CN110334321A - 一种基于兴趣点数据的城市轨交站区功能识别方法 - Google Patents
一种基于兴趣点数据的城市轨交站区功能识别方法 Download PDFInfo
- Publication number
- CN110334321A CN110334321A CN201910551180.5A CN201910551180A CN110334321A CN 110334321 A CN110334321 A CN 110334321A CN 201910551180 A CN201910551180 A CN 201910551180A CN 110334321 A CN110334321 A CN 110334321A
- Authority
- CN
- China
- Prior art keywords
- jiaozhan
- factor
- gui
- area
- city
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于兴趣点数据的城市轨交站区功能识别方法,包括步骤:在地图上以轨交站点为中心,按城市轨交站点的辐射距离建立轨交站点兴趣点缓冲区;然后对重叠的轨交站点兴趣点缓冲区进行分割,得到空间独立的城市轨交站区范围:统计各城市轨交站区空间范围内不同类型的兴趣点的频数,创建类型频数矩阵;将兴趣点数据信息重合部分综合,确定提取出具有代表性的功能主导因子,对提取出的功能主导因子进行解释与命名;按照各功能主导因子的特征指数对轨交站区进行分类。本发明实现了对城市轨交站区功能识别。
Description
技术领域
本发明涉及城市规划技术领域,特别是涉及一种基于兴趣点数据的城市轨交站区功能识别方法。
背景技术
城市轨道交通建设处于快速发展进程中,轨交站区正在成为城市空间发展的重要增长极。然而,轨交站区开发建设普遍面临空间结构趋同、土地开发无序、交通组织混乱等突出问题。解决这些问题的基础是对轨交站区功能的有效识别。城市轨交站区功能识别不仅是对单个轨交站区所承担主要职能的确定,还包括各个轨交站区间主要职能的相互关系。
自上世纪80年代开始,国内外学者便对城市轨交站区功能展开了研究,并一直持续到现在。相关研究受限于土地利用数据和统计年鉴数据等传统数据,对轨交站区功能的判定通常采用定性分析为主、定量分析为辅的识别方法,且定量分析通常以轨交站区的土地使用类型及比例为重要依据。潘海啸等提出了以土地使用类型为主的城市轨交站区与公共中心耦合的评价系统,并研究了上海市轨交站区的功能。林祯家、莫一魁等提出了基于土地使用类型和开发强度的多目标决策模型,确定轨交站区功能类型。然而,土地利用作为规划管理的重要依据具有较强的稳定型,其变化也通常会滞后于市场行为,很容易导致土地利用类型与土地上的功能活动不相符。这一现象在土地利用价值较高的轨交站区尤为普遍,也造成了依据土地使用进行的功能识别方法的不足。
针对土地使用相关功能识别方法存在的问题,国内外学者引入了手机数据、浮动车数据及兴趣点数据数据,探索新的功能识别方法。兴趣点数据数据运用最为广泛。兴趣点数据数据的类型全面,涉及各种类型的城市功能,且获取较为方便。兴趣点数据作为一类特殊的空间信息数据,反应了一定时间段内受关注的各类功能点的基本信息。GIS系统中,一条兴趣点数据可以是一个店铺、一所医院、一座车站等,内容包括经纬度、名称、地址、类别等参数。
但当前,基于兴趣点数据的功能识别多聚焦于城市层面,在城市轨交站区领域仍然是空白。如袁晶等提出了一个利用出租车GPS轨迹数据和区域兴趣点数据数据构成的Discovers Regions of Different Functions框架;于翔使用公交IC卡刷卡数据及兴趣点数据数据构建了一个城市功能区识别模型。在使用手机基站网络产生信息进行土地使用自动识别时,Soto、Toole等提出了一种利用基站位置信息对地图进行区域划分的思想。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷,而提供一种基于兴趣点数据的城市轨交站区功能识别方法,能使用兴趣点数据数据对城市轨交站区的功能进行识别并分类。
为实现本发明的目的所采用的技术方案是:
一种基于兴趣点数据的城市轨交站区功能识别方法,包括以下步骤:
在地图上以轨交站点为中心,按城市轨交站点的辐射距离建立轨交站点兴趣点缓冲区;然后对重叠的轨交站点兴趣点缓冲区进行分割,得到空间独立的城市轨交站区范围:
统计各城市轨交站区空间范围内不同类型的兴趣点的频数,创建类型频数矩阵;
将兴趣点数据信息重合部分综合,确定提取出具有代表性的功能主导因子,对提取出的功能主导因子进行解释与命名;
按照各功能主导因子的特征指数对轨交站区进行分类。
与现有技术相比,本发明的有益效果是:
本发明通过在确定出的城市轨交站区空间范围内不同类型的兴趣点的频数,创建类型频数矩阵,然而提取出具有代表性的功能主导因子,并根据该功能主导因子的特征指数对轨交站区进行分类,实现以城市站区的准确识别,为城市规划提供了有力的数据保障与基础。
附图说明
图1所示为基于兴趣点数据的城市轨交站区功能识别方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明基于兴趣点数据的城市轨交站区功能识别方法以下步骤:
