CN112288472A - 一种基于多源大数据的街道规划需求识别方法 - Google Patents
一种基于多源大数据的街道规划需求识别方法 Download PDFInfo
- Publication number
- CN112288472A CN112288472A CN202011157862.7A CN202011157862A CN112288472A CN 112288472 A CN112288472 A CN 112288472A CN 202011157862 A CN202011157862 A CN 202011157862A CN 112288472 A CN112288472 A CN 112288472A
- Authority
- CN
- China
- Prior art keywords
- data
- street
- time
- vehicle
- analysis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000011160 research Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000009193 crawling Effects 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000011664 signaling Effects 0.000 claims description 8
- 238000013481 data capture Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于多源大数据的街道规划需求识别方法。本方法采用数据挖掘的方式,分析街道中人的活动和节点空间、业态布局、骑行路径之间的关系,可以定量分析各类人群、共享单车在街道中的时间时空分布,以达到对街道使用需求的识别,可为街道、社区城市规划提供的空间和使用需求的设计依据。
Description
技术领域
本发明是一种基于多源大数据的街道规划需求识别方法,适用于微观层次的街道及社区规划设计方法领域。
背景技术
随着通信技术的发展和智能手机、app的广泛使用,人们的生活和消费习惯发生巨大变化,具体表现为人们对美好生活的向往不断增强,体现在规划中为人本主义规划理念不断增强。随着人文主义的理念的增强,作为生活容器的街道空间,再次受到了越来越多人的关注,学界、业界均展开了关于街道及街道活力相关的理论研究、实践研究。如何“以人为本”对街道和社区进行规划设计成为满足人民对美好生活向往的重大议题,同时大数据的分析手段也为解决该问题提供了更加有效的手段。
近年来,随着大数据研究方法的拓展,国内外学者已经将其方法运用于城市规划研究中,和街道大数据分析相关的研究主要涉及人群时空行为、活动研究和街道活力的大数据研究,但目前这两种研究方向关注的多为街区以上甚至城市层次,对于微观层次的街道、社区规划设计指导不全面。
发明内容
本发明的目的是提供一种基于多源大数据的街道规划需求识别方法,该方法基于对手机大数据、共享单车app、大众点评POI、百度人口热力数据的应用,综合多源的大数据及交警大队和人工调研的数据,形成一套识别微观街道的人、车、非机动车等规划需求的规划方法。
为了实现上述目的,本发明的技术方案如下:一种基于多源大数据的街道规划需求识别方法,其特征在于所述方法包括以下步骤:
A、基于多源大数据的微观街道规划需求识别体系构建;
B、数据的获取,通过app大数据抓取、手机信令数据、百度人口热力数据、行政机构数据以及现场人工调研数据获得微观街道规划需求识别体系所需的数据;
C、大数据的挖掘和分析,根据步骤B获得的数据进行使用时间需求分析和使用空间需求分析;
D、识别方法的规划指导,根据步骤C的数据分析结果,提供给街道或社区规划以规划指导。
进一步地,步骤A中,从时间、空间、人群三个维度,构建了9项需求类型、12项识别因子,所述9项需求类型分别为车行时间需求、助动车时间需求、共享单车时间需求、人流时间需求、业态空间需求、机动车停车需求、人群使用空间需求、共享单车空间使用需求和分类人群使用需求,12项识别因子分别为车行流量、助动车流量、共享单车使用需求、人行流量、业态布局、时空业态需求、机动车停车布局、街道人群活力分布、共享单车停车空间分布、共享单车到发路径、人群年龄结构、分类人群空间分布,步骤B中,通过app大数据抓取、手机信令数据、百度人口热力数据、行政机构数据以及现场人工调研数据获得各个识别因子数据。
进一步地,步骤C中,使用时间需求分析包括:分时段车行流量变化,获取道路交叉口车行监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征;分时段助动车流量变化,获取道路交叉口助动车通过车流量以及到发流量监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征;分时段共享单车使用频次,共享单车公司提供街道周边500米社区范围内工作日和周末分时段的使用频次,导出后使用柱状图进行时间需求分析;分时段人流量变化,爬取百度地图街道中心线的人口密度值,分时段进行统计,并叠合到GIS中进行分析。
进一步地,步骤C中,使用空间需求分析包括:街道业态POI分布,爬取街道业态POI数据,按社会服务、生产服务、生活服务、工业制造四方面进行分类,并按照坐标叠合到GIS中进行密度分析;街道业态人流拟合分析,将街道业态POI分类密度分布和分时段的热力分布数据在GIS中进行叠加,得到分时段人流密度和街道业态之前的耦合关系分析;分时段机动车临时停车情况,通过人工调研数据,分时段统计工作日和周末典型日中,街道路侧临时停车的数量和空间布局;分时段街道节点人流分布,将分时段的百度热力分布数据和街道布局在GIS中进行叠合,统计街道不同节点分时段的人流密度情况;时段共享单车停车空间分布,爬取共享单车app数据,获取街道周边500米社区范围内工作日和周末的白天、晚上的共享单车停车经纬度、车辆ID数据,导入GIS分析街道用车和停车需求,制作街道附近共享单车密度分布图;街道共享单车到发路径容量,共享单车app公司提供工作日和周末典型一日的单车id、坐标数据,整理排序后能遴选出到达和出发为街道开口社区的单车数据,导入GIS形成到发分布密度分析;街道使用人群年龄结构,该因子涉及社区人口和产业人口两个方面,因此需通过手机信令数据对活动人群进行识别,该因子需手机通信公司提供工作日和周末典型日一天的街道相关基站的人群及年龄数据,分析不同时段使用街道的主要年龄人群;分时段街道分类人群活动空间分布,依靠人工调研数据,分时段对街道各节点活动的人群进行统计,统计结果和道路布局进行叠合,分析各类人群一天街道活动的特征,以及各节点人群使用的占比情况。
