CN110956089A - 基于ict技术的历史街区步行性测度方法 - Google Patents

基于ict技术的历史街区步行性测度方法 Download PDF

Info

Publication number
CN110956089A
CN110956089A CN201911064653.5A CN201911064653A CN110956089A CN 110956089 A CN110956089 A CN 110956089A CN 201911064653 A CN201911064653 A CN 201911064653A CN 110956089 A CN110956089 A CN 110956089A
Authority
CN
China
Prior art keywords
data
street
variable
regression model
degree
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
Application number
CN201911064653.5A
Other languages
English (en)
Other versions
CN110956089B (zh
Inventor
李苗裔
林逸飞
沈振江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911064653.5A priority Critical patent/CN110956089B/zh
Publication of CN110956089A publication Critical patent/CN110956089A/zh
Application granted granted Critical
Publication of CN110956089B publication Critical patent/CN110956089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于ICT技术的历史街区步行性测度方法，包括：1、收集并整合目标街区内的基础数据、开放数据和传感器数据；2、对所述基础数据、开放数据和传感器数据进行预处理，得到量化后的指标变量；3、根据该指标变量构建多元线性回归模型；4、根据该多元线性回归模型得到对应变量的权重大小，并通过多元线性回归模型拟合成变量系数，通过该变量系数得到自变量与因变量的关系，找出影响步行性的主要因素，得到测度结果，再根据该测度结果进行讨论，并对目标街区的步行性提出建议。本发明是通过对街区步行性进行研究，根据测度结果对目标街区的步行性提出合理性的建议。

