CN112184282A - 影院选址模型建立方法、影院选址方法及影院选址平台 - Google Patents

影院选址模型建立方法、影院选址方法及影院选址平台 Download PDF

Info

Publication number
CN112184282A
CN112184282A CN202010913460.9A CN202010913460A CN112184282A CN 112184282 A CN112184282 A CN 112184282A CN 202010913460 A CN202010913460 A CN 202010913460A CN 112184282 A CN112184282 A CN 112184282A
Authority
CN
China
Prior art keywords
cinema
data
accessibility
road network
subway
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.)
Pending
Application number
CN202010913460.9A
Other languages
English (en)
Inventor
李曙光
宋冬
冯佳
张桐
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202010913460.9A priority Critical patent/CN112184282A/zh
Publication of CN112184282A publication Critical patent/CN112184282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据挖掘与城市计算领域，公开了一种影院选址模型建立方法、影院选址方法及影院选址平台。模型建立方法采用如下步骤：1)建立城市基础数据库；2)将多模式交通可达性及商业活力等因素量化并分析获得多个影响因子；3)建立多元线性回归模型并利用影响因子和票房数据进行训练，获得影院选址模型。本发明不仅丰富了影院选址的研究体系，将影院选址研究从传统的定性分析上升到定量分析的高度，为影院选址提供了量化的决策依据，同时开发了软件平台，将影院选址从理论提升至应用，可以科学、量化、准确地为电影院优化选址提供参考。

