CN109101559A - 一种基于poi和公交刷卡数据的城市功能区识别方法 - Google Patents

一种基于poi和公交刷卡数据的城市功能区识别方法 Download PDF

Info

Publication number
CN109101559A
CN109101559A CN201810767027.1A CN201810767027A CN109101559A CN 109101559 A CN109101559 A CN 109101559A CN 201810767027 A CN201810767027 A CN 201810767027A CN 109101559 A CN109101559 A CN 109101559A
Authority
CN
China
Prior art keywords
poi
function
region
bus
full
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810767027.1A
Other languages
English (en)
Other versions
CN109101559B (zh
Inventor
杨鑫
周全强
段亮亮
李壮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN201810767027.1A priority Critical patent/CN109101559B/zh
Publication of CN109101559A publication Critical patent/CN109101559A/zh
Application granted granted Critical
Publication of CN109101559B publication Critical patent/CN109101559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开一种基于POI和公交刷卡数据的城市功能区识别方法，包括基于网络电子地图获取目标城市POI数据，建立POI指标；对目标城市划分区域，统计获得各区域的POI指标并计算对应的POI总指标值POI_Classes；根据各区域的POI指标和POI总指标值，判别各区域包含的城市功能以及包含各类城市功能的数量，获得城市单一功能区和功能混合的各区域；获取城市功能混合的各区域的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标；根据计算的所述乘车人数特征指标值，进行城市功能混合的各区域的聚类，根据聚类结果各类别的聚类中心的乘车人数特征指标值，确定各类区域的城市功能。

Description

一种基于POI和公交刷卡数据的城市功能区识别方法
技术领域
本发明涉及地理信息技术领域，特别涉及一种基于POI和公交刷卡数据的城市功能区识别方法。
背景技术
城市功能区划分是城市管理和城市规划的基础。早期城市功能区划分研究主要采用人口经济普查、土地利用地图和调查问卷等数据，受数据的约束，城市功能格局研究的空间尺度较大，多以乡镇\街道或区县为基本空间单元。近年来，随着信息和通讯技术的发展，涌现了大量的基于个体行为的LBS (Location Based Service)大数据(如：全球定位系统GPS、全球移动通信系统及智能卡收费系统数据)，为城市功能区的细致划分创造了条件。
公交刷卡数据表征了个体出行规律，如何从中挖掘居民出行规律与城市功能特征的关联是采用公交刷卡数据研究城市功能分区的关键。现有技术中城市功能区识别的方法是通过居民个体出行时间、起始地、目的地和出行目的等与城市功能的关联分析来研究城市功能分区，以乘车个体为研究对象，构建居民出行模型，通过文本挖掘等方法进行研究，这种方式直接对海量个体数据进行挖掘，对挖掘算法的要求高，且分析效率较低。
发明内容
本发明的主要目的是提出一种基于POI和公交刷卡数据的城市功能区识别方法，旨在提供一种对城市功能识别更准确的城市功能识别方法。
为实现上述目的，本发明提出的一种基于POI和公交刷卡数据的城市功能区识别方法，包括：
基于网络电子地图获取目标城市POI数据，建立POI指标 {IsContainResidence，IsContainJob，IsContainShopping}，以及POI总指标POI_Classes；其中，IsContainResidence为是否含住宅功能，IsContainJob为是否含就业功能，IsContainShopping为是否含购物服务；
对目标城市划分区域，根据各区域包含的POI以及包含各类POI的数量，统计获得各区域的POI指标并计算对应的POI总指标值POI_Classes；
根据各区域的POI指标和POI总指标值，获得城市单一功能区和功能混合的各区域；
获取城市功能混合的各区域的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标值；
根据计算的所述乘车人数特征指标值，确定该区域的城市功能。
