CN109523186B - 城市区域划分方法及装置 - Google Patents
城市区域划分方法及装置 Download PDFInfo
- Publication number
- CN109523186B CN109523186B CN201811437941.6A CN201811437941A CN109523186B CN 109523186 B CN109523186 B CN 109523186B CN 201811437941 A CN201811437941 A CN 201811437941A CN 109523186 B CN109523186 B CN 109523186B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- area
- character
- power consumption
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城市区域划分方法及装置,首先采集城市区域内的多维数据,从多维数据中的人物行为数据中提取人物轨迹数据后生成第一轨迹信息;再根据车辆轨迹数据确定区域车辆生活工作指数、根据述兴趣点数据确定各类兴趣点的密度值、根据所述用电量数据确定区域用电量评价指数,并将上述确定的数据融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;然后对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;最后根据轨迹的类标划分城市区域。本发明可以有效地从城市区域内的多维数据中提取区域特征,并通过该区域特征对城市区域进行划分,提高了城市区域划分的准确性。
Description
技术领域
本发明涉及城市功能区域划分技术领域,尤其是涉及一种城市区域划分方法及装置。
背景技术
城市的规划和管理在城市建设和改造时往往有着本身的规划,然而随着城市的不断发展,城市的布局和功能也在发生变化,如何评价城市各区域,对各区域进行划分分级,可以为城市管理和改造提供支持;最常见的城市区域划分方法是利用POI(Point ofInterest,兴趣点)对城市区域在功能上进行划分,这样的划分简单有效,但同类型POI在城市和居民生活中的表现可能很不相同,简单的划分,难以区分,同时一些POI成分复杂区域的定义也十分困难,现有技术中还提出了使用公交路线、人的行为、车的轨迹等数据来进行城市功能区的划分,但该方式难以有效地从轨迹数据中提取出区域特征,以使城市区域划分的准确性较差。
发明内容
有鉴于此,本发明的目的在于提供一种城市区域划分方法及装置,以有效地从城市区域内的多维数据中提取区域特征,并通过该区域特征对城市区域进行划分,从而提高了城市区域划分的准确性。
第一方面,本发明实施例提供了一种城市区域划分方法,该方法包括:采集城市区域内的多维数据,该多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据;从人物行为数据中提取人物轨迹数据;人物轨迹数据中包含人物的运动轨迹数据和静态轨迹点数据;根据人物轨迹数据生成第一轨迹信息;根据车辆轨迹数据确定区域车辆生活工作指数;根据兴趣点数据确定各类兴趣点的密度值;根据用电量数据确定区域用电量评价指数;将区域车辆生活工作指数、各类兴趣点的密度值和区域用电量评价指数融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;根据轨迹的类标划分城市区域。
进一步地,上述方法还包括:根据轨迹的类标和实际地图的道路信息,计算类标对应标签的权重;其中,标签代表城市区域所属的类型,标签Q的权重NL表示城市区域内轨迹的总数,Num(Q)表示在当前轨迹中行为类型为Q的轨迹的点数,和分别表示在当前轨迹中第j个行为类型为Q的轨迹点的频率和时间,表示在城市区域中地点标签为Q的地点总数,表示在城市区域中所有地点标签的总数,ε表示权重系数,表示在城市区域中地点标签为Q的地点所占面积,表示在区域总面积;将权重的最大值对应的类标确定为城市区域所属的类型。
进一步地,上述采集城市区域内的多维数据的步骤,包括:通过卡口或者摄像头捕捉到的图像信息和使用身份证的地点,获得一段时间内的人物行为数据,形成人物轨迹数据;通过卡口或者摄像头获得区域内车辆空间与时间的分布,形成车辆轨迹数据;通过地图得到区域内存在的各类兴趣点的数量和类别,形成兴趣点数据;获得区域内不同地点的用电数据,形成用电量数据,其中,用电数据包括日均用电量和用电量波动幅度数据。