Description

影院选址模型建立方法、影院选址方法及影院选址平台
技术领域
本发明属于数据挖掘与城市计算领域，具体涉及一种影院选址模型建立方 法、影院选址方法及影院选址平台。
背景技术
电影行业高速且前景广阔，但仍然存在许多尖锐的问题。如对于新建及收 购影院的选址和收益考量不足，可能导致影院负债过高，最终陷入大规模停业 状态。选址的成功与否是后续成功运营的关键因素之一，成功的选址系统是影 院核心竞争力之一。
透视各大一线城市的电影市场布局，黄金地段竞争空前白热化，可其余地 区仍有诸多市场空白点。交通，包括了慢行交通、轨道交通、公交汽车等，是 居民出行的重要参与者，会对城市空间结构及人群聚集区域产生直接的影响。 所以影院建设投资主体的资本属性及高昂的建设成本也就决定了影院必须对 所在城市的各模式交通现状进行综合分析，才能规避风险，最大化的实现影院 收益，所以科学、理性的为影院建设提供理论支撑则显得尤为迫切。
发明内容
本发明的目的在于提供一一种影院选址模型建立方法、影院选址方法及影 院选址平台，用以解决现有技术中的影院选址时出现的各种问题。
为了实现上述任务，本发明采用以下技术方案：
影院选址模型建立方法，包括如下步骤：
步骤1：获得城市基础数据，所述城市基础数据包括影院数据、路网数据、 公交数据、地铁数据及商业POI数据；
步骤2：对影院数据进行预处理获得影院票房数据，对路网数据、公交数 据和地铁数据分别利用空间句法计算空间可达性，分别获得路网可达性、公交 可达性和地铁可达性，对商业POI数据进行核密度计算获得商业POI密度；
步骤3：设置影院厅数，将影院厅数、路网可达性、公交可达性和地铁可 达性及商业POI密度作为输入，将影院票房数据作为参考输出，建立多元线性 回归模型并进行训练，将训练好的模型作为影院选址模型。
进一步的，步骤1中所述的影院数据包括影院ID，影院名称、影厅数、 座位数、空间坐标、影院票房和所属区域；
所述的路网数据包括了主干路网、支干路网、街坊路以及小区、公园、等 所有可供步行的路网，步行路网的数据格式包括：路名、所属城市、道路等级， 所属行政区代码，长度和道路宽度；
所述的公交数据包括了线路ID，线路名称，所属营运单位，空间位置， 起终站点名数据和线路数据，线路数据中包括了线路ID，线路名称，所属营 运单位，空间位置和起终站点名数据；
所述的地铁数据包括了地铁线路ID，线路名称，线路长度，营运单位， 起终站点名及空间位置等属性数据，空间位置，所属线路ID、地铁站点名称、 所属行政区代码；
所述的商业POI数据包括了POI的空间位置、所在地址和服务类型。
进一步的，步骤2中对影院数据进行预处理获得影院票房数据是指：
剔除厅数为3个及3个以下的影院，剔除营业不足一年的影院，然后将剔 除后的各个影院12个月的票房收入取平均值，获得影院月平均票房作为影院 票房数据。
更进一步的，步骤2中对路网数据计算空间可达性时包括如下子步骤：
A1：将路网数据进行重构拓扑结构，将路网数据中所有线段的交点进行 打断，令每一条线段对应一个空间节点，获得分段后的路网文件；
A2：将分段后的路网文件根据空间句法计算空间集成度，获得不同半径 的路网集成度；
A3：计算不同半径的路网集成度与影院票房数据做相关性分析，将相关 性最高的路网集成度作为路网可达性。
进一步的，步骤3中影院选址模型为式Ⅰ：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5 式Ⅰ
其中，X1表示影院厅数，X2表示步行可达性，X3表示公交可达性，X4表 示地铁可达性，X5表示商业POI，X1为正整数，a0,a1,a2,a3,a4,a5均表示训练 后的最优系数。
影院选址方法，包括如下步骤：
步骤1：根据任一种影院选址模型建立方法获得影院选址模型；
步骤2：获得待选坐标点集合，并获得每个待选坐标点的步行可达性、公 交可达性、地铁可达性及商业POI；
步骤3：设置影院厅数，将影院厅数和待选坐标点集合中每个待选坐标点 的步行可达性、公交可达性、地铁可达性及商业POI输入影院选址模型，输出 每个待选坐标点的影院票房数据值，选择影院票房数据值最大的待选坐标点作 为选址坐标点。
影院选址平台，包括数据采集单元，可达性计算单元，选址模型训练单元 和选址单元；
所述数据采集模块用于获得城市基础数据，所述城市基础数据包括影院数 据、路网数据、公交数据、地铁数据及商业POI数据；
所述可达性计算模块用于对影院数据进行预处理获得影院票房数据，对路 网数据、公交数据和地铁数据分别利用空间句法计算空间可达性，分别获得路 网可达性、公交可达性和地铁可达性，对商业POI数据进行核密度计算获得商 业POI密度；
所述选址模型训练单元用于设置影院厅数，将影院厅数、路网可达性、公 交可达性和地铁可达性及商业POI密度作为输入，将影院票房数据作为参考输 出，建立多元线性回归模型并进行训练，将训练好的模型作为影院选址模型；
所述选址单元用于获得待选坐标点集合，并根据可达性计算模块获得每个 待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI，设置影院厅 数，将影院厅数和待选坐标点集合中每个待选坐标点的步行可达性、公交可达 性、地铁可达性及商业POI输入影院选址模型，输出每个待选坐标点的影院票 房数据值，选择影院票房数据值最大的待选坐标点作为选址坐标点。