优选的，所述获取目标土地的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标，具体包括：
获取目标土地的公交刷卡数据，分别统计公交刷卡数据指标
根据公交刷卡数据指标计算每个公交车站的特征值，其中每个公交车站的特征值包括全时绝对量特征全时波动特征全时偏度特征全时峰度特征以及全时趋势特征TF(Qi k)；
其中，
表示第i个公交车站工作日/周末在第t个时段的上车人数；
k取1时表示工作日，k取2时表示周末。
优选的，所述全时绝对量特征的计算公式为：
其中，T为一天的时间段总数。
优选的，所述全时波动特征的计算公式：
其中，T为一天的时间段总数。
优选的，所述全时偏度特征的计算公式：
其中，T为一天的时间段总数。
优选的，所述全时峰度特征的计算公式：
其中，T为一天的时间段总数。
优选的，所述全时趋势特征的计算公式：
其中，T为一天的时间段总数。
优选的，POI总指标POI_Classes的计算公式为：
POI_Classes＝IsContainResidence×100+IsContainJob×10+IsContainShopping。
本发明提供的技术方案中，无需下车数据，因此全部公交刷卡数据都参与计算。在挖掘个体行为模式进行城市功能分区的研究中，需采用个体上下车时间和地点建立模型，因此只采用了上下车均刷卡的公交线路数据，然而实际上在各地公交系统中，仅上车刷卡的公交线路占比较大。
进一步地，区域内包含的POI类别用于反映了区域的功能类型；而POI 数量的多少不能反映其功能的强弱，POI代表的地理实体所服务的人群数量更能反映其功能的强弱；且出行目的不同，出行时间规律特征也存在差异性。本发明通过综合考虑出行目的不同和POI代表的地理实体所服务的人群数量，更精确地区分区域功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的一实施例基于POI和公交刷卡数据的城市功能区识别方法的流程示意图；
图2为北京朝阳区的裁剪后的地图；
图3为本发明表征公交车站的乘车人数特征指标的一实施例的流程示意图；
图4为西便门、东直门、航天桥南三个公交车站各时段上车人数的曲线示意图；
图5为地铁北宫门站、地铁西红门站三个公交车站各时段上车人数的曲线示意图；
图6为燕灵路口、安慧桥北、慈云寺三个公交车站各时段上车人数的曲线示意图；
图7为某两个公交车站各时段上车人数的曲线示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于POI和公交刷卡数据的城市功能区识别方法，请参阅图1，所述城市功能区识别方法包括：
步骤S100，基于网络电子地图获取目标土地POI(兴趣点)数据，建立 POI指标{IsContainResidence，IsContainJob，IsContainShopping}，以及POI 总指标POI_Classes；其中，IsContainResidence为是否含住宅功能，IsContainJob 为是否含就业功能，IsContainShopping为是否含购物服务；
步骤S200，对目标城市划分区域，根据各区域包含的POI以及包含各类 POI的数量，统计获得各区域的POI指标并计算对应的POI总指标值；
步骤S300，根据各区域的POI指标和POI总指标值，获得城市单一功能区和功能混合的各区域；
步骤S400，获取城市功能混合的各区域的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标；
步骤S500，根据计算的所述乘车人数特征指标值，确定该区域的城市功能。
下面来详述介绍各步骤的执行。
首先执行步骤S100，基于网络电子地图获取目标土地POI数据，建立POI 指标，以及POI总指标。
其中，POI数据为兴趣点数据(Point ofInterest)，通过POI数据刻画区域设施功能属性。这些POI数据包含了住宅、商铺、学校、酒店等信息，网络电子地图POI按统一的三级分类标准对这些信息进行组织。根据这些POI 数据提取得到POI指标，本发明以北京市朝阳区的POI数据为例将POI指标分为三类：IsContainResidence(是否含住宅功能)、IsContainJob(是否含就业功能)、IsContainShopping(是否含购物服务)。关于POI指标的说明和提取方法详见表1。
表1POI指标及提取说明
通过统计IsContainResidence的取值、IsContainJob的取值、IsContainShopping的取值，来对IsContainResidence、IsContainJob、IsContainShopping标准化。通过计算POI指标，以及POI总指标POI_Classes 对城市功能区进行初步识别。
优选的，
POI_Classes＝IsContainResidence×100+IsContainJob×10+IsContainShopping (式 1)。