进一步地,上述从人物行为数据中提取人物轨迹数据的步骤,包括:采集人物轨迹数据中的人物行为数据,建立人物停止时的静态轨迹点数据,其中,人物停止时的静态轨迹点数据包括人物停止时的轨迹点的坐标、人物在轨迹点的停留时间、轨迹点的类型和轨迹点的频率;建立人物运动时的运动轨迹数据,其中,人物运动时的运动轨迹数据包括人物运动轨迹持续的时间段、人物轨迹起点的坐标、轨迹起点的类型,轨迹起点的频率、人物轨迹终点的坐标、轨迹终点的类型和轨迹终点的频率;将静态轨迹点数据和运动轨迹数据保存至数据库。
进一步地,上述根据车辆轨迹数据确定区域车辆生活工作指数的步骤,包括:根据得到的车辆轨迹数据,计算区域车辆生活工作指数其中,θ表示车辆时间系数,Numd表示在指定时间段内指定区域的车辆总数,Numn表示在在指定时间段之外的时间内指定区域的车辆总数。
进一步地,上述根据兴趣点数据确定各类兴趣点的密度值的步骤,包括:根据得到的兴趣点数据,计算区域内各类兴趣点的密度值,其中,第i类兴趣点的密度值Wi=ni/N,ni表示区域内第i类兴趣点的数量,N表示区域内兴趣点的总数。
进一步地,上述根据用电量数据确定区域用电量评价指数的步骤,包括:根据得到的区域内的用电量数据,计算区域用电量评价指数其中,β表示区域用电系数,Ed表示指定时间段内定区域的用电总量,En表示在指定时间段之外的时间内指定区域的用电总量。
进一步地,上述对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标的步骤,包括:计算第二轨迹信息中两两轨迹间的相似值,对于轨迹LA和轨迹LB的相似值其中,Wi A表示轨迹LA中第i个轨迹点的兴趣点的密度值,表示轨迹LA中第i个轨迹点的区域车辆生活工作指数,Vi A表示轨迹LA中第i个轨迹点的区域用电量评价指数,m表示轨迹LA中轨迹点的数量,表示轨迹LB中第j个轨迹点的兴趣点的密度值,表示轨迹LB中第j个轨迹点的区域车辆生活工作指数,表示轨迹LB中第j个轨迹点的区域用电量评价指数,n表示轨迹LB中轨迹点的数量;判断每两个轨迹的相似值是否小于阈值,如果相似值小于阈值,将轨迹聚集到一起,标识成为同一个类标;否则,将轨迹数据视为噪声数据,不予考虑。
第二方面,本发明实施例还提供一种城市区域划分装置,该装置包括:数据采集模块,用于采集城市区域内的多维数据,多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据;人物轨迹数据提取模块,用于从人物行为数据中提取人物轨迹数据;人物轨迹数据中包含人物的运动轨迹数据和静态轨迹点数据;第一轨迹信息生成模块,用于根据人物轨迹数据生成第一轨迹信息;生活指数确定模块,用于根据车辆轨迹数据确定区域车辆生活工作指数;密度值确定模块,用于根据兴趣点数据确定各类兴趣点的密度值;评价指数确定模块,用于根据用电量数据确定区域用电量评价指数;第二轨迹信息生成模块,用于将区域车辆生活工作指数、各类兴趣点的密度值和区域用电量评价指数融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;聚类处理模块,用于对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;城市区域划分模块,用于根据轨迹的类标划分城市区域。
进一步地,上述装置还包括:标签权重计算模块,用于根据轨迹的类标和实际地图的道路信息,计算类标对应标签的权重;其中,标签代表城市区域所属的类型,标签Q的权重NL表示城市区域内轨迹的总数,Num(Q)表示在当前轨迹中行为类型为Q的轨迹的点数,和分别表示在当前轨迹中第j个行为类型为Q的轨迹点的频率和时间,表示在城市区域中地点标签为Q的地点总数,表示在城市区域中所有地点标签的总数,ε表示权重系数,表示在城市区域中地点标签为Q的地点所占面积,表示在区域总面积;城市区域类型确定模块,用于将权重的最大值对应的类标确定为城市区域所属的类型。
本发明实施例带来了以下有益效果:
本发明提供了一种城市区域划分方法及装置,首先采集城市区域内的多维数据,从多维数据中的人物行为数据中提取人物轨迹数据后生成第一轨迹信息;再根据车辆轨迹数据确定区域车辆生活工作指数、根据述兴趣点数据确定各类兴趣点的密度值、根据所述用电量数据确定区域用电量评价指数,并将上述确定的数据融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;然后对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;最后根据轨迹的类标划分城市区域。本发明可以有效地从城市区域内的多维数据中提取区域特征,并通过该区域特征对城市区域进行划分,提高了城市区域划分的准确性。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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获得其他的附图。