进一步的，所述的影院数据包括影院ID，影院名称、影厅数、座位数、 空间坐标、影院票房和所属区域；
所述的路网数据包括了主干路网、支干路网、街坊路以及小区、公园、等 所有可供步行的路网，步行路网的数据格式包括：路名、所属城市、道路等级， 所属行政区代码，长度和道路宽度；
所述的公交数据包括了线路ID，线路名称，所属营运单位，空间位置， 起终站点名数据和线路数据，线路数据中包括了线路ID，线路名称，所属营 运单位，空间位置和起终站点名数据；
所述的地铁数据包括了地铁线路ID，线路名称，线路长度，营运单位， 起终站点名及空间位置等属性数据，空间位置，所属线路ID、地铁站点名称、 所属行政区代码；
所述的商业POI数据包括了POI的空间位置、所在地址和服务类型。
进一步的，对路网数据计算空间可达性时包括如下子步骤：
A1：将路网数据进行重构拓扑结构，将路网数据中所有线段的交点进行 打断，令每一条线段对应一个空间节点，获得分段后的路网文件；
A2：将分段后的路网文件根据空间句法计算空间集成度，获得不同半径 的路网集成度；
A3：计算不同半径的路网集成度与影院票房数据做相关性分析，将相关 性最高的路网集成度作为路网可达性。
进一步的，影院选址模型为式Ⅰ：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5 式Ⅰ
其中，X1表示影院厅数，X2表示步行可达性，X3表示公交可达性，X4表 示地铁可达性，X5表示商业POI，X1为正整数，X2至X5的取值范围为(0,1)， a0,a1,a2,a3,a4,a5均表示训练后的最优系数。
本发明与现有技术相比具有以下技术特点：
(1)将影院选址研究从传统的定性判断层面，上升到了定量分析层面， 从多模式交通可达性的角度，以影院票房收入为标准，使用多元线性回归模型 准确、科学的为影院选址提供了理论参考，填补了影院选址领域的空白。
(2)将步行可达性与公交可达性、地铁可达性相互联系，建立了基于城 市范围内的多模式交通可达性，可以更加科学的优化可达性模型，为相关研究 人员提供更准确的评价模型。
附图说明
图1为本发明所述方法流程图；
图2为实施例中某地影院分布图；
图3为实施例中空间句法分析得出的某地步行可达性；
图4为实施例中某地公交线路及站点图；
图5为实施例中某地公交可达性计算结果；
图6为实施例中某地地铁可达性计算结果；
图7为实施例中某地商业POI热力图；
图8为实施例中某地影院票房实测值与预测值点状分布图。
具体实施方式
以下对本发明涉及的定义或概念内涵做以说明：
基础路网可达性：道路网在网络布局、运输条件(交通方式)和土地使用 影响下的通达程度，这里主要指在网络布局空间上的可达性。路网可达性一般 为城市小区或路网节点相互之间居民出行或车辆行驶平均时间的倒数。
公交可达性：某地公交在网络布局上的通达程度，主要偏向于个体获得公 交服务的便捷程度。
地铁可达性：地铁在空间网络结构上的通达程度，换乘的便利程度。
空间句法：本质是数学方法的集合，依赖数学的方法对现实空间关系进行 抽象和建模分析。在空间句法分析中，单个的空间是没有意义的，以至于它的 大小、尺度、形状均是不重要的，只有当多个空间之间产生互动关系时，每个 空间才具有相对意义。其中，在抽象建立空间之间的互动关系时，使用拓扑对 其进行建模。
核密集分析：使用和函数根据点或折线要素计算每单位面积的量值以将各 个要素拟合为光滑锥状表面，从而可以直观的看出要素数据的聚集状况。
在本实施例中公开了一种影院选址模型建立方法，包括如下步骤：
步骤1：获得城市基础数据，所述城市基础数据包括影院数据、路网数据、 公交数据、地铁数据及商业POI数据；
步骤2：对影院数据进行预处理获得影院票房数据，对路网数据、公交数 据和地铁数据分别利用空间句法计算空间可达性，分别获得路网可达性、公交 可达性和地铁可达性，对商业POI数据进行核密度计算获得商业POI密度；
步骤3：设置影院厅数，将影院厅数、路网可达性、公交可达性和地铁可 达性及商业POI密度作为输入，将影院票房数据作为参考输出，建立多元线性 回归模型并进行训练，将训练好的模型作为影院选址模型。
具体的，步骤1中所述的影院数据，包括影院ID，影院名称、影厅数、 座位数、空间坐标、影院票房、所属区域等属性数据；
所述的路网数据为基础路网数据库及数据结构，包括了主干路网、支干路 网、街坊路以及小区、公园、等所有可供步行的路网，步行路网的数据格式包 括：路名、所属城市、道路等级，所属行政区代码，长度(米制)，道路宽度 等，数据统一录入步行路网数据库；
所述的公交数据为公交数据库及数据结构，包括了线路ID，线路名称， 所属营运单位，空间位置，起终站点名数据，线路数据中包括了线路ID，线 路名称，所属营运单位，空间位置，起终站点名数据；
所述的地铁数据为地铁数据库及数据结构，包括了地铁线路ID，线路名 称，线路长度，营运单位，起终站点名及空间位置等属性数据，数据格式包括 了空间位置，所属线路ID、地铁站点名称、所属行政区代码等属性数据；
所述的商业POI数据为商业POI数据库，包括了POI的空间位置、所在 地址、服务类型等数据。