本方法采用数据挖掘的方式,分析街道中人的活动和节点空间、业态布局、骑行路径之间的关系,可以定量分析各类人群、共享单车在街道中的时间时空分布,以达到对街道使用需求的识别,可为街道、社区城市规划提供的空间和使用需求的设计依据。
具体实施方式
以下根据本发明的具体实施例对本发明进行进一步阐述。
一种基于多源大数据的街道规划需求识别方法,其特征在于所述方法包括以下步骤:
(1)基于多源大数据的微观街道规划需求识别体系构建
该方法从时间、空间、人群三个维度,构建了9项需求类型、12项识别因子。
表1识别方法的因子构成体系
(2)数据的获取
该方法的多源数据获取主要分为五类:app大数据抓取、手机信令数据、百度人口热力数据、行政机构数据以及现场人工调研数据。
1)App大数据抓取
此类大数据分为两类,一类是大众点评网、百度等的开源POI的网站,另一类为摩拜、哈罗单车等可爬取停车分布、骑行路径和时间数据。
业态POI(point of interest)数据包括业态名称、业态位置(经纬度)、业态类别三方面信息,是城市兴趣点表征数据之一。本方法需采用爬虫软件,对开源POI数据进行获取。对于微观层次的街道,需要获取街道两侧全部的店面数据,共分为社会服务、生产服务及生活服务、工业制造四大类。社会服务包括公共管理、体育、医疗、社会福利、文化、教育六类职能,需通过街道办、居委会、设施管理、工会、菜场、医院等关键词获取;商业零售、餐饮、生活服务、产业办公、金融服务、酒店、医疗卫生、文化服务、交通设施9种类型。生产服务包括金融保险、娱乐康体和住宿服务,分别通过搜索银行、信用社、证券、房地产、公司等关键词获取。生活服务包括商业零售、餐饮、娱乐、酒店、专业市场等类型,通过超市、便利店、餐饮、生活服务、酒店、市场等关键词获取。工业制造包括制造加工和仓储物流,搜索工程、仓库、运输等关键词进行获取。
共享单车app数据,分两种方法获取。一种利用Python等爬虫软件爬取摩拜、哈罗单车等app数据,得到单车订单的经纬度和车辆ID,结合GIS进行分析。另外一方面,跟app公司签订协议后由其提供骑行频次、到发分布的数据。
2)手机信令数据
通过和移动、联通、电信通信公司签订协议,获取街道相关基站范围内的人群流量及人群特征数据。
3)百度热力数据
百度热力图(Heatmap),可以清楚直观的反应某一时刻区域的人群集中度。本方法需下载工作日和周末不同时段百度热力数据,结合GIS二维、三维数据进行叠加分析。
4)行政机构数据
本方法需从交警大队获取街道天网的车流监测数据。
5)人工调研数据
人工调研分析主要是针对微观层次的街道,基站和交通监测设施难以精准采集的数据,例如街道的助动车和非机动车、行人流量,不同节点人群分类使用情况等。人工调研主要采取定时定点计数的方式获取数据。
(3)大数据的挖掘和分析
使用时间需求分析
1)分时段车行流量变化
获取道路交叉口车行监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征。
2)分时段助动车流量变化
获取道路交叉口助动车通过车流量以及到发流量监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征。
3)分时段共享单车使用频次
共享单车公司提供街道周边500米社区范围内工作日和周末分时段的使用频次,导出后使用柱状图进行时间需求分析。
4)分时段人流量变化
爬取百度地图街道中心线的人口密度值,分时段进行统计,并叠合到GIS中进行分析。
使用空间需求分析
5)街道业态POI分布
爬取街道业态POI数据,按社会服务、生产服务、生活服务、工业制造四方面进行分类,并按照坐标叠合到GIS中进行密度分析。
6)街道业态人流拟合分析
将街道业态POI分类密度分布和分时段的热力分布数据在GIS中进行叠加,得到分时段人流密度和街道业态之前的耦合关系分析。
7)分时段机动车临时停车情况
通过人工调研数据,分时段统计工作日和周末典型日中,街道路侧临时停车的数量和空间布局。
8)分时段街道节点人流分布
将分时段的百度热力分布数据和街道布局在GIS中进行叠合,统计街道不同节点分时段的人流密度情况。
9)时段共享单车停车空间分布
爬取共享单车app数据,获取街道周边500米社区范围内工作日和周末的白天、晚上的共享单车停车经纬度、车辆ID数据。导入GIS分析街道用车和停车需求,制作街道附近共享单车密度分布图。
10)街道共享单车到发路径容量
共享单车app公司提供工作日和周末典型一日的单车id、坐标数据,整理排序后能遴选出到达和出发为街道开口社区的单车数据,导入GIS形成到发分布密度分析。另外,通过到发分布能够二次分析使用该街道的单车路径和容量。
11)街道使用人群年龄结构
该因子涉及社区人口和产业人口两个方面,因此需通过手机信令数据对活动人群进行识别,该因子需手机通信公司提供工作日和周末典型日一天的街道相关基站的人群及年龄数据,分析不同时段使用街道的主要年龄人群。
12)分时段街道分类人群活动空间分布
依靠人工调研数据,分时段对街道各节点活动的人群进行统计,统计结果和道路布局进行叠合,分析各类人群一天街道活动的特征,以及各节点人群使用的占比情况。
(4)识别方法的规划指导
通过各项数据分析,通过因子特征能够提供给街道或社区规划以规划指导。下表为各项因子的特征能够给后续规划提供的指导方向。
表2规划方法各项因子的规划指导
Claims (4)