图1为本发明实施例提供的一种城市区域划分方法的流程图;
图2为本发明实施例提供的另一种城市区域划分方法的流程图;
图3为本发明实施例提供的另一种城市区域划分方法的流程图;
图4为本发明实施例提供的一种城市区域划分装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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做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。
现有技术中利用公交路线、人的行为、车的轨迹等数据来进行城市功能区的划分,但难以从获得的数据中提取区域特征,以使城市城区划分准确性较差,基于此,本发明实施例提供的一种城市区域划分方法及装置,该技术可以应用于城市规划、城市建造和城市改造等场景中。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种城市区域划分方法进行详细介绍。
参见图1所示的一种城市区域划分方法的流程图,该方法的具体步骤,包括:
步骤S102,采集城市区域内的多维数据,该多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据。
上述人物行为数据可以通过下述方式的一种或者多种获得:(1)通过人物使用公交车、共享单车等公共交通工具获得的人物行为数据;(2)在酒店、网吧等使用身份证的地点获得的人物行为数据;(3)通过卡口、摄像头捕捉到的图像信息获得的一段时间内的人物行为数据,其中包括人物在某时刻使用交通工具所产生的移动数据、人物某时刻在某一区域停留的时间和停留区域的类型等;(4)人物所乘车辆的移动轨迹,将所乘车辆的移动轨迹作为人物的移动轨迹。
上述车辆轨迹数据包括通过卡口和摄像头获得的区域内车辆空间与时间的分布。
上述兴趣点通常情况下分为住宅区、工作区和娱乐区,其中,住宅区通常是城市中的居住场所,主要为小区等住宅区域;工作区主要指城市中的工作场所,可以为各种公司、工厂和饭店等;娱乐区通常为网吧、KTV等娱乐场所。上述兴趣点数据通常为通过地图得到区域内存在的各类兴趣点的数量和类别的相关数据。
上述用电量数据通常为获得的区域内不同地点的用电数据,该用电量数据包括日均用电量和用电量波动幅度等。
步骤S104,从人物行为数据中提取人物轨迹数据;该人物轨迹数据中包含人物的运动轨迹数据和静态轨迹点数据。
根据采集到的人物行为数据,可以得到人物在某一个时间段内处于某一个地点(x,y),同时也可以定义人物的行为类型type,例如,一个人在晚上10点到12点,在一个位于(120°E,40°N)的网吧内上网,类型为娱乐。
假设某人在[t1,t2]时间段内从地点S(x1,y1)移动到地点D(x2,y2),地点S的类型type1,地点D的类型type2,建立人物停止时的静态轨迹点数据P=([t1,t2],(x,y),type,f),其中,[t1,t2]表示人物在轨迹点的停留时间,(x,y)表示轨迹点的坐标,type表示轨迹点的类型,f表示轨迹点的频率;根据某人在单位时间T(单位时间包括但不限于小时、天、周和月)内出现的次数N,得到该行为的频率f,那么f的计算公式为
根据人物轨迹数据建立人物运动时的运动轨迹数据M=([t1,t2],(x1,y1),(x2,y2),type1,type2,f1,f2),其中,[t1,t2]表示人物移动轨迹持续的时间段,(x1,y1)表示轨迹起点的坐标,type1表示轨迹起点的类型,f1表示轨迹起点的频率,(x2,y2)表示轨迹终点的坐标,type2表示轨迹终点的类型,f2表示轨迹终点的频率。
步骤S106,根据人物轨迹数据生成第一轨迹信息。
根据得到的人物停止时的静态轨迹点数据P与人物运动时的运动轨迹数据M中的时间信息[t1,t2],坐标信息(x,y)和轨迹点类型type,匹配出所有可能的轨迹L,拼接得到的轨迹L由若干条静态轨迹点数据P和若干个运动轨迹数据M两部分组成,可表示为L=<(P1,P2,···,Pn),(M1,M2,···,Mm)>,该轨迹L的信息即为生成的第一轨迹信息。
步骤S108,根据车辆轨迹数据确定区域车辆生活工作指数。
上述指定时间段可以根据定义的城市区域划分类型来选取,例如,当划分生活区域和工作区域时,可以将指定时间段设置成8:00到20:00,那么指定时间之外的时间就可以设置成20:00到次日的8:00。
步骤S110,根据兴趣点数据确定各类兴趣点的密度值。
根据得到的兴趣点数据,计算区域内各类兴趣点的密度值,其中,第i类兴趣点的密度值Wi=ni/N,ni表示区域内第i类兴趣点的数量,N表示区域内兴趣点的总数。
