CN109493119A - 一种基于poi数据的城市商业中心识别方法及系统 - Google Patents
一种基于poi数据的城市商业中心识别方法及系统 Download PDFInfo
- Publication number
- CN109493119A CN109493119A CN201811220379.1A CN201811220379A CN109493119A CN 109493119 A CN109493119 A CN 109493119A CN 201811220379 A CN201811220379 A CN 201811220379A CN 109493119 A CN109493119 A CN 109493119A
- Authority
- CN
- China
- Prior art keywords
- intersection point
- business
- road intersection
- poi
- road
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于POI数据的城市商业中心识别方法及系统,方法包括:获取网络地图POI数据,并提取出商业类POI;将道路网络数据转换为道路网格数据,提取道路交点;识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;计算各道路交点的商业核密度值;计算商业‑道路交点核密度值;构建商业‑道路交点核密度面;结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。本发明能够更客观、科学的反映城市商业中心范围与商业网络点和交通通达性之间的关联,有助于进一步分析城市商业中心的空间结构,为城市规划实施评估提供科学的基础。
Description
技术领域
本发明涉及到城市地理学和城市规划技术领域,具体涉及一种基于POI数据,结合道路交点和网络核密度估计法,识别城市商业中心的方法及系统。
背景技术
作为现代城市最重要的功能区之一,城市商业中心的界定及其空间结构历来是城市地理学研究的重要内容。然而在复杂的地理环境中,城市商业中心是一个模糊的空间对象,通过影像或土地利用现状数据判读和边界数字化获取的边界带有模糊不确定性。关于如何定量化地从高阶模糊地理现象中识别出城市商业中心一直广受关注。目前已有的城市商业中心识别方法通常可以分为两大类:(1)基于问卷调查的方法和(2)基于地理数据的方法。利用第一种方法从市民感知中识别的城市商业中心,受调查对象的主观认知影响大,调查周期耗时长。相对而言,采用第二种方法识别商业中心更加客观和可行。
网络地图兴趣点(point of interest,POI)作为一种地理大数据,与传统的地理数据相比,其现势性、准确性、共享性和多分类的特点为研究员提供了更多的研究价值。例如,Liu和Long利用OpenStreetMap(OSM)和兴趣点(POI)数据,提出了一种基于矢量元胞自动机模型的地块识别的方法;Jiang等开发了一种利用兴趣点(POI)数据进行土地利用分类的方法;Zhang等基于层次语义认知方法,提出了一种利用高分辨率(HSC)卫星图像和兴趣点(POI)数据的城市功能区划分方法。一些学者根据商业类POI点的地理分布特征,对城市商业中心空间进行了一系列的探索。例如,Chen等基于核密度估计法提取出了城市商业中心,并分析了不同零售业态对商业聚集区位选择的差异性;Yu等针对网络距离计算问题的特殊性,提出了一种基于网络配置的CBD划分方法。
核密度估计法作为空间密度分析方法的一种,常被用于探测空间的“热点区”,且在POI数据分析中得到了广泛的应用。平面核密度估计法将城市空间环境视为均质的,没有考虑到城市的发展限制于道路网络布局的事实,在城市空间中是网络距离而不是欧氏距离影响着社会和经济现象。因此,一些学者提出了利用网络核密度估计法代替平面核密度估计法来计算道路路段周围的密度分布,剖析道路交通事故和城市空间布局。路段长度的确定是网络核密度估计法研究的关键技术,目前道路路段的划分方法主要有以下两种:(1)等长度道路路段和(2)不等长度道路路段。
虽然网络核密度估计法可以弥补平面核密度估计法的缺陷,但是无论是等长度路段还是不等长度路段的划分都存在一定的缺陷。当路段长度太小,凸显出的局部变化过多;而当路段长度太大,很多局部变化会被忽略。虽然经验法是等长度路段划分的常见方法,但是由于城市的特殊性,经验值并不可能适用于所有城市,存在局限性。利用不等长度道路路段得到的热点位置是多变的,在空间分析中这种变化被称为可塑性面积单元问题。且不管是传统的网络核密度估计还是一些改进的网络核密度估计,其算法过程都是相当复杂。
发明内容
发明目的:针对现有技术中存在的问题,本发明目的在于一种基于POI数据的城市商业中心识别方法及系统,利用道路交点代替道路路段构建密度面,在顾及道路网络对城市商业中心发展作用的同时解决网络核密度估计法中路段划分的问题。
技术方案:为实现上述发明目的,本发明所述的一种基于POI数据的城市商业中心识别方法,包括如下步骤:
(1)获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI;
(2)将所指定区域的道路网络数据转换为道路网格数据,提取道路交点;
(3)识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;
(4)根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值;
(5)根据各带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值;
(6)基于商业-道路交点核密度值构建商业-道路交点核密度面;
(7)结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。
作为优选,所述步骤(4)中和步骤(5)中采用高斯核函数计算商业核密度和商业-道路交点核密度。
作为优选,所述步骤(6)中采用克里金插值法基于核密度值构建核密度面。
作为优选,所述步骤(7)中基于商业-道路交点核密度面生成生成密度等值线,利用三倍标准差法识别出候选城市商业中心,再结合商业中心面积指标,从候选城市商业中心中提取出城市商业中心。
本发明所述的一种基于POI数据的城市商业中心识别系统,包括:
商业类POI提取模块,用于获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI;
道路交点提取模块,用于将所指定区域的道路网络数据转换为道路网格数据,提取道路交点;
道路交点领域确定模块,用于识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;
商业核密度计算模块,用于根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值;