1.一种基于多源大数据的街道规划需求识别方法,其特征在于所述方法包括以下步骤:
A、基于多源大数据的微观街道规划需求识别体系构建;
B、数据的获取,通过app大数据抓取、手机信令数据、百度人口热力数据、行政机构数据以及现场人工调研数据获得微观街道规划需求识别体系所需的数据;
C、大数据的挖掘和分析,根据步骤B获得的数据进行使用时间需求分析和使用空间需求分析;
D、识别方法的规划指导,根据步骤C的数据分析结果,提供给街道或社区规划以规划指导。
2.如权利要求1所述的一种基于多源大数据的街道规划需求识别方法,其特征在于,步骤A中,从时间、空间、人群三个维度,构建了9项需求类型、12项识别因子,所述9项需求类型分别为车行时间需求、助动车时间需求、共享单车时间需求、人流时间需求、业态空间需求、机动车停车需求、人群使用空间需求、共享单车空间使用需求和分类人群使用需求,12项识别因子分别为车行流量、助动车流量、共享单车使用需求、人行流量、业态布局、时空业态需求、机动车停车布局、街道人群活力分布、共享单车停车空间分布、共享单车到发路径、人群年龄结构、分类人群空间分布,步骤B中,通过app大数据抓取、手机信令数据、百度人口热力数据、行政机构数据以及现场人工调研数据获得各个识别因子数据。
3.如权利要求1所述的一种基于多源大数据的街道规划需求识别方法,其特征在于,步骤C中,使用时间需求分析包括:
分时段车行流量变化,获取道路交叉口车行监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征;
分时段助动车流量变化,获取道路交叉口助动车通过车流量以及到发流量监测数据,对工作日和周末的机动车车流分时段进行柱状对比分析,评估街道在工作日和周末高峰时段的特征,以及高峰时段流量方向特征;
分时段共享单车使用频次,共享单车公司提供街道周边500米社区范围内工作日和周末分时段的使用频次,导出后使用柱状图进行时间需求分析;
分时段人流量变化,爬取百度地图街道中心线的人口密度值,分时段进行统计,并叠合到GIS中进行分析。
4.如权利要求1所述的一种基于多源大数据的街道规划需求识别方法,其特征在于,步骤C中,使用空间需求分析包括:
街道业态POI分布,爬取街道业态POI数据,按社会服务、生产服务、生活服务、工业制造四方面进行分类,并按照坐标叠合到GIS中进行密度分析;
街道业态人流拟合分析,将街道业态POI分类密度分布和分时段的热力分布数据在GIS中进行叠加,得到分时段人流密度和街道业态之前的耦合关系分析;
分时段机动车临时停车情况,通过人工调研数据,分时段统计工作日和周末典型日中,街道路侧临时停车的数量和空间布局;
分时段街道节点人流分布,将分时段的百度热力分布数据和街道布局在GIS中进行叠合,统计街道不同节点分时段的人流密度情况;
时段共享单车停车空间分布,爬取共享单车app数据,获取街道周边500米社区范围内工作日和周末的白天、晚上的共享单车停车经纬度、车辆ID数据,导入GIS分析街道用车和停车需求,制作街道附近共享单车密度分布图;
街道共享单车到发路径容量,共享单车app公司提供工作日和周末典型一日的单车id、坐标数据,整理排序后能遴选出到达和出发为街道开口社区的单车数据,导入GIS形成到发分布密度分析;
街道使用人群年龄结构,该因子涉及社区人口和产业人口两个方面,因此需通过手机信令数据对活动人群进行识别,由手机通信公司提供工作日和周末典型日一天的街道相关基站的人群及年龄数据,分析不同时段使用街道的主要年龄人群;
分时段街道分类人群活动空间分布,依靠人工调研数据,分时段对街道各节点活动的人群进行统计,统计结果和道路布局进行叠合,分析各类人群一天街道活动的特征,以及各节点人群使用的占比情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157862.7A CN112288472A (zh) | 2020-10-26 | 2020-10-26 | 一种基于多源大数据的街道规划需求识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157862.7A CN112288472A (zh) | 2020-10-26 | 2020-10-26 | 一种基于多源大数据的街道规划需求识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288472A true CN112288472A (zh) | 2021-01-29 |
Family
ID=74374045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011157862.7A Pending CN112288472A (zh) | 2020-10-26 | 2020-10-26 | 一种基于多源大数据的街道规划需求识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288472A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011924A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 农贸市场物流配送与服务体系识别方法、系统、设备及介质 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
-
2020
- 2020-10-26 CN CN202011157862.7A patent/CN112288472A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011924A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 农贸市场物流配送与服务体系识别方法、系统、设备及介质 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
CN117274886B (zh) * | 2023-08-04 | 2024-03-19 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | A generative model of urban activities from cellular data | |
CN106096631B (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
Kashiyama et al. | Open PFLOW: Creation and evaluation of an open dataset for typical people mass movement in urban areas | |
Qian et al. | Characterizing urban dynamics using large scale taxicab data | |
Pucci et al. | Mapping urban practices through mobile phone data | |
Niu et al. | Real-time taxi-passenger prediction with L-CNN | |
CN112288048B (zh) | 一种基于多源数据驱动的城市人群出行识别方法 | |
Liu et al. | Cluster analysis of microscopic spatio-temporal patterns of tourists’ movement behaviors in mountainous scenic areas using open GPS-trajectory data | |
Jiang et al. | Large-scale taxi O/D visual analytics for understanding metropolitan human movement patterns | |
Zhao et al. | Space-time dynamics of cab drivers' stay behaviors and their relationships with built environment characteristics | |
Zheng et al. | Exploring both home-based and work-based jobs-housing balance by distance decay effect | |
Randriamanamihaga et al. | Clustering the Vélib׳ dynamic Origin/Destination flows using a family of Poisson mixture models | |
CN112288472A (zh) | 一种基于多源大数据的街道规划需求识别方法 | |
Peterson et al. | Spatiotemporal variables to understand visitor travel patterns: A management-centric approach | |
Saputra et al. | Accessibility model of BRT stop locations using Geographically Weighted regression (GWR): A case study in Banjarmasin, Indonesia | |
Zhang et al. | Space–time visualization analysis of bus passenger big data in Beijing | |
Lu et al. | Exploring travel patterns and static rebalancing strategies for dockless bike-sharing systems from multi-source data: a framework and case study | |
Du et al. | Understand group travel behaviors in an urban area using mobility pattern mining | |
Cui et al. | Usage demand forecast and quantity recommendation for urban shared bicycles | |
Dissanayake et al. | Impact assessment of satellite centre-based telecommuting on travel and air quality in developing countries by exploring the link between travel behaviour and urban form | |
CN104794164A (zh) | 基于开源数据识别住区车位匹配社会停车需求的方法 | |
Yao et al. | Trip segmentation and mode detection for human mobility data | |
Cui et al. | How can urban built environment (BE) influence on-road (OR) carbon emissions? A road segment scale quantification based on massive vehicle trajectory big data | |
CN115510056A (zh) | 一种利用手机信令数据进行宏观经济分析的数据处理系统 | |
AT&T |
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 |