CN110533038A - 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 - Google Patents

Abstract

本发明涉及一种基于大数据的城市活力区和中心城区边界识别的方法，该方法基于信息数据，采取动静结合的四大指标进行综合分析，并基于核密度法识别城市活力区和中心城区边界，并以广州为示例证实了该方法的实用性，识别出广州中央活力区和中心城区成熟边界分别为93平方公里和600平方公里，与国际一流城市基本相当，从而为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。

Description

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

技术领域

本发明属于城市空间识别研究技术领域，具体涉及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。

背景技术

城市空间结构是城市要素在空间范围内的分布和组合状态,是城市经济结构、社会结构的空间投影,是城市社会经济存在和发展的空间形式。城市交通发展及管理需结合地域差异性实施不同政策，城市活力区和中心城区边界的识别有助于差异化政策地域控制精准性，如活力区内实施更严格的停车管理和交通需求管理政策，而在活力区外实施更灵活的交通基础设施建设。

周春山，叶昌东将国内空间结构研究分为三阶段：西方理论引入期及国内实证研究起步期、国内实证研究的积累期、以及目前正步入的对中国城市空间结构模式的总结及新城市空间现象研究的多元化时期。王建伟，吴永平，刘昕对都市空间界定的四要素(空间要素、时间要素、流量要素和引力要素)进行了具体量化分析，用经济势能及交通权数来确定都市圈的空间范围，通过对四个要素的综合,确定了都市圈圈域半径和圈层结构的界定方法,并以成都都市圈为例做了实证分析,得出了成都都市圈的圈域半径和圈层结构。郭爱君，冯琦媛对兰州都市圈空间界定时，将经济距离、各周边城市的生活质量引入场强和引力模型的计算中，使界定方法更具借鉴性。刘鹏程，陈超，孔斌等以百度兴趣点POI数据为基础数据,提出一种基于大数据技术的城市空间结构的识别方法。段亚明，刘勇，刘秀华等以重庆主城区40余万条POI数据为基础，利用核密度分析、自然断点法和邻近分析等方法，根据整体及不同类型POI数据的空间分布特征与聚集程度，识别城市总体及不同职能的多中心结构及其影响范围。明英男以辽宁省盘锦市为例，使用POI数据，结合核密度分析法分析城市中各类设施分布的空间规律，并识别城市的空间布局。陈映雪以上海主城区为例，借助百度地图的海量时空数据，着眼于服务可及性和要素建成情况，引入可达性格局分析、等时圈分析和基于POI分类的统计分析，从服务范围、服务时效和服务能力3个维度定量考察多中心空间发展特征，探索了多中心城市空间发展评估的新方法。

从以上现有技术可以看出，国内关于城市空间识别研究采取指标较为单一，部分采取多指标识别研究也仅注重静态指标，缺乏动态指标的体现。单一指标缺陷是只能反映某一方面特征而忽视其他方面因素，然而城市空间结构形成是多种因素的综合作用，单一指标并不能完全真实的反映城市空间形态；全部采用静态指标不能体现城市流动性对空间形态的影响。

发明内容

针对现有城市活力区和中心城区边界识别研究中存在的指标选取单一、缺乏动态指标等方面存在的不足，本发明的目的在于提供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，该方法基于信息数据，采取动静结合的四大指标进行综合分析，并基于核密度法识别城市活力区和中心城区边界，并以广州为示例证实了该方法的实用性，识别出广州中央活力区和中心城区成熟边界分别为93平方公里和600平方公里，与国际一流城市基本相当，从而为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。

本发明的技术方案如下：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，步骤如下：

第一步，基于长周期的手机信令数据、位置数据识别所述城市的职住点分布，聚类到所述城市的交通小区，按下式(1)计算人口综合密度：

式中，pe_i为区域i的人口综合密度，emp_i为区域i就业岗位数，pop_i为区域i居住人口数，area_i为区域i面积，α为人口调整系数，用来反映活跃人口的影响，α可用所述城市的从业人员与常住人口数的比值标定；

第二步，获取POI兴趣点，利用所述POI兴趣点的数量计算POI兴趣点密度，计算公式如下式(2)：

式中，poi_i为区域i的POI兴趣点密度，poi_ij为区域i的j类兴趣点的数量，area_i为区域i面积；

第三步，利用位置数据获取所述城市的交通分区内的小汽车、常规公交、轨道实际耗时矩阵，按下式(3)计算城市中心的可达性：

t_i＝min(t_cari,t_busi,t_metroi) (3)