Description

基于ICT技术的历史街区步行性测度方法
技术领域
本发明涉及街区步行性测度技术领域，尤其涉及一种基于ICT技术的历史街区步行性测度方法。
背景技术
历史街区的活力复兴是城市发展研究的一个重点关注领域，良好的可步行环境是街区活力的重要保障，了解历史街区各影响要素与街区步行性的关系将有助于揭示其构成机制和作用机理。
20世纪末，美国学者最早提出了步行性(walkability)的概念，其计算指标囊括了与慢行交通相关的城市建成环境维度。步行性可以反映一个地区对人们步行的整体支持情况，通常要考虑步行设施的质量、土地利用模式、道路情况以及步行的安全感和舒适感。改革开放以来，我国迎来快速城市化阶段，城市环境与人们的意识形态都在发生转变。新时代下，人们的步行环境需求同落后的街道环境和交通组织发生矛盾，使得人们的步行意愿降低，街道上“低头”现象随处可见。Gilderbloom等通过研究步行性与房价、犯罪率、止赎率(丧失房屋赎回权)的关系，认为步行性也是一种重要的社会经济资源。
自步行性的概念被提出之后，一直是城市规划、交通与园林领域所关注的问题，三个领域之间的研究存在一定交叉却也有其各自的侧重点。其中，城市规划领域从城市建成环境角度出发研究街道的步行性，交通领域则更关注道路的步行效率和路径线性，而园林则着眼于从绿色空间评价和分布研究街道的步行性。
关于步行性的测度评价方法，欧美各国已形成了成熟且应用广泛的步行性测量与评价工具，包括美国的步行指数(walk score),英国的行人环境评估系统(PERS),新西兰的社区街道评估(CSR)等。其中以美国学者基于地区的业态服务能力和交通成本提出的“步行指数”应用最为广泛，被用作美国每年一度的各大城市步行指数测算及排名中。“步行指数”在测算中只需要处理城市路网和日常设施数据，易于在大面积推广，但不适用于小尺度的街区评价。我国学者在探索过程中强调了街区环境要素对步行性的作用，引入了街道的界面特征、休闲空间、步行者心理感受和绿视率等指标。
综上我们可以发现，大多数既有研究只对城市建成环境与步行性的关系进行分析，鲜有学者关注声光热等自然环境要素与街道步行性的关系。建成环境要素肉眼可查，而自然环境要素则主要通过身体感受，两者相辅相成影响着步行者的心理感受。通过在步行性研究中加入自然环境要素将有助于加深和完善步行性研究的维度，从而为步行性的提升提供更完备的支持。
发明内容
本发明要解决的技术问题，在于提供一种基于ICT技术的历史街区步行性测度方法，通过对街区步行性进行研究，根据测度结果对目标街区的步行性提出合理性的建议。
本发明的问题是这样实现的：
一种基于ICT技术的历史街区步行性测度方法，包括如下步骤：
步骤1、收集并整合目标街区内的基础数据、开放数据和传感器数据；
步骤2、对所述基础数据、开放数据和传感器数据进行预处理，得到量化后的指标变量；
步骤3、根据该指标变量构建多元线性回归模型；
步骤4、根据该多元线性回归模型得到对应变量的权重大小，并通过多元线性回归模型拟合成变量系数，通过该变量系数得到自变量与因变量的关系，找出影响步行性的主要因素，得到测度结果，再根据该测度结果进行讨论，并对目标街区的步行性提出建议。
进一步地，所述步骤1具体为：
根据目标街区的地理信息获取基础数据，该基础数据包括：平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据；
根据百度开发者平台获取开放数据，该开放数据包括：从百度开发者平台获取的街景图片中得到的绿视率数据和天空可见度数据，以及从百度开发者平台获取的地图兴趣点中得到的功能密度数据和功能混合度数据；
根据ICT传感器获取传感器数据，该传感器数据包括：步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据。
进一步地，所述步骤1中平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据的获取方式具体为：
所述平均建筑高度数据的具体获取方式是通过取每条街道周围建筑的平均高度构成该街道的平均建筑高度；
所述道路宽度数据的具体获取方式是通过选取街道中点的道路宽度构成整条街道的宽度得出的；
所述整合度数据和穿行度数据的具体获取方式是将原始的道路经过拓扑结构修复后，通过分析计算得出每条街道的空间整合度和穿行度，该整合度数据反应了该街道作为目的地的可达性情况，该穿行度数据反应了其作为最短路径被穿行的频率。
进一步地，所述步骤1中绿视率数据、天空可见度数据、功能密度数据和功能混合度数据的获取方式具体为：
所述绿视率数据和天空可见度数据的具体获取方式是采用SegNet卷积神经网络结构对街景图片的绿视率与天空可见度进行解析，通过Keras搭建SegNet神经网络对图像进行语义分割，将街景图片的每个像素点划分为天空、建筑、道路、绿化和其它，并计算得出每张街景图片的绿视率和天空可见度并取平均值作为该街道的绿视率和天空可见度指标；
所述功能密度数据和功能混合度数据的具体获取方式是根据拓扑修复后的道路，选取街道两侧m米内的POI点位，通过计算每个街道内的POI点数和信息熵，获得街道的功能密度与功能混合度：
Figure BDA0002258949000000041
Diversity＝-∑(pi*lnpi)，(n＝1，...n)
其中，Density代表功能密度，num_POIs,代表该街道m米缓冲区范围内的POI总数，road_length表示道路长度；Diversity代表功能混合度，n表示该街道POI的类别总数，pi表示某类POI占该街道POI总数的比例。
进一步地，所述步骤1中步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据的获取方式具体为：