步骤S112,根据用电量数据确定区域用电量评价指数。
步骤S114,将区域车辆生活工作指数、各类兴趣点的密度值和区域用电量评价指数融合至上述第一轨迹信息中对应的轨迹点中,得到第二轨迹信息。
步骤S116,对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标。
通常情况下,聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被;由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。
对第二轨迹信息进行聚类处理,将相似性小于阈值的轨迹聚集到一起,并对其标识类标;将相似性大于阈值的轨迹当成噪声舍弃。
步骤S118,根据轨迹的类标划分城市区域。
根据聚类结果,每个簇(相当于上述类标)代表一个功能区,每个簇中轨迹所包围的区域应该是该功能区的地理位置,那么在划分功能区时,根据实际地图和轨迹的类标在现有道路上进行划分,以使城市区域划分更加符合现实情况。
本发明提供了一种城市区域划分方法,首先采集城市区域内的多维数据,从多维数据中的人物行为数据中提取人物轨迹数据后生成第一轨迹信息;再根据车辆轨迹数据确定区域车辆生活工作指数、根据述兴趣点数据确定各类兴趣点的密度值、根据所述用电量数据确定区域用电量评价指数,并将上述确定的数据融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;然后对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;最后根据轨迹的类标划分城市区域。本发明可以有效地从城市区域内的多维数据中提取区域特征,并通过该区域特征对城市区域进行划分,提高了城市区域划分的准确性。
参见图2所示的另一种城市区域划分方法的流程图;该方法在图1中所示城市区域划分方法的流程图的基础上实现;该方法的具体步骤,包括:
步骤S202,采集城市区域内的多维数据,该多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据。
通过卡口或者摄像头捕捉到的图像信息和使用身份证的地点,获得一段时间内的人物行为数据,形成人物轨迹数据;通过卡口或者摄像头获得区域内车辆空间与时间的分布,形成车辆轨迹数据;通过地图得到区域内存在的各类兴趣点的数量和类别,形成兴趣点数据;获得区域内不同地点的用电数据,形成用电量数据,其中,用电数据包括日均用电量和用电量波动幅度数据。
步骤S204,采集人物轨迹数据中的人物行为数据,建立人物停止时的静态轨迹点数据,其中,该人物停止时的静态轨迹点数据包括人物停止时的轨迹点的坐标、人物在轨迹点的停留时间、轨迹点的类型和轨迹点的频率。
例如,一个人在早上10点到12点,在一个位于(120°E,40°N)的网吧内上网,类型为娱乐,那么人物停止时的静态轨迹点数据为P=([10,12],(120°E,40°N),娱乐,f),其中,根据某人在单位时间T内出现的次数N可得到轨迹点的频率f,人物停止时轨迹点的坐标为(120°E,40°N),人物在轨迹点的停留时间为[10,12],轨迹点的类型为娱乐。
步骤S206,建立人物运动时的运动轨迹数据,其中,人物运动时的运动轨迹数据包括人物运动轨迹持续的时间段、人物轨迹起点的坐标、轨迹起点的类型,轨迹起点的频率、人物轨迹终点的坐标、轨迹终点的类型和轨迹终点的频率。
例如,某人在[t1,t2]时间段内从地点S(x1,y1)移动到地点D(x2,y2),地点S的类型type1,地点D的类型type2,那么根据该人物轨迹数据建立人物运动时的运动轨迹数据M=([t1,t2],(x1,y1),(x2,y2),type1,type2,f1,f2),其中,[t1,t2]表示人物移动轨迹持续的时间段,(x1,y1)表示人物轨迹起点的坐标,type1表示轨迹起点的类型,f1表示轨迹起点的频率,(x2,y2)表示轨迹终点的坐标,type2表示轨迹终点的类型,f2表示轨迹终点的频率。
步骤S208,将静态轨迹点数据和运动轨迹数据保存至数据库。
步骤S210,根据人物轨迹数据生成第一轨迹信息。
步骤S212,根据车辆轨迹数据确定区域车辆生活工作指数。
步骤S214,根据兴趣点数据确定各类兴趣点的密度值。
步骤S216,根据用电量数据确定区域用电量评价指数。
步骤S218,将区域车辆生活工作指数、各类兴趣点的密度值和区域用电量评价指数融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息。