式中，t_i为区域i到达城市中心的最小出行时间，t_cari为区域i采用小汽车方式到达城市中心的出行时间，t_busi为区域i采用常规公交方式到达城市中心的出行时间，t_metroi为区域i采用地铁方式到达城市中心的出行时间；

第四步，利用手机信令数据获取商务休闲活动驻点，利用位置数据确定手机营业商的份额占比，扩样后按下式(4)计算商务休闲活动驻点密度：

式中，d_i为区域i的商务休闲活动驻点密度，d_ij为区域i的j类驻点的数量，area_i为区域i面积；

第五步，将所述人口综合密度、POI兴趣点密度、与城市中心的可达性、商务休闲活动驻点密度这四大指标的各分区值按从小到大排序后取80％分位值为该指标阈值，归一化处理后并按权重系数加权后得到各交通小区的综合指标，具体计算公式如下式(5)、式(6)所示：

式中；为交通分区i指标j的归一化值，A_ij为交通分区i指标j的计算值，θ_j为指标j的阈值，λ_i为交通分区i的综合指标，β_j为指标j的权重系数。

第六步，根据每个交通分区内的所述综合指标的核密度值估计其周围密度，并通过对不同搜索半径下的核密度分析结果进行比较，从而选取适合的最优搜索半径；其中，核密度函数计算公式如下式(7)所示：

式中，f(x)为x处的核密度估计值，r为搜索半径，n为样本总数，d_ix为分区i与x的距离，为距离的权重。

优选地，所述POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所。

优选地，第五步中，采用专家打分法确定权重系数，通过对20位城市规划领域相关专家调查，所述四大指标的最终权重分别为0.22、0.18、0.33、0.27。

优选地，所述手机信令数据为移动手机信令数据或联通手机信令数据。

优选地，所述位置数据为高德导航数据、百度导航数据、搜狗导航数据、Google导航数据或腾讯导航数据。

本发明与现有技术相比，优点在于：

1)本发明基于信息数据，采取动静结合的四大指标进行综合分析，并基于核密度法识别城市活力区和中心城区边界，为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。

2)与传统计算方法不同，本发明的数据获取基于高频率信号触发、具有时空间关联特征的手机信令数据和位置数据，数据获取的精确性使得计算出的人口综合密度、与城市中心可达性、和商务休闲活动驻点密度具备高度的精确性，对后续城市发展空间识别垫定了基础。

3)本发明的城市活力区和中心城区边界识别的方法采取动静结合的四大指标进行综合分析，克服了传统城市空间识别过程中存在的指标单一、仅注重静态指标、缺乏动态指标等缺陷，更精准地摸清了城市发展的边界，为快速城市化进程中的各大城市提供政策实施过程中的地域范围动态调整方法。

4)本发明的城市活力区和中心城区边界识别的方法采用专家打分法确定四大指标权重，通过对多位城市规划领域相关专家进行调查，确定四个指标的最终权重，并对指标进行“归一化”处理后得到各交通小区的综合指标，使得综合指标的获取更加真实、全面、准确。

附图说明

图1基于手机信令数据的职住地判别流程；

图2基于手机信令数据的驻点判别流程；

图3各分区人口综合密度分布图；

图4各分区POI兴趣点密度分布图；

图5与城市中心可达性分布图；

图6各分区商务休闲活动驻点密度分布图；

图7人口密度分布排序曲线图；

图8POI兴趣点密度排序曲线图；

图9与城市中心可达性排序曲线图；

图10商务休闲活动驻点密度排序曲线图；

图11综合指标空间分布图

图12基于核密度识别的广州活力区和中心城区边界示意图

具体实施方式

下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。

下面结合附图对本发明的结构原理和工作原理作具体的描述。

城市活力区是一座城市政治、经济、文化等公共活动最集中的地区，是城市公共活动体系的主要部分，为城市和城市所在区域集中提供经济、政治、文化社会等活动设施和服务空间，并在空间上有别于城市其它地区。中心城区是一个城市现状发展最为成熟的地区，以多职能综合性为主，汇聚了城市生产和服务的主要区域，是政治和行政管理中心、交通运输中心、信息与科技中心和人才密集之地。

根据以上定义可以看出，活力区是城市功能高度聚集的区域，中心城区是城市发展成熟的边界，是城市交通网络最发达，出行活动最密集的地区，边界识别不仅要考虑静态指标影响还需考虑动态指标影响。为此，本发明研究构建了2个静态指标和2个动态指标的综合识别体系，静态指标包括人口综合密度和POI兴趣点密度，分别表征人口聚集和基础设施完善程度，动态指标为与城市中心可达性、商务休闲活动驻点密度，体现既有交通系统下区域交通联系的便捷程度和客流吸引强度。各指标计算方法如下：