步骤一:确定城市轨交站区范围。
首先,以轨交站点为中心建立缓冲区;然后,对重叠的缓冲区进行分割。
具体步骤如下:
Step1:建立轨交站点兴趣点缓冲区。确定各个城市轨交站点的辐射距离,并以该距离建立轨交站点缓冲区。
Step2:分割重叠轨交站点缓冲区,得到城市轨交站区范围。
具体的可以是,依据距离轨交站点最近原则分割重叠的轨交站点缓冲区,得到空间独立的城市轨交站区。
步骤二:创建城市轨交站区兴趣点类型及频数矩阵。
即通过统计各城市轨交站区空间范围内不同类型的兴趣点的频数,创建类型频数矩阵G。其中,兴趣点数据可以是一个店铺、一所医院、一座车站等,内容包括经纬度、名称、地址、类别等参数。
步骤三:确定功能主导因子。
即将兴趣点数据信息重合部分综合出少数具有代表性的因子,结合因子的含义对样本进行分类,从而实现轨交站区功能的识别。对此,要求兴趣点数据具有较强的相关关系。具体步骤如下:
Step1:判断各类型兴趣点数据之间是否具有相关性。
使用式(1)计算各类型兴趣点数据反映像相关矩阵MSA统计量,使用(2)式进一步对数据进行KMO检测,确定数据是否适合因子提取。
其中,MSA统计量取值范围为[0,1],MSAi值越接近于1,各属性兴趣点数据之间相关性越强,反之则越弱。KMO值越接近于1,各属性兴趣点数据之间相关性越强,越适合做因子分析。
式(1)、(2)中,rij是变量xi和其他变量xj(j≠i)间的简单相关系数,pij是变量xi和变量xj(j≠i)在控制了剩余变量下的偏相关系数。上述的变量为兴趣点数据的参数变量。KMO与MSA的区别是它将相关系数矩阵中所有元素都加入到了平方和的运算中。
Step2:提取功能主导因子。将类型频数矩阵G标准化处理,根据式(3)计算变量的简单相关系数,得到相关系数矩阵R(式4),用以表征变量间的相关程度。进一步求相关系数矩阵R的特征根λ1≥λ2≥λ3≥…≥λp≥0及对应的单位特征向量μ1,μ2,μ3,…,μp。在此基础上计算因子载荷矩阵(式5),并选取前k个特征值及对应的特征向量,得到(式6)所包含的k个因子的因子载荷矩阵A,k值即功能主导因子个数(k≤p),p为变量总个数。
式(3)中,Cov(Xi,Yj)为变量Xi与Yj的协方差,Var[Xi]为变量Xi的方差,Var[Yj]变量Yj的方差。
k值根据式(7)通过因子的累积方差贡献率来确定。通常选取累积方差贡献率大于0.85时的特征根个数为因子个数k。其中,ak为前k个因子的累积方差贡献率,Si2为第i个因子的方差,P为总方差,λi为矩阵的特征根。
Step3:因子解释与命名。对因子载荷矩阵进行正交旋转,通过改变坐标轴,在不影响变量共同度hi 2的前提下,重新分配各个因子解释原始变量方差的比例,使因子含义更清晰,从而可以对因子进行解释与命名。
若只考虑两个因子的正交旋转,因子载荷矩阵A右乘一正交矩阵τ后得到矩阵B,并要求式(8)取得最大值。
式(8)中,V1,V2分别表示(b11 2,b12 2,…,bp1 2)和(b12 2,b22 2,…,bp2 2)两组数据的方差,P为总方差,hi 2为变量共同度,表征全部因子变量对总方差的解释能力。
以上是两个因子的情况,若因子个数大于两个,则需首先逐次对两两因子进行上述旋转,需进行次旋转,然后继续重复下一轮旋转直至M值基本不变或达到指定的迭代次数。
步骤四:轨交站区功能命名。根据步骤三中提取的功能主导因子,按照各功能主导因子的特征指数(因子所具有的含义)对轨交站区进行分类。具体步骤如下:
Step1:指定聚类数目K并采用系统指定方式确定K个初始类中心。
Step2:根据式(9)依次计算每个样本数据点到K个类中心点的距离,按照距离最短的原则将所有样本分为K类,并计算各类的均值作为代替原类中心点的新类中心点,直至新确定的类中心点距上个类中心点的最大偏移量小于0.02时聚类终止。
Step3:依据中心点数据,并根据实际调研情况采用定性纠偏的方式对聚类结果进行微调,完成对天津市轨交站区的分类。
式(9)中,xi,yi为数据样本点,D为样本点之间的距离。
下面,以轨交站区为研究对象,使用天津市各轨交站区范围内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:确定城市轨交站区范围
确定各城市轨交站点的辐射范围。首先依据轨交站点密度及所在区位将轨交站点分为核心层、中间层和外围层三个层次,然后依据不同的接驳式界定不同层次轨交站点辐射范围,划分依据见表1,划分结果见表2。
表1
表2
以该距离建立轨交站点缓冲区。为避免不同轨交站点间的相互影响,依据距离轨交站点最近原则分割重叠的轨交站点缓冲区,得到空间独立的城市轨交站区。
步骤二:创建城市轨交站区兴趣点类型及频数矩阵。
兴趣点数据数据包含具有空间维度的经度、纬度和属性维度的名称、经纬度、地址、类型等信息。数据采用高德电子地图2017年12月城市兴趣点数据数据作为数据源,该数据主要包含15个类别。依据对城市空间结构及轨交站区功能的影响,提取其中的住宿旅馆设施、医疗卫生设施、教育设施、文体设施、生活服务设施、行政办公设施、购物设施、金融设施、餐饮设施共9个类别33万条数据作为分析的数据源。
