CN110377807B - 城市群功能联系与空间格局分析方法及系统 - Google Patents
城市群功能联系与空间格局分析方法及系统 Download PDFInfo
- Publication number
- CN110377807B CN110377807B CN201910477361.8A CN201910477361A CN110377807B CN 110377807 B CN110377807 B CN 110377807B CN 201910477361 A CN201910477361 A CN 201910477361A CN 110377807 B CN110377807 B CN 110377807B
- Authority
- CN
- China
- Prior art keywords
- city
- element stream
- flow
- cities
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000013499 data model Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000005012 migration Effects 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004949 mass spectrometry Methods 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 34
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000018109 developmental process Effects 0.000 description 33
- 239000011324 bead Substances 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 230000009471 action Effects 0.000 description 12
- 230000005855 radiation Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003012 network analysis Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 244000179970 Monarda didyma Species 0.000 description 3
- 235000010672 Monarda didyma Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维度要素流的城市群功能联系与空间格局分析方法及系统，其中，所述方法包括：选定要素流，基于要素流收集对应的要素流数据；基于网络开放数据对要素流数据进行预处理，获得预处理后的要素流数据；构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；基于隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；基于各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，获取城市群的功能联系与空间格局。在本发明实施例中，实现以更客观、更全面的视角挖掘城市内外部运作机理；能更科学、更真实地了解各城市间的功能联系与发展差异。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于多维度要素流的城市群功能联系与空间格局分析方法及系统。
背景技术
城市群是工业化、城市化过程中，城市集聚与城市扩散的一种组团发育的经济社会现象；城市群形成的过程其实是各城市间相互作用的过程，陆大道院士称有一个“流空间”，它能打破城市在地方的孤立存在，使其与邻近区域众多城市保持紧密联系；著名社会学家Manuel Castells认为，“流空间”是通过多种要素相互交织建立联系来发挥空间作用，从而形成城市网络。
国内外已有不少学者从要素流的角度对城市网络空间联系开展研究。Djankov等(2002)运用重力模型，对1987－1996年间相关区域的贸易流联系变化进行了分析；Matsumoto(2004)从国际航空交通流的角度出发，选取GDP、人口、距离等变量来构建重力模型，并以此分析亚洲，欧洲和美洲地区的国际航空网络结构；马学广等(2018)基于高铁客运流数据，运用统计分析等多种研究方法对我国城市网络空间格局、整体与局部联系等方面进行了初步探讨；随着大数据时代的到来与普及，部分学者也开始尝试利用网络开放数据进行相应的城市网络分析；甄峰等(2012)以新浪微博数据为例，从网络社会空间的角度，对中国城市的网络发展特征进行了研究；邓楚雄等(2018)以百度贴吧主题帖数据为基础，采用优势流分析等方法，定量分析流空间视角下长江中游城市群城市网络联系特征。
综合对比发现，国内外研究大都是基于静态和单维度视角对城市间的功能联系进行研究。缺点一：要素流动是一个动态的过程，静态的传统属性数据已难以反映当前中国快速城市化进程下流空间的变化特征；该数据的获取来源主要是通过人工实地测量、调研与统计，需要耗费大量的人力、物力与财力，成本投入巨大，更新周期长；其次，受统计口径的限制，静态的传统属性数据存在研究尺度不够精细、时效滞后、易受主观因素影响等缺陷。因此，仅使用静态的传统属性数据来分析将对实际结果产生一定影响；缺点二：研究者多采用单维度的要素流来研究城市网络空间结构；众所周知，经济流、交通流、人口流、信息流均是城市要素流的重要组成成分，其间相辅相成、密不可分；因此，仅通过单维度的要素流评价结果将难以准确地、全面地反映城市间的网络空间联系。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于多维度要素流的城市群功能联系与空间格局分析方法及系统，实现以更客观、更全面的视角挖掘城市内外部运作机理；能更科学、更真实地了解各城市间的功能联系与发展差异。
为了解决上述技术问题，本发明实施例提供了一种基于多维度要素流的城市群功能联系与空间格局分析方法，所述方法包括：
选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局。
可选的，所述基于所述要素流收集对应的要素流数据，包括：
基于所述经济要素流采用网络爬虫算法收集城市与城市之间的经济要素流数据；