步骤S220,计算第二轨迹信息中两两轨迹间的相似值,对于轨迹LA和轨迹LB的相似值其中,Wi A表示轨迹LA中第i个轨迹点的兴趣点的密度值,表示轨迹LA中第i个轨迹点的区域车辆生活工作指数,Vi A表示轨迹LA中第i个轨迹点的区域用电量评价指数,m表示轨迹LA中轨迹点的数量,表示轨迹LB中第j个轨迹点的兴趣点的密度值,表示轨迹LB中第j个轨迹点的区域车辆生活工作指数,表示轨迹LB中第j个轨迹点的区域用电量评价指数,n表示轨迹LB中轨迹点的数量。
在计算任意两条轨迹LA和LB的相似值时,F(LA,LB)的值越接近1说明LA与LB两条轨迹越相似。
步骤S222,判断每两个轨迹的相似值是否小于阈值,如果相似值小于阈值执行步骤S224,否则执行步骤S226。
步骤S224,将轨迹聚集到一起,标识成为同一个类标。
根据相似值的计算函数,设定一个阈值,该阈值的取值是由实际情况决定,用聚类的方法将相似值小于阈值的轨迹聚集在一起并标识成A、B、C、D等类标。
步骤S226,将轨迹数据视为噪声数据,不予考虑。
当两条轨迹的相似值大于阈值时,将该轨迹数据视为噪声数据,不予考虑,通常情况就是不多该数据做任何处理。
步骤S228,根据轨迹的类标划分城市区域。
步骤S230,根据轨迹的类标和实际地图的道路信息,计算类标对应标签的权重;其中,标签代表所述城市区域所属的类型,所述标签Q的权重NL表示城市区域内轨迹的总数,Num(Q)表示在当前轨迹中行为类型为Q的轨迹的点数,和分别表示在当前轨迹中第j个行为类型为Q的轨迹点的频率和时间,表示在城市区域中地点标签为Q的地点总数,表示在城市区域中所有地点标签的总数,ε表示权重系数,表示在城市区域中地点标签为Q的地点所占面积,表示在区域总面积。
步骤S232,将权重的最大值对应的类标确定为城市区域所属的类型。
对于划分的某一城市区域设置标签,首先计算这一区域中各个标签的权重W,然后选取权重最大的标签作为这一区域的最终标签。
标签权重W的计算公式不但结合了城市区域的多维度信息,还结合了实际地图中的信息,以使对城市区域所属功能区域的标注更准确、合理。
本实施融合多维数据提取人物轨迹数据,并通过聚类方法在轨迹特征中提取区域特征,进行区域划分,提高了区域划分的准确性,而且通过计算类标对应标签的权重,获得每个划分的城市区域对应的功能区域,以使城市语气的划分更加合理。
参见图3所示的另一种城市区域划分方法的流程图;该方法在图1中所示城市区域划分方法的流程图的基础上实现;该方法的具体步骤,包括:
步骤S302,采集城市区域内的多维数据。
区域内的多维数据,具体包括:通过地图得到的区域内存在的各类兴趣点的数量和类别;通过卡口和摄像头获得区域内车辆空间与时间的分布;获得区域内不同地点的用电数据;通过公交车、共享单车等公共交通工具获得的人物行为数据;酒店、网吧等使用身份证的地点获得的人物行为数据;卡口、摄像头捕捉到的图像信息获得一段时间内人的行为数据等。
步骤S304,从上述多维数据中提取人物轨迹数据。
上述人物轨迹数据中包含人物的运动轨迹数据和静态轨迹点数据。
步骤S306,通过采集到的多维数据中的车辆轨迹数据、兴趣点数据和用电数据对数据进行降维,划分区域中的工作区和生活区。
该降维处理即是通过车辆轨迹数据、兴趣点数据和用电数据确定其相应的指数计算值。根据得到的车辆轨迹数据,计算区域车辆生活工作指数其中,θ表示车辆时间系数,Numd表示在8:00到20:00时指定区域的车辆总数,Numn表示在20:00到次日8:00时指定区域的车辆总数,从区域中选取n个已知的生活区,计算车辆时间系数表示生活区在8:00到20:00时停留的汽车数量,表示生活区在20:00到次日8:00时停留的汽车数量。G的计算数值越大说明该区域越接近生活区,G的计算数值越小越接近工作区。
根据得到的兴趣点数据,计算区域内各类兴趣点的密度值Wi=ni/N;根据得到的区域内的用电量数据,计算区域用电量评价指数其中β表示区域用电系数,Ed可表示为在8:00到20:00时指定区域的用电总量,En可表示为在20:00到次日8:00时指定区域的用电总量。从区域中选取m个已知生活区,计算区域用电系数可表示为生活区在8:00到20:00时的用电总量,可表示为生活区在20:00到次日8:00时的用电总量;当V越大时,该区域越接近生活区。
步骤S308,将上述人物轨迹数据和车辆轨迹数据进行拼接,得到最终的轨迹信息。
根据得到人物的运动轨迹数据和静态轨迹点数据匹配出所有可能的轨迹,拼接得到的轨迹由若干运动轨迹数据和静态轨迹点数据两部分组成,同时将上一步得到兴趣点的密度值、区域车辆生活工作指数、区域电量评价指数存入拼接得到的轨迹中对应的轨迹点中,得到最终的轨迹信息。
步骤S310,对最终的轨迹信息进行聚类处理,根据聚类结果赋予轨迹不同的类标。
对最终的轨迹信息进行聚类处理,将相似性小于阈值的轨迹聚集到一起,并对其标识类标;将相似性大于阈值的轨迹当成噪声舍弃。
步骤S312,根据聚类结果划分城市区域。