在空间连接基础上,统计城市轨交站区各属性城市兴趣点数据兴趣点的数量。用i表示轨交站区,j表示兴趣点数据兴趣点的类型。所得结果为轨交站区i所属兴趣点类别j的数量分布,得到用于之后分析的轨交站区兴趣点类型及频数矩阵G,如表3所示。
表3
步骤三:确定功能影响因子
根据本发明提出的方法检测各属性兴趣点数据的相关关系(如表4所示),得到各属性兴趣点数据间存在较强的相关性,需综合这些属性的共同特点提取主导因子。
表4
进一步对数据进行KOM检测以检查数据是否适合因子提取,检测结果如表5所示。
表5
根据表5的结果显示,数据KOM检测值为0.883,根据Kaiser提供的KMO度量数据标准可知各属性兴趣点数据适合因子提取。
将类型频数矩阵G进行标准化处理,计算变量的简单相关系数,得到相关系数矩阵R,求相关系数矩阵R的特征根及单位向量。根据特征根情况经过多次提取实验,最终确定提取4个因子时所有属性城市兴趣点数据的共同度均较高,其中包含餐饮设施、教育设施、金融设施、住宿服务设施四类兴趣点数据信息超过90%,包含其余类别兴趣点数据信息超过80%,说明提取4个因子时各属性城市兴趣点数据的信息丢失均较少,是可行的提取数量(如表6所示)。对因子载荷矩阵进行正交旋转后,因子分析总方差如表7所示,4个因子的累计方差贡献率为88.85%,再次说明提取4个因子的分析结果较为合理。
提取方法:主成份分析
表6
表7
使用方差最大法对因子载荷矩阵正交旋转,旋转后因子载荷矩阵如表8所示。
提取方法:主成份;旋转法:具有Kaiser标准化的正交旋转法;旋转在6次迭代后收敛。
表8
根据表8的计算结果,第一个因子在商业购物设施、医疗卫生设施、生活服务设施的载荷较高,说明第一个因子主要解释了这几个变量。而这三类设施均与人们的日常生活密切相关,因此将这一因子定义为生活指数。使用同样方法分别分析其他三个因子,最终将它们定义为商务指数、文教指数和外联指数。
步骤四:轨交站区功能命名。
根据本发明提出的聚类方法,按照各功能因子的特征指数对天津市轨交站区进行分类。经过多次测试性分析,最终指定聚类数目K=5,初始类中心点由系统自行确定。当K取5时,经过9次迭代后聚类中心点偏移度小于0.02的有效性判定标准。据此,将轨交站区分为5类。
中心点数据表明:第1类中心点偏向商务指数,第2类中心点偏向生活指数,第3类中心点偏向文教指数,第4类中心离四个指数均较远,第5类中心偏向外联指数。城市兴趣点数据功能识别的实质是通过各功能点的数量反应主导功能,这一过程中忽略了兴趣点数据的规模和体量关系,不利于兴趣点数据数量较少,但规模和影响均较大的功能的识别。本发明采用定性纠偏的方式对聚类结果进行两方面的微调:首先,将类别1、5合并为一类,类别1、5虽然中心点偏向不同,但在功能性质上的相似性较高;其次,定性加入交通功能,并依据在城市中承担的交通功能的重要程度确定该类别站区。最终将天津市轨交站区分为5类,分别为:商务功能站区、社区功能站区、文教功能站区、交通枢纽站区、普通站区。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,包括步骤:
在地图上以轨交站点为中心,按城市轨交站点的辐射距离建立轨交站点兴趣点缓冲区;然后对重叠的轨交站点兴趣点缓冲区进行分割,得到空间独立的城市轨交站区范围:
统计各城市轨交站区空间范围内不同类型的兴趣点的频数,创建类型频数矩阵;
将兴趣点数据信息重合部分综合,确定提取出具有代表性的功能主导因子,对提取出的功能主导因子进行解释与命名;
按照各功能主导因子的特征指数对轨交站区进行分类。
2.根据权利要求1所述基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,其中,确定提取出具有代表性的功能主导因子的步骤如下:
通过MSA统计量以及KMO检测判断各类型兴趣点数据之间是否具有相关性;
从相关性符合要求的各类型兴趣点数据中取出功能主导因子。
3.根据权利要求1所述基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,其中,确定提取出具有代表性的功能主导因子的步骤如下:
将类型频数矩阵标准化处理,计算变量的相关系数aij,得到相关系数矩阵R,用以表征变量间的相关程度;求相关系数矩阵R的特征根λ1≥λ2≥λ3≥…≥λp≥0及对应的单位特征向量u1,u2,u23,…,up,此基础上计算因子载荷矩阵,选取前k个特征值及对应的特征向量,得到包含k个因子的因子载荷矩阵A,k值即功能主导因子个数,为k≤p,p为变量总个数,通过因子的累积方差贡献率来确定,
其中,
Cov(Xi,Yj)为变量Xi,Yj的协方差,Var[Xi]为Xi的方差,Var[Yj]为Yj的方差;
其中,前k个因子的累积方差贡献率ak计算如下:
为第i个因子的方差,P为总方差,λi为矩阵的特征根。
4.根据权利要求3所述基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,其中,所述的因子解释与命名的步骤如下:
对因子载荷矩阵A进行正交旋转,通过改变坐标轴,在不影响变量共同度的前提下,重新分配各个因子解释原始变量方差的比例,使因子含义更清晰,从而对因子进行解释与命名。
