排位也是最末。在图3中可以明显的看到颜色4区域比较少，分布比较分散，故可将颜色4区域定义为工作区。

事实上，“工作”和“居住”在当今的城市中是密不可分的，所以在对基站进行聚类和功能识别时，这两者很难独立开来。而研究中“工作”和“居住”基本可以覆盖整个研究区域。

运用本发明方法，实施例中各功能区域的吻合度如下：

(1)“景区”吻合度

图4杭州市2001-2020年的城市总体规划图，图5为相同经纬度条件下根据本发明方法识别的“景区”的聚类结果在地图上的投影，图5中阴影部分即根据本发明方法识别为“景区”的区域在地图上的分布，图中，区域A为杭州半山国家森林公园，区域B为杭州西溪湿地，区域C为杭州西湖风景区，区域D为杭州乐园与湘湖风景区，区域E为钱清镇附近风景区，区域F为灵山幻境等风景区，区域G为杭州东方文化园，区域H覆盖的是一些村庄以及乔司农场区域。这些区域包含了杭州的一些著名的景点，而本发明对景区的识别区域结果与这些区域基本相符。其余零散的区域，覆盖的基本为杭州市区的公园等地。

(2)人流量密集的“工作居住区”吻合度

根据图6所示，本发明对人流量密集的“工作居住”聚类结果在百度地图上的投影。图中，区域A为杭州主城区，区域B为乔司镇，区域C为三墩镇，区域D为萧山区，区域E为转塘镇，这些区域在杭州都属于人口比较密集的区域，也是“工作”和“居住”比较密集的区域。

实验结果显示，图3在以上这些区域覆盖范围内，颜色2分布的都比较密集，因此，本发明提出的研究方法在识别密集的“工作居住”区域时是较为准确的。

(3)“工作区”吻合度

图7为本发明对识别为“工作区”的聚类结果与实际情况的对比图。图中圈出区域在地图上放大后，可以看到区域包含很多的公司和企业园区。

中心的实验结果图显示，圈出区域恰巧覆盖了这些公司和企业园区，因此，本文提出的研究方法在识别工作区域时也是准确的。

综合(1)、(2)、(3)的吻合度分析可知，本发明提出的根据微信数据和兴趣点数据识别城市功能区的方法对城市区域功能的识别结果与实际基本相吻合。

如上所述，本领域的普通技术人员阅读本发明文件后，根据本发明的技术方案和技术构思无需创造性脑力劳动而作出其他各种相应的变换方案，均属于本发明所保护的范围。

Claims (7)

1.一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于包括以下步骤：

步骤1、地图分割：将地图栅格化，并对所有栅格进行编号；根据手机基站位置分割地图,计算每个栅格中心与各基站的距离，并规定栅格属于离它最近的基站，得到距离各基站距离最近的栅格号列表，以及各基站所占栅格数矩阵G；

步骤2、处理微信数据：从微信数据中提取基站人流量数据，得到单个基站按工作日日平均和周末日平均的单位时间人流量矩阵A、单位时间离开人流量矩阵OUT和单位时间进入人流量矩阵IN，并将矩阵A、OUT、IN分别结合所占栅格数矩阵G采用归一化的方法进行处理，分别得到矩阵Y₁、Y₂和Y₃，矩阵Y₁、Y₂和Y₃每行所表示数据的基站号一一对应；

步骤3、处理兴趣点数据：分别找到距离每个兴趣点最近的基站，并判定此兴趣点属于该基站，得到属于各个基站的所有兴趣点列表；根据各个基站兴趣点列表的数据中“兴趣点类别”这一参数对各基站的兴趣点进行分类统计，得到每个基站的兴趣点类别分布矩阵P；并将兴趣点类别分布矩阵P结合所占栅格数矩阵G采用归一化的方法对其进行处理，得到最终用于分析的矩阵，该矩阵命名为Y₄，矩阵Y₄与矩阵Y₁、Y₂和Y₃每行所表示数据的基站号也一一对应；

步骤4、删除离群点：令矩阵Y^*＝[Y₁，Y₂，Y₃，Y₄]，找出Y^*中的离群点，并删除离群点所对应的基站，以删除离群点后的基站号重新进行步骤1至步骤3的操作，形成新的矩阵Y。

步骤5、聚类：对矩阵Y进行模糊聚类分析，得到聚类结果；

步骤6、识别城市功能区：计算带有类别特征的兴趣点和步骤5得到的聚类结果在地图上的分布重叠率，对聚类后的各基站的功能进行识别。

2.如权利要求1所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，所述步骤1和步骤2中，归一化处理方法如下：

使用式(1)分别对单位时间人流量矩阵A、单位时间离开人流量矩阵OUT、单位时间进入人流量矩阵IN、兴趣点类别分布矩阵P和各基站所占栅格数矩阵G进行归一化处理，将矩阵归一化到[0,1]的区间内，并通过式(2)、式(3)、式(4)、式(5)分别将单位时间人流量矩阵A的归一化结果、单位时间离开人流量矩阵OUT的归一化结果、单位时间进入人流量矩阵IN的归一化结果、兴趣点类别分布矩阵P的归一化结果与各基站所占栅格数矩阵G的归一化结果进行结合，