基于所述交通要素流采用网络爬虫算法和查询统计年鉴收集城市与城市之间的交通要素流数据；
基于所述人口要素流采用网络爬虫算法收集城市与城市之间的人口要素流数据；
基于所述信息要素流采用网络爬虫算法收集城市与城市之间的信息要素流数据；
其中，所述经济要素流数据为城市与城市之间的最短路程和和经济综合质量评价所对应的11项指标数据；所述交通要素流数据为城市与城市之间的交通联系量；所述人口要素流数据为城市与城市之间的人口流动数据；所述信息要素流数据为城市与城市之间的网络平台搜索指数均值。
可选的，所述基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据，包括：
将城市与城市之间的经济要素流数据中的城市间驾车路线最短距离进行统一除以1000预处理，获取预处理后的城市与城市之间的经济要素流数据；
将城市与城市之间的交通要素流数据进行交通要素权重确定预处理，获取预处理后的城市与城市之间的交通要素流数据；
将城市与城市之间的人口要素流数据进行数据清洗预处理，获取预处理后的城市与城市之间的人口要素流数据；
将城市与城市之间的信息要素流数据进行数据清洗与筛选预处理，获取预处理后的城市与城市之间的信息要素流数据。
可选的，所述构建多维度要素流数据模型，包括：
基于牛顿万有引力公式为基础构建经济流模型；
基于城市与城市之间的交通联系关系构建交通流模型；
基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型；
基于城市与城市之间的百度搜索指数矩阵构信息型流模型。
可选的，所述基于牛顿万有引力公式为基础构建经济流模型的模型公式如下：
Fi＝∑jFij；
所述基于城市与城市之间的交通联系关系构建交通流模型的公式如下：
Ti＝∑jTij；
所述基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型公式如下：
Xij＝∑d(Kij+Kji)；
Xi＝∑jXij；
所述基于城市与城市之间的百度搜索指数矩阵构建信息流模型的公式如下：
Rij＝Vij×Vji；
Ri＝∑jRij；
其中，Fij表示城市i与城市j之间的经济联系强度；Mi和Mj分别为城市i和城市j的经济综合质量；Lij是城市i与城市j市政府所在地之间驾车路线的最短距离；Fi为城市i的经济流总量；Nij表示城市i至城市j的交通联系量；Nji为城市j至城市i的交通联系量；Aij，Bij，Cij，Dij分别表示城市i当天发往城市j的长途汽车班次数、普通火车班次数、动车班次数以及高铁班次数；Tij为城市i与城市j之间的交通联系量均值；Ti是城市i的交通流总量；Kij为城市i到城市j的迁出(或迁入)人口总量；Kji为城市j到城市i的迁出(或迁入)人口总量；d为研究的具体日期时间；Xij为城市i与城市j之间的人口联系强度；Xi为城市i的人口流总量(城市i总的迁出量+总的迁入量)；Rij为城市i与城市j之间的信息联系强度；Vij是城市i对城市j的网络关注度；Vji是城市j对城市i的网络关注度；Ri表示城市i的信息流总量。
可选的，所述的城市群功能联系与空间格局分析方法，其特征在于，所述构建隶属度模型的隶属度模型的公式如下：
其中，Yij为城市i与城市j之间的要素流联系强度；Yi表示城市i的要素流总量；W表示两城市的要素流联系强度占城市i要素流总量的比例。
可选的，所述基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果，包括：
分别将经济流模型、交通流模型人口流动模型和信息型流模型获取的城市与城市之间的经济、交通、人口和信息联系强度以及城市的经济流、交通流、人口流和信息流总量代入所述隶属度模型中进行要素流数据分析，分别获取经济要素流数据分析结果、交通要素流数据分析结果、人口要素流数据分析结果和信息要素流数据分析结果。
可选的，所述基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，包括：
采用自然间断点分级法将所述各要素流数据对应的分析结果划分为N个层级；
采用赋值法依次对N个层级进行赋值，获取赋值结果；
将城市的N个层级的赋值结果进行加权综合评价处理。
另外，本发明实施例还提供了一种基于多维度要素流的城市群功能联系与空间格局分析系统，所述系统包括：
数据收集模块：用于选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
数据预处理模块：用于基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
模型构建模块：用于构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
数据分析模块：用于基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
加权综合评价模块：用于基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局。
在本发明实施例中，采用本实施例中的方法对城市群进行多维度的要素流来测度，能克服以往仅使用单维度要素流进行评价的局限性，从而以更客观、更全面的视角挖掘城市内外部运作机理；利用动态的网络开放数据进行相应的城市网络分析，能更科学、更真实地了解各城市间的功能联系与发展差异；针对城市群空间布局规划提出相关建议，从而为强化区域内部联系，合理分配社会资源，缩小城市发展水平差异及加快一体化进程等提供参考价值。
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，显而易见的，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获得其它的附图。
图1是本发明实施例中的城市群功能联系与空间格局分析方法的流程示意图；
图2是本发明实施例中的城市群功能联系与空间格局分析系统的结构组成示意图。
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它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的城市群功能联系与空间格局分析方法的流程示意图。
如图1所示，一种基于多维度要素流的城市群功能联系与空间格局分析方法，所述方法包括：
S11：选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