5.根据权利要求4所述基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,其中,对因子载荷矩阵A进行正交旋转处理时,逐次对两两因子进行如下旋转,进行次旋转,然后继续重复下一轮旋转直至M值基本不变或达到指定的迭代次数;
两个因子正交旋转时,是由因子载荷矩阵A右乘一正交矩阵τ后得到矩阵B,并要求M取得最大值;
式中,V1,V2分别表示和两组数据的方差,P为总方差,为变量共同度,表征全部因子变量对总方差的解释能力。
6.根据权利要求1所述基于兴趣点数据的城市轨交站区功能识别方法,其特征在于,按照各功能主导因子的特征指数对轨交站区进行分类的步骤如下:
指定聚类数目K并采用确定K个初类中心;
计算每个样本数据点到K个初类中心点的距离D,按照距离最短的原则将所有样本分为K类,并计算各类的均值作为代替原类中心点的新类中心点,直至新确定的类中心点距上个类中心点的最大偏移量小于0.02时聚类终止;
依据中心点数据,并采用定性纠偏的方式对聚类结果进行微调,完成对轨交站区的分类;其中,xi,yi为数据样本点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551180.5A CN110334321B (zh) | 2019-06-24 | 2019-06-24 | 一种基于兴趣点数据的城市轨交站区功能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551180.5A CN110334321B (zh) | 2019-06-24 | 2019-06-24 | 一种基于兴趣点数据的城市轨交站区功能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334321A true CN110334321A (zh) | 2019-10-15 |
CN110334321B CN110334321B (zh) | 2023-03-31 |
Family
ID=68142693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910551180.5A Active CN110334321B (zh) | 2019-06-24 | 2019-06-24 | 一种基于兴趣点数据的城市轨交站区功能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334321B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
CN102903013A (zh) * | 2012-08-06 | 2013-01-30 | 华南理工大学 | 化工园区风险分析及布局优化系统 |
US20130063495A1 (en) * | 2011-09-10 | 2013-03-14 | Microsoft Corporation | Thumbnail zoom |
CN104340370A (zh) * | 2013-07-25 | 2015-02-11 | 霍尼韦尔国际公司 | 用于在飞机显示装置上显示综合最低引导和安全高度信息的驾驶舱显示器和系统及方法 |
CN105095450A (zh) * | 2015-07-24 | 2015-11-25 | 江苏省公用信息有限公司 | 一种用于确定用户移动互联网访问兴趣点的方法 |
US20160081608A1 (en) * | 2006-08-17 | 2016-03-24 | Jan Medical Inc. | Noninvasive Detection of Human Brain Conditions and Anomalies |
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 |
EP2182840B1 (en) * | 2007-08-17 | 2017-05-03 | Jan Medical, Inc. | Non-invasive characterization of human vasculature |
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 |
CN107563647A (zh) * | 2017-09-05 | 2018-01-09 | 郑州大学 | 强干扰区域基于河流主导生态环境功能分区的环境流量界定方法 |
US20180060150A1 (en) * | 2016-08-26 | 2018-03-01 | International Business Machines Corporation | Root cause analysis |
CN108831442A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技(深圳)有限公司 | 兴趣点识别方法、装置、终端设备及存储介质 |