具体的，公交数据通过采集城市内所有的公交线路及公交站点，由于公交 上、下行路径大部分相似，分布于道路的两侧，为了简化计算，仅选择单条线 路，人后使用采集到的公交线路，构建公交线路网络数据集。
具体的，步骤2中对影院数据进行预处理获得影院厅数和影院票房数据包 括如下子步骤：
a)将采集来的影院相关数据做预处理：剔除规模过小影院，即剔除厅数为 3个及3个以下的影院，其规模过小，受众有限，无法充分反映各个因素的影 响；剔除营业不足一年的影院，其影院票房收入有太多不确定性的影响因素； 得到票房收入相对确定，能充分反映各个因素的影响的影厅；
b)将各个影院12个月的票房收入取平均值，将其作为评价影院选址的因 变量，尽可能的减少排片对于影院票房收入的扰动；
c)将预处理后的影院及其属性录入影院数据库中；
具体的，步骤2中对路网数据利用空间句法计算空间集成度，获得路网集 成度包括如下子步骤：
具体的，步骤2中对路网数据利用空间句法计算空间集成度，获得路网集 成度包括如下子步骤：
A1：将路网数据进行重构拓扑结构，将路网数据中所有线段的交点进行 打断，令每一条线段对应一个空间节点，获得分段后的路网文件；
其中，具体做法为：进行可视化，转换成米制坐标之后，在所有线段的交 点处进行打断，每一条线段均代表城市空间内一条没有交岔口的街区空间，在 空间句法中，每一个线段均是一个空间节点；
A2：将分段后的路网文件根据空间句法计算空间集成度，获得不同半径 的路网集成度。
其中，具体做法为：分段后的路网文件导入空间句法根据已经做好分段的 基础路网建立线段分析模型，计算路网集成度：
Figure BDA0002664167980000091
式中：I(di,r)表示线段节点di为中心的半径r内的路网集成度，di,kj分别 表示路网中的一个线段d,k转换为一个节点i,j；
在使用空间句法，将路网中每一个线段转换为一个节点参与计算，
Figure BDA0002664167980000092
表 示从线段节点di到任意线段节点kj的最短米制距离，r表示不同的米制半径， 且该半径并非是欧式距离，而是以基础路网为路径的实际米制距离，在不同的 半径下，空间句法所得出的形态变量值也不同。
A3：计算不同半径的路网集成度与影院平均月票房做相关性分析，将相 关性最高的路网集成度作为路网可达性。
在不同的半径下，空间句法所得出的形态变量值也不同，所以，将计算出 的不同半径的路网集成度与影院平均月票房做相关性分析与影院票房之间相 关性最高。
具体的，步骤2中对公交数据利用空间句法计算空间集成度，获得公交网 络集成度包括如下子步骤：
B1：将公交数据进行重构拓扑结构，将公交数据中每一条公交线路的线 路交叉点进行打断，令每一条公交线段对应一个空间节点，获得分段后的公交 网络文件；
其中，具体做法为：将每一条公交线路沿着其站点进行打断，重构拓扑， 将其在线路交叉点打断，该步骤目的是：其一为了保证了公交网络内部之间的 联通；其二，公交线路相交叉处打断，相当于在空间句法计算中步数深度增加， 变相的将公交出行的换乘成本计算在内；
B2：将分段后的公交网络文件根据空间句法计算空间集成度，获得不同 拓扑深度的公交网络集成度；
其中，具体做法为：将处理后的公交网络数据进行线段模型分析，忽略公 交线段的米制长度，将每一个独立的公交线段看做一个元素，用集成度这一形 态变量作为公交可达性评价的量化指标。其计算公式如下：
Figure BDA0002664167980000101
式中，Bi是公交站点i的可达性，n一定步数深度内的公交线路段数目，不 同的深度所计算得出的公交可达性也不相同，计算得到公交网络多个拓扑深度 的集成度值，并根据多个拓扑深度的集成度，对区域所有位置进行预测，形成 测量值表面。利用空间分析工具箱中的反距离权重插值工具，来构建整个城市 范围内的公交可达性表面；对区域所有位置进行预测，形成测量值表面,之后 再构建以各个公交站点为圆心，半径600m的缓冲区(居民步行5min的距离)， 以该缓冲区切割公交可达性表面，最终作为基于市民出行的城市范围内的公交 可达性；
具体的，步骤2中对地铁数据利用空间句法计算空间集成度，获得地铁网 络集成度包括如下子步骤：
本发明对地铁可达性的评价主要从地铁网络可达性展开，从空间阻隔的角 度出发，使用空间句法计算空间集成度，将其作为地铁线路可达性。空间阻隔 模型是用阻碍人群出行的空间阻隔大小程度的角度来定义可达性。
C1：将地铁数据进行重构拓扑结构，获得分段后的地铁网络文件；
其中，具体做法为：选取单条地铁线路，合并采集得到的同名地铁站点, 将地铁线路在其站点处打断后,将地铁路网转换为空间句法的轴线地图；
C2：将分段后的地铁网络文件根据空间句法计算空间集成度，将其作为 地铁线路可达性；将分段后的地铁网络文件根据空间句法计算空间集成度，将 其作为地铁线路可达性；将地铁线路的可达性数值附加到最近的地铁站点的属 性数据中，之后用反距离权重法构造城市范围内的可达性表面，再以各个地铁 站点为圆心构造缓冲区，以缓冲区范围内的可达性数值作为城市的地铁可达 性。
具体的，步骤2中对商业POI数据进行核密度计算获得商业POI密度包括：
D1：采集城市范围内所有的餐饮和购物的POI；
D2：将商业POI的空间点位数据可视化，忽略不同POI之间的规模差异， 并简单假设各类商业POI对行人的吸引力是类似的；