(1)人口综合密度

人口综合密度不同于居住人口密度，综合密度反应的是该区域单位面积常态性出现的人口规模，是居住人口和就业人员的综合密度，反应了居住和就业的完善程度。一般而言，人口综合密度越高的地区，是城市发展越成熟的地区，该指标计算公式如下：

式中，pe_i为区域i的人口综合密度，emp_i为区域i就业岗位数，pop_i为区域i居住人口数，area_i为区域i面积，α为人口调整系数，用来反映活跃人口的影响，该值可用全市从业人员与常住人口比值标定。

(2)POI兴趣点密度

POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所，反应了某一区域基础服务设施的分布密度，从一定程度上体现出区域的发展成熟度，计算公式如下：

式中，poi_i为区域i的POI兴趣点密度，poi_ij为区域i的j类兴趣点的数量，area_i为区域i面积。

(3)与城市中心的可达性

城市中心可用市政府所在地(或标志性地点)作为代表，其可达性反映了某一地区到达城市中心的便捷程度，可达性越高代表该地区交通系统越发达，越能反映该地区的发展状况，计算公式如下：

t_i＝min(t_cari,t_busi,t_metroi) (3)

式中，t_i为区域i到达城市中心的最小出行时间，t_cari为区域i采用小汽车方式到达城市中心的出行时间，t_busi为区域i采用常规公交方式到达城市中心的出行时间，t_metroi为区域i采用地铁方式到达城市中心的出行时间。

(4)商务休闲活动驻点密度

商务休闲活动驻点密度不仅体现了某一地区常态化活动人口的出行强度，也反应了访问人员的出行强度，是该区域客流总体吸引强度，体现了交通流在城市成熟区的聚集程度和城市成熟区最重要的经济、政治、文化、商务活动的成熟度。某一地区人口综合密度非常大，如某工业区大量工人会产生较高的人口综合密度，但其商务休闲驻点密度较低，并不能代表该区域是城市最为成熟的活力区域。其计算公式如下：

式中，d_i为区域i的商务休闲活动驻点密度，d_ij为区域i的j类驻点的数量，area_i为区域i面积。

在本世纪前十年，四大指标的准确获取难度较大。人口综合密度可利用统计数据获取，但大城市特别是特大城市常住人口和从业人员统计指标一方面不能最真实体现实际人口数，另一方面数据颗粒度较粗(最小颗粒度为居委级)，达不到城市发展边界识别的数据细颗粒度要求；POI兴趣点密度在信息数据兴起之前更是无法获取；到城市中心可达性虽然可借助交通模型技术获取，但模型计算值精度难以保证；商务休闲驻点密度传统方法无法获得。近年来，城市信息数据的兴起为上述指标的获取提供了有效途径，数据的精细度能很好支撑城市发展边界的识别工作。各指标的获取方法如下：

(1)人口综合密度：如前文所述，统计数据获取的人口和就业人员不仅精度无法达到要求，而且数据的颗粒度也无法达到要求(一般为居委或村委级)，因此人口综合密度必须借助信息数据获取，如长周期的手机信令数据，通过一定算法可获取精确的城市职住空间分布，进而得到某一区域的人口综合密度，相关计算流程如图1所示。

(2)POI兴趣点密度：主要通过获取百度兴趣点数据，统计各区域的兴趣点密度。

(3)与城市中心可达性：该指标更能体现某一区域与城市中心的联系紧密程度，数据获取的精确性对城市发展空间识别至关重要。基于互联网位置数据是可达性获取的理想途径，如高德导航数据、腾讯导航数据等，通过利用互联网位置数据可获取细颗粒度小区间的实际耗时矩阵，从而能准确识别出某一点与任意区域的交通出行时耗。基于互联网的耗时矩阵精度高，从时间维度上体现了出行者的实际耗时，并非交通模型计算的某一时刻路网分配结果。一般而言，与城市中心的时耗越小，可达性越强，区域发展越成熟。

(4)商务休闲活动驻点密度：该指标必须结合手机信令数据获取，通过信令数据获得驻点分布，进而获取驻点密度。与传统驻点算法不同，本发明采取了基于高频率信号触发、具有时空间关联特征的用户信令数据和用户上网数据，通过对手机数据的职住对应关系(Live-Work)和时空间核聚类Clus分析，提出了一种满足用户出行特征的驻点判断方法，具体流程如图2所示。