本实施例能够融合城市区域中的多维数据,并用聚类方法对数据进行处理,从而更加高效准确地划分出城市区域。
参见图4所示的一种城市区域划分装置的结构示意图,该装置包括:
数据采集模块40,用于采集城市区域内的多维数据,多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据;
人物轨迹数据提取模块41,用于从人物行为数据中提取人物轨迹数据;人物轨迹数据中包含人物的运动轨迹数据和静态轨迹点数据;
第一轨迹信息生成模块42,用于根据人物轨迹数据生成第一轨迹信息;
生活指数确定模块43,用于根据车辆轨迹数据确定区域车辆生活工作指数;
密度值确定模块44,用于根据兴趣点数据确定各类兴趣点的密度值;
评价指数确定模块45,用于根据用电量数据确定区域用电量评价指数;
第二轨迹信息生成模块46,用于将区域车辆生活工作指数、各类兴趣点的密度值和区域用电量评价指数融合至第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;
聚类处理模块47,用于对第二轨迹信息进行聚类处理,根据聚类结果标识第二轨迹信息的轨迹的类标;
城市区域划分模块48,用于根据轨迹的类标划分城市区域。
进一步地,该装置还包括:标签权重计算模块,用于根据轨迹的类标和实际地图的道路信息,计算类标对应标签的权重;其中,标签代表城市区域所属的类型,标签Q的权重NL表示城市区域内轨迹的总数,Num(Q)表示在当前轨迹中行为类型为Q的轨迹的点数,和分别表示在当前轨迹中第j个行为类型为Q的轨迹点的频率和时间,表示在城市区域中地点标签为Q的地点总数,表示在城市区域中所有地点标签的总数,ε表示权重系数,表示在城市区域中地点标签为Q的地点所占面积,表示在区域总面积;城市区域类型确定模块,用于将权重的最大值对应的类标确定为城市区域所属的类型。
本发明实施例提供的一种城市区域划分装置,与上述实施例提供的一种城市区域划分方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的一种城市区域划分方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和/或装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种城市区域划分方法,其特征在于,所述方法包括:
采集城市区域内的多维数据,所述多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据;
从所述人物行为数据中提取人物轨迹数据;所述人物轨迹数据中包含所述人物的运动轨迹数据和静态轨迹点数据;
根据所述人物轨迹数据生成第一轨迹信息;
根据所述车辆轨迹数据确定区域车辆生活工作指数;
根据所述兴趣点数据确定各类兴趣点的密度值;
根据所述用电量数据确定区域用电量评价指数;
将所述区域车辆生活工作指数、所述各类兴趣点的密度值和所述区域用电量评价指数融合至所述第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;
对所述第二轨迹信息进行聚类处理,根据聚类结果标识所述第二轨迹信息的轨迹的类标;
根据所述轨迹的类标划分城市区域;
3.根据权利要求1所述的方法,其特征在于,所述采集城市区域内的多维数据的步骤,包括:
通过卡口或者摄像头捕捉到的图像信息和使用身份证的地点,获得一段时间内的人物行为数据,形成所述人物轨迹数据;
通过卡口或者摄像头获得区域内车辆空间与时间的分布,形成所述车辆轨迹数据;
通过地图得到区域内存在的各类兴趣点的数量和类别,形成所述兴趣点数据;
获得区域内不同地点的用电数据,形成所述用电量数据,其中,所述用电数据包括日均用电量和用电量波动幅度数据。
4.根据权利要求1所述的方法,其特征在于,从所述人物行为数据中提取人物轨迹数据的步骤,包括:
采集所述人物轨迹数据中的人物行为数据,建立人物停止时的静态轨迹点数据,其中,所述人物停止时的静态轨迹点数据包括人物停止时的轨迹点的坐标、人物在所述轨迹点的停留时间、所述轨迹点的类型和所述轨迹点的频率;
建立人物运动时的运动轨迹数据,其中,所述人物运动时的运动轨迹数据包括人物运动轨迹持续的时间段、人物轨迹起点的坐标、轨迹起点的类型,所述轨迹起点的频率、人物轨迹终点的坐标、轨迹终点的类型和轨迹终点的频率;
将所述静态轨迹点数据和所述运动轨迹数据保存至数据库。
6.根据权利要求1所述的方法,其特征在于,所述根据所述兴趣点数据确定各类兴趣点的密度值的步骤,包括:
根据得到的兴趣点数据,计算区域内各类兴趣点的密度值,其中,第i类兴趣点的密度值Wi=ni/N,ni表示区域内第i类兴趣点的数量,N表示区域内兴趣点的总数。