D3：使用核密度计算分析商业空间活力。核密度分析属于该概率学中的非 参数检验方法之一，其实质以任意一点为中心，通过大量的空间点位数据，分 析该中心点周围的空间分布情况，每个数据点的权重值与距离中心点的欧式距 离成反比，最终每一个空间点位得到的都是经过加权平均分析后的密度值。某 一空间点位的核密度计算公式为：
Figure BDA0002664167980000111
式中：n表示某一空间点位的商业POI的总数，xi，xj分别表示第i个POI 与第j个POI，K为权重值，hn表示平滑参数。以该公式的计算结果，作为衡 量区域商业活力的量化值，参与影院选址量化评估模型。
具体的，所述的步骤3中所述建立多元线性回归模型，其建立方法是：
设定影院厅数，以影院厅数、步行可达性、公交可达性、地铁可达性、商 业POI核密度为自变量，以影院平均月票房为因变量，分析各个自变量与因变 量之间是否呈现相关关系；
各个自变量数据影院的空间数据做近邻分析；
其中，使用ArcGIS近邻分析工具,近邻分析工具可计算一个要素类中各点 与另一要素类中最近的点或线要素之间的距离。近邻分析是基于两个空间数据 集合，以一个集合为分析对象，另外一个集合为邻近要素，从邻近要素中为分 析对象提供距离最近的要素，并保留相互距离；
从根据模型评估中的留出法，随机选取整个数据集中的70％作为拟合数据 集，剩余的30％作为验证数据集，做后续的模型拟合和验证；所述的数据集包 括影院票房收入与各个影响因子；具体是指步行可达性、公交可达性、地铁可 达性及商业POI的量化数值合并到影院空间位置的属性数据之中，得到数据 集；
设Y为因变量即影院票房收入，X1，X2，X3，X4，X5为自变量，分别表 示影院厅数、步行可达性、公交可达性、地铁可达性及商业POI，各个自变量 与因变量之间为线性关系，则多元线性回归模型为：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5
将拟合数据集中多组的Y，X1，X2，X3，X4，X5代入线性回归模型中， 多组数据训练确定a0,a1,a2,a3,a4,a5的具体数值,采用最小二乘法进行拟合， 然后根据拟合集拟合出的多元线性回归模型，计算验证集中的数据，将计算得 出的影院票房预测值与实测值之间做相关性分析，以验证模型的正确性。
本实施例还公开了一种影院选址方法，包括如下步骤：
步骤1：根据影院选址模型建立方法获得影院选址模型；
步骤2：获得待选坐标点集合，并获得每个待选坐标点的步行可达性、公 交可达性、地铁可达性及商业POI；
步骤2：设置影院厅数，将影院厅数和待选坐标点集合中每个待选坐标点 的步行可达性、公交可达性、地铁可达性及商业POI输入影院选址模型，输出 每个待选坐标点的影院票房数据值，选择影院票房数据值最大的待选坐标点作 为选址坐标点。
本实施例还公开了一种影院选址平台，包括数据采集单元，可达性计算单 元，选址模型训练单元和选址单元；
所述数据采集模块用于获得城市基础数据，所述城市基础数据包括影院数 据、路网数据、公交数据、地铁数据及商业POI数据；
所述可达性计算模块用于对影院数据进行预处理获得影院票房数据，对路 网数据、公交数据和地铁数据分别利用空间句法计算空间可达性，分别获得路 网可达性、公交可达性和地铁可达性，对商业POI数据进行核密度计算获得商 业POI密度；
所述选址模型训练单元用于设置影院厅数，将影院厅数、路网可达性、公 交可达性和地铁可达性及商业POI密度作为输入，将影院票房数据作为参考输 出，建立多元线性回归模型并进行训练，将训练好的模型作为影院选址模型；
所述选址单元用于获得待选坐标点集合，并根据可达性计算模块获得每个 待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI，设置影院厅 数，将影院厅数和待选坐标点集合中每个待选坐标点的步行可达性、公交可达 性、地铁可达性及商业POI输入影院选址模型，输出每个待选坐标点的影院票 房数据值，选择影院票房数据值最大的待选坐标点作为选址坐标点。
实施例一
本实施以西安市主城区即三环以内为主要研究对象，包括未央区、莲湖区、 雁塔区、新城区、碑林区、曲江区及高新区等主要行政区划。该研究区域路网 格局以“棋盘式”呈现，道路纵横、规整有序，建筑密度高，经济发展相对较 好，城市基础设施完备，有众多的住宅用地及高校，交通道路网络密集，属于 典型的城市高密度聚集区，西安市的大多数影院也恰恰位于该区域。
(1)建立城市基础数据库
通过影院数据、路网数据、公交数据、地铁数据及商业POI数据建立城市 基础数据库；
基于西安市高德地图对影院、路网、公交、地铁、商业POI进行采集并对 其属性数据预处理，将所有数据建立空间地理信息数据库，并使用不同图层进 行可视化分析。
(2)分析影响电影院票房收入的内部及外部因素
内部及外部因素包括影院规模、人群聚集度、交通便捷性及商业活力；
(3)将多模式交通可达性及商业活力等因素量化并分析
使用空间句法、核密度计算等方法将多模式交通可达性及商业活力等因素 量化，并分析了各个因素与影院票房之间的相关性；
影院概况：安市目前共有影院70家，规模大小不一，所属不同电影院线， 西安电影市场近年来屡屡取得重大发展，票房收入每年都上一个新台阶。2018 年，据猫眼电影统计，西安市影院票房总收入近11亿元，位居全国所有城市 影院票房统计第11位，且增速位居全国第3位。西安市目前共计有70家影院， 但分布不均，如图2所示，主要分布于曲江、小寨、钟楼、长安路等商圈，存 在扎堆现象。
