CN111310340B - 基于人类移动的城市区域交互异常关系识别方法及设备 - Google Patents
基于人类移动的城市区域交互异常关系识别方法及设备 Download PDFInfo
- Publication number
- CN111310340B CN111310340B CN202010103108.9A CN202010103108A CN111310340B CN 111310340 B CN111310340 B CN 111310340B CN 202010103108 A CN202010103108 A CN 202010103108A CN 111310340 B CN111310340 B CN 111310340B
- Authority
- CN
- China
- Prior art keywords
- area
- destination
- network
- residential
- people flow
- 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
- 241000282414 Homo sapiens Species 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003993 interaction Effects 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000002452 interceptive effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人类移动的城市区域交互异常关系识别方法，包括如下步骤：S1，获取目的地‑居民地二分网络和人类出行轨迹数据；S2，根据所述目的地‑居民地二分网络的人口密度，POI密度，获取区域间吸引力模型；S3，根据所述区域间吸引力模型获取所述目的地‑居民地二分网络的最大人流；S4,根据所述人类出行轨迹数据计算所述目的地‑居民地二分网络的第二人流；S5，对所述目的地‑居民地二分网络的最大人流以及所述目的地‑居民地二分网络的第二人流进行相减获得人流正负网络；S6，对所述人流正负网络进行聚类获取所述异常区域。本发明基于人类出行数据，挖掘城市区域交互关系发现城市的异常关系。
Description
技术领域
本发明属于城市规划领域，尤其涉及一种基于人类移动大数据的城市区域交互关系的异常探测方法。
背景技术
人类的各类社会活动均与自然环境及人文环境有着密切的关系。城市作为人类生产生活中基本的行政区划，其设施与居民区的分布紧密影响着人类活动。中国正处于高速发展的阶段，城市设施规划与评价与国际接轨势在必行。如何从城市角度系统的对城市设施进行分析、提升城市设施分布合理性、使之更加符合人口流动规律，是传统城市向智慧型城市转变的重要一环。在城市设施总量不断增加的今天也伴生着城市设施布局失衡的问题。一方面，城市部分区域各类设施重复建设，但是人口流动稀疏与规划预期严重不符，造成有限资源的浪费；另一方面，城市部分中心区域人流过于密集，服务人数超出预期，缺乏多中心引流，导致该区域服务质量低下。
目前，城市区域规划评价的方法一般为基于区域统计的评价方法。传统统计学的方法多计算设施人均保有量、万人拥有设施数量、设施覆盖区域总面积，评价数据静态、评价周期长、评价方法对人口流动性及服务能力动态性探究不足，难以满足当下城市快速变化的情况。伴随着计算机技术的发展，特别是大数据技术的发展，发展出了一些新的评价方法。例如：①从发展水平、可达性、可续发展、城市活力等方面出发对城市整体服务能力、环境承载力等进行的评价，从而对城市整体设施规划进行评价与改进。②从公园、水电网、职住区等方面对设施可达性、服务范围、灾害响应情况进行评价，从而给出城市部分设施规划改进意见辅助规划。
但现有的技术均没有考虑人流的人地关系研究，易产生“信息孤岛”，影响结果准确性。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于人类移动的城市区域交互异常关系识别方法，从人类的出行来发现城市的异常关系。
为实现上述技术目的，本发明的提供了一种基于人类移动的城市区域交互异常关系识别方法，包括如下步骤：
S1，获取目的地-居民地二分网络和人类出行轨迹数据；
S2，根据所述目的地-居民地二分网络的人口密度，POI密度，获取区域间吸引力模型；
S3，根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流；
S4,根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
S5，对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
S6，对所述人流正负网络进行聚类获取所述异常区域。
进一步地，所述人类出行轨迹数据，包括但不限于：出租车GPS数据、手机GPS数据。
进一步地，所述获取目的地-居民地二分网络具体包括：获取地图数据；对所述地图数据进行划分得到所述目的地-居民地二分网络。
进一步地，所述步骤S2具体包括：根据公式
其中，M为区域人口密度，m为区域POI密度分布，d为两区域间旅行距离，
β
为放缩参数、控制各参数对区域间吸引力影响权重。
进一步地，所述步骤S3具体包括：
目的地——居民地二分网络为：
graph＝(Vh,Vw,E)
其中Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地——居民地二分网络区域间人流集合；