四个指标从不同层面反应出某一区域的开发成熟度，因此需采用一定权重对四个指标进行加权，以获取体现多种因素的综合指标，进而用于城市发展边界识别。本发明采用专家打分法确定指标权重，通过对20位城市规划领域相关专家调查，四个指标最终权重分别为0.22、0.18、0.33、0.27。

确定四个指标权重后，为使各指标能在同一纬度进行加权，还需进行指标的“归一化”处理。本发明采取临界阈值对各指标进行归一处理，临界阈值计算方法为：将某一城市划分为若干个交通分区(颗粒度越细越好，一般特大城市应达到3000个以上，大城市应达到1500个左右)，计算某一指标值，然后从高到底排序绘制分布曲线，采取80％分位值作为该指标的阈值，则某一区域的该指标“归一化”值为指标计算值与阈值的比值。据此计算各分区的综合指标如下式所示：

式中；为交通分区i指标j的归一化值，A_ij为交通分区i指标j的计算值，θ_j为指标j的阈值，λ_i为交通分区i的综合指标，β_j为指标j的权重系数。

在归一化值的计算过程，人口密度、POI兴趣点密度、商务休闲活动驻点密度均为正影响值，但与城市中心可达性值为负影响，该值用出行时间反应，出行时间越大可达性越差，应采取倒数进行归一化处理。

本发明基于综合指标，并利用核密度法进行城市发展边界识别。核密度分析法在城市热点探索方面应用广泛。该方法应用与计算空间点、线要素在周围领域中的密度，并对密度分布进行连续化的模拟，以图像中每个栅格的核密度值反应空间要素的分布特征。本发明根据每个交通分区内综合指标的核密度值估计其周围密度，并通过对不同搜索半径下的核密度分析结果进行比较，从而选取适合本发明的最优搜索半径。其中，核密度函数计算公式如下：

式中，f(x)为x处的核密度估计值，r为搜索半径，n为样本总数，d_ix为分区i与x的距离，为距离的权重。

下面以广州市为例具体阐述本发明的空间识别方法：

1)四大指标的获取及阈值的选择

ⅰ)指标获取利用的数据源

在广州市活力区和中心城区边界识别中，主要利用联通手机信令数据、腾讯位置数据、百度POI兴趣点数据，各数据主要用途如表1所示，POI兴趣点数量见表2所示。

表1各指标具体获取方法一览表

表2广州市POI兴趣点数量分布一览表

序号	分类	数量(个)	占比
				1	购物商场等	51615	29.2％
2	学校	4742	2.7％
				3	医疗保健	4164	2.4％
4	休闲娱乐	3726	2.1％
				5	酒店宾馆	3389	1.9％
6	银行金融	2649	1.5％
				7	运动健身	1317	0.7％
8	文化场馆	543	0.3％
				9	餐饮	21336	12.1％
10	生活服务	17811	10.1％
				11	公司企业	27456	15.6％
12	机构团体	9193	5.2％
				13	基础设施	12695	7.2％
14	旅游服务	248	0.1％
				15	其它	15581	8.8％

ⅱ)各交通小区指标计算

基于各类信息数据，获取广州市3989个交通分区的四大指标，具体各指标的空间分布如图3-6所示。

ⅲ)指标阈值的确定及归一化处理

将四大指标的各分区值按从小到大排序后取80％分位值为该指标阈值，如图7-10所示。其中人口综合密度阈值为2.5万/平方公里、POI兴趣点密度阈值为350个/平方公里、与城市中心可达性阈值为62分钟、商务休闲活动驻点密度阈值为4.5万人次/平方公里。归一化处理后并按权重系数0.22、0.18、0.33、0.27加权后得到各交通小区的综合指标如图11所示。

2)广州市活力区和中心城区边界识别

按式(7)进行核密度算法识别，得到结果如图12所示，根据计算结果并适当考虑城市现状路网分割，划定广州活力区的范围为93平方公里，中心城区边界约600平方公里(具体见图12所示)，从而指导城市交通政策制定、先行试验及交通引导，并对规划城市空间提供基础支撑。

3)与同类城市比较

类比纽约、伦敦、东京、巴黎四大国际一流城市，研究识别的广州活力区介于东京都心6区和小巴黎范围面积之间；主城区面积约600平方公里，与北京、东京、巴黎基本相当。从识别的城市活力区和中心城区边界来看，城市发展范围已达到国际一流城市的水平。

表3识别的广州市活力区和主城区范围与同类城市对比一览表

从实施例中可以看到，本发明的快速动力时程分析方法具备如下优点：

1)本发明基于信息数据，采取动静结合的四大指标进行综合分析，并基于核密度法识别城市活力区和中心城区边界，为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。