步行可达性：西安市主城区范围内的基础路网呈现出单中心城市的典型特 点，即基础路网为“环网格局”，整个城市为团块型城市，步行路网的设计相 对欠缺，通常是以城市干道步行辅道的形式存在，支路及街坊路连通度较差。 截止2017年底，西安市路网密度为5.49公里/平方公里，其中碑林区路网密 度最高，莲湖区、灞桥区紧随其后，反映出西安市路网结构的不平衡。在建立 了西安步行基础路网的基础上，根据前述中步行路网处理的方法，计算西安市 步行可达性，计算最终结果如图3所示。从空间句法计算结果图中，线条越密 集代表可达性较好，越稀疏代表可达性较差。
公交可达性：现有公交线路近500条，站点数目15000个左右，公交网络 覆盖所有下辖区县。根据已建立的公交地理信息数据库中的数据，建立西安市 的公交可达性分析图层，如图4所示。
在西安市公交线路打断、重构拓扑的基础之上，计算得出各个公交线段的 可达性。本文研究范围内的公交线段可达性量化值的直观展示，如图5所示。
以各个公交站点为圆心，将公交站点的可达性通过反距离权重插值工具转 换成公交可达性表面，同时构建半径600m的缓冲区，则缓冲区范围内的量化 数值为城市居民出行时的实际公交可达性。
地铁可达性：西安市地铁截止2017年，仅开通运行了三条地铁线，由于 本研究的出发点是影院位置评估，所以规划线路并不在西安市地铁可达性的计 算范围之内。在GIS中将地铁线路在各个站点处打断，进行空间句法分析，因 为地铁线路较少，所以直接计算全局可达性。
地铁可达性的计算结果如图6所示，在该图中，黑色越黑代表可达性较好， 越浅代表可达性较差，所以直观来看，各个换乘点地铁可达性均较好，而线路 起终点的可达性是最差的。
由于城市居民与地铁相互沟通的媒介是地铁站点，所以借助近邻分析工 具，将地铁线路的可达性数值附加到最近的地铁站点的属性数据中，之后用反 距离权重法构造城市范围内的可达性表面，再以各个地铁站点为圆心，于构造 半径1200m的缓冲区，以缓冲区范围内的可达性数值作为城市的地铁可达性。
商业POI：通过采集了西安市的餐饮和购物的POI点位数据，将其进行核 密度分析，得到如图7所示的POI分布密度图。叠加了西安市地铁图层之后， 可以看出，POI聚集的几个区域分别是钟楼商圈、小寨商圈、东大街、康复路 等核心商圈及次级商圈，这也印证了商业POI聚集度是可以反映区域商业活力 的。
数据集整合：对以上各个图层进行合并，利用近邻分析工具，以影院空间 位置为基础，将步行可达性、公交可达性、地铁可达性及商业POI的量化数值 合并到影院空间位置的属性数据之中。
计算影院票房收入与各个自变量之间的相关关系，分析结果见表1：
表1影院票房收入与各影响因素相关性
影院厅数 步行可达性 公交可达性 地铁可达性 商业POI密度
影院票房(Pearson相关) 0.411 0.541 0.547 0.094 0.225
影院票房与各个自变量之间相关性中，票房与步行和公交可达性、影院厅 数呈现出中等相关，与地铁相关性最低。以此为基础，尝试建立多元线性回归 模型。
(4)建立多元线性回归模型
以多模式交通可达性、影院厅数及商业POI密度为影响因素，以影院票房 为标准，建立多元线性回归模型；
将预处理后的数据集，继续做多元线性回归模型，将数据集中80％的影院 作为拟合数据集，剩余部分作为验证数据集。将拟合集中的影院平均月票房作 为因变量，将影院厅数、步行可达性、公交可达性、地铁可达性及商业POI 作为自变量，构建多元线性回归模型。回归模型参数计算结果见表2：
表2多元线性回归模型拟合结果
Figure BDA0002664167980000171
因此，由拟合集拟合出的西安影院多元线性回归模型为：
Y＝4.612+0.021X1+4.34*10-6X2+0.083X3-0.01X4+2.98.*10-6X5
其中，Y表示影院票房，X1到X5分别代表影院厅数、步行可达性、公交可 达性、地铁可达性及商业POI。应用该回归模型计算验证集中的相应数据，计 算预测值与实际值之间相关性。
经相关性分析得出的影院票房实测值与预测值之间的相关性高达78.4％， 属于强相关。同时，由图8的统计散点图中可以直观看出，验证集中的西安影 院实测票房和预测票房之间的强线性相关性。
本发明基于城市各类空间大数据，以影院厅数、步行可达性、公交可达性、 地铁可达性、商业POI核密度为自变量，以影院平均月票房为因变量建立多元 线性回归模型，通过对实例分析，证明了该模型能够科学合理的根据影响影院 选址的各个因素，对影院建设选址进行了量化评估，并在此基础之上，实现了 影院优化选址系统平台的建立。本发明实现了影院选址从定性判断到定量分析 的跨越，一定程度上丰富了影院选址方面的研究。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说 明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明， 凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本 发明的保护范围之内。