所述步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在晚上数据、是否在夜间数据和是否在工作日数据均是通过ICT传感器每分钟采集一次数据，通过降采样取一小时内的平均值为代表值。
进一步地，所述步骤2具体为：
将所述传感器数据中的步行人流量数据作为因变量；
将所述传感器数据中的噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据和车流量数据作为自然环境自变量；
将所述基础数据中的平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据以及开放数据中的绿视率数据、天空可见度数据、功能密度数据和功能混合度数据作为建成环境自变量；
将所述传感器数据中的是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据作为时间自变量。
进一步地，所述步骤3具体为：
根据该指因变量、自然环境自变量、建成环境自变量和时间自变量，并采用多元线性回归模型进行建模，形式如下：
Yt＝βen+∑βi*Xi
其中，Yt为某时刻城市传感器检测到的步行人流量，βen是多元线性回归模型的随机扰动项，扰动项均服从正态分布，βi为第i个自变量的斜率,Xi为第i个自变量的取值。
进一步地，所述步骤4具体为：
通过该多元线性回归模型，根据自然环境自变量、建成环境自变量和时间自变量预测目标历史街区的步行人流量，用以代表该目标历史街区的步行性；根据该多元线性回归模型得到多重相关系数R值，对R值进行平方调整后得到R平方值，该R平方值表明多元线性回归模型中自变量和因变量之间的线性相关等级高低，根据相关性等级高低评估该多元线性回归模型的拟合程度好坏；
在多元线性回归模型的拟合程度中，将多元线性回归模型的自变量进入方式选择为输入式回归方式，在输入时，完全不相关的自变量在进入多元线性回归模型时将被自动剔除，对成功进入多元线性回归模型的自变量进行方差分析，结果得到各个自变量的p值，若p≤0.05，表明对应的自变量与因变量存在线性关系，若p＞0.05，表明对应的自变量与因变量不存在线性关系；
根据多元线性回归模型拟合出各自变量的变量系数，该变量系数反映自变量与因变量的关系，根据变量系统的大小找出影响步行性的主要因素，变量系数越大，说明该自变量对步行性的影响越大，得到测度结果，再根据该测度结果进行讨论，并通过调整和控制变量系数大的因素来对目标街区的步行性提出建议。
本发明的优点在于：
本发明是将ICT传感器收集的长时序自然环境要素引入到街区步行性的测度中，结合传统城市建成环境要素构成自变量，以步行人流量作为因变量近似刻画街区的步行性，依此建立街区步行性的多元线性回归模型，为消除时间对步行人流量的影响，在多元线性回归模型中引入了时间变量作为控制变量。研究结果发现：(1)历史街区内的自然环境和建成环境要素都对街道步行性有着显著影响，其中，道路整合度、天空可见度与光照强度未通过显著性检验；(2)建成环境要素具有更强影响力，其影响权重的绝对平均值是自然环境要素的14.5倍,与步行性呈最高正相关的影响要素为绿视率，权重值为46.88，呈最高负相关的影响要素为道路宽度，权重为-2.82；(3)在普通街道呈现正相关的功能密度变量，在历史街区地段呈现出了微弱的负相关,人们更热衷于业态混合的街道，可以满足多元的需求。结合白塔寺历史街区的现状与研究结果，提出了历史街区步行性提升建议。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明一种基于ICT技术的历史街区步行性测度方法的设计框架图。
图2为本发明一种基于ICT技术的历史街区步行性测度方法的执行流程图。
图3为本发明中北京白塔寺历史街区的结构示意图。
图4为本发明中实际参与研究的街道样本示意图。
图5为本发明中街道绿化与天空可见度提取示例图。
图6为本发明中北京白塔寺各街道的道路宽度分布图。
图7为本发明中北京白塔寺各街道的平均建筑高度分布图。
图8为本发明中北京白塔寺各街道的功能密度分布图。
图9为本发明中北京白塔寺各街道的功能混合度分布图。
图10为本发明中北京白塔寺各街道的整合度分布图。
图11为本发明中北京白塔寺各街道的穿行度分布图。
图12为本发明中北京白塔寺各街道的绿视率分布图。
图13为本发明中北京白塔寺各街道的天空可见度分布图。
具体实施方式
为使得本发明更明显易懂，现以一优选实施例，并配合附图作详细说明如下。
如图1和图2所示，本发明的一种基于ICT技术的历史街区步行性测度方法，包括如下步骤：
步骤1、收集并整合目标街区内的基础数据、开放数据和传感器数据；该步骤具体为：
根据目标街区的地理信息获取基础数据，该基础数据包括：平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据；其中，所述平均建筑高度数据的具体获取方式是通过取每条街道周围建筑的平均高度构成该街道的平均建筑高度；所述道路宽度数据的具体获取方式是通过选取街道中点的道路宽度构成整条街道的宽度得出的；所述整合度数据和穿行度数据的具体获取方式是将原始的道路经过拓扑结构修复后，通过分析计算得出每条街道的空间整合度和穿行度，该整合度数据反应了该街道作为目的地的可达性情况，该穿行度数据反应了其作为最短路径被穿行的频率；
根据百度开发者平台获取开放数据，该开放数据包括：从百度开发者平台获取的街景图片中得到的绿视率数据和天空可见度数据，以及从百度开发者平台获取的地图兴趣点中得到的功能密度数据和功能混合度数据；其中，所述绿视率数据和天空可见度数据的具体获取方式是采用SegNet卷积神经网络结构对街景图片的绿视率与天空可见度进行解析，通过Keras搭建SegNet神经网络对图像进行语义分割，将街景图片的每个像素点划分为天空、建筑、道路、绿化和其它，并计算得出每张街景图片的绿视率和天空可见度并取平均值作为该街道的绿视率和天空可见度指标；所述功能密度数据和功能混合度数据的具体获取方式是根据拓扑修复后的道路，选取街道两侧m米内的POI点位，通过计算每个街道内的POI点数和信息熵，获得街道的功能密度与功能混合度：