$x_i=\frac{|x_i-x_{min}|}{|x_{\max }-x_{min}|}---\left(1\right)$

Y₁＝D_A·e^-X (2)

Y₂＝D_OUT·e^-X (3)

Y₃＝D_IN·e^-X (4)

Y₄＝D_P·e^-X (5)

式(1)中，{x_i}为样本集，x_i为样本集所有样本分量，x_max为样本集所有样本各分量的最大值，x_min为样本集所有样本各分量的最小值；

式(2)、式(3)、式(4)、式(5)中，X为所占栅格数矩阵G根据式(1)归一化后的矩阵,维数为1×n；

式(2)中，Y₁为最终用于分析的矩阵,维数为n×m₁；D_A为基站单位时间人流量分布矩阵A根据式(1)归一化后的矩阵,维数为n×m₁；n为基站数,m₁为矩阵A的列数；

式(3)中,Y₂为最终用于分析的矩阵,维数为n×m₂；D_OUT为基站单位时间出流人流量分布矩阵Out根据式(1)归一化后的矩阵,维数为n×m₂，n为基站数,m₂为矩阵Out的列数；

式(4)中,Y₃为最终用于分析的矩阵,维数为n×m₃；D_IN为基站单位时间入流人流量分布矩阵In根据式(1)归一化后的矩阵,维数为n×m₃；n为基站数,m₃为矩阵In的列数；

式(5)中,Y₄为最终用于分析的矩阵,维数为n×m₄；D_P为兴趣点类别分布矩阵P根据式(1)归一化后的矩阵,维数为n×m₄；n为基站数,m₄为兴趣点类别数；

矩阵Y₁、Y₂、Y₃和Y₄每行所表示数据的基站号一一对应。

3.如权利要求1所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，步骤5中，所述模糊聚类分析采用C均值聚类算法将所有向量分成C个簇，并求得每个簇的聚类中心，使得簇内方差的和达到最小；

再通过C均值模糊聚类算法聚类，得出的结果为基站i属于不同簇的可能性列表，然后，提取基站i在各类可能性中的最大值所属的类，定义该类为基站i所属的类别，得到各基站所属类别的列表，该列表即聚类结果。

4.如权利要求1所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，步骤6中，计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率，通过输入根据兴趣点类别为“s”的兴趣点所在的栅格列表和聚类类别为“n”的基站所覆盖的栅格号列表，计算两者在地图上的分布的重叠栅格数占两者所覆盖所有栅格数之比。

5.如权利要求4所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，步骤6中，计算兴趣点类别为“s”的兴趣点与聚类类别为“n”的基站在地图上的分布的重叠率的具体方法如下：

6-1:根据兴趣点类别为“s”的各个兴趣点经纬度，找出它们所在栅格号；

6-2:以步骤6-1得到的栅格号为中心向东南西北四个方向将面积放大到一个正方形区域，得到此放大面积中的所有栅格号；

6-3:统计步骤6-2得到的所有不重复的栅格号，此集合记为S；

6-4:根据聚类类别为“n”的基站号和各基站所覆盖的栅格号列表，找到聚类类别为“n”所覆盖的栅格号，此集合记为N；

6-5:根据式(6)计算栅格重叠率(OverlapRatio),所述栅格重叠率即兴趣点类别为“s”的栅格号集合S与聚类类别为“n”所覆盖的栅格号集合N的重叠率:

$OverlapRatio=\frac{|S\∩N|}{|S\∪N|}---\left(6\right).$

6.如权利要求1所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，步骤1中，采用寻找离栅格中心最近的基站的方法利用手机基站位置分割地图,其方法如下所述：

1-1.将地图栅格化：选取经纬度0.0001°×0.0001°作为一个单位栅格对地图进行分割，并对所有栅格进行编号，得到栅格经纬度列表，表元素包括栅格号、栅格经度、栅格纬度；

1-2.遍历计算每个栅格中心与每个基站的欧式距离，找到距离每个栅格最近的基站，并规定栅格属于该基站；

1-3.得到各基站所覆盖的栅格号列表，表元素包括栅格号、栅格经度、栅格纬度、栅格所属基站号。

7.如权利要求1所述的一种基于微信数据和兴趣点数据识别城市功能区的方法，其特征在于，步骤4中，离群点的查找步骤为：

4-1.分别计算每个基站的特征与其余各基站特征的距离，即矩阵Y中某一行与其余各行的欧式距离；

4-2.计算每个基站与其余各基站的距离和的平均数，即该基站与其他基站的平均距离d，并得到其中的最大值d_max；

4-3.设定合适的Δd，寻找每相差一个Δd，大于(d_max-nΔd)的点的个数，并列表；

4-4.根据步骤4-3得出的离群点个数分布规律，找出离群点；

4-5.根据离群点所在行对应到相应基站号，得出离群基站的基站号列表。