CN108876475A (zh) * | 2018-07-12 | 2018-11-23 | 青岛理工大学 | 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 |
CN109272022A (zh) * | 2018-08-22 | 2019-01-25 | 天津大学 | 一种联合场景和运动多特征的视频行为聚类方法 |
CN109271554A (zh) * | 2018-09-07 | 2019-01-25 | 江西省云眼大视界科技有限公司 | 一种智能视频识别系统及其应用 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109446923A (zh) * | 2018-10-10 | 2019-03-08 | 北京理工大学 | 基于训练特征融合的深度监督卷积神经网络行为识别方法 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
CN109614458A (zh) * | 2018-12-20 | 2019-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于导航数据的城市社区结构挖掘方法与装置 |
US20190183402A1 (en) * | 2006-08-17 | 2019-06-20 | Jan Medical, Inc. | Detection of concussion using cranial accelerometry |
-
2019
- 2019-06-24 CN CN201910551180.5A patent/CN110334321B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160081608A1 (en) * | 2006-08-17 | 2016-03-24 | Jan Medical Inc. | Noninvasive Detection of Human Brain Conditions and Anomalies |
US20190183402A1 (en) * | 2006-08-17 | 2019-06-20 | Jan Medical, Inc. | Detection of concussion using cranial accelerometry |
EP2182840B1 (en) * | 2007-08-17 | 2017-05-03 | Jan Medical, Inc. | Non-invasive characterization of human vasculature |
CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
US20130063495A1 (en) * | 2011-09-10 | 2013-03-14 | Microsoft Corporation | Thumbnail zoom |
CN102903013A (zh) * | 2012-08-06 | 2013-01-30 | 华南理工大学 | 化工园区风险分析及布局优化系统 |
CN104340370A (zh) * | 2013-07-25 | 2015-02-11 | 霍尼韦尔国际公司 | 用于在飞机显示装置上显示综合最低引导和安全高度信息的驾驶舱显示器和系统及方法 |
CN105095450A (zh) * | 2015-07-24 | 2015-11-25 | 江苏省公用信息有限公司 | 一种用于确定用户移动互联网访问兴趣点的方法 |
US20180060150A1 (en) * | 2016-08-26 | 2018-03-01 | International Business Machines Corporation | Root cause analysis |
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 |
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 |
CN107563647A (zh) * | 2017-09-05 | 2018-01-09 | 郑州大学 | 强干扰区域基于河流主导生态环境功能分区的环境流量界定方法 |
CN108831442A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技(深圳)有限公司 | 兴趣点识别方法、装置、终端设备及存储介质 |
CN108876475A (zh) * | 2018-07-12 | 2018-11-23 | 青岛理工大学 | 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 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109272022A (zh) * | 2018-08-22 | 2019-01-25 | 天津大学 | 一种联合场景和运动多特征的视频行为聚类方法 |