Figure BDA0002258949000000071
Diversity＝-∑[pi*lnpi)，(n＝1，…n)
其中，Density代表功能密度，num_POIs,代表该街道m米缓冲区范围内的POI总数，road_length表示道路长度；Diversity代表功能混合度，n表示该街道POI的类别总数，pi表示某类POI占该街道POI总数的比例；
根据ICT传感器获取传感器数据，该传感器数据包括：步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据；其中，所述步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据均是通过ICT传感器每分钟采集一次数据，通过降采样取一小时内的平均值为代表值；
步骤2、对所述基础数据、开放数据和传感器数据进行预处理，得到量化后的指标变量；该步骤具体为：
将所述传感器数据中的步行人流量数据作为因变量；
将所述传感器数据中的噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据和车流量数据作为自然环境自变量；
将所述基础数据中的平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据以及开放数据中的绿视率数据、天空可见度数据、功能密度数据和功能混合度数据作为建成环境自变量；
将所述传感器数据中的是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据作为时间自变量；
步骤3、根据该指标变量构建多元线性回归模型；该步骤具体为：
根据该指因变量、自然环境自变量、建成环境自变量和时间自变量，并采用多元线性回归模型进行建模，形式如下：
Yt＝βen+∑βi*Xi
其中，Yt为某时刻城市传感器检测到的步行人流量，βen是多元线性回归模型的随机扰动项，扰动项均服从正态分布，βi为第i个自变量的斜率,Xi为第i个自变量的取值；
步骤4、根据该多元线性回归模型得到对应变量的权重大小，并通过多元线性回归模型拟合成变量系数，通过该变量系数得到自变量与因变量的关系，找出影响步行性的主要因素，得到测度结果，再根据该测度结果进行讨论，并对目标街区的步行性提出建议；该步骤具体为：
通过该多元线性回归模型，根据自然环境自变量、建成环境自变量和时间自变量预测目标历史街区的步行人流量，用以代表该目标历史街区的步行性；根据该多元线性回归模型得到多重相关系数R值，对R值进行平方调整后得到R平方值，该R平方值表明多元线性回归模型中自变量和因变量之间的线性相关等级高低，根据相关性等级高低评估该多元线性回归模型的拟合程度好坏；
在多元线性回归模型的拟合程度中，将多元线性回归模型的自变量进入方式选择为输入式回归方式，在输入时，完全不相关的自变量在进入多元线性回归模型时将被自动剔除，对成功进入多元线性回归模型的自变量进行方差分析，结果得到各个自变量的p值，若p≤0.05，表明对应的自变量与因变量存在线性关系，若p＞0.05，表明对应的自变量与因变量不存在线性关系；
根据多元线性回归模型拟合出各自变量的变量系数，该变量系数反映自变量与因变量的关系，根据变量系统的大小找出影响步行性的主要因素，变量系数越大，说明该自变量对步行性的影响越大，得到测度结果，再根据该测度结果进行讨论，并通过调整和控制变量系数大的因素来对目标街区的步行性提出建议。
本发明以北京白塔寺历史街区为例，研究范围为北京白塔寺历史街区片段。白塔寺街区是北京市重要的历史文化街区，位于北京西城区，是阜成门内历史文化街区，是北京市重要的历史文化街区之一(图3)。白塔寺作为该片区的重要地标，是北京老城空间景观的重要组成部分。近几十年来，随着旧房破败，基础设施日益陈旧，白塔寺的街区环境与居民日益提高的生活质量需求逐渐产生矛盾，街道的步行性降低，使得街区的人流活力开始下降。
以白塔寺历史街区为对象，本发明的研究数据主要包括：①精细到步行道路的道路网矢量数据共77条；②包含建筑高度的矢量建筑数据共3832个；③从百度开发者平台获取的2316个地图兴趣点(point of interest,POIs)；④从百度开发者平台获取的街景图片，于2018年8月抓取，取点选在道路中心位置，将垂直视角设置为0以接近人视，并在同一位置以[0-90]、[90-180]、[180-270]、[270-360]四个视角进行抓取以囊括周围的全部环境，每张图片的分辨率为480*360，共计164张；⑤29台ICT传感器获取的实时数据，时间跨越2017年9月到2018年1月，每分钟采集一次数据(温度、湿度、光照强度、噪声、PM2.5、风速、车流量)。由于街景图片采集范围和传感器分布的限制，为保证数据维度的一致性，在剔除部分街道后实际参与研究的街道共41条(图4)。
本发明是以北京白塔寺历史街区为例，基于北京白塔寺历史街区的基础数据和开放数据构成8个建成环境自变量，并通过ICT传感器收集研究区内声光热等7个自然环境自变量，同时引入6个代表时间的自变量作为控制变量，共构成3组自变量。以3组自变量与ICT传感器收集的街道步行人流量作为因变量，利用多元线性回归模型构建历史街区步行性的测度模型。通过对测度模型进行解读，获悉建成环境和自然环境各要素与街区步行性的动态联系。研究结果发现，虽然建成环境要素的整体权重要高于自然环境要素，但是自然环境和建成环境都对街区步行性均具有显著影响。基于研究结果结合白塔寺历史街区的现状，我们提出了历史街区步行性提升建议。