在本发明具体实施过程中，所述基于所述要素流收集对应的要素流数据，包括：基于所述经济要素流采用网络爬虫算法和查询统计年鉴收集城市与城市之间的经济要素流数据；基于所述交通要素流采用网络爬虫算法收集城市与城市之间的交通要素流数据；基于所述人口要素流采用网络爬虫算法收集城市与城市之间的人口要素流数据；基于所述信息要素流采用网络爬虫算法收集城市与城市之间的信息要素流数据；其中，所述经济要素流数据为城市与城市之间的最短路程和经济综合质量评价所对应的11项指标数据；所述交通要素流数据为城市与城市之间的交通联系量；所述人口要素流数据为城市与城市之间的人口流动数据；所述信息要素流数据为城市与城市之间的网络平台搜索指数均值。
具体的，首先选定多维度要素流，可以根据城市的经济、交通、人口和信息来选定多维度要素流，即可选择经济要素流、交通要素流、人口要素流和信息要素流多为多维度要素流；其中，对于经济要素流数据，在本发明实施例中可以采用网络爬虫算法收集城市与城市之间的经济要素流数据；具体可以根据城市所在的省份或者国家发布的年鉴或者经济报告上爬去相应的数据，具体包括经济综合质量评价中的地区生产总值以及年末就业人口数等11项指标数据，还包括百度地图是百度提供的一项网络地图服务，它能为用户提供丰富的驾车导航查询功能以及最合适的路线规划。本研究各城市间的距离为百度地图(https://map.baidu.com/)提供的两座城市市政府所在地之间驾车路线的最短路程。
对于交通要素流数据，采用网络爬虫算法收集城市与城市之间的交通要素流数据；在本发明实施例中，通过爬去携程网(https://www.ctrip.com/)采集并统计研究时间段内各城市间的交通联系量，包括长途汽车、普通火车、高铁以及动车四种出行方式的出行班次数据。
对于人口要素流数据，采用网络爬虫算法收集城市与城市之间的人口要素流数据；在本发明实施中，通过腾讯迁徙平台(https://heat.qq.com/qianxi.php)编写相关代码程序，爬取2相应时间的城市群内各城市间的人口流动(迁入与迁出)数据。
对于信息要素流数据，采用网络爬虫算法收集城市与城市之间的信息要素流数据；百度指数是基于百度海量网民行为数据的数据分享平台，是当前互联网乃至整个数据时代最重要且最权威的统计分析平台之一；它可以客观地反映某一名词在百度用户和媒体中的关注度，具有一定的科学性；百度指数网站(https://index.baidu.com/#/)获取预设时间内的一年中各城市之间百度搜索指数的均值作为相应城市之间的信息流；例如，此处的搜索关键词统一标准为“广州”而不是“广州市”，其他城市类同。
S12：基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
在本发明具体实施过程中，所述基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据，包括：
将城市与城市之间的经济要素流数据中的城市间驾车路线最短距离进行统一除以1000预处理，获取预处理后的城市与城市之间的经济要素流数据；将城市与城市之间的交通要素流数据进行交通要素权重确定预处理，获取预处理后的城市与城市之间的交通要素流数据；将城市与城市之间的人口要素流数据进行数据清洗预处理，获取预处理后的城市与城市之间的人口要素流数据；将城市与城市之间的信息要素流数据进行数据清洗与筛选预处理，获取预处理后的城市与城市之间的信息要素流数据。
具体的，对经济要素流数据中的两地市政府间的百度距离数值将统一除以1000，来获得预处理后的城市与城市之间的经济要素流数据，而对于经济要素数据流的其他数据(经济综合质量评价中的地区生产总值以及年末就业人口数等11项指标数据)采用极差正规化法对数据进行标准化处理，借助层次分析法与变异系数法相结合的组合赋权法确定各指标权重，以此获得各城市经济综合质量。
对交通要素流数据进行预处理，首先交通要素流数据中两两城市间每天的长途汽车、普通火车、动车和高铁的班次数目提取出来，我国最新动车组限速规定，长途汽车一般为100km/h，普通火车一般为120km/h，动车为250km/h，高铁时速限制为300km/h；因此，以这4种列车的速度大小来确定权重，规定高铁为1，则动车为5/6，普通火车为2/5，长途汽车为1/3，进行加权求和作为交通联系量。
对于人口要素流数据进行预处理，首先对互联网爬取到的城市与城市之间的人口要素流数据进行初步清理，筛除坐标信息未能成功抓取的记录，并对数据的属性进行系统的整理；对其进行空间范围一致性的检验，排查并清理落在研究区范围外的坐标数据，然后生成针对城市群的城市间人口流动数据；由于收集到的数据仅包括每天迁入或迁出某城市的人口数目最多的前10个城市，因此会出现小部分数据缺失的现象；根据数据的实际情况，按照一定的比例对一些城市的人口联系强度进行插补。
对于信息要素流数据进行预处理，对城市与城市之间的信息要素流数据进行数据清洗与筛选预处理即可得到预处理后的城市与城市之间的信息要素流数据。
S13：构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
在本发明具体实施过程中，所述构建多维度要素流数据模型，包括：基于牛顿万有引力公式为基础构建经济流模型；基于城市与城市之间的交通联系关系构建交通流模型；基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型；基于城市与城市之间的百度搜索指数矩阵构信息型流模型。
进一步的，所述基于牛顿万有引力公式为基础构建经济流模型的模型公式如下：
Fi＝∑jFij；
所述基于城市与城市之间的交通联系关系构建交通流模型的公式如下：
Ti＝∑jTij；
所述基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型公式如下：
Xij＝∑d(Kij+Kji)；
Xi＝∑jXij；
所述基于城市与城市之间的百度搜索指数矩阵构建信息流模型的公式如下：
Rij＝Vij×Vji；
Ri＝∑jRij；
其中，Fij表示城市i与城市j之间的经济联系强度；Mi和Mj分别为城市i和城市j的经济综合质量；Lij是城市i与城市j市政府所在地之间驾车路线的最短距离；Fi为城市i的经济流总量；Nij表示城市i至城市j的交通联系量；Nji为城市j至城市i的交通联系量；Aij，Bij，Cij，Dij分别表示城市i当天发往城市j的长途汽车班次数、普通火车班次数、动车班次数以及高铁班次数；Tij为城市i与城市j之间的交通联系量均值；Ti是城市i的交通流总量；Kij为城市i到城市j的迁出(或迁入)人口总量；Kji为城市j到城市i的迁出(或迁入)人口总量；d为研究的具体日期时间；Xij为城市i与城市j之间的人口联系强度；Xi为城市i的人口流总量(城市i总的迁出量+总的迁入量)；Rij为城市i与城市j之间的信息联系强度；Vij是城市i对城市j的网络关注度；Vji是城市j对城市i的网络关注度；Ri表示城市i的信息流总量。