Claims (10)

1.影院选址模型建立方法，其特征在于，包括如下步骤：
步骤1：获得城市基础数据，所述城市基础数据包括影院数据、路网数据、公交数据、地铁数据及商业POI数据；
步骤2：对影院数据进行预处理获得影院票房数据，对路网数据、公交数据和地铁数据分别利用空间句法计算空间可达性，分别获得路网可达性、公交可达性和地铁可达性，对商业POI数据进行核密度计算获得商业POI密度；
步骤3：设置影院厅数，将影院厅数、路网可达性、公交可达性和地铁可达性及商业POI密度作为输入，将影院票房数据作为参考输出，建立多元线性回归模型并进行训练，将训练好的模型作为影院选址模型。
2.如权利要求1所述的影院选址模型建立方法，其特征在于，步骤1中所述的影院数据包括影院ID，影院名称、影厅数、座位数、空间坐标、影院票房和所属区域；
所述的路网数据包括了主干路网、支干路网、街坊路以及小区、公园、等所有可供步行的路网，步行路网的数据格式包括：路名、所属城市、道路等级，所属行政区代码，长度和道路宽度；
所述的公交数据包括了线路ID，线路名称，所属营运单位，空间位置，起终站点名数据和线路数据，线路数据中包括了线路ID，线路名称，所属营运单位，空间位置和起终站点名数据；
所述的地铁数据包括了地铁线路ID，线路名称，线路长度，营运单位，起终站点名及空间位置等属性数据，空间位置，所属线路ID、地铁站点名称、所属行政区代码；
所述的商业POI数据包括了POI的空间位置、所在地址和服务类型。
3.如权利要求1所述的影院选址模型建立方法，其特征在于，步骤2中对影院数据进行预处理获得影院票房数据是指：
剔除厅数为3个及3个以下的影院，剔除营业不足一年的影院，然后将剔除后的各个影院12个月的票房收入取平均值，获得影院月平均票房作为影院票房数据。
4.如权利要求3所述的影院选址模型建立方法，其特征在于，步骤2中对路网数据计算空间可达性时包括如下子步骤：
A1：将路网数据进行重构拓扑结构，将路网数据中所有线段的交点进行打断，令每一条线段对应一个空间节点，获得分段后的路网文件；
A2：将分段后的路网文件根据空间句法计算空间集成度，获得不同半径的路网集成度；
A3：计算不同半径的路网集成度与影院票房数据做相关性分析，将相关性最高的路网集成度作为路网可达性。
5.如权利要求1所述的影院选址模型建立方法，其特征在于，步骤3中影院选址模型为式Ⅰ：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5 式Ⅰ
其中，X1表示影院厅数，X2表示步行可达性，X3表示公交可达性，X4表示地铁可达性，X5表示商业POI，X1为正整数，a0,a1,a2,a3,a4,a5均表示训练后的最优系数。
6.影院选址方法，其特征在于，包括如下步骤：
步骤1：根据如权利要求1-5中任一种影院选址模型建立方法获得影院选址模型；
步骤2：获得待选坐标点集合，并获得每个待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI；
步骤3：设置影院厅数，将影院厅数和待选坐标点集合中每个待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI输入影院选址模型，输出每个待选坐标点的影院票房数据值，选择影院票房数据值最大的待选坐标点作为选址坐标点。
7.影院选址平台，其特征在于，包括数据采集单元，可达性计算单元，选址模型训练单元和选址单元；
所述数据采集模块用于获得城市基础数据，所述城市基础数据包括影院数据、路网数据、公交数据、地铁数据及商业POI数据；
所述可达性计算模块用于对影院数据进行预处理获得影院票房数据，对路网数据、公交数据和地铁数据分别利用空间句法计算空间可达性，分别获得路网可达性、公交可达性和地铁可达性，对商业POI数据进行核密度计算获得商业POI密度；
所述选址模型训练单元用于设置影院厅数，将影院厅数、路网可达性、公交可达性和地铁可达性及商业POI密度作为输入，将影院票房数据作为参考输出，建立多元线性回归模型并进行训练，将训练好的模型作为影院选址模型；
所述选址单元用于获得待选坐标点集合，并根据可达性计算模块获得每个待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI，设置影院厅数，将影院厅数和待选坐标点集合中每个待选坐标点的步行可达性、公交可达性、地铁可达性及商业POI输入影院选址模型，输出每个待选坐标点的影院票房数据值，选择影院票房数据值最大的待选坐标点作为选址坐标点。
8.如权利要求7所述的影院选址平台，其特征在于，所述的影院数据包括影院ID，影院名称、影厅数、座位数、空间坐标、影院票房和所属区域；
所述的路网数据包括了主干路网、支干路网、街坊路以及小区、公园、等所有可供步行的路网，步行路网的数据格式包括：路名、所属城市、道路等级，所属行政区代码，长度和道路宽度；
所述的公交数据包括了线路ID，线路名称，所属营运单位，空间位置，起终站点名数据和线路数据，线路数据中包括了线路ID，线路名称，所属营运单位，空间位置和起终站点名数据；
所述的地铁数据包括了地铁线路ID，线路名称，线路长度，营运单位，起终站点名及空间位置等属性数据，空间位置，所属线路ID、地铁站点名称、所属行政区代码；
所述的商业POI数据包括了POI的空间位置、所在地址和服务类型。
9.如权利要求7所述的影院选址平台，其特征在于，对路网数据计算空间可达性时包括如下子步骤：
A1：将路网数据进行重构拓扑结构，将路网数据中所有线段的交点进行打断，令每一条线段对应一个空间节点，获得分段后的路网文件；
A2：将分段后的路网文件根据空间句法计算空间集成度，获得不同半径的路网集成度；
A3：计算不同半径的路网集成度与影院票房数据做相关性分析，将相关性最高的路网集成度作为路网可达性。
10.如权利要求7所述的影院选址平台，其特征在于，影院选址模型为式Ⅰ：
Y＝a0+a1X1+a2X2+a3X3+a4X4+a5X5 式Ⅰ
其中，X1表示影院厅数，X2表示步行可达性，X3表示公交可达性，X4表示地铁可达性，X5表示商业POI，X1为正整数，X2至X5的取值范围为(0,1)，a0,a1,a2,a3,a4,a5均表示训练后的最优系数。
CN202010913460.9A 2020-09-03 2020-09-03 影院选址模型建立方法、影院选址方法及影院选址平台 Pending CN112184282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010913460.9A CN112184282A (zh) 2020-09-03 2020-09-03 影院选址模型建立方法、影院选址方法及影院选址平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010913460.9A CN112184282A (zh) 2020-09-03 2020-09-03 影院选址模型建立方法、影院选址方法及影院选址平台