街道的步行性可分为外在表征和支撑要素，支撑要素构成了人们步行的环境，影响着人们的步行体验，其外在表征代表了步行性的外在显化。本研究中以ICT传感器监测到的步行人流量作为街道步行性的外在表征，以城市建成环境要素与自然环境要素构成步行性的支撑要素。通过对原始数据进行数据预处理，得到量化后的指标变量，以便训练模型。以下为构造的指标变量：
①步行人流量
以步行人流量数据近似刻画街道步行性，步行人流量数据依靠ICT传感器每分钟采样一次。为便于研究，通过降采样取一小时内的平均值为代表值。
②整合度与穿行度
原始的道路经过拓扑结构修复，可用于空间句法计算。通过分析计算得出每条街道的空间整合度和穿行度。其中，整合度反应了该街道作为“目的地”的可达性情况，穿行度反应了其作为最短路径被穿行的频率。
③功能密度与功能混合度
根据拓扑修复后的道路，选取街道两侧25米内的POI点位。通过计算每个街道内的POI点数和信息熵，获得街道的功能密度与功能混合度变量。
Figure BDA0002258949000000111
Diversity＝-∑(pi*lnpi)，(n＝1，...n)
其中，Density代表功能密度，num_POIs,代表该街道25米缓冲区范围内的POI总数，road_length表示道路长度；Diversity代表功能混合度，n表示该街道POI的类别总数，pi表示某类POI占该街道POI总数的比例。
④绿视率与天空可见度
对街景图片的绿视率与天空可见度的解析采用SegNet卷积神经网络结构进行，通过Keras搭建SegNet神经网络对图像进行语义分割，将街景图片的每个像素点划分为天空、建筑、道路、绿化和其它，并计算得出每张街景图片的绿视率和天空可见度并取平均值作为该街道的绿视率和天空可见度指标(图5)。
⑤道路宽度与平均建筑高度
由于该历史街区内的一条街道其宽度常发生变化，所以选取街道中点的道路宽度代表整条街道的宽度，并取每条街道周围建筑的平均高度构成该街道的平均建筑高度变量。
⑥自然环境变量
通过ICT传感器每分钟收集一次的自然环境数据包含温度、湿度、光照强度、噪声、PM2.5、风速和车流量。为便于研究，通过降采样取一小时内的平均值为代表值。
⑦时间变量
为避免时间要素的干扰，在模型中加入了时间变量作为控制变量，其变量类型设置为哑变量。将每日的时间分为以下五个时间段：7:00-10:00、10:00-16:00、16:00-20:00、20:00-23:00和23:00-次日7:00。五个时间段分别对应早高峰、白天、晚高峰、晚上和夜间。
最终共计21个自变量，和1个因变量(表1)。
表1模型变量及获取方式
Figure BDA0002258949000000121
Figure BDA0002258949000000131
回归模型是基于变量(自变量、因变量)之间统计相关性建立的特殊平差模型,用以寻找其内在的统计规律。它主要解决以下几个问题:判断一组数据集中的变量间是否有一定的相关性,若有,便可计算得到回归模型；判断影响因变量的各个自变量对其影响的显著性；利用求出的回归模型对实际观测值进行合理的预测与有效的控制。此处采用OLS回归模型进行建模，形式如下：
Yt＝βen+∑βi*Xi
其中，Yt为某时刻城市传感器检测到的步行人流量，βen是因变量为多元线性回归模型的随机扰动项，扰动项均服从正态分布，βi为第i个自变量(噪声值、温度、道路宽度等)的斜率,Xi为第i个自变量的取值。
步行性影响要素的空间分布规律：
本发明采用自然间断点分级方法将所有量化指标分为5级，在显示结果中仅保留了参与后续模型计算的道路。研究街区内道路纵横，以巷道和支路为主，除阜成门大街外，其余道路宽度均小于25m，属于典型的“宅马路、密路网”(图6)。从平均建筑高度、功能密度与功能混合度来看(图7、图8和图9)，研究街区整体功能业态集中在福绥境胡同附近，其代表数值明显高于其它地段。从整合度与穿行度来看(图10和图11)，区域内可达性较高的位置位于宫门口东西巷、安平巷和福绥境胡同附近，与功能密集和业态混合地段较为一致，东西向的道路如宫门口头条和宫门口三条等穿行频率要明显高于南北向道路。绿视率和天空可见度(图12和图13)虽然整体数值分异程度较大，但两端数值在研究区分布较为均匀。
步行性影响要素的测度结果：
通过多元线性回归模型，根据温度、湿度等自然环境自变量、道路宽度等建成环境自变量和时间自变量预测街道的步行人流量用以代表街道的步行性。多元线性回归模型的多重相关系数R值为0.703，调整R平方为0.494，表明多元线性回归模型的自变量和因变量为中高等相关,多元线性回归模型的拟合程度较好，(表2)。
表2：模型摘要
Figure BDA0002258949000000141
a、预测自变量：(常量)，车流量、光照强度、噪声、温度、湿度、PM2.5值、风速、道路宽度、平均建筑高度、天空可见度、绿视率、整合度、穿行度、功能密度、功能混合度、晚上、夜间、工作日、早高峰、晚高峰；
b、因变量：步行人流量。
为验证多元线性回归模型总体是否有意义(即多元线性回归模型是否比空模型效果要好)，对变量进行了方差分析。结果得到F＝3530.587，p<0.001,表明多元线性回归模型的自变量和因变量之间存在线性相关。因此，多元线性回归模型具有统计学意义(表3)，F值和p值可用于分析多元线性回归模型的统计学意义。
在多元线性回归模型的拟合过程中，将多元线性回归模型的变量进入方式选择为“输入式”回归方式，最终被多元线性回归模型自动剔除的变量为“白天”变量。而在被纳入多元线性回归模型的变量中，共有18个变量具有统计学意义(p≤0.05)。其中，“整合度”和“天空可见度”变量不具有统计学意义(p>0.05)，代表这两个变量与步行人流量不存在线性关系。
表3：方差分析
Figure BDA0002258949000000142
Figure BDA0002258949000000151