7.根据权利要求1所述的方法,其特征在于,所述对所述第二轨迹信息进行聚类处理,根据聚类结果标识所述第二轨迹信息的轨迹的类标的步骤,包括:
计算所述第二轨迹信息中两两轨迹间的相似值,对于轨迹LA和轨迹LB的相似值其中,Wi A表示轨迹LA中第i个轨迹点的兴趣点的密度值,表示轨迹LA中第i个轨迹点的区域车辆生活工作指数,Vi A表示轨迹LA中第i个轨迹点的区域用电量评价指数,m表示轨迹LA中轨迹点的数量,表示轨迹LB中第j个轨迹点的兴趣点的密度值,表示轨迹LB中第j个轨迹点的区域车辆生活工作指数,表示轨迹LB中第j个轨迹点的区域用电量评价指数,n表示轨迹LB中轨迹点的数量;
判断每两个所述轨迹的相似值是否小于阈值,如果相似值小于阈值,将所述轨迹聚集到一起,标识成为同一个类标;
否则,将所述轨迹数据视为噪声数据,不予考虑。
8.一种城市区域划分装置,其特征在于,所述装置包括:
数据采集模块,用于采集城市区域内的多维数据,所述多维数据包括人物行为数据、车辆轨迹数据、兴趣点数据和用电量数据;
人物轨迹数据提取模块,用于从所述人物行为数据中提取人物轨迹数据;所述人物轨迹数据中包含所述人物的运动轨迹数据和静态轨迹点数据;
第一轨迹信息生成模块,用于根据所述人物轨迹数据生成第一轨迹信息;
生活指数确定模块,用于根据所述车辆轨迹数据确定区域车辆生活工作指数;
密度值确定模块,用于根据所述兴趣点数据确定各类兴趣点的密度值;
评价指数确定模块,用于根据所述用电量数据确定区域用电量评价指数;
第二轨迹信息生成模块,用于将所述区域车辆生活工作指数、所述各类兴趣点的密度值和所述区域用电量评价指数融合至所述第一轨迹信息中对应的轨迹点中,得到第二轨迹信息;
聚类处理模块,用于对所述第二轨迹信息进行聚类处理,根据聚类结果标识所述第二轨迹信息的轨迹的类标;
城市区域划分模块,用于根据所述轨迹的类标划分城市区域;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437941.6A CN109523186B (zh) | 2018-11-28 | 2018-11-28 | 城市区域划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437941.6A CN109523186B (zh) | 2018-11-28 | 2018-11-28 | 城市区域划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523186A CN109523186A (zh) | 2019-03-26 |
CN109523186B true CN109523186B (zh) | 2021-02-09 |
Family
ID=65793799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811437941.6A Active CN109523186B (zh) | 2018-11-28 | 2018-11-28 | 城市区域划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523186B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291811B (zh) * | 2020-02-07 | 2023-12-08 | 京东科技控股股份有限公司 | 区域划分和分类方法、装置和计算机可读存储介质 |
CN111382224B (zh) * | 2020-03-06 | 2022-06-21 | 厦门大学 | 一种基于多源数据融合的城市区域功能智能识别方法 |
CN111738894B (zh) * | 2020-07-29 | 2020-12-22 | 武大吉奥信息技术有限公司 | 一种构建平衡网格的方法、系统和终端设备 |
CN112667760B (zh) * | 2020-12-24 | 2022-03-29 | 北京市应急管理科学技术研究院 | 一种用户出行活动轨迹编码方法 |
CN113158084B (zh) * | 2021-03-25 | 2024-03-22 | 马琦伟 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
CN113127594B (zh) * | 2021-06-17 | 2021-09-03 | 脉策(上海)智能科技有限公司 | 确定地理区域的组团数据的方法、计算设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
CN106886607A (zh) * | 2017-03-21 | 2017-06-23 | 乐蜜科技有限公司 | 城市区域划分方法、装置和终端设备 |