以子图X为初始子图，并使用增广路径算法计算所述目的地——居民地二分网络最大人流；
其中所述子图X满足如下条件：
maxf(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X。
此外，本发明还提供了一种基于人类移动的城市区域交互异常关系识别设备，其包括：
第一获取单元，用于获取目的地-居民地二分网络和人类出行轨迹数据；
第一计算单元，用于根据所述目的地-居民地二分网络的人口密度，POI密度，获取区域间吸引力模型；
第二计算单元，用于根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流；
第三计算单元,用于根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
第四计算单元，用于对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
异常计算单元，用于对所述人流正负网络进行聚类获取所述异常区域。
进一步地，所述人类出行轨迹数据，包括但不限于：出租车GPS数据、手机GPS数据。
进一步地，所述获取目的地-居民地二分网络具体包括：S11：获取地图数据；对所述地图数据进行划分得到所述目的地-居民地二分网络。
进一步地，所述第一计算单元具体包括：根据公式
其中，M为区域人口密度，m为区域POI密度分布，d为两区域间旅行距离，
β
为放缩参数、控制各参数对区域间吸引力影响权重。
进一步地，所述第二计算单元具体包括：
目的地——居民地二分网络为：
graph＝(Vh,Vw,E)
其中Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地——居民地二分网络区域间人流集合；
以子图X为初始子图，并使用增广路径算法计算所述目的地——居民地二分网络最大人流；
其中所述子图X满足如下条件：
maxf(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X。
本发明的有益效果：本发明基于城市设施及人口分布量化城市区域间吸引力，并结合人类出行大数据，挖掘城市人口在设施网络间流动规律，通过城市区域交互关系发现城市的异常关系。
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他的附图。
图1是本发明实施例的流程图；
图2是本发明实施例中地图数据的人口密度分布示意图；
图3是本发明实施例中地图数据的POI密度分布示意图；
图4是本发明实施例中不同城市区域总吸引力分布情况；
图5是本发明实例中目的地-居民地二分网络示意图；
图6是本发明实施例中形成正负网络的示意图；
图7是本发明实施例中形成正负网络的距离分布直方图；
图8是本发明实施例中形成正异常人流网络的示意图；
图9是本发明实施例中形成正异常人流网络的簇中心与社区发现结果；
图10是本发明实施例中形成负异常人流网络的示意图；
图11是本发明实施例中形成负异常人流网络的簇中心与社区发现结果；
图12是本发明实施例中重点区域异常流分析结果；
图13是本发明实施例中重点区域异常人流网络的示意图；
图14是本发明实施例中基于人类移动大数据的城市区域交互关系异常关系识别设备一示意图；
图15是本发明实施例中基于人类移动大数据的城市区域交互关系异常关系识别设备另一示意图；
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所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，根据本发明实施例一种基于人类移动的城市区域交互异常关系识别方法，其特征在于，包括如下步骤：
S1，获取目的地-居民地二分网络和人类出行轨迹数据；
为获取目的地-居民地二分网络，可以先获取城市人口精细建模数据(例如中科院发布过获取相应的城市人口精细建模数据)，并根据所述人口精细建模数据进行目的地、居民地的划分。其中所述城市人口精细建模数据包括人口数据和城市基础设施数据，城市基础设施数据包括但不限于商业、医院、政府设施等。
对所述城市人口精细建模数据进行划分，可以根据实际的需要进行区域划分，例如可以尽量划分出居民区、设施区域等，或者是根据城市的规划进行区域划分。也可以根据实际的行政区域进行划分。
参考图2、3所述，图2、3分别为划分好的区域的示意图，区域的划分可以根据行政区域进行划分也可以不根据行政区域进行划分。
具体地，可以按照交通分析小区划分规则顾及路网及地形等约束划分城市区域，城市区域通常具有居住及生活双重属性，所以相同区域在居民地网络与公共设施网络均存在，在不同区域间人类流动数量便是目的地-居民地二分网络间的连接权重，从而构建目的地-居民地二分网络。
S2，根据所述目的地-居民地二分网络的人口密度，POI(Point of Information，兴趣点)密度，获取区域间吸引力模型；
根据所述城市人口精细建模数据的人口数据和城市基础设施数据分别计算划分区域的人口密度和POI密度，其中POI是指城市基础设施，例如商业、医院、政府设施等等。
本实施例使用引力模型来计算目的地-居民地二分网络中的城市区域间吸引力，其模型如下：
其中：M为区域人口密度其分布如图2所示，m为区域POI密度分布其分布如图3所示，为商业、医院、政府设施等16大类200余种小类POI数量加权值，其权重确定由出行调查数据中人类各类POI访问概率确定。d为两区域间旅行距离。为了更好控制各参数对吸引力影响，引入