通过POI_Classes来计算街区的功能，其中POI_Classes的结果为0表示区域内不包含居住、就业和购物功能；1、10、100表示单一功能区，分别表示区域内仅包含购物、就业、居住功能；11、101、110、111表示混合功能区，分别表示就业购物混合区、居住购物混合区、居住就业混合区、居住就业购物混合区。
再来执行步骤S200，对目标城市划分区域，根据各区域包含的POI以及包含各类POI的数量，统计获得各区域的POI指标并计算对应的POI总指标值。
对目标城市划分区域，可以选取街区作为构成城市的基本空间单元，也可以是采用其他人们认知的城市和构建城市意象的基本要素，也可以是城市生活的基本社会单元。而街区的边界可以是城市道路、河流、绿化带、围墙灯要素，也可以是明显可以界定一个片区的边界范围。在本实施例中，将目标城市的行政区划矢量图导入ArcGIS软件中，将城市内公交车站点经纬度坐标导入ArcGIS软件中，根据公交车站点生成voronoi图，然后使用目标城市的行政区划图对voronoi图进行裁剪，以将获得的各多边形区域作为划分的区域。
统计计算各多边形区域内包含的POI，以及包含各类别POI的数量。
再来执行步骤S300，根据各区域的POI指标和POI总指标值POI_Classes，获得城市单一功能区和功能混合的各区域,以及包含各类别城市功能的多边形区域的数量。
POI_Classes的结果为0表示区域内不包含居住、就业和购物功能；1、10、 100表示单一功能区，分别表示区域内仅包含购物、就业、居住功能，其中结果为0的区域由于不包含居住、就业和购物功能而可以不考虑。
而计算出的POI_Classes的结果为1、10、100时，表示为单一功能区，通过POI指标计算这些区域分类较为完善，故不需要进一步分类。
而对于POI_Classes的结果为11、101、110、111表示混合功能区，由于采用POI指标计算未能将混合功能区内的主导功能明确体现，故，本发明将进一步分类。
以图2为例来说明各区域的城市功能，当计算POI_Classes的结果为0表示区域内不包含居住、就业和购物功能；1、10、100表示单一功能区，分别表示区域内仅包含购物、就业、居住功能；11、101、110、111表示混合功能区，分别表示就业购物混合区、居住购物混合区、居住就业混合区、居住就业购物混合区。从数量上看，图2中居住就业购物混合区数量最多，共计424 个；其次是就业购物混合区，共计65个；再次是居住购物混合区，共计40 个。再仅对数量相对较多的这三类区域进行研究。不包含居住、就业和购物功能的区域以及单一功能区在本研究中不再进行进一步的分类，110居住就业混合区和11就业购物混合区数量较少，也不再进行进一步的分类。由于统计得出的单一功能区已经区分的很准确，故，不需要再做进一步分类，仅需要对数量较多的混合区进行进一步分类。
下一步将对数量较多的这些混合区进行进一步分类。
又来执行步骤S400，获取城市功能混合的各区域的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标。
公交刷卡数据能有效反映乘车人的乘车规律，由于工作日出行和双休日出行的目的和规律不同，工作日出行的主要目的是上下班通勤，其出行的起点、时间、线路等特征一般比较稳定，是一种非弹性的出行；而双休日出行的目的一般是购物、休闲和娱乐，其出行频率和出行的时空分布会具有一定的随机性，是一种弹性的出行。因此，本发明在考虑公交刷卡数据时分为工作日数据和周末数据。
所述获取目标城市的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标，请参阅图3，具体包括：
步骤S410，获取目标土地的公交刷卡数据，分别统计公交刷卡数据指标
其中，表示第i个公交车站工作日/周末在第t个时段的上车人数；
k取1时表示工作日，k取2表示周末；
表示第i个公交车站工作日在第t个时段的上车人数；
表示第i个公交车站周末s在第t个时段的上车人数。
所述步骤S410中获取目标城市的公交刷卡数据，分别统计公交刷卡数据指标可以是选择一个时间段，比如统计2014年4月每天的乘车数据。由于工作日的乘车数据规律大致相同，周末的乘车规律也大致相同，故，可以以一个星期为一个周期进行统计。例如可以选择2014年4月14日(周一) 至2014年4月20日(周日)的数据为一个研究周期，统计2014年4月14 日至20日每天各时段总的乘车人数。而时间段也可以选择部分时间段，例如若每天的乘车人数主要集中于05:00:00-23:59:59,可以确定研究的时段为 5-23时段(共19个时段)，本发明提供的实施例中为方便描述，将一个时段定义为从一个整点时刻开始的一个小时，在其他实施例中也可以采用其他方式定义，在此不做限制。
以图4为例，图4中展示了北京市的西便门(Xi Bian Men)、东直门(Dong ZhiMen)、航天桥南(South Hangtian Bridge)三个公交车站的公交刷卡数据，可以看出，三个公交车站上车人数时序数据总值存在差异性，三个公交车站不同时段上车人数和全天总上车人数差异性也较大。三个地方周围区域建设的成熟度，西便门>东直门>航天桥南，结合图也可以看出总乘车人数(公交刷卡数据)在一定程度上也反映了车站周围区域建设的成熟度，总乘车人数多表明该车站周围居住或工作人口较多、或提供其它服务较多。而工作日总乘车人数和周末总乘车人数的差异性分别体现了不同功能的完善程度，例如周末乘车人数较多的地方往往更倾向于购物功能，而工作日乘车人数较多的地方往往更趋向于就业功能。故，本发明提供的实施例中通过将工作日和周末分开考虑。