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 |
CN108205792A (zh) * | 2016-12-16 | 2018-06-26 | 方正国际软件(北京)有限公司 | 一种城市热点区域分析方法和装置 |
-
2018
- 2018-11-28 CN CN201811437941.6A patent/CN109523186B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
CN108205792A (zh) * | 2016-12-16 | 2018-06-26 | 方正国际软件(北京)有限公司 | 一种城市热点区域分析方法和装置 |
CN106886607A (zh) * | 2017-03-21 | 2017-06-23 | 乐蜜科技有限公司 | 城市区域划分方法、装置和终端设备 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109523186A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523186B (zh) | 城市区域划分方法及装置 | |
Helmus et al. | A data driven typology of electric vehicle user types and charging sessions | |
CN107330459B (zh) | 一种数据处理方法、装置和电子设备 | |
Lim et al. | Understanding the linkages of smart-city technologies and applications: Key lessons from a text mining approach and a call for future research | |
Kim | Exploring the difference between ridership patterns of subway and taxi: Case study in Seoul | |
CN111209400B (zh) | 一种数据分析的方法及装置 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN113344758B (zh) | 基于城市人群数字画像的服务设施规模调整方法及系统 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN107016042B (zh) | 一种基于用户位置日志的地址信息校验系统 | |
CN111199247B (zh) | 一种公交运行仿真方法 | |
CN111291811A (zh) | 区域划分和分类方法、装置和计算机可读存储介质 | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
CN112733781A (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN117033366A (zh) | 基于知识图谱的泛在时空数据交叉验证方法及装置 | |
Dutta et al. | Modeling dynamics of peri-urban interface based on principal component analysis (PCA) and cluster analysis (CA): a study of English Bazar Urban Agglomeration, West Bengal | |
CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN113379269B (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Bolaños-Martinez et al. | Clustering pipeline for vehicle behavior in smart villages | |
CN110007998B (zh) | 页面生成方法及装置 | |
Zhou et al. | Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN110175199A (zh) | 基于k均值聚类算法的能源企业关键用户识别分析方法 |
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 |