a、预测自变量：(常量)，车流量、光照强度、噪声、温度、湿度、PM2.5值、风速、道路宽度、平均建筑高度、天空可见度、绿视率、整合度、穿行度、功能密度、功能混合度、晚上、夜间、工作日、早高峰、晚高峰；
b、因变量：步行人流量。
从多元线性回归模型的整体系数来看(表4)，建成环境要素的平均占比要更高。其中代表建成环境要素的绿视率、功能混合度和穿行度有较大权重。自然环境自变量所占权重较小。在自然环境自变量中，噪声和温度变量占有较大权重。通过模型拟合的变量系数，可以解读自变量与因变量的关系。例如：温度的系数是-0.83，代表在其余变量保持不变的情况下，温度每上升1摄氏度，该小时的平均步行人流量将下降0.83；道路宽度的系数是-2.8，表示当道路宽度每增加1米时，该小时的平均步行人流量会减少3人。而时间自变量在研究中被设置为分类变量，例如“晚高峰”变量的取值范围为0或1，其中0代表当前时段不处于晚高峰时间段，1代表处于晚高峰时间段。其中，“晚高峰”变量的系数为20.23，代表当时间处在晚高峰时间段时，每小时的平均步行人流量将高出平时20人。
表4：系数
Figure BDA0002258949000000152
Figure BDA0002258949000000161
a.因变量：步行人流量
说明：
非标准化系数为回归模型计算出来的各自变量斜率，标准系数为自变量经过标准化(减均值除以方差)后的斜率。由于不同自变量存在量纲上的差异(道路宽度可从几百厘米到几千厘米，而绿视率仅从0.0-1.0范围内波动)，为了探究自变量之间的重要性，需要采用标准系数进行比对。
表中，t与显著性代表的是对变量进行假设检验时计算得到的t值和p-value，显著性小于0.05代表该自变量对因变量有显著影响。由于变量的斜率是个估计值，存在一个区间范围，所以非标准化系数中的B选取的是区间的平均值，最后两列为区间的范围。
测度结果表明，本发明中的历史街区自然环境和建成环境要素对步行性具有显著的影响，与历史街区的步行性条件息息相关。总体而言，建成环境要素的影响更大。但由于控规条例对历史街区地段的诸多限制，所以并不适合大刀阔斧地对道路宽度、结构和建筑等进行调整。甚至基于历史街区文化承载属性的考虑，功能业态的提升也有所限制，不可追求商业利益最大化而导致枯燥乏味的城市空间。因此，在历史街区地段，可以更多从自然环境要素入手，打造便捷、趣味、舒适的步行空间。基于测度结果，提出了以下三条历史街区步行性提升建议。
第一，改善街道微气候。案例区域位于北京市，该区域人口密度大、热岛效应显著，常有雾霾侵扰。研究结果发现自然环境要素对步行性的影响作用显著，自然环境质量越高，街区的步行性越强。提升街道自然环境可通过改善街区微气候实现，具体措施包括提高街道高宽比、优化建筑界面、增加绿化和通风廊道等。
增加绿化不但能提供遮阳改善微气候等，同时还会带来绿视率的提升，提升人们的心理感受。研究发现，绿视率的提升对步行性有着非常显著的影响，其系数高达46.8，占有最高的权重。既往研究也显示当绿视率在25％以上时，人们会对街道有较好的感受，因此绿视率高于25％已成多许多城市绿化建设的目标。
第二，整理功能业态。历史街区因其特有的文化符号和传统建筑，已经成为文化旅游消费的时尚场所，其内部的功能业态逐步成为街区保护更新的驱动力。研究发现，历史街区内街道的功能混合度越高，其步行性也越强，这点与既往在普通街道上的研究结果相符合。然而在以往研究中，对步行性起到正向作用的功能密度却在历史街区中起到了微弱的负面作用。由此推断，在历史街区内步行的主要目的是体验式游憩而非进行消费等商业活动。所以过度商业化的历史街区将不利于步行性的塑造与提升。多元、业态丰富的的街道更容易吸引人流，提供良好的步行体验。因此，功能的置换与提升需照顾到当地的历史文化特色与空间意象，业态的选择上应适宜布置独具当地特色的家庭式经营店铺。然而，在提升街区功能混合度时，不可避免有新的业态引入造成功能密度的提升。因此，在整理功能业态时需要对功能混合度和功能密度进行取舍权衡。
第三，疏通道路结构。陈旧的交通系统将增加历史街区更新和活力提升的困难。空间狭窄、交通混乱、公共基础设施陈旧等现状严重阻碍了街区的步行性的塑造提升。研究发现，穿行度和宽度对历史街区步行性具有显著影响。而在本研究中，整合度虽然未通过显著性检验，但在既往研究中整合度被证明是与步行人流量息息相关的指标。道路穿行度和整合度的提升会带来步行性的提高，而道路宽度增加会造成步行性的降低。穿行度与整合度的值通常与路网密度有关，高的路网密度将带来穿行度和整合度的提升。因此，可考虑疏通道路结构，打通断头路，引导业态，营造更丰富的业态环境以增强活力。研究发现，宽度过大的道路不利于人感尺度的塑造，继而降低人们的步行意愿，这与研究结果相印证。但是，历史街区内的道路宽度难以调整，可参考庭院式的道路设计方案。通过划定车范围边界规范街道空间的权属，并将街道适当曲折降速，以打造良好的步行环境。
本发明通过引入ICT传感器的实时自然环境数据和建成环境数据，构建步行性测度的多元线性回归模型，拓展了步行性测度研究中的自然环境要素。研究结果显示自然环境和建成环境都对历史街区的步行性有着显著影响。其中，建成环境的平均影响力要强于自然环境。研究结果中，关于穿行度、整合度和功能混合度等建成环境要素结果都与前人的研究结果相印证，而功能密度则表现出了不一致，由此推测是因为在历史街区地段的过度商业化会有损街区的步行性。而在本研究中引入的自然环境要素，虽然其平均权重不及建成环境要素，但也表现出了显著影响，尤其适用于于不适合大刀阔斧的历史街区。
本发明由于受限于传感器分布，所以仅将案例区选择在历史街区地段，无法获悉自然环境要素在非历史街区地段对步行性的影响。同时，本发明以每分钟步行人流量来近似刻画街道步行性，对步行人的实际步行体验如安全感、舒适感和步行停留活动等缺少调查，日后应结合问卷调查进行补充。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (8)