商业-道路交点核密度计算模块,用于根据各带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值;
核密度面构建模块,用于基于商业-道路交点核密度值构建商业-道路交点核密度面;
以及,城市商业中心界定模块,用于结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。
本发明所述的一种基于POI数据的城市商业中心识别系统,至少包括一台计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的城市商业中心识别方法。
有益效果:本发明可以解决城市商业中心范围的模糊不确定性,能够更客观、科学的反映城市商业中心范围与商业网络点和交通通达性之间的关联,有助于进一步分析城市商业中心的空间结构,为城市规划实施评估提供科学的基础。本发明的市级城市商业中心的识别数量和吻合精度优于平面核密度估计法,且与网络核密度估计法相比,本发明降低的算法的复杂度。并且利用本发明改进后的核密度估计法还可以提前探测出道路发达但是商业并不繁华的潜在商业中心。
附图说明
图1是本发明实施例的方法流程示意图。
图2是本发明实施例中道路交通点邻域的构建示意图。
图3是本发明实施例中构建的南京市商业-道路交点核密度面。
图4是本发明实施例中商业-道路交点核密度面提取结果图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步说明。为了便于说明,本发明实施例中的网络地图POI数据来源于高德POI数据,可以理解的是,本发明并不限于该数据来源。
本发明实施例以高德网络地图POI数据为研究对象,提供了一种基于POI数据的城市商业中心识别方法,流程如图1所示,主要包括如下步骤:
S1:获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI。
网络地图POI数据是一种以点形式表达地理实体的数据,为迎合公众的兴趣,更关注生活服务类的分类,如餐饮、酒店、休闲娱乐、医院等。而在城市规划中,规划人员根据用地的属性,将地理实体划分为商业服务业设施用地(B)、居住用地(R)、工业用地(M)等8大类。因此,为了从网络地图POI数据中提取出城市商业中心,必须对POI数据进行重分类,识别出商业类POI点。对比城市建设用地和网络地图POI数据的分类标准,商业类POI与商业服务业设施用地(B)之间主要存在以下两种关系:
(1)“包含关系”:某一类POI数据完全属于商业服务业设施用地(B),这类POI可以直接被划分为商业类POI点。
(2)“介于关系”:某一类POI数据的一部分属于商业服务业设施用地(B),另一部分属于其它类型的用地。所以需要从此类POI数据中抽取出商业类POI点。
本实施例中选择南京市作为研究区域,结合以上的分析,得到南京市高德商业POI重分类表:
表1.基于建设用地的南京市高德商业POI重分类表
S2:将所指定区域的道路网络数据转换为道路网格数据,提取道路交点,即每个道路网格的顶点。
S3:识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点。
传统平面核密度估计法的邻域一般由带宽决定,且常用的经验法选择带宽长度。在本实施例中,将与道路交点邻近的道路网格视为邻域。各道路交点的商业核密度受其邻域内商业POIs分布的影响,靠近道路交点的商业POIs越多,其商业核密度越高。图2中的黑色加粗边框即为道路交点S的邻域边界。
具体地,本步骤中首先识别每个网格的顶点,并建立二维矩阵,通过网格顶点的ID号将道路交点和道路网格关联起来,每个道路交点的邻域即为与之相连的网格。根据每个商业POI点与不同格网的空间关系(包含关系),再识别不同网格内的所有商业类POI点,则与道路交点相连网格内的商业POI即为道路交点领域内的商业POI点。
S4:根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值。
商业核密度是评价空间商业密度的一个值,它受邻域划分的影响。每个道路交点的商业核密度Km可以按照公式1和2计算得到,公式如下:
其中,r是道路交点到周围邻域内商业POI点的最远距离(带宽),di是邻域内第i个商业点到道路交点的距离,k(di,r)是高斯核函数。
其中,Km是第m个道路交点的商业核密度(概率密度估计值),n是道路交点邻域内商业点的数量。当Km值越大,表示在道路交点处聚集了越多的商业POIs。
S5:根据各带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值。
事实上,Km仍然是描述商业密度的一个值,但它是基于道路交点计算的。在本实施例中,计划不仅从商业密度的角度来辨识商业中心区,并且加入道路网络作为一个约束条件,基于网络来识别商业中心区。然后,将Km值作为重要的参数来计算道路交点的核密度 是一个综合性指标,同时表示了道路网络和商业POIs的聚集度。利用公式3和4计算道路交点S的商业-道路交点核密度,公式如下:
其中,R是实验选择的带宽,Di是带宽内的第i个道路交点和道路交点m之间的距离,Km是道路交点m的商业核密度,n是带宽内道路交点的数量,是道路交点的核密度。符合距离衰减规律,当商业POI点越靠近道路交点,道路交点的核密度较大。此外,与Km成正比例关系。
S6:基于商业-道路交点核密度值构建商业-道路交点核密度面。
是一个受商业核密度和道路交点核密度共同约束的指标,本实施例采用ArcGIS中的克里金插值法,基于核密度值构建核密度面,并将此面定义为商业-道路交点核密度面。图3为利用以上6个步骤,带宽设为300米构建的南京市商业-道路交点核密度面。图中,颜色越深的栅格面表示其商业-道路交点核密度值越大,成为商业中心面的可能性越高。
S7:结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。
为了能进一步界定南京市城市商业中心范围,基于图3生成密度等值线,然后利用三倍标准差法识别出候选城市商业中心,再结合每个城市的商业中心面积指标,从候选城市商业中心中提取出城市市级商业中心。
在《南京市商业网点规划建设管理办法》中规定,市级商业中心区的面积必须大于30万平方米,因此必须剔除面积小于30万平方米的候选商业中心区,保留下的热点区即为城市商业中心的范围。图4为南京市市级商业中心的识别结果。图中,深黑色区域是利用本实验方法提取的市级商业中心,浅色区域是规划中的先验区,深灰色区域为实验提取的非市级商业中心。
为验证本发明方法的有效性及优势,将识别结果与每个城市的市级商业系统规划图进行对比,并计算每个商业面的F1-score指标,评价商业中心区的吻合度,提取的商业中心区与先验范围越一致,则F1-score值较高。公式如下:
其中acomputed是利用研究方法识别出的城市商业中心区的范围,acomparative是先验范围,aoverlap是两个范围间的重叠面积。
表2.提取结果的精度对比