另外，车站周边的功能也会影响车站乘车人数(公交刷卡数据)分布情况，请参阅图5，图5中展示了地铁北宫门站和地铁西红门站的乘车人数分布。由图5可以看出，地铁西红门站乘车人数主要集中在少数几个时段，即第7 个时段、第18个时段，而这两个时段是上班和下班的高峰期，说明地铁西红门站周边的居住功能和就业功能十分明显，远超过该区域内的其它功能；地铁北宫门站的乘车人数全天分布较为均匀，说明该车站周边区域内的居住功能和就业功能相对其它功能来说并不十分明显。。
请参阅图6，图6展示了燕灵路口、安慧桥北、慈云寺车站工作日各时段的上车人数时序数据。其中燕灵路口车站早高峰上车人数远大于晚高峰上车人数，安慧桥北早晚高峰上车人数基本相当，慈云寺车站早高峰上车人数远小于晚高峰人数。表明燕灵路口车站周边区域居住功能远大于就业功能，安慧桥北车站周边区域居住功能与就业功能相当，慈云寺车站周边区域的就业功能远大于居住功能。可见早晚高峰上车人数的差异性能反映公交车站周边区域内功能比例的差异性，而工作日早晚高峰趋势特征和周末早晚高峰趋势特征分别能反映区域内不同功能比例的差异性，如工作日早晚高峰的差异能反映区域内居住功能和就业功能比例的差异性，而周末早晚高峰的差异反映的是区域内居住功能和休闲娱乐、购物等功能比例的差异性。
即公交刷卡数据的趋势与周末/工作日、车站周边功能、早晚高峰有着紧密关系。
步骤S420，根据公交刷卡数据指标计算每个公交车站的特征值，其中每个公交车站的特征值包括全时绝对量特征全时波动特征全时偏度特征全时峰度特征以及全时趋势特征 TF(Qi k)；
具体的，下面将针对每个公交车站的特征值做详细介绍。
(1)全时绝对量特征
全时绝对量特征为第i个公交车站的工作日和周末上车人数时间序列数据的全时“绝对量”特征。
所述全时绝对量特征的计算公式为：
其中，T为一天的时间段总数。
k取1时表示工作日，k取2表示周末。
第i个公交车站工作日/周末在第t个时段的上车人数。
全时绝对量特征表征第i个公交车站的工作日和周末上车人数 (公交刷卡数据)的平均值。全时绝对量越大，表明总的乘车人数越多，车站周边成熟度越高；否则车站周边成熟度越低。
(2)全时波动特征
全时波动特征为第i个公交车站的工作日和周末上车人数时间序列数据的全时“波动”特征。
所述全时波动特征的计算公式：
其中，T为一天的时间段总数。
k取1时表示工作日，k取2表示周末。
全时波动特征通过工作日/周末第i个公交车站上车人数的方差，表征各时段上车人数的差异大小，差异性越大表明乘车人数越集中在某个或某几个时段，车站周边区域的功能越单一或某一种功能越突出。
(3)全时偏度特征
全时偏度特征为第i个公交车站工作日/周末各时段上车人数时间序列数据的全时“偏度”特征。
所述全时偏度特征的计算公式：
其中，T为一天的时间段总数。
k取1时表示工作日，k取2表示周末。
全时偏度特征用于反映第i个公交车站工作日/周末各时段上车人数与正态分布的偏差，衡量了第i个公交车站在整个时期T内的上车人数是否对称，在数量上，全时偏度特征为负就意味着绝大多数的值(包括中位数在内)位于平均值的左侧，反之，则意味着绝大多数的值(包括中位数在内)位于平均值的右侧。
可见，全时偏度特征在全时波动特征的基础上进一步细化了车站乘车人数时序数据波动趋势。波动特征仅能反映差异性大小，而偏度特征能反映差异性分布特征或差异性产生的原因。
(4)全时峰度特征
全时峰度特征为第i个公交车站工作日/周末各时段上车人数时间序列数据的全时“峰度”特征。
所述全时峰度特征的计算公式：
其中，T为一天的时间段总数。
k取1时表示工作日，k取2表示周末。
全时峰度特征表征了第i个公交车站工作日/周末一天内上车人数数量的集中程度或分布曲线的尖峭程度，若峰度大于0，表示指标值的分布比正态分布更集中在平均值周围；若峰度小于0，表示指标值的分布比正态分布更分散。SCF和KCF都反映了样本数据的分布特征，若两个样本随时间发展呈现较一致，则说明二者更相似。
(5)全时趋势特征
全时趋势特征为第i个公交车站工作日/周末各时段上车人数时间序列数据的全时“趋势”特征TF。
k取1时表示工作日，k取2表示周末。
所述全时趋势特征的计算公式：
其中，T为一天的时间段总数。
全时趋势特征表征了第i个公交车站工作日/周末一天内第5-9个时段上车人数最大值和第16-20个时段上车人数最大值的差值，TF为负表明第16-20个时段的上车人数最大值较大，TF为正表明5-9时段的上车人数最大值较大，TF的绝对值越大说明两个最大值相差越大，TF越接近0说明两个最大值相差越小。而第5-9个时段为早高峰时段，第16-20个时段为晚高峰时段，工作日和周末早晚高峰时段乘车人数的差异性能反映车站周边区域内功能的差异性。