1.一种基于ICT技术的历史街区步行性测度方法，其特征在于：包括如下步骤：
步骤1、收集并整合目标街区内的基础数据、开放数据和传感器数据；
步骤2、对所述基础数据、开放数据和传感器数据进行预处理，得到量化后的指标变量；
步骤3、根据该指标变量构建多元线性回归模型；
步骤4、根据该多元线性回归模型得到对应变量的权重大小，并通过多元线性回归模型拟合成变量系数，通过该变量系数得到自变量与因变量的关系，找出影响步行性的主要因素，得到测度结果，再根据该测度结果进行讨论，并对目标街区的步行性提出建议。
2.如权利要求1所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤1具体为：
根据目标街区的地理信息获取基础数据，该基础数据包括：平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据；
根据百度开发者平台获取开放数据，该开放数据包括：从百度开发者平台获取的街景图片中得到的绿视率数据和天空可见度数据，以及从百度开发者平台获取的地图兴趣点中得到的功能密度数据和功能混合度数据；
根据ICT传感器获取传感器数据，该传感器数据包括：步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据。
3.如权利要求2所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤1中平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据的获取方式具体为：
所述平均建筑高度数据的具体获取方式是通过取每条街道周围建筑的平均高度构成该街道的平均建筑高度；
所述道路宽度数据的具体获取方式是通过选取街道中点的道路宽度构成整条街道的宽度得出的；
所述整合度数据和穿行度数据的具体获取方式是将原始的道路经过拓扑结构修复后，通过分析计算得出每条街道的空间整合度和穿行度，该整合度数据反应了该街道作为目的地的可达性情况，该穿行度数据反应了其作为最短路径被穿行的频率。
4.如权利要求2所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤1中绿视率数据、天空可见度数据、功能密度数据和功能混合度数据的获取方式具体为：
所述绿视率数据和天空可见度数据的具体获取方式是采用SegNet卷积神经网络结构对街景图片的绿视率与天空可见度进行解析，通过Keras搭建SegNet神经网络对图像进行语义分割，将街景图片的每个像素点划分为天空、建筑、道路、绿化和其它，并计算得出每张街景图片的绿视率和天空可见度并取平均值作为该街道的绿视率和天空可见度指标；
所述功能密度数据和功能混合度数据的具体获取方式是根据拓扑修复后的道路，选取街道两侧m米内的POI点位，通过计算每个街道内的POI点数和信息熵，获得街道的功能密度与功能混合度：
Figure FDA0002258948990000021
Diversity＝-∑(pi*ln pi)，(n＝1，...n)
其中，Density代表功能密度，num_POIs,代表该街道m米缓冲区范围内的POI总数，road_length表示道路长度；Diversity代表功能混合度，n表示该街道POI的类别总数，pi表示某类POI占该街道POI总数的比例。
5.如权利要求2所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤1中步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据的获取方式具体为：
所述步行人流量数据、噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据、车流量数据、是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据均是通过ICT传感器每分钟采集一次数据，通过降采样取一小时内的平均值为代表值。
6.如权利要求2所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤2具体为：
将所述传感器数据中的步行人流量数据作为因变量；
将所述传感器数据中的噪声值数据、温度数据、光照强度数据、PM2.5值数据、湿度数据、风速数据和车流量数据作为自然环境自变量；
将所述基础数据中的平均建筑高度数据、道路宽度数据、整合度数据和穿行度数据以及开放数据中的绿视率数据、天空可见度数据、功能密度数据和功能混合度数据作为建成环境自变量；
将所述传感器数据中的是否在早高峰数据、是否在晚高峰数据、是否在白天数据、是否在晚上数据、是否在夜间数据和是否在工作日数据作为时间自变量。
7.如权利要求6所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤3具体为：
根据该指因变量、自然环境自变量、建成环境自变量和时间自变量，并采用多元线性回归模型进行建模，形式如下：
Yt＝βen+∑βi*Xi
其中，Yt为某时刻城市传感器检测到的步行人流量，βen是多元线性回归模型的随机扰动项，扰动项均服从正态分布，βi为第i个自变量的斜率,Xi为第i个自变量的取值。
8.如权利要求7所述的一种基于ICT技术的历史街区步行性测度方法，其特征在于：所述步骤4具体为：
通过该多元线性回归模型，根据自然环境自变量、建成环境自变量和时间自变量预测目标历史街区的步行人流量，用以代表该目标历史街区的步行性；根据该多元线性回归模型得到多重相关系数R值，对R值进行平方调整后得到R平方值，该R平方值表明多元线性回归模型中自变量和因变量之间的线性相关等级高低，根据相关性等级高低评估该多元线性回归模型的拟合程度好坏；
在多元线性回归模型的拟合程度中，将多元线性回归模型的自变量进入方式选择为输入式回归方式，在输入时，完全不相关的自变量在进入多元线性回归模型时将被自动剔除，对成功进入多元线性回归模型的自变量进行方差分析，结果得到各个自变量的p值，若p≤0.05，表明对应的自变量与因变量存在线性关系，若p＞0.05，表明对应的自变量与因变量不存在线性关系；
根据多元线性回归模型拟合出各自变量的变量系数，该变量系数反映自变量与因变量的关系，根据变量系统的大小找出影响步行性的主要因素，变量系数越大，说明该自变量对步行性的影响越大，得到测度结果，再根据该测度结果进行讨论，并通过调整和控制变量系数大的因素来对目标街区的步行性提出建议。
CN201911064653.5A 2019-11-04 2019-11-04 基于ict技术的历史街区步行性测度方法 Active CN110956089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911064653.5A CN110956089B (zh) 2019-11-04 2019-11-04 基于ict技术的历史街区步行性测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911064653.5A CN110956089B (zh) 2019-11-04 2019-11-04 基于ict技术的历史街区步行性测度方法