进一步的，所述构建隶属度模型的隶属度模型的公式如下：
其中，Yij为城市i与城市j之间的要素流联系强度；Yi表示城市i的要素流总量；W表示两城市的要素流联系强度占城市i要素流总量的比例。
具体的，城市要素流的动态性主要体现在联系强度与作用方向两个方面；在本发明实施例中，采用经济流模型、交通流模型、人口流动模型、信息流模型来衡量城市间各要素的相互联系程度；其次，运用隶属度模型来确定各要素流的作用方向。
经济流模型是以牛顿万有引力公式为基础构建的模型，用于衡量城市间经济联系强度大小；在传统的经济流模型中，城市的经济质量往往使用年末人口数和地区生产总值两者乘积的开方来表示，而城市之间的距离通常是利用两地的空间距离来换算。由此可见，该模型在经济质量和距离指标的选择上均存在一定的缺陷；在本发明实施例中，选取了地区生产总值、年末就业人口数、进出口总额等11项二级指标作为分析依据，构建经济流模型来衡量城市间经济联系强度，其计算公式如下:
Fi＝∑jFij；
Fij表示城市i与城市j之间的经济联系强度；Mi和Mj分别为城市i和城市j的经济综合质量；Lij是城市i与城市j市政府所在地之间驾车路线的最短距离；Fi为城市i的经济流总量。
交通流模型时通过携程网平台获取并统计珠三角城市群两两城市间每天的长途汽车、普通火车、动车和高铁的班次数目，并运用交通流模型将这4种交通联系量进行加权求和分析；公式如下：
Ti＝∑jTij；
Nij表示城市i至城市j的交通联系量；Nji为城市j至城市i的交通联系量；Aij，Bij，Cij，Dij分别表示城市i当天发往城市j的长途汽车班次数、普通火车班次数、动车班次数以及高铁班次数；Tij为城市i与城市j之间的交通联系量均值；Ti是城市i的交通流总量。
人口流模型，在收集到的腾讯迁徙数据中，每个城市都被视为人口迁徙的出发地和目的地，因此迁入表与迁出表之间会有数据重复的现象出现；例如，迁入表中的深圳至东莞应该与迁出表中的东莞至深圳的数据相同。为使数据更加直观，在本发明实施例中按以下具体模型计算公式统计城市间人口联系强度：
Xij＝∑d(Kij+Kji)；
Xi＝∑jXij；
Kij为城市i到城市j的迁出(或迁入)人口总量；Kji为城市j到城市i的迁出(或迁入)人口总量；d为研究的具体日期时间；Xij为城市i与城市j之间的人口联系强度；Xi为城市i的人口流总量(城市i总的迁出量+总的迁入量)
信息流模型，首先构建某一年度城市群两两城市之间的百度搜索指数矩阵，然后运用信息流模型分析相应城市间的信息联系强度；模型的计算公式如下：
Rij＝Vij×Vji；
Ri＝∑jRij；
Rij为城市i与城市j之间的信息联系强度；Vij是城市i对城市j的网络关注度；Vji是城市j对城市i的网络关注度；Ri表示城市i的信息流总量。
对于隶属度模型，通过经济联系隶属度公式，即各城市间经济联系强度占具体某一城市经济流总量的比重，来分析城市经济流的主要作用方向；在本发明实施例中，将此公式拓展到交通流、人口流以及信息流的分析中，用以测度各要素流的作用方向；其隶属度公式为：
其中，Yij为城市i与城市j之间的要素流联系强度；Yi表示城市i的要素流总量；W表示两城市的要素流联系强度占城市i要素流总量的比例。
S14：基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
在本发明具体实施过程中，所述基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果，包括：分别将经济流模型、交通流模型人口流动模型和信息型流模型获取的城市与城市之间的经济、交通、人口和信息联系强度以及城市的经济流、交通流、人口流和信息流总量代入所述隶属度模型中进行要素流数据分析，分别获取经济要素流数据分析结果、交通要素流数据分析结果、人口要素流数据分析结果和信息要素流数据分析结果。
具体的，在本发明实施例中，以珠三角城市群为例，对本实施例中的相应步骤进行说明。
经济流模型对珠三角城市群进行经济流总量分析可以得到如表1所示结果，经统计位居前4的城市经济流总量之和达到该地区经济流总量的93.26％，说明城市群内经济互动极度不平衡，两极分化严重；将城市间经济联系强度按自然间断点分级法划分成4个等级，发现经济联系强度高值区主要集中于城市群的内圈层，且由内到外呈快速递减的分布格局，说明城市群内部经济流结构格局整体失调；下一阶段应结合各市的经济基础与发展现状，在提升经济联系强度的同时促进经济流结构的优化。
表1经济流总量
由隶属度模型得，城市群中绝大部分城市(东莞、佛山、中山、江门、肇庆)的首位经济作用方向是广州，可见广州是城市群中最大的经济集聚中心；其次，广州的经济首位作用方向是佛山，深圳的经济首位作用方向是东莞，惠州的经济首位作用方向是深圳，珠海的首位经济作用方向是中山，表明城市间经济互动具有明显的空间指向性，通常指向经济发展优越或地域邻近的城市。除此之外，佛山对广州的经济联系隶属度(77.06％)达到最高，紧密承接广州的辐射带动作用，远远超过珠三角城市群内其他城市
由交通流模型计算得珠三角各城市的交通流总量，如表2所示；其中，广州、深圳和东莞三者的交通流总量之和占整个区域交通流总量的61.78％，说明其交通系统发达，与周围城市的交通联系紧密；中山、惠州、珠海以及佛山处于中等偏后位置，可达性相差不大；肇庆与江门的交通流总量之和仅占整个区域交通流总量的7.63％，落后于整个城市群平均水平。散旅客提供必要的设施条件。根据交通联系强度分级结果，发现广州分别与佛山、肇庆、中山和惠州之间达到较强联系等级，与深圳、东莞和珠海之间更是达到强联系等级，在珠三角城市群内独一无二，说明广州处于区域交通联系中的核心地位
表2交通流总量
根据隶属度模型可知，除惠州的首位交通联系方向为深圳外，其余城市的首位交通联系方向均为广州；其中，深圳、珠海、江门和肇庆甚至直接跨越中间城市与广州形成首位联系；此处交通联系出现跳跃性特征再次说明城市群内部两极分化严重，资源流动有限，中心区域掌握城市高端功能，产业链布局难以扩展到非中心区域；因此，未来应通过合理分配交通基础设施和区域优化治理，打破交通条件制约，培养区域新增长极，促进珠三角区域一体化发展。
根据人口流模型统计出研究时间段内各城市所有交通出行方式的人口流总量，如表3；根据人口流分级结果，需要指出的是广州与珠海之间强交通流与弱人口流之间的剧烈反差，说明交通出行班次的多少并不能完全反映真正的人口流动情况；广州、深圳、东莞和佛山是该区域出现的四个明显节点，在人口流动过程中既是发散点又是汇合点，起到了承接你我的决定性作用；此外，广州—东莞—深圳与东莞—深圳—惠州明显生成了两个稳固的三角形结构，说明这些城市内部之间已经形成了紧密的功能联系与有效的角色分工。