全时绝对量特征全时波动特征全时偏度特征全时峰度特征以及全时趋势特征TF(Qi k)中，AQF用于反映乘车总人数的差异性；VF、SCF和KCF用于反映乘车人数分布的差异性，通常VF和SCF 即可反映数据的分布特征，但，虽然两组数据的算术平均数、标准差和偏态系数都相同，但它们分布曲线顶端的高耸程度却不同(请参阅图7)，且乘车人数的峰度往往是能反映车站周边区域某种城市功能的强弱的重要指标，因此本发明同时还选择KCF作为反映乘车人数分布的差异性；TF用于反映乘车人数趋势的差异性。
本发明采用公交车站客流量的时序特征区分包含相同城市功能类型的区域间的差异性时，建立了10个特征指标。这十个特征指标分别是各公交车站工作日和周末的AQF(全时绝对量特征)、VF(全时波动特征)、SCF(全时偏度特征)、KCF(全时峰度特征)、TF(全时趋势特征)。本发明相较于直接采用各公交车站工作日和周末各时段乘车人数作为聚类指标的方法，提高了聚类指标的维度；建立了10个特征指标也突出强调了各时段客流量时序变化特征。
每个公交车站的特征值K(Qi)，
再来执行步骤S500，根据计算的所述乘车人数特征指标值，确定该区域的城市功能。
具体的，所述步骤S500还包括对功能混合的各区域进行分类，本发明实施例中将混合区分为六类，发展较为成熟、发展不成熟、发展最成熟、发展最不成熟、发展不成熟、发展较不成熟，在其他实施例中，也可以根据具体情况分类。
以居住就业购物混合区为例来详述分类标准，请参见表2，其他混合区也依此类推。
表2居住就业购物混合区分类
类别编号 特征描述
1 发展较为成熟，3种功能相差较小，居住＞购物＞就业
2 发展不成熟，3种功能相差明显，购物＞就业＞居住
3 发展最成熟，3种功能基本相当
4 发展最不成熟，3种功能相差明显，居住＞就业＞购物
5 发展不成熟，3种功能相差较小，居住＞购物＞就业
6 发展较不成熟，3种功能基本较小，购物＞就业＞居住
本发明无需下车数据，因此全部公交刷卡数据都参与计算。在挖掘个体行为模式进行城市功能分区的研究中，需采用个体上下车时间和地点建立模型，因此只采用了上下车均刷卡的公交线路数据，然而实际上在各地公交系统中，仅上车刷卡的公交线路占比较大。
区域内包含的POI类别用于反映了区域的功能类型；而POI数量的多少不能反映其功能的强弱，POI代表的地理实体所服务的人群数量更能反映其功能的强弱；且出行目的不同，出行时间规律特征也存在差异性。本发明通过综合考虑出行目的不同和POI代表的地理实体所服务的人群数量，更精确地区分区域功能。
进一步的，本发明通过不同类别POI的分布，判断区域功能类别；再通过客流量大小的绝对值比较，判断区域功能发展的成熟程度；最后通过客流量在不同时段的变化特征，判断区域功能比例特征，综合考虑了各因素的影响。
由于区域内包含的功能类型不同，人群出行目的必定不同，出行的时间规律特征必定存在差异性，因而不同功能类型的区域内公交车站的客流量时序特征必须存在差异性。可见，根据不同时段的公交车站客流量来识别不同功能类型的强弱效果更佳。
实施例一
请参阅图2，在ArcGIS软件中，打开公交车站点生成voronoi图，然后打开朝阳区行政区划图，对voronoi图进行裁剪，仅保留朝阳区内的区域，以 voronoi图中的多边形作为研究对象进行后续的城市功能分类。
基于网络电子地图获取目标城市的POI数据，建立POI指标{IsContainResidence，IsContainJob，IsContainShopping}，以及POI总指标。
根据POI的经纬度坐标将其导入ArcGIS软件，使用spatialjoin功能连接 POI图层和voronoi图，计算表1中的POI指标。根据以下公式综合3个POI 指标计算出一个总指标：
POI_Classes＝IsContainResidence×100+IsContainJob×10+IsContainShoppin g
再根据POI_Classes统计各多边形区域内包含的城市功能，以及包含各类别城市功能的多边形区域的数量。统计结果见图2中左下角。居住就业购物混合区数量最多，共计424个；其次是就业购物混合区，共计65个；再次是居住购物混合区，共计40个。
再对其中数量较多的居住就业购物混合区进行进一步分类。
采用K(Qi)中的10个指标，应用k-means聚类方法进行功能聚类研究。由于K(Qi)中10个指标的数量级相差较大，聚类前采用z-score标准化方法将它们标准化。k-means聚类方法需在聚类前设置类别数量，可以设置一个相对较大的类别数量，在聚类完成后，分析各聚类中心指标的相似性和各类别中街区的数量，将相似性较大的聚类中心合并，将合并后的类别数重新输入 k-means算法再次聚类，如此反复直至聚类类别及各聚类中心的差异相对合理。
表3各类别乘车人数特征指标值及各类别的个数
该类区域被分为6类，各类别乘车人数特征指标值及各类别的个数见表2。其中AQF表示而AQF_END表示其他特征含义以此类推。