2)与传统计算方法不同，本发明的数据获取基于高频率信号触发、具有时空间关联特征的手机信令数据和位置数据，数据获取的精确性使得计算出的人口综合密度、与城市中心可达性、和商务休闲活动驻点密度具备高度的精确性，对后续城市发展空间识别垫定了基础。

3)本发明的城市活力区和中心城区边界识别的方法采取动静结合的四大指标进行综合分析，克服了传统城市空间识别过程中存在的指标单一、仅注重静态指标、缺乏动态指标等缺陷，更精准地摸清了城市发展的边界，为快速城市化进程中的各大城市提供政策实施过程中的地域范围动态调整方法。

4)本发明的城市活力区和中心城区边界识别的方法采用专家打分法确定四大指标权重，通过对多位城市规划领域相关专家进行调查，确定四个指标的最终权重，并对指标进行“归一化”处理后得到各交通小区的综合指标，使得综合指标的获取更加真实、全面、准确。

应当理解的是，本发明描述的方法的步骤仅仅是示例性的描述，对其先后进行的时间顺序没有特殊的要求，除非其本身有必然的先后顺序关系。

如上所示，本发明虽然已参照有限的实施例和附图进行了说明，但在本发明所属领域中具备通常知识的人均可以从此记载中进行各种修改和变形。由此，其他实施例及权利要求书与等同物均属于权利要求的保护范围。

Claims (5)

1.一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，其特征在于步骤如下：

第一步，基于长周期的手机信令数据、位置数据识别所述城市的职住点分布，聚类到所述城市的交通小区，按下式(1)计算人口综合密度：

式中，pe_i为区域i的人口综合密度，emp_i为区域i就业岗位数，pop_i为区域i居住人口数，area_i为区域i面积，α为人口调整系数，用来反映活跃人口的影响，α可用所述城市的从业人员与常住人口数的比值标定；

第二步，获取POI兴趣点，利用所述POI兴趣点的数量计算POI兴趣点密度，计算公式如下式(2)：

式中，poi_i为区域i的POI兴趣点密度，poi_ij为区域i的j类兴趣点的数量，area_i为区域i面积；

第三步，利用位置数据获取所述城市的交通分区内的小汽车、常规公交、轨道实际耗时矩阵，按下式(3)计算城市中心的可达性：

t_i＝min(t_cari,t_busi,t_metroi) (3)

式中，t_i为区域i到达城市中心的最小出行时间，t_cari为区域i采用小汽车方式到达城市中心的出行时间，t_busi为区域i采用常规公交方式到达城市中心的出行时间，t_metroi为区域i采用地铁方式到达城市中心的出行时间；

第四步，利用手机信令数据获取商务休闲活动驻点，利用位置数据确定手机营业商的份额占比，扩样后按下式(4)计算商务休闲活动驻点密度：

式中，d_i为区域i的商务休闲活动驻点密度，d_ij为区域i的j类驻点的数量，area_i为区域i面积；

第五步，将所述人口综合密度、POI兴趣点密度、与城市中心的可达性、商务休闲活动驻点密度这四大指标的各分区值按从小到大排序后取80％分位值为该指标阈值，归一化处理后并按权重系数加权后得到各交通小区的综合指标，具体计算公式如下式(5)、式(6)所示：

式中；为交通分区i指标j的归一化值，A_ij为交通分区i指标j的计算值，θ_j为指标j的阈值，λ_i为交通分区i的综合指标，β_j为指标j的权重系数。

第六步，根据每个交通分区内的所述综合指标的核密度值估计其周围密度，并通过对不同搜索半径下的核密度分析结果进行比较，从而选取适合的最优搜索半径；其中，核密度函数计算公式如下式(7)所示：

式中，f(x)为x处的核密度估计值，r为搜索半径，n为样本总数，d_ix为分区i与x的距离，为距离的权重。

2.根据权利要求1所述的边界识别的方法，其特征在于，所述POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所。

3.根据权利要求1-2任一项所述的边界识别的方法，其特征在于，第五步中，采用专家打分法确定权重系数，通过对20位城市规划领域相关专家调查，所述四大指标的最终权重分别为0.22、0.18、0.33、0.27。

4.根据权利要求1-3任一项所述的边界识别的方法，其特征在于，所述手机信令数据为移动手机信令数据或联通手机信令数据。

5.根据权利要求1-4任一项所述的边界识别的方法，其特征在于，所述位置数据为高德导航数据、百度导航数据、搜狗导航数据、Google导航数据或腾讯导航数据。