表3人口流总量
由隶属度模型可得，各城市的人口流首位作用方向与其他要素流的首位作用方向相比显然存在差异性，具体体现在各城市的人口首位作用方向并没有直接跨越中间城市实现与其他城市相接相连，而是均指向空间位置相邻且经济发展水平相对较好的城市。这主要是因为人口流属于实体地理要素流，联系强度易随距离的增大而衰减弱化；最终获得珠三角各城市人口首位迁移路线，整体上构成明显的三个角状结构：广佛肇、深莞惠和珠中江。
由信息流模型可得珠三角城市群内各城市的信息流总量，如表4；其中，广州和深圳排在前两位，信息流总量之和达到珠三角城市群信息流总量的53.95％，与排位第三的东莞拉开了较大距离；其次，佛山和惠州在区域信息联系中的作用也相对突出；但中山、江门与肇庆信息流总量均较为贫乏。从信息流联系格局来看，以广州为界，信息对外联系强度较高的城市绝大多分布在东岸地区，且东岸地区城市之间的信息联系表现明显优于西岸地区；这主要是由于东岸的互联网与高新技术产业发展更为突出，已逐步形成以电子信息制造业为支柱的经济格局；从这个角度可以看出，珠三角城市群内信息联系强度空间差异较大，城市间尚未形成紧密联系的辐射网络。
表4信息流总量
根据隶属度模型，珠海、佛山、江门和肇庆以广州为首位联系城市；东莞和惠州以深圳为首位联系城市；广州和深圳则互以对方为首位联系城市；由此可见，广州和深圳在区域信息网络领域中占据最核心的地位；基于上述分析，广州与深圳作为信息网络发展的极点，已率先推进信息化，但目前仍需加快推进西岸地区以及边缘城市的信息基础设施建设，增进城市群内城市间的信息交流互动，最终形成健康协调的珠三角信息网络体系。
S15：基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局。
在本发明具体实施过程中，所述基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，包括：采用自然间断点分级法将所述各要素流数据对应的分析结果划分为N个层级；采用赋值法依次对N个层级进行赋值，获取赋值结果；将城市的N个层级的赋值结果进行加权综合评价处理。
具体的，在本发明实施例中，以珠三角城市群为例，对本实施例中的相应步骤进行说明。
通过对经济流、交通流、人口流以及信息流的分析可以看出，4种要素流在强度表现上具有一定程度的相似性，其中，广州、深圳、东莞、佛山排名靠前，而江门和肇庆则排名靠后；说明这4种要素流在一定程度上相互作用、相互影响。
在本发明实施例中，利用ArcGIS10.2软件中的自然间断点分级法将各要素流按总强度划分为4个层级，并运用赋值法(将第一层次赋值为10，第二层次赋值为6，第三层次赋值为4，第四层次赋值为2；具体的赋值可以根据实施需求就行设定，在此不做限定)，以此得出各城市综合得分作为区域划分依据；具体界定范围为，以得分介于30～40的城市划为中心城市，得分介于20～30的城市划为副中心城市，得分介于10～20的城市划为核心区，得分10分及以下的城市划为辐射影响区，如表5所示。
表5最终得分与区域划分
通过上述根据珠三角城市群的城市功能联系以及空间层级划分，基于“点—线—面”的空间视角对珠三角城市群的空间发展布局提出引导和规划。
点：根据综合得分结果，将广州和深圳划定为珠三角城市群的中心城市；具体来看，广州维持了政治中心的功能，在岭南具有非常深远的文化背景与雄厚的经济贸易实力，各领域都占据主导地位，对珠三角城市群具有强大的辐射和带动能力；深圳的发展以特区优势和国际化特征发挥区域门户作用，通过与香港的交流和合作，成为东岸地区以及整个城市群区域的辐射中心，但仍需增强与珠三角内部其他城市的互动。此外，将东莞和佛山划定为副中心城市，两者与区域范围内大部分城市具有较强程度的联系，上升势头迅猛，实力不容小觑。总的来说，东莞的各项发展较为均衡，佛山则应加强交通基础设施建设和积极发展高新信息技术产业。其次，将惠州、中山以及珠海确定为核心区，这些城市目前未能充分利用其他城市发展带来的积极影响，也未能从经济空间结构和专业化分工中获得足够的利益；最后，江门和肇庆确定为辐射影响区，两者的区位条件相对较差，在所有要素流强度表现中均不理想，成为珠三角城市网络联系的低谷。
线：首先，将中心城市(广州和深圳)与副中心城市(东莞和佛山)相互串联构成重点发展轴；其次，将中心城市(广州和深圳)与核心区城市(中山、惠州和珠海)相对应串连构成两条次重点发展轴；最后，综合形成佛山—广州—东莞—深圳重点发展轴、广州—中山—珠海和惠州—深圳—中山—珠海两条次重点发展轴，全面推动珠三角向东西方向延伸发展。其中，广州—中山—珠海发展轴主要通过广珠城际铁路等交通设施相互连通，由交通流分析可知三者间的交通联系频繁，该发展轴有利于西岸地区城市更好地承接广州的辐射。此外，依照上文交通流与人口流的具体结果，目前深圳与中山的对接程度并不频繁。值得一提的是，未来惠州—深圳—中山—珠海发展轴的发展更多是依靠深中通道的建设。随着该项目落成，深圳对西岸地区的带动作用将得到充分发挥，从而进一步改善珠江口东西岸“东强西弱”的局面。
面：基于地理位置、经济发展、历史渊源、文化底蕴等因素综合考虑，将珠三角城市群内部划分为广佛肇城市团、深莞惠城市团和珠中江城市团，前两者为重点城市团，后者为次重点城市团。广州、佛山和肇庆山水相连，经济社会联系密切，将三者纳为广佛肇城市团，有利于扩大广佛同城效应的辐射影响，帮助广佛实现产业转移，吸纳生产要素向肇庆集聚，从而推动肇庆的发展。其次，将东岸地区的深圳、东莞与惠州纳为深莞惠城市团，三者间已有较为紧密的要素联系与合理的产业分工合作，主要依托于高新信息技术产业以及外资带动经济发展的模式。反观西岸地区则更着重以自主发展进行建设，城市之间有一定的联系，但在本文中除了人口流表现相对突出，其他要素流动强度普遍不高。考虑到三者之间地理位置相邻且实力均衡，有利于人力、资金、信息和技术等要素聚集，因此将他们纳为珠中江城市团。但接下来不仅需要促进珠中江的产业转型升级，还要体现出与珠三角东岸地区不同的发展道路；总体而言，珠中江与广佛肇、深莞惠相比起来，缺少聚合力像广州和深圳这样实力强劲的中心城市，发展步伐明显要慢一些。
在本发明实施例中，采用本实施例中的方法对城市群进行多维度的要素流来测度，能克服以往仅使用单维度要素流进行评价的局限性，从而以更客观、更全面的视角挖掘城市内外部运作机理；利用动态的网络开放数据进行相应的城市网络分析，能更科学、更真实地了解各城市间的功能联系与发展差异；针对城市群空间布局规划提出相关建议，从而为强化区域内部联系，合理分配社会资源，缩小城市发展水平差异及加快一体化进程等提供参考价值。