CN109271554A (zh) * | 2018-09-07 | 2019-01-25 | 江西省云眼大视界科技有限公司 | 一种智能视频识别系统及其应用 |
CN109446923A (zh) * | 2018-10-10 | 2019-03-08 | 北京理工大学 | 基于训练特征融合的深度监督卷积神经网络行为识别方法 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
CN109614458A (zh) * | 2018-12-20 | 2019-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于导航数据的城市社区结构挖掘方法与装置 |
Non-Patent Citations (1)
Title |
---|
张慧杰 等: ""基于轨迹和兴趣点数据的城市功能区动态识别与时变规律可视分析"", 《计算机辅助设计与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别系统 |
CN111813835B (zh) * | 2020-07-14 | 2023-09-26 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110334321B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533038B (zh) | 一种基于信息数据的城市活力区和中心城区边界识别的方法 | |
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN109359682B (zh) | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 | |
CN108717676B (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及系统 | |
Yao et al. | Discovering the homogeneous geographic domain of human perceptions from street view images | |
CN109034474A (zh) | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 | |
CN111737605A (zh) | 一种基于手机信令数据的出行目的识别方法及装置 | |
CN109359162B (zh) | 一种基于gis的学校选址方法 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
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 | |
CN106980603A (zh) | 基于土壤类型归并与多元回归的土壤锰含量预测方法 | |
CN109101559A (zh) | 一种基于poi和公交刷卡数据的城市功能区识别方法 | |
CN109903553A (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN106448173A (zh) | 一种基于手机数据的长距离出行交通方式划分方法 | |
CN112000755B (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN111222703B (zh) | 一种预测旅客出行方式的方法及装置 | |
CN106951828A (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
CN112288311A (zh) | 一种基于poi数据的居住区配套设施便捷度计量方法 | |
CN111523562B (zh) | 一种基于车牌识别数据的通勤模式车辆识别方法 | |
CN112381644A (zh) | 一种基于空间变量推理的信贷场景风险用户评估方法 | |
CN108596664A (zh) | 一种电子车票的单边交易费用确定方法、系统及装置 | |
CN110334321A (zh) | 一种基于兴趣点数据的城市轨交站区功能识别方法 | |
Xue et al. | Research on hierarchical clustering method of urban rail transit passengers based on individual portrait | |
CN104318319A (zh) | 一种基于征地过程博弈结果的多智能体城市扩张模拟方法 | |
Zhou et al. | Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data |
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 |