Publications (2)

Publication Number Publication Date
CN110956089A true CN110956089A (zh) 2020-04-03
CN110956089B CN110956089B (zh) 2023-05-23

Family

ID=69975968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911064653.5A Active CN110956089B (zh) 2019-11-04 2019-11-04 基于ict技术的历史街区步行性测度方法

Country Status (1)

Country Link
CN (1) CN110956089B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814358A (zh) * 2020-08-06 2020-10-23 中国电子科技集团公司第四十六研究所 一种微波复合介质基板综合性能的多因子共优化设计方法
CN112884208A (zh) * 2021-01-26 2021-06-01 中国测绘科学研究院 一种城市街区智能划分方法
CN117128977A (zh) * 2023-10-26 2023-11-28 中国测绘科学研究院 基于双影像融合的优质绿道路径规划方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005316535A (ja) * 2004-04-27 2005-11-10 Railway Technical Res Inst 歩行者空間の歩きやすさの評価方法およびその評価装置
CN102737284A (zh) * 2012-05-25 2012-10-17 苏州博远容天信息科技有限公司 基于sas系统的多元线性回归法在客流预测的运用
CN106779196A (zh) * 2016-12-05 2017-05-31 中国航天系统工程有限公司 一种基于旅游大数据的游客流量预测及峰值调控方法
CN108876075A (zh) * 2017-05-09 2018-11-23 天津师范大学 城市轨道交通站点地区宜步行性评价方法
US20180364059A1 (en) * 2017-06-16 2018-12-20 Bernardita Calinao Recommendation system and method to evaluate the quality of sidewalks and other pedestrian flow zones as a means to operationalize walkability
CN109165437A (zh) * 2018-08-17 2019-01-08 南京林业大学 一种基于空间句法的城市景观型人行道可步行性测度方法
CN109492788A (zh) * 2017-09-13 2019-03-19 中移（杭州）信息技术有限公司 预测人流量以及建立人流量预测模型的方法及相关设备
CN111126679A (zh) * 2019-12-10 2020-05-08 武汉烽火众智数字技术有限责任公司 一种开放式景区客流统计和预测的方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005316535A (ja) * 2004-04-27 2005-11-10 Railway Technical Res Inst 歩行者空間の歩きやすさの評価方法およびその評価装置
CN102737284A (zh) * 2012-05-25 2012-10-17 苏州博远容天信息科技有限公司 基于sas系统的多元线性回归法在客流预测的运用
CN106779196A (zh) * 2016-12-05 2017-05-31 中国航天系统工程有限公司 一种基于旅游大数据的游客流量预测及峰值调控方法
CN108876075A (zh) * 2017-05-09 2018-11-23 天津师范大学 城市轨道交通站点地区宜步行性评价方法
US20180364059A1 (en) * 2017-06-16 2018-12-20 Bernardita Calinao Recommendation system and method to evaluate the quality of sidewalks and other pedestrian flow zones as a means to operationalize walkability
CN109492788A (zh) * 2017-09-13 2019-03-19 中移（杭州）信息技术有限公司 预测人流量以及建立人流量预测模型的方法及相关设备
CN109165437A (zh) * 2018-08-17 2019-01-08 南京林业大学 一种基于空间句法的城市景观型人行道可步行性测度方法
CN111126679A (zh) * 2019-12-10 2020-05-08 武汉烽火众智数字技术有限责任公司 一种开放式景区客流统计和预测的方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GAYANI RANASINGHE 等: "A Model for Assessing the Level of Walkability in Urban Neighborhoods in Sri Lanka", 《INTERNATIONAL JOURNAL OF BUILT ENVIRONMENT AND SUSTAINABILITY》 *
GRACE A. O’BRIEN 等: "The heat penalty of walkable neighbourhoods", 《INTERNATIONAL JOURNAL OF BIOMETEOROLOGY》 *
唐婧娴等: "特大城市中心区街道空间品质的测度――以北京二三环和上海内环为例", 《规划师》 *
崔莹 等: "历史文化街区步行性分析方法研究", 《交通运输工程与信息学报》 *
郝新华等: "街道绿化:一个新的可步行性评价指标", 《上海城市规划》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814358A (zh) * 2020-08-06 2020-10-23 中国电子科技集团公司第四十六研究所 一种微波复合介质基板综合性能的多因子共优化设计方法
CN112884208A (zh) * 2021-01-26 2021-06-01 中国测绘科学研究院 一种城市街区智能划分方法
CN117128977A (zh) * 2023-10-26 2023-11-28 中国测绘科学研究院 基于双影像融合的优质绿道路径规划方法、装置及设备
CN117128977B (zh) * 2023-10-26 2024-01-19 中国测绘科学研究院 基于双影像融合的优质绿道路径规划方法、装置及设备

Also Published As

Publication number Publication date
CN110956089B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Gao et al. Assessing neighborhood air pollution exposure and its relationship with the urban form
CN110956089B (zh) 基于ict技术的历史街区步行性测度方法
CN112418674A (zh) 基于城市多源数据的街道空间品质测度评价方法和系统
WO2016141753A1 (zh) 基于路网和兴趣点的声环境功能区划分方法
CN108280789B (zh) 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
Li et al. Explore the recreational service of large urban parks and its influential factors in city clusters–Experiments from 11 cities in the Beijing-Tianjin-Hebei region
Schneider et al. Development and application of the San Francisco pedestrian intersection volume model
CN110716935A (zh) 基于网约车出行的轨迹数据分析与可视化方法及系统
Xuan et al. Research on Correlation between Spatial Quality of Urban Streets and Pedestrian Walking Characteristics in China Based on Street View Big Data
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法
Fu et al. Evaluating Street View Cognition of Visible Green Space in Fangcheng District of Shenyang with the Green View Index
Xu et al. A framework for the evaluation of roof greening priority
CN115983681A (zh) 基于游憩公平性的绿道游憩服务价值评价系统与方法
Feng et al. Visual Evaluation of Urban Streetscape Design Supported by Multisource Data and Deep Learning
Gong et al. Deciphering urban bike-sharing patterns: An in-depth analysis of natural environment and visual quality in New York's Citi bike system
CN113408867A (zh) 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法
Liu et al. A Dynamic Prediction Framework for Vitality of Urban Public Space-From hypothesis to algorithm and verification
CN114613139B (zh) 一种适用于大型体育活动交通预测的出行生成预测方法
Yang et al. Unraveling nonlinear and interaction effects of multilevel built environment features on outdoor jogging with explainable machine learning
Liu et al. A Dynamic Prediction Framework for Urban Public Space Vitality: From Hypothesis to Algorithm and Verification
Pafka Modelling, mapping and measuring urban densities
Wu et al. Urban vitality and built environment from the perspective of spatiotemporal heterogeneity
Bai et al. Exploring Associations between the Built Environment and Cycling Behaviour around Urban Greenways from a Human-Scale Perspective. Land 2023, 12, 619
Zhou et al. Evaluation Research on the Spatial Vitality of Huaihe Road Commercial Block in Hefei City Based on Multi-Source Data Correlation

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