β
为放缩参数、控制各参数对区域间吸引力影响权重。参数由城市区域间人流的方差作为基准值不断调参来确定，以期达到城市人流网络与期望人流网络保持相同的方差从而保证两网络具有相同的混乱程度。G为最终两区域间吸引力，通过将各区域对其他所有区域吸引力求和，得到区域综合吸引力分布。
S3，根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流；
城市设施的构建是为了为更多人提供服务，所以区域服务总人数的提升意味着服务能力的提升，所以区域最合理服务人数的求解就转化为了区域最大服务人数。
在对区域间吸引力进行建模及校准参数后，对区域按照TAZ交通分析小区进行划分从而更好的挖掘人类在两个区域网络间随道路网络流动的规律。假设一目的地-居民地二分网络为
graph＝(Vh,Vw,E)
其中，Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地-居民地二分网络区域间人流集合。
计算所述目的地-居民地二分网络的E即是计算
如图5所示，同时在目的地-居民地二分网络G中添加两个虚拟区域S，T，假设全部人都从S区域出发到达居民地区域，经过设施区域最终到达T区域。从区域S到区域T之间可以的到最大人流量便是目的地-居民地二分网络G所能服务的最大人数。可以得到目的地-居民地二分网络G最大人流问题的优化模型：
maxf(x)＝∑xij
Subject to：0≤xij≤Uij
其中，Xij称为可行解，代表区域Vh(i)与Vw(j)之间的人流量。Uij为区域间人流约束，受流出区域与流入区域规模确定。按照传统增广路径算法不断迭代增加网络中的流量可以得到网络最大流，但是传统增广路径算法并不关注网络最大人流求解结果的分布，由于网络最大流的解的不唯一性，需要对多种可行解进行选择。为了是最大流结果分布尽量符合吸引力分布，本实施例基于整数规划改进传统增广路径算法得到新的算法初始网络模型：
maxf(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X，其中X与G为线性关系。由增广路径算法可知，子图X为增广路径算法求解最大流过程中可行子图，将子图X设置为初始子图，在其基础上继续增广路径算法求得网络最大人流，从而获得符合吸引力约束的目的地-居民地二分网络最大人流。
S4,根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
城市中的人员的流动可以大致代表人口的流动规则，城市的规划一般是为了满足人们的需求，而人口的流动可从移动程度上反映城市的规划是否合理，例如一个区域其流入的人口过多可能代表其服务能力不足。
人类出行轨迹数可以是共享单车数据、GPS数据、公交乘车数据提供了人口流动所选择的交通方式、速度、方向、时间等信息；微信、微博等互联网数据及手机信令数据反应了个体空间分布情况，等等
本实施例以出租车GPS数据进行说明，同样可以使用其他代表人员的流动的数据来计算第二人流。
对所述出租车GPS数据进行轨迹匹配，结合轨迹终点方向、出行时间等信息减少目标区域的误判，对出行终点进行推测从而计算目的地-居民网络中区域间的第二人流。
S5，对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
在得到目的地-居民地二分网络最大人流分布与真实人流分布后，为更好的凸显两网络间差异进行可视化分析与不同时空维度下的图论分析，对两网络进行线性融合得到目的地-居民地正负网络。
对两网络同节点间人流进行相减后，两区域间距离分布关系如图7所示，可以发现存在异常人流的区域间距离峰值为10km，在该市该区域后续规划过程中可以在现有城市中心10km左右处建设其他POI聚集区域达到最好引流效果。
S6，对所述人流正负网络进行聚类获取所述异常区域。
对正负异常人流进行分割，从而形成正异常人流网络与负异常人流网络，分别对人流进行聚类，所形成簇的中心流及主要异常区域如图8-11所示。
图12-13以异常人流值和最高的某一步行街为例。黑色点为待分析区域所在地理位置。斜线区域表示流入人数高于预期值区域，灰色表示流入人数少于预期值区域，其他则表示人口流入符合预期。流入人数高于预期值区域，多分布在目标区域10km左右，虽然与目标区域交通设施数量充足，但过多的人流难以得到满足，所以构建合适的副中心达到分散人流的目的是规划重点。流入人数少于预期值区域多分布在距离目标区域15km左右，交通条件较差，导致区域间吸引力下降，完善地铁等辅助交通设施，加强环路、高架等建设，宜作为两区域间规划重点。
本发明的实施例基于城市设施及人口分布量化城市区域间吸引力，并结合人类出行大数据，挖掘城市人口在设施网络间流动规律，通过城市区域交互关系发现城市的异常关系。
实施例二
参见图14，本实施例提供一种基于人类移动的城市区域交互异常关系识别设备，其包括：
第一获取单元，用于获取目的地-居民地二分网络和人类出行轨迹数据；
第一计算单元，用于根据所述目的地-居民地二分网络的人口密度，POI密度，获取区域间吸引力模型；
第二计算单元，用于根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流；
第三计算单元,用于根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
第四计算单元，用于对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