实施例
请参阅图2，图2是本发明实施例中的城市群功能联系与空间格局分析系统的结构组成示意图。
如图2所示，一种基于多维度要素流的城市群功能联系与空间格局分析系统，所述系统包括：
数据收集模块11：用于选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
数据预处理模块12：用于基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
模型构建模块13：用于构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
数据分析模块14：用于基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
加权综合评价模块15：用于基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
在本发明实施例中，采用本实施例中的方法对城市群进行多维度的要素流来测度，能克服以往仅使用单维度要素流进行评价的局限性，从而以更客观、更全面的视角挖掘城市内外部运作机理；利用动态的网络开放数据进行相应的城市网络分析，能更科学、更真实地了解各城市间的功能联系与发展差异；针对城市群空间布局规划提出相关建议，从而为强化区域内部联系，合理分配社会资源，缩小城市发展水平差异及加快一体化进程等提供参考价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于多维度要素流的城市群功能联系与空间格局分析方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于多维度要素流的城市群功能联系与空间格局分析方法，其特征在于，所述方法包括：
选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局；
所述基于所述要素流收集对应的要素流数据，包括：
基于所述经济要素流采用网络爬虫算法和查询统计年鉴收集城市与城市之间的经济要素流数据；
基于所述交通要素流采用网络爬虫算法收集城市与城市之间的交通要素流数据；
基于所述人口要素流采用网络爬虫算法收集城市与城市之间的人口要素流数据；
基于所述信息要素流采用网络爬虫算法收集城市与城市之间的信息要素流数据；
其中，所述经济要素流数据为城市与城市之间的最短路程和经济综合质量评价所对应的11项指标数据；所述交通要素流数据为城市与城市之间的交通联系量；所述人口要素流数据为城市与城市之间的人口流动数据；所述信息要素流数据为城市与城市之间的网络平台搜索指数均值；
所述构建多维度要素流数据模型，包括：
基于牛顿万有引力公式为基础构建经济流模型；
基于城市与城市之间的交通联系关系构建交通流模型；
基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型；
基于城市与城市之间的百度搜索指数矩阵构信息型流模型；
所述基于牛顿万有引力公式为基础构建经济流模型的模型公式如下：
Fi＝∑jFij；
所述基于城市与城市之间的交通联系关系构建交通流模型的公式如下：
Ti＝∑jTij；
所述基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型公式如下：
Xij＝∑d(Kij+Kji)；
Xi＝∑jXij；
所述基于城市与城市之间的百度搜索指数矩阵构建信息流模型的公式如下：
Rij＝Vij×Vji；
Ri＝∑jRij；
其中，Fij表示城市i与城市j之间的经济联系强度；Mi和Mj分别为城市i和城市j的经济综合质量；Lij是城市i与城市j市政府所在地之间驾车路线的最短距离；Fi为城市i的经济流总量；Nij表示城市i至城市j的交通联系量；Nji为城市j至城市i的交通联系量；Aij，Bij，Cij，Dij分别表示城市i当天发往城市j的长途汽车班次数、普通火车班次数、动车班次数以及高铁班次数；Tij为城市i与城市j之间的交通联系量均值；Ti是城市i的交通流总量；Kij为城市i到城市j的迁出或迁入人口总量；Kji为城市j到城市i的迁出或迁入人口总量；d为研究的具体日期时间；Xij为城市i与城市j之间的人口联系强度；Xi为城市i的人口流总量=城市i总的迁出量+总的迁入量；Rij为城市i与城市j之间的信息联系强度；Vij是城市i对城市j的网络关注度；Vji是城市j对城市i的网络关注度；Ri表示城市i的信息流总量。
2.根据权利要求1所述的城市群功能联系与空间格局分析方法，其特征在于，所述基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据，包括：
将城市与城市之间的经济要素流数据中的城市间驾车路线最短距离进行统一除以1000预处理，获取预处理后的城市与城市之间的经济要素流数据；
将城市与城市之间的交通要素流数据进行交通要素权重确定预处理，获取预处理后的城市与城市之间的交通要素流数据；
将城市与城市之间的人口要素流数据进行数据清洗预处理，获取预处理后的城市与城市之间的人口要素流数据；
将城市与城市之间的信息要素流数据进行数据清洗与筛选预处理，获取预处理后的城市与城市之间的信息要素流数据。
3.根据权利要求1所述的城市群功能联系与空间格局分析方法，其特征在于，构建隶属度模型的隶属度模型的公式如下：
其中，Yij为城市i与城市j之间的要素流联系强度；Yi表示城市i的要素流总量；W表示两城市的要素流联系强度占城市i要素流总量的比例。
4.根据权利要求3所述的城市群功能联系与空间格局分析方法，其特征在于，所述基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果，包括：
分别将经济流模型、交通流模型人口流动模型和信息型流模型获取的城市与城市之间的经济、交通、人口和信息联系强度以及城市的经济流、交通流、人口流和信息流总量代入所述隶属度模型中进行要素流数据分析，分别获取经济要素流数据分析结果、交通要素流数据分析结果、人口要素流数据分析结果和信息要素流数据分析结果。
5.根据权利要求4所述的城市群功能联系与空间格局分析方法，其特征在于，所述基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，包括：
采用自然间断点分级法将所述各要素流数据对应的分析结果划分为N个层级；
采用赋值法依次对N个层级进行赋值，获取赋值结果；
将城市的N个层级的赋值结果进行加权综合评价处理。