结合表2和各指标的意义可见，第3类区域AQF值最大，乘车人数最多，第2类区域乘车人数最少，第3类区域发展最为成熟，第2类区域发展最不成熟。第1、3、6类区域，TF绝对值最接近0，说明工作日早晚乘车人数基本相当，区域内居住和就业功能基本相当；TF_END绝对值也最接近0，周末早晚乘车人数也基本相当，说明区域内居住和购物功能基本相当；第1、3类区域TF和TF_END大于0，说明居住功能略大于就业和购物功能；第6类区域TF和TF_END小于0，说明居住功能略小于就业和购物功能。第4、5类区域TF相对较大，说明居住功能明显强于就业功能，TF_END相对较大，说明居住功能明显强于购物功能；第4类区域TF小于TF_END，说明就业功能强于购物功能；第5类区域TF大于TF_END，说明购物功能强于就业功能。第2类区域TF和TF_END值小于0，且绝对值相对较大，说明区域内居住功能明显弱于就业和购物功能；TF的绝对值小于TF_END的绝对值，说明就业功能弱于购物功能。
采用区域内包含的POI类别反映区域的功能类型，POI仅代表地理实体的存在，单独使用无法反映地理实体功能的强弱，如代表一栋商务办公楼实体的POI，可反映该POI的就业功能，但POI数据未描述该楼宇的详细楼层信息，无法反映该楼宇内就业人数信息。某类POI的存在可反映该区域内存在的功能，但仅采用POI数量的多少来反映其功能的强弱的做法会降低城市功能分区的准确性。本发明提供的技术方案中，采用公交车站客流量的时序特征来区分包含相同城市功能类型的区域间的差异性(此处指的是：各类功能强弱的差异性)。本发明采用POI代表的地理实体所服务的人群数量反映其功能的强弱，再采用公交车站的客流量来反映区域内服务的人群数量。
完全采用公交刷卡数据进行城市功能区分类，再结合POI对聚类中心进行功能识别的过程无法将具有类似出行特征的功能区分开来，如具有风景名胜、公园等休闲功能的区域和含有家居、建材市场的区域，出行规律相似，即完全根据公交刷卡数据进行分类，也可能无法分离这两类区域，降低分类的准确性。而本发明先采用POI数据进行区域功能的定性判定，再采用公交刷卡数据进行区域内功能强弱的分析，提高了分类的准确性。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于POI和公交刷卡数据的城市功能区识别方法，其特征在于，包括：
基于网络电子地图获取目标城市POI数据，建立POI指标{IsContainResidence，IsContainJob，IsContainShopping}，以及POI总指标POI_Classes；其中，IsContainResidence为是否含住宅功能，IsContainJob为是否含就业功能，IsContainShopping为是否含购物服务；
对目标城市划分区域，根据各区域包含的POI以及包含各类POI的数量，统计获得各区域的POI指标并计算对应的POI总指标值POI_Classes；
根据各区域的POI指标和POI总指标值，获得城市单一功能区和功能混合的各区域；
获取城市功能混合的各区域的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标值；
根据计算的所述乘车人数特征指标值，进行城市功能混合的各区域的聚类，根据聚类结果各类别的聚类中心的乘车人数特征指标值，确定各类区域的城市功能。
2.如权利要求1所述的城市功能区识别方法，其特征在于，所述获取目标城市的公交刷卡数据，并根据所述公交刷卡数据建立并计算公交车站的乘车人数特征指标，具体包括：
获取目标城市的公交刷卡数据，分别统计公交刷卡数据指标
根据公交刷卡数据指标计算每个公交车站的特征值，其中每个公交车站的特征值包括全时绝对量特征全时波动特征全时偏度特征全时峰度特征以及全时趋势特征
其中，
表示第i个公交车站工作日/周末在第t个时段的上车人数；
k取1时表示工作日，k取2时表示周末。
3.如权利要求2所述的城市功能区识别方法，其特征在于，所述全时绝对量特征的计算公式为：
其中，T为一天的时间段总数。
4.如权利要求2所述的城市功能区识别方法，其特征在于，所述全时波动特征的计算公式：
其中，T为一天的时间段总数。
5.如权利要求2所述的城市功能区识别方法，其特征在于，所述全时偏度特征的计算公式：
其中，T为一天的时间段总数。
6.如权利要求2所述的城市功能区识别方法，其特征在于，所述全时峰度特征的计算公式：
其中，T为一天的时间段总数。
7.如权利要求2所述的城市功能区识别方法，其特征在于，所述全时趋势特征的计算公式：
；
其中，T为一天的时间段总数。
8.如权利要求2所述的城市功能区识别方法，其特征在于，POI总指标POI_Classes的计算公式为：
POI_Classes＝IsContainResidence×100+IsContainJob×10+IsContainShopping。
CN201810767027.1A 2018-07-12 2018-07-12 一种基于poi和公交刷卡数据的城市功能区识别方法 Active CN109101559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810767027.1A CN109101559B (zh) 2018-07-12 2018-07-12 一种基于poi和公交刷卡数据的城市功能区识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810767027.1A CN109101559B (zh) 2018-07-12 2018-07-12 一种基于poi和公交刷卡数据的城市功能区识别方法