Publications (1)

Publication Number Publication Date
CN112184282A true CN112184282A (zh) 2021-01-05

Family

ID=73924731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010913460.9A Pending CN112184282A (zh) 2020-09-03 2020-09-03 影院选址模型建立方法、影院选址方法及影院选址平台

Country Status (1)

Country Link
CN (1) CN112184282A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669094A (zh) * 2021-01-29 2021-04-16 亿景智联(北京)科技有限公司 一种基于时空大数据与机器学习算法的药店选址方法
CN113837790A (zh) * 2021-08-17 2021-12-24 中国地质大学（武汉） 支持跨城市的地块级商业选址方法及装置
CN115423156A (zh) * 2022-08-15 2022-12-02 博源规划设计集团有限公司 一种新建铁路四电工程用地选址优化方法
CN116069891A (zh) * 2023-03-15 2023-05-05 北京东方广厦模块化房屋有限公司 一种装配式建筑建设选址分析方法及系统
CN118333675A (zh) * 2024-06-17 2024-07-12 江西省科技事务中心 一种企业孵化器选址方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038494A (zh) * 2017-03-06 2017-08-11 中国电影科学技术研究所 一种影院票房预测方法及装置
CN108717642A (zh) * 2018-03-30 2018-10-30 浙江工业大学 一种基于gis的城市商场选址方法
CN110135913A (zh) * 2019-05-20 2019-08-16 智慧足迹数据科技有限公司 店铺选址模型的训练方法、店铺选址方法及装置
WO2019216859A2 (en) * 2018-04-04 2019-11-14 Maptriks Bilisim Teknolojileri Sanayi Ve Ticaret A.S Geographical information systems, site selection and location assessment system
CN111008730A (zh) * 2019-11-07 2020-04-14 长安大学 基于城市空间结构的人群聚集度预测模型构建方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038494A (zh) * 2017-03-06 2017-08-11 中国电影科学技术研究所 一种影院票房预测方法及装置
CN108717642A (zh) * 2018-03-30 2018-10-30 浙江工业大学 一种基于gis的城市商场选址方法
WO2019216859A2 (en) * 2018-04-04 2019-11-14 Maptriks Bilisim Teknolojileri Sanayi Ve Ticaret A.S Geographical information systems, site selection and location assessment system
CN110135913A (zh) * 2019-05-20 2019-08-16 智慧足迹数据科技有限公司 店铺选址模型的训练方法、店铺选址方法及装置
CN111008730A (zh) * 2019-11-07 2020-04-14 长安大学 基于城市空间结构的人群聚集度预测模型构建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋冬等: "基于多模式交通可达性的影院位置评估软件系统开发――以西安市为例", 《物联网技术》 *
纪小美: "《旅游地名的时空变迁与社会响应》", 上海科学普及出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669094A (zh) * 2021-01-29 2021-04-16 亿景智联(北京)科技有限公司 一种基于时空大数据与机器学习算法的药店选址方法
CN112669094B (zh) * 2021-01-29 2024-01-26 亿景智联(苏州)科技有限公司 一种基于时空大数据与机器学习算法的药店选址方法
CN113837790A (zh) * 2021-08-17 2021-12-24 中国地质大学（武汉） 支持跨城市的地块级商业选址方法及装置
CN115423156A (zh) * 2022-08-15 2022-12-02 博源规划设计集团有限公司 一种新建铁路四电工程用地选址优化方法
CN115423156B (zh) * 2022-08-15 2023-09-15 博源规划设计集团有限公司 一种新建铁路四电工程用地选址优化方法
CN116069891A (zh) * 2023-03-15 2023-05-05 北京东方广厦模块化房屋有限公司 一种装配式建筑建设选址分析方法及系统
CN118333675A (zh) * 2024-06-17 2024-07-12 江西省科技事务中心 一种企业孵化器选址方法及系统

Similar Documents

Publication Publication Date Title
CN112184282A (zh) 影院选址模型建立方法、影院选址方法及影院选址平台
CN101807222B (zh) 基于站点的城市公交线网优化配置方法
CN109359162B (zh) 一种基于gis的学校选址方法
CN108446470A (zh) 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法
Mougiakou et al. Urban green space network evaluation and planning: Optimizing accessibility based on connectivity and raster gis analysis
CN104809112A (zh) 一种基于多源数据的城市公交发展水平综合评价方法
CN109460937B (zh) 评价轨道站点周边慢行交通系统接驳水平的流程与方法
Munshi Built form, travel behaviour and low carbon development in Ahmedabad, India
CN109325614B (zh) 一种基于gis的汽车站选址方法
CN114548811B (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN115062873A (zh) 交通出行方式预测方法和装置、存储介质及电子设备
Zhang et al. How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities
CN107480808A (zh) 一种高海拔山区引水工程线路规划方法
CN113222271A (zh) 综合交通运输体系下的中小机场选址布局方法
CN117196197A (zh) 一种公共交通站点布局优化方法
Daniel et al. GIS-based study on the association between road centrality and socio-demographic parameters: A case study
CN114219521B (zh) 基于多源数据的体育中心选址评价方法
Bikdeli et al. Accessibility modeling for land use, population and public transportation in Mashhad, NE Iran
CN115049215A (zh) 一种城市交通流量空间分布模型的构建方法
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
Gupta et al. GIS for Governance in Town Planning and Land Management
Wibowo et al. Harnessing open data and technology for the study of accessibility: The case of Indonesia’s capital site candidate
Weerasinghe et al. A GIS based methodology to demarcate modified traffic analysis zones in urban areas
CN113554221A (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法
CN118154396B (zh) 一种基于多元空间数据的新增公交线路规划方法

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