如表2所示,将本发明方法与平面核密度估计法的识别结果对比可以发现,本发明的方法精度更高,可以识别出潜在城市商业中心,仙林商业中心。
本发明另一实施例公开的一种基于POI数据的城市商业中心识别系统,包括:商业类POI提取模块,用于获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI;道路交点提取模块,用于将所指定区域的道路网络数据转换为道路网格数据,提取道路交点;道路交点领域确定模块,用于识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;商业核密度计算模块,用于根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值;商业-道路交点核密度计算模块,用于根据各带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值;核密度面构建模块,用于基于商业-道路交点核密度值构建商业-道路交点核密度面;以及,城市商业中心界定模块,用于结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。该系统实施例与上述方法实施例属于相同的发明构思,具体实现细节可参考上述方法实施例,此处不再赘述。
基于相同的发明构思,本发明实施例还公开了一种基于POI数据的城市商业中心识别系统,至少包括一台计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的城市商业中心识别方法。本发明实施例未详细说明的部分均为现有技术。
Claims (7)
1.一种基于POI数据的城市商业中心识别方法,其特征在于,包括如下步骤:
(1)获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI;
(2)将所指定区域的道路网络数据转换为道路网格数据,提取道路交点;
(3)识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;
(4)根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值;
(5)根据各指定大小带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值;
(6)基于商业-道路交点核密度值构建商业-道路交点核密度面;
(7)结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。
2.根据权利要求1所述的基于POI数据的城市商业中心识别方法,其特征在于,所述步骤(4)中商业核密度的计算公式为:
其中,r是道路交点到周围邻域内商业POI点的最远距离,di是邻域内第i个商业点到道路交点的距离,Km是第m个道路交点的商业核密度值,n是道路交点邻域内商业点的数量。
3.根据权利要求1所述的基于POI数据的城市商业中心识别方法,其特征在于,所述步骤(5)中商业-道路交点核密度值的计算公式为:
其中,R是实验选择的带宽,Di是带宽内的第i个道路交点和道路交点m之间的距离,Km是道路交点m的商业核密度,n是带宽内道路交点的数量,是道路交点的核密度。
4.根据权利要求1所述的基于POI数据的城市商业中心识别方法,其特征在于,所述步骤(6)中采用克里金插值法基于核密度值构建核密度面。
5.根据权利要求1所述的基于POI数据的城市商业中心识别方法,其特征在于,所述步骤(7)中基于商业-道路交点核密度面生成生成密度等值线,利用三倍标准差法识别出候选城市商业中心,再结合商业中心面积指标,从候选城市商业中心中提取出城市商业中心。
6.一种基于POI数据的城市商业中心识别系统,其特征在于,包括:
商业类POI提取模块,用于获取指定区域的网络地图POI数据,根据城市建设用地分类标准和网络地图POI数据分类标准之间的对应关系提取出商业类POI;
道路交点提取模块,用于将所指定区域的道路网络数据转换为道路网格数据,提取道路交点;
道路交点领域确定模块,用于识别不同网格内的所有商业类POI,将与道路交点相连网格内的商业POI作为道路交点邻域内的商业POI点;
商业核密度计算模块,用于根据每个道路交点邻域内的商业POI点分布情况计算各道路交点的商业核密度值;
商业-道路交点核密度计算模块,用于根据各带宽内道路交点的分布并结合道路交点的商业核密度值计算各道路交点的商业-道路交点核密度值;
核密度面构建模块,用于基于商业-道路交点核密度值构建商业-道路交点核密度面;
以及,城市商业中心界定模块,用于结合核密度阈值及城市商业中心面积指标,识别出城市商业中心。
7.一种基于POI数据的城市商业中心识别系统,至少包括一台计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-5任一项所述的城市商业中心识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220379.1A CN109493119B (zh) | 2018-10-19 | 2018-10-19 | 一种基于poi数据的城市商业中心识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220379.1A CN109493119B (zh) | 2018-10-19 | 2018-10-19 | 一种基于poi数据的城市商业中心识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493119A true CN109493119A (zh) | 2019-03-19 |
CN109493119B CN109493119B (zh) | 2020-06-23 |
Family
ID=65692240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811220379.1A Active CN109493119B (zh) | 2018-10-19 | 2018-10-19 | 一种基于poi数据的城市商业中心识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493119B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN111797188A (zh) * | 2020-06-28 | 2020-10-20 | 武汉大学 | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 |
CN112214567A (zh) * | 2020-10-28 | 2021-01-12 | 兰州交通大学 | 复杂图论支持下的城市空间结构发现设计方案 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
CN112925764A (zh) * | 2019-12-10 | 2021-06-08 | 中国再保险(集团)股份有限公司 | 一种巨灾模型的行业风险暴露数据库及其构建方法 |
CN112954624A (zh) * | 2021-02-02 | 2021-06-11 | 苏州丽景智行交通工程咨询有限公司 | 基于手机信令大数据的混合土地利用形态估算方法 |
CN112990976A (zh) * | 2021-03-29 | 2021-06-18 | 华南理工大学 | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 |
CN113487465A (zh) * | 2021-06-22 | 2021-10-08 | 中国地质大学(武汉) | 基于标签传播算法的城市重叠结构特征检测方法及系统 |
CN115438998A (zh) * | 2022-09-22 | 2022-12-06 | 广州市城市规划设计有限公司 | 一种公共服务中心体系的识别方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010123649A1 (en) * | 2009-03-27 | 2010-10-28 | Google Inc. | Systems and methods for cross-street identification |
CN104123305A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 地理数据处理方法及其系统 |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN105307121A (zh) * | 2015-10-16 | 2016-02-03 | 上海晶赞科技发展有限公司 | 一种信息处理方法及装置 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN107529135A (zh) * | 2016-06-20 | 2017-12-29 | 同济大学 | 基于智能设备数据的用户活动类型判别方法 |
CN108520142A (zh) * | 2018-04-04 | 2018-09-11 | 兰州交通大学 | 一种城市群边界识别方法、装置、设备及存储介质 |
CN108665149A (zh) * | 2018-04-23 | 2018-10-16 | 深圳市城市规划设计研究院有限公司 | 一种基于城市功能混合度的测算方法及系统 |
-
2018
- 2018-10-19 CN CN201811220379.1A patent/CN109493119B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010123649A1 (en) * | 2009-03-27 | 2010-10-28 | Google Inc. | Systems and methods for cross-street identification |
CN104123305A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 地理数据处理方法及其系统 |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN105307121A (zh) * | 2015-10-16 | 2016-02-03 | 上海晶赞科技发展有限公司 | 一种信息处理方法及装置 |
CN107529135A (zh) * | 2016-06-20 | 2017-12-29 | 同济大学 | 基于智能设备数据的用户活动类型判别方法 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN108520142A (zh) * | 2018-04-04 | 2018-09-11 | 兰州交通大学 | 一种城市群边界识别方法、装置、设备及存储介质 |
CN108665149A (zh) * | 2018-04-23 | 2018-10-16 | 深圳市城市规划设计研究院有限公司 | 一种基于城市功能混合度的测算方法及系统 |
Non-Patent Citations (2)
Title |
---|
WENHAO YU 等: "The analysis and delimitation of Central Business District using network kernel density estimation", 《JOURNAL OF TRANSPORT GEOGRAPHY》 * |
禹文豪 等: "设施POI分布热点分析的网络核密度估计方法", 《测绘学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222959B (zh) * | 2019-05-23 | 2023-09-01 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN112925764A (zh) * | 2019-12-10 | 2021-06-08 | 中国再保险(集团)股份有限公司 | 一种巨灾模型的行业风险暴露数据库及其构建方法 |
CN112925764B (zh) * | 2019-12-10 | 2023-09-12 | 中国再保险(集团)股份有限公司 | 一种巨灾模型的行业风险暴露数据库及其构建方法 |
CN111797188A (zh) * | 2020-06-28 | 2020-10-20 | 武汉大学 | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 |
CN111797188B (zh) * | 2020-06-28 | 2024-03-01 | 武汉大学 | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 |
CN112214567A (zh) * | 2020-10-28 | 2021-01-12 | 兰州交通大学 | 复杂图论支持下的城市空间结构发现设计方案 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
CN112954624A (zh) * | 2021-02-02 | 2021-06-11 | 苏州丽景智行交通工程咨询有限公司 | 基于手机信令大数据的混合土地利用形态估算方法 |
CN112954624B (zh) * | 2021-02-02 | 2022-02-15 | 苏州丽景智行交通工程咨询有限公司 | 基于手机信令大数据的混合土地利用形态估算方法 |
CN112990976A (zh) * | 2021-03-29 | 2021-06-18 | 华南理工大学 | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 |
CN113487465A (zh) * | 2021-06-22 | 2021-10-08 | 中国地质大学(武汉) | 基于标签传播算法的城市重叠结构特征检测方法及系统 |
CN115438998A (zh) * | 2022-09-22 | 2022-12-06 | 广州市城市规划设计有限公司 | 一种公共服务中心体系的识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109493119B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493119A (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
Yao et al. | Simulating urban land-use changes at a large scale by integrating dynamic land parcel subdivision and vector-based cellular automata | |
Yu et al. | The analysis and delimitation of Central Business District using network kernel density estimation | |
Liang et al. | Coupling fuzzy clustering and cellular automata based on local maxima of development potential to model urban emergence and expansion in economic development zones | |
Niu et al. | Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou | |
Pham et al. | Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam | |
Liu et al. | Simulating urban dynamics in China using a gradient cellular automata model based on S-shaped curve evolution characteristics | |
Walde et al. | From land cover-graphs to urban structure types | |
Liu et al. | Road selection based on Voronoi diagrams and “strokes” in map generalization | |
Liu et al. | Scale computation on high spatial resolution remotely sensed imagery multi-scale segmentation | |
Na et al. | Bidirectional DEM relief shading method for extraction of gully shoulder line in loess tableland area | |
Zhang et al. | Detecting colocation flow patterns in the geographical interaction data | |
Wieland et al. | Object-based urban structure type pattern recognition from Landsat TM with a Support Vector Machine | |
Yang et al. | Characteristics of land surface temperature clusters: Case study of the central urban area of Guangzhou | |
Li et al. | Integrating urban morphology and land surface temperature characteristics for urban functional area classification | |
Zhou et al. | Empirical determination of geometric parameters for selective omission in a road network | |
CN110502567B (zh) | 一种面向主题的城市轨道交通站点层次poi提取方法 | |
Yu | A mathematical morphology based method for hierarchical clustering analysis of spatial points on street networks | |
Balakrishnan | A method for urban population density prediction at 30m resolution | |
Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
Bao et al. | High‐resolution quantification of building stock using multi‐source remote sensing imagery and deep learning | |
Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
Liu | Identifying urban land use social functional units: a case study using OSM data | |
Wang et al. | Segmentation of the communication tower and its accessory equipment based on geometrical shape context from 3D point cloud | |
Sun et al. | Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification |
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 |