Publications (2)

Publication Number Publication Date
CN109101559A true CN109101559A (zh) 2018-12-28
CN109101559B CN109101559B (zh) 2022-02-11

Family

ID=64846284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810767027.1A Active CN109101559B (zh) 2018-07-12 2018-07-12 一种基于poi和公交刷卡数据的城市功能区识别方法

Country Status (1)

Country Link
CN (1) CN109101559B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502567A (zh) * 2019-07-26 2019-11-26 北京工业大学 一种面向主题的城市轨道交通站点层次poi提取方法
CN110738244A (zh) * 2019-09-29 2020-01-31 中国科学院深圳先进技术研究院 一种基于刷卡数据的地铁站点功能及其演化识别方法、系统及电子设备
CN112288048A (zh) * 2020-12-28 2021-01-29 湖南师范大学 一种基于多源数据驱动的城市人群出行识别方法
CN112487298A (zh) * 2020-12-17 2021-03-12 深圳市城市规划设计研究院有限公司 基于机场客流来源地数据的城市职能识别方法及装置
CN116227791A (zh) * 2023-05-08 2023-06-06 湖南工商大学 基于语义融合模型探索城市功能区动态划分的可视分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991142A (zh) * 2017-03-22 2017-07-28 湖州师范学院 一种基于微信数据和兴趣点数据识别城市功能区的方法
CN108182592A (zh) * 2017-12-11 2018-06-19 北京奇虎科技有限公司 公交线路多维特征属性挖掘方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991142A (zh) * 2017-03-22 2017-07-28 湖州师范学院 一种基于微信数据和兴趣点数据识别城市功能区的方法
CN108182592A (zh) * 2017-12-11 2018-06-19 北京奇虎科技有限公司 公交线路多维特征属性挖掘方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于翔: "基于城市公交刷卡数据和兴趣点的城市功能区识别研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
钟少颖等: "基于公交刷卡数据和兴趣点数据的城市街区功能类型识别研究—以北京市朝阳区为例", 《城市与环境研究》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502567A (zh) * 2019-07-26 2019-11-26 北京工业大学 一种面向主题的城市轨道交通站点层次poi提取方法
CN110502567B (zh) * 2019-07-26 2021-03-16 北京工业大学 一种面向主题的城市轨道交通站点层次poi提取方法
CN110738244A (zh) * 2019-09-29 2020-01-31 中国科学院深圳先进技术研究院 一种基于刷卡数据的地铁站点功能及其演化识别方法、系统及电子设备
CN110738244B (zh) * 2019-09-29 2022-06-21 中国科学院深圳先进技术研究院 一种基于刷卡数据的地铁站点功能及其演化识别方法、系统及电子设备
CN112487298A (zh) * 2020-12-17 2021-03-12 深圳市城市规划设计研究院有限公司 基于机场客流来源地数据的城市职能识别方法及装置
CN112487298B (zh) * 2020-12-17 2023-12-08 深圳市城市规划设计研究院股份有限公司 基于机场客流来源地数据的城市职能识别方法及装置
CN112288048A (zh) * 2020-12-28 2021-01-29 湖南师范大学 一种基于多源数据驱动的城市人群出行识别方法
CN116227791A (zh) * 2023-05-08 2023-06-06 湖南工商大学 基于语义融合模型探索城市功能区动态划分的可视分析方法
CN116227791B (zh) * 2023-05-08 2023-09-05 湖南工商大学 基于语义融合模型探索城市功能区动态划分的可视分析方法