异常计算单元，用于对所述人流正负网络进行聚类获取所述异常区域。
本发明的实施例基于城市设施及人口分布量化城市区域间吸引力，并结合人类出行大数据，挖掘城市人口在设施网络间流动规律，通过城市区域交互关系发现城市的异常关系。
进一步地，所述人类出行轨迹数据，包括但不限于：出租车GPS数据、手机GPS数据。
进一步地，所述获取目的地-居民地二分网络具体包括：获取地图数据；对所述地图数据进行划分得到所述目的地-居民地二分网络。
进一步地，所述第一计算单元具体包括：根据公式
其中，M为区域人口密度，m为区域POI密度分布，d为两区域间旅行距离，
β
为放缩参数、控制各参数对区域间吸引力影响权重。
进一步地，所述第二计算单元具体包括：
目的地——居民地二分网络为：
graph＝(Vh,Vw,E)
其中Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地——居民地二分网络区域间人流集合；
以子图X为初始子图，并使用增广路径算法计算所述目的地——居民地二分网络最大人流；
其中所述子图X满足如下条件：
maxf(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X，其中X与G为线性关系。
实施例三
参考附图15，本实施例提供了一种基于人类移动的城市区域交互异常关系识别设备20的结构示意图。该实施例的基于人类移动的城市区域交互异常关系识别设备20包括处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述基于人类移动的城市区域交互异常关系识别方法实施例中的步骤，例如图1所示的步骤S1。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于人类移动的城市区域交互异常关系识别设备20中的执行过程。
所述基于人类移动的城市区域交互异常关系识别设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是基于人类移动的城市区域交互异常关系识别设备20的示例，并不构成对基于人类移动的城市区域交互异常关系识别设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于人类移动的城市区域交互异常关系识别设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述基于人类移动的城市区域交互异常关系识别设备20的控制中心，利用各种接口和线路连接整个基于人类移动的城市区域交互异常关系识别设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述基于人类移动的城市区域交互异常关系识别20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于人类移动的城市区域交互异常关系识别设备20集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人类移动的城市区域交互异常关系识别方法，其特征在于，包括如下步骤：
S1，获取目的地-居民地二分网络和人类出行轨迹数据；
S2，根据所述目的地-居民地二分网络的人口密度，POI密度，获取区域间吸引力模型，其中，区域间吸引力模型为
其中，M为区域人口密度，m为区域POI密度分布，d为两区域间旅行距离，
β，
为放缩参数、控制各参数对区域间吸引力影响权重；
S3，根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流，其中，所述步骤S3具体包括：
目的地-居民地二分网络为：
graph＝(Vh,Vw,E)
其中Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地——居民地二分网络区域间人流集合；
以子图X为初始子图，并使用增广路径算法计算所述目的地——居民地二分网络最大人流；
其中所述子图X满足如下条件：
max f(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X；
S4,根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
S5，对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
S6，对所述人流正负网络进行聚类获取所述异常区域。
2.根据权利要求1所述的方法，其特征在于，所述人类出行轨迹数据，包括但不限于：出租车GPS数据、手机GPS数据。
3.根据权利要求1所述的方法，其特征在于，所述获取目的地-居民地二分网络具体包括：获取地图数据；对所述地图数据进行划分得到所述目的地-居民地二分网络。
4.一种基于人类移动的城市区域交互异常关系识别设备，其包括：
第一获取单元，用于获取目的地-居民地二分网络和人类出行轨迹数据；
第一计算单元，用于根据所述目的地-居民地二分网络的人口密度，POI密度，获取区域间吸引力模型，其中，区域间吸引力模型为
其中，M为区域人口密度，m为区域POI密度分布，d为两区域间旅行距离，
β，
为放缩参数、控制各参数对区域间吸引力影响权重；
第二计算单元，用于根据所述区域间吸引力模型获取所述目的地-居民地二分网络的最大人流，其中，具体包括：
目的地-居民地二分网络为：
graph＝(Vh,Vw,E)
其中Vh表示居民地区域集，Vw表示设施区域集，E表示边集即目的地——居民地二分网络区域间人流集合；
以子图X为初始子图，并使用增广路径算法计算所述目的地——居民地二分网络最大人流；
其中所述子图X满足如下条件：
max f(x)＝∑xij
Subject to：
其中，G为吸引力矩阵，整数规划所得结果称为子图X；
第三计算单元,用于根据所述人类出行轨迹数据计算所述目的地-居民地二分网络的第二人流；
第四计算单元，用于对所述目的地-居民地二分网络的最大人流以及所述目的地-居民地二分网络的第二人流进行相减获得人流正负网络；
异常计算单元，用于对所述人流正负网络进行聚类获取所述异常区域。
5.根据权利要求4所述的设备，其特征在于，所述人类出行轨迹数据，包括但不限于：出租车GPS数据、手机GPS数据。
6.根据权利要求4所述的设备，其特征在于，所述获取目的地-居民地二分网络具体包括：获取地图数据；对所述地图数据进行划分得到所述目的地-居民地二分网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010103108.9A CN111310340B (zh) | 2020-02-19 | 2020-02-19 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010103108.9A CN111310340B (zh) | 2020-02-19 | 2020-02-19 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310340A CN111310340A (zh) | 2020-06-19 |
| CN111310340B true CN111310340B (zh) | 2022-08-16 |
Family
ID=71147656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010103108.9A Active CN111310340B (zh) | 2020-02-19 | 2020-02-19 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310340B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114263077B (zh) * | 2021-12-17 | 2023-01-24 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
| CN115408452B (zh) * | 2022-11-02 | 2023-04-07 | 中南大学 | 一种城市设施关联模式挖掘方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251020A (zh) * | 2016-08-05 | 2016-12-21 | 辜寄蓉 | 基于资源环境承载力的土地利用布局优选方法 |
| CN108122027A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| CN108491409A (zh) * | 2018-01-29 | 2018-09-04 | 浙江工业大学 | 一种基于医院关联网络结构特征的城市医疗体系聚类方法 |
| CN110297875A (zh) * | 2019-05-15 | 2019-10-01 | 北京邮电大学 | 一种评估城市各功能区之间联系需求紧密度的方法和装置 |
| CN110533038A (zh) * | 2019-09-04 | 2019-12-03 | 广州市交通规划研究院 | 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 |
-
2020
- 2020-02-19 CN CN202010103108.9A patent/CN111310340B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251020A (zh) * | 2016-08-05 | 2016-12-21 | 辜寄蓉 | 基于资源环境承载力的土地利用布局优选方法 |
| CN108122027A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| CN108491409A (zh) * | 2018-01-29 | 2018-09-04 | 浙江工业大学 | 一种基于医院关联网络结构特征的城市医疗体系聚类方法 |
| CN110297875A (zh) * | 2019-05-15 | 2019-10-01 | 北京邮电大学 | 一种评估城市各功能区之间联系需求紧密度的方法和装置 |
| CN110533038A (zh) * | 2019-09-04 | 2019-12-03 | 广州市交通规划研究院 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| "Core of communities in bipartite networks";Bongiorno等;《arXiv.org》;20170306;第1-9页 * |
| "Detecting Urban Polycentric Structure from POI Data";Yue Deng等;《International Journal of Geo-Information》;20191231(第8期);第1-20页 * |
| "基于ＰＯＩ数据的人口分布格网化方法研究";淳锦 等;《地理与地理信息科学》;20180731;第34卷(第4期);第83-89页 * |
| "基于POI数据的城市热点分析";凌涛;《中国优秀硕士论文全文数据库 基础科学专辑》;20190115;第A008-189页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310340A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Discovering spatial interaction communities from mobile phone d ata | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN109359162B (zh) | 一种基于gis的学校选址方法 | |
| Lv et al. | Detecting the true urban polycentric pattern of Chinese cities in morphological dimensions: A multiscale analysis based on geospatial big data | |
| Yu et al. | Extracting and predicting taxi hotspots in spatiotemporal dimensions using conditional generative adversarial neural networks | |
| CN106780262B (zh) | 一种考虑城市道路网络约束的同位模式发现方法及装置 | |
| Nduwayezu et al. | Modeling urban growth in Kigali city Rwanda | |
| CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
| Zhou | Comparative study of approaches to delineating built‐up areas using road network data | |
| CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
| CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
| Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
| CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| Gadar et al. | The Settlement Structure Is Reflected in Personal Investments: Distance‐Dependent Network Modularity‐Based Measurement of Regional Attractiveness | |
| Li et al. | Defining the boundaries of urban built-up area based on taxi trajectories: a case study of Beijing | |
| Zagorskas | GIS-based modelling and estimation of land use mix in urban environment | |
| CN109101559A (zh) | 一种基于poi和公交刷卡数据的城市功能区识别方法 | |
| Jia et al. | Measuring the vibrancy of urban neighborhoods using mobile phone data with an improved PageRank algorithm | |
| Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
| Schoier et al. | Spatial data mining for highlighting hotspots in personal navigation routes | |
| Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
| Long et al. | Multifractal scaling analyses of urban street network structure: The cases of twelve megacities in China | |
| Cao et al. | Constructing multi-level urban clusters based on population distributions and interactions | |
| CN113342873B (zh) | 一种基于城市形态与汇聚模式的人口分析单元划分方法 | |
| Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images |
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 |