6.一种基于多维度要素流的城市群功能联系与空间格局分析系统，其特征在于，所述系统包括：
数据收集模块：用于选定要素流，基于所述要素流收集对应的要素流数据，其中所述选定要素流包括经济要素流、交通要素流、人口要素流和信息要素流；
数据预处理模块：用于基于网络开放数据对所述要素流数据进行预处理，获得预处理后的要素流数据；
模型构建模块：用于构建多维度要素流数据模型以及隶属度模型，获取多维度要素流数据模型和隶属度模型；
数据分析模块：用于基于所述隶属度模型和多维度要素流数据模型分别进行要素流数据分析，获取各要素流数据对应的分析结果；
加权综合评价模块：用于基于所述各要素流数据对应的分析结果进行多维度要素流加权综合评价处理，并根据多维度要素加权评价结果获取城市群的功能联系与空间格局；
所述基于所述要素流收集对应的要素流数据，包括：
基于所述经济要素流采用网络爬虫算法和查询统计年鉴收集城市与城市之间的经济要素流数据；
基于所述交通要素流采用网络爬虫算法收集城市与城市之间的交通要素流数据；
基于所述人口要素流采用网络爬虫算法收集城市与城市之间的人口要素流数据；
基于所述信息要素流采用网络爬虫算法收集城市与城市之间的信息要素流数据；
其中，所述经济要素流数据为城市与城市之间的最短路程和经济综合质量评价所对应的11项指标数据；所述交通要素流数据为城市与城市之间的交通联系量；所述人口要素流数据为城市与城市之间的人口流动数据；所述信息要素流数据为城市与城市之间的网络平台搜索指数均值；
所述构建多维度要素流数据模型，包括：
基于牛顿万有引力公式为基础构建经济流模型；
基于城市与城市之间的交通联系关系构建交通流模型；
基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型；
基于城市与城市之间的百度搜索指数矩阵构信息型流模型；
所述基于牛顿万有引力公式为基础构建经济流模型的模型公式如下：
Fi＝∑jFij；
所述基于城市与城市之间的交通联系关系构建交通流模型的公式如下：
Ti＝∑jTij；
所述基于城市与城市之间的人口迁徙的出发地和目的地构建人口流动模型公式如下：
Xij＝∑d(Kij+Kji)；
Xi＝∑jXij；
所述基于城市与城市之间的百度搜索指数矩阵构建信息流模型的公式如下：
Rij＝Vij×Vji；
Ri＝∑jRij；
其中，Fij表示城市i与城市j之间的经济联系强度；Mi和Mj分别为城市i和城市j的经济综合质量；Lij是城市i与城市j市政府所在地之间驾车路线的最短距离；Fi为城市i的经济流总量；Nij表示城市i至城市j的交通联系量；Nji为城市j至城市i的交通联系量；Aij，Bij，Cij，Dij分别表示城市i当天发往城市j的长途汽车班次数、普通火车班次数、动车班次数以及高铁班次数；Tij为城市i与城市j之间的交通联系量均值；Ti是城市i的交通流总量；Kij为城市i到城市j的迁出或迁入人口总量；Kji为城市j到城市i的迁出或迁入人口总量；d为研究的具体日期时间；Xij为城市i与城市j之间的人口联系强度；Xi为城市i的人口流总量=城市i总的迁出量+总的迁入量；Rij为城市i与城市j之间的信息联系强度；Vij是城市i对城市j的网络关注度；Vji是城市j对城市i的网络关注度；Ri表示城市i的信息流总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477361.8A CN110377807B (zh) | 2019-06-03 | 2019-06-03 | 城市群功能联系与空间格局分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477361.8A CN110377807B (zh) | 2019-06-03 | 2019-06-03 | 城市群功能联系与空间格局分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110377807A CN110377807A (zh) | 2019-10-25 |
| CN110377807B true CN110377807B (zh) | 2023-07-25 |
Family
ID=68249730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910477361.8A Active CN110377807B (zh) | 2019-06-03 | 2019-06-03 | 城市群功能联系与空间格局分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110377807B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570485B (zh) * | 2020-04-28 | 2023-05-16 | 百度在线网络技术（北京）有限公司 | 城市群信息生成方法、装置、电子设备及计算机可读存储介质 |
| CN113421418A (zh) * | 2021-03-08 | 2021-09-21 | 上海评驾科技有限公司 | 一种基于利用指标和车流数据评估城市群的方法 |
| CN113554221B (zh) * | 2021-07-08 | 2022-09-13 | 同济大学 | 一种“流空间”视角下的城镇开发边界模拟预测方法 |
| CN115689106A (zh) * | 2022-10-14 | 2023-02-03 | 中国测绘科学研究院 | 复杂网络视角的区域空间结构定量识别方法、装置及设备 |
| CN116756695B (zh) * | 2023-06-27 | 2024-05-31 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537597A (zh) * | 2014-11-25 | 2015-04-22 | 中国科学院地理科学与资源研究所 | 一种城市空间格局合理性诊断的技术方法 |
| CN107527293A (zh) * | 2017-08-10 | 2017-12-29 | 中国科学院地理科学与资源研究所 | 基于统计模型的城市群空间联系强度分析系统 |
-
2019
- 2019-06-03 CN CN201910477361.8A patent/CN110377807B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537597A (zh) * | 2014-11-25 | 2015-04-22 | 中国科学院地理科学与资源研究所 | 一种城市空间格局合理性诊断的技术方法 |
| CN107527293A (zh) * | 2017-08-10 | 2017-12-29 | 中国科学院地理科学与资源研究所 | 基于统计模型的城市群空间联系强度分析系统 |
Non-Patent Citations (5)
| Title |
|---|
| 基于多维城市要素流的武汉城市圈城市联系与功能分析;王海军等;《经济地理》;20180726;第38卷(第07期);第50-58页 * |
| 基于要素流的京津冀城市群空间布局研究;阎东彬等;《经济研究参考》;20170206(第8期);第31-50页 * |
| 基于要素流的长三角城市群空间布局;顾雯娟等;《热带地理》;20151130(第06期);第51-59页 * |
| 珠三角城市联系的空间格局特征研究――基于城际客运交通流的分析;陈伟劲等;《经济地理》;20130426(第04期);第50-57页 * |
| 福建省各城市要素流的空间布局研究;金彪等;《福建师范大学学报(自然科学版)》;20180308(第02期);第71-79页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110377807A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110377807B (zh) | 城市群功能联系与空间格局分析方法及系统 | |
| Zhen et al. | Analyzing urban development patterns based on the flow analysis method | |
| CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
| CN102799897B (zh) | 基于gps定位的交通方式组合出行的计算机识别方法 | |
| WO2016141753A1 (zh) | 基于路网和兴趣点的声环境功能区划分方法 | |
| CN108364467A (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
| CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
| Yang et al. | Spatial evolution and growth mechanism of urban networks in western China: A multi-scale perspective | |
| CN112819659A (zh) | 旅游景点开发与评价方法 | |
| CN111507879A (zh) | 一种城市空间结构识别方法 | |
| CN110502567B (zh) | 一种面向主题的城市轨道交通站点层次poi提取方法 | |
| CN111460598A (zh) | 一种基于机器学习的公交干线网生成方法 | |
| Kurniawan et al. | Framework for developing smart city models in Indonesian cities (based on Garuda smart city framework) | |
| CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
| Fu et al. | Evaluating Street View Cognition of Visible Green Space in Fangcheng District of Shenyang with the Green View Index | |
| Li et al. | CONTRIBUTION OF HIGH-SPEED RAIL (HSR) TO REGIONAL TOURISM DEVELOPMENT: CASE STUDY OF THE HSR NETWORK IN CHINA. | |
| Niu et al. | A novel optimal road layout model based on urban cloud data | |
| CN116644809B (zh) | 一种集成地理大数据和机器学习的城镇开发边界划定方法 | |
| Kong et al. | Research on Trajectory Clustering and Driving Route Optimization of New Energy Vehicles Based on Fuzzy Clustering Algorithm | |
| Szczech-Pietkiewicz et al. | Smart and sustainable city management in Asia and Europe: A bibliometric analysis | |
| Shieh et al. | Effective factors in locating high-rise buildings with an emphasis on environmental sustainability (Case Study: Qazvin City) | |
| Qingqing et al. | The Spatial-temporal Characteristics of PM2. 5 Concentrations in Chinese Cities and the Influencing Factors | |
| Pu et al. | Insight into traffic security: A correlation discovery of urban spatial features and traffic flow patterns | |
| CN116703039B (zh) | 站城融合数据分析方法及装置 | |
| Ye | New town modeling: Reviewing Dutch new towns via quantitative methods to provide appropriate tools and strategy for accelerating Chinese new town development, using songjiang new town as the test case |
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 |