Also Published As

Publication number Publication date
CN109101559B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN108876475A (zh) 一种基于兴趣点采集的城市功能区识别方法、服务器及存储介质
Xiao et al. Nonlinear and synergistic effects of TOD on urban vibrancy: Applying local explanations for gradient boosting decision tree
CN109101559A (zh) 一种基于poi和公交刷卡数据的城市功能区识别方法
Zhong et al. Inferring building functions from a probabilistic model using public transportation data
CN108053240B (zh) 生成车载广告投放公交线路方案的方法及装置
CN112966899B (zh) 一种影响人口密度的城市公共服务设施建设决策方法
Liu et al. Identifying and understanding road-constrained areas of interest (AOIs) through spatiotemporal taxi GPS data: A case study in New York City
CN110442715A (zh) 一种基于多元大数据的综合城市地理语义挖掘方法
Guyot et al. The urban form of Brussels from the street perspective: The role of vegetation in the definition of the urban fabric
Fuglsang et al. Accessibility analysis and modelling in public transport networks–a raster based approach
CN111310340B (zh) 基于人类移动的城市区域交互异常关系识别方法及设备
Lyu et al. A multiscale spatial analysis of taxi ridership
Zhou et al. Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data
Morton et al. Competition in Multi-Airport Regions: Measuring airport catchments through spatial interaction models
CN115033766A (zh) 数据处理方法、生活圈的显示方法及装置、介质、设备
Abutaleb et al. Understanding contextual attractiveness factors of transit orientated shopping Mall developments (Tosmds) for shopping mall passengers on the Dubai Metro Red Line
Krizek Measuring accessibility: Prescriptions for performance measures of the creative and sustainable city
CN108171970A (zh) 一种获取公交车乘客轨迹的方法及装置
Foti A behavioral framework for measuring walkability and its impact on home values and residential location choices
CN109635047B (zh) 地理网格的信息处理方法、装置、设备及可读存储介质
CN107886374B (zh) 公交车身广告投放线路方案的评估方法以及电子设备
Ertugay et al. Understanding accessibility: Accessibility modeling with geographical information systems (GIS)
Banos et al. Geographical information and urban transport systems
Jung et al. GIS-based transit trip allocation methods converting stop-level boarding and alighting trips into TAZ trips
KR102374342B1 (ko) 음식물쓰레기 관리 지원 장치 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant