CN112487298B - 基于机场客流来源地数据的城市职能识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于机场客流来源地数据的城市职能识别方法及装置，该方法首先获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并其进行预处理，得到所需的样本数据表；根据得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布；分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图；根据目标对象数量比值地图，对比分析来自每个来源地城市的目标对象工作所在地的职能特征，根据目标对象工作所在地的职能特征，分析每个目标城市职能。

Description

基于机场客流来源地数据的城市职能识别方法及装置

技术领域

本发明涉及城市规划数据分析技术领域，特别地涉及一种基于机场客流来源地数据的城市职能识别方法及装置。

背景技术

城市职能反映了城市在一定地域内所发挥的作用和承担的分工，是决策城市发展战略，增强城市综合竞争力的必要前提和基础。

目前关于城市职能的研究有：纳尔逊统计分析法、麦克斯韦尔法、多变量聚类分析、区位熵指数、基本服务规模推算等一种或多种方法地综合应用，上述的方法往往直接从城市功能出发，通过产业、就业、企业等“业”态数据进行分析。随着移动通信网络技术的发展和以智能手机为代表的移动终端得到广泛使用，采集居民个体在不同时刻的带有空间地理坐标的出行定位数据成为可能。基于手机定位技术的机场客流来源地数据真实客观地记录了居民的出行行为，一方面体现了鲜明地远距离通勤分异特征，反映城市网络间地相互联系程度；另一方面客源地的功能特征也在一定程度上表达了关于目标城市职能的表征意义；再者，手机定位数据全面而迅速地掌握了区域在特定时间的客流分布状况，适用于对城市职能的演化进行长期监测，以便于对城市发展内涵进行更深入的挖掘。

发明内容

有鉴于此，本发明提出一种基于机场客流来源地数据的城市职能识别方法及装置，通过基于机场客流来源地数据，来快速、准确识别出各目标城市职能。

本发明第一方面提供一种基于机场客流来源地数据的城市职能识别方法，该本方法包括：获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并对其进行预处理，得到所需的样本数据表；根据得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布；分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图；根据目标对象数量比值地图，对比分析来自每个来源地城市的目标对象工作所在地的职能特征，根据目标对象工作所在地的职能特征，分析每个目标城市职能。

本发明第二方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上所述的城市职能识别方法。

本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的城市职能识别方法。

本发明第四方面提供一种基于机场客流来源地数据的城市职能识别装置，该装置包括数据获取模块、数据筛选模块、目标对象差异对比模块及目标城市职能分析模块，所述数据获取模块用于获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并对其进行预处理，得到所需的样本数据表；所述数据筛选模块用于根据得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布；所述目标对象差异对比模块用于分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图；所述目标城市职能分析模块用于根据目标对象数量比值地图，对比分析来自每个来源地城市的目标对象工作所在地的职能特征，根据目标对象工作所在地的职能特征，分析每个目标城市职能。

上述的城市职能识别方法及装置，首先基于的目标城市各机场区域内在某工作日的旅客个体的位置信息，来准确及时获取在某工作日内出现在目标城市各机场区域内的旅客来源地及客流量数据；并基于旅客来源地及客流量数据，识别出现在目标城市各机场区域内的旅客中来自于北京市、上海市的旅客个体在乡镇街道的来源地空间分布；通过制作旅客数量比值地图的方式确定出去往A城市机场和B城市机场旅客数量的空间分布差异；分别对比北京、上海两地旅客在其对应工作乡镇街道的功能特征，依此作为目标城市功能映射，进而分析目标城市对应的城市职能，能够为城市规划及城市发展决策提供参考。

附图说明

为了说明而非限制的目的，现在将根据本发明的优选实施例、特别是参考附图来描述本发明，其中：

图1是本实施例一提供的基于机场客流来源地数据的城市职能识别方法的流程图；

图2(a)是从北京市去往广州市白云机场的客流量示意图；

图2(b)是从北京市去往深圳市宝安机场的客流量示意图；

图2(c)是从上海市去往广州市白云机场的客流量示意图；

图2(d)是从上海市去往深圳宝安机场的客流量示意图；

图3(a)和图3(b)是北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值示意图；

图3(c)和图3(d)是上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值示意图；

图4是本实施例二提供的基于机场客流来源地数据的城市职能识别装置的结构框图；

图5是本实施例三提供的计算机装置的结构框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的基于机场客流来源地数据的城市职能识别方法的流程图。

在本实施例中，所述城市职能识别方法可以应用于计算机装置中，对于需要进行城市职能识别的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于城市职能识别的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在计算机装置上。

如图1所示，所述城市职能识别方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

本实施例中，所述计算机装置可以为个人电脑、服务器、智能电视、便携式电子设备如手机、平板电脑等设备。

步骤S1、所述计算机装置获取某段时间区间内多个目标城市特定区域内的样本数据，包括多个目标城市特定区域内的目标对象来源地和目标对象数量数据，并对获取到的样本数据进行预处理，得到预处理后的样本数据表，该样本数据表包含来自多个目标城市范围外的目标对象的ID、来源地城市及其工作所在地乡镇街道的数据。

所述目标城市可为各省城市，如广州市、深圳市、北京市、上海市等，所述目标城市特定区域可为目标城市内的机场区域。所述目标对象为出现在各省城市的机场区域内的旅客个体。所述多个目标城市为两个、三个、四个等目标城市，但不限于此。

以目标城市为两个，分别为第一目标城市和第二目标城市为例，所述计算机装置获取某段时间区间内第一目标城市特定区域和第二目标城市特定区域内的样本数据，包括第一目标城市特定区域和第二目标城市特定区域内的目标对象来源地和目标对象数量数据，并对获取到的样本数据进行处理，得到预处理后的样本数据表，该样本数据表为包含来自第一目标城市和第二目标城市范围外的目标对象的ID、来源地城市及其工作所在地乡镇街道的数据表。

以所述第一目标城市为广州市，所述第二目标城市为深圳市，所述第一目标城市特定区域为广州市白云机场区域，第二目标城市特定区域为深圳市宝安机场区域，目标对象为旅客个体为例，所述计算机装置确定广州市白云机场和深圳市宝安机场的区域范围，并可以获取某个月内几个工作日的广州市白云机场和深圳市宝安机场区域内的所有旅客个体所持的智能设备定位数据，利用定位数据识别出这些旅客个体的来源地城市和客流量等数据，包括旅客个体的ID数据、来源地城市数据及其工作地所在乡镇街道数据，并将这些数据作为样本数据，该样本数据能够客观地反映广州市和深圳市商务差旅往来的出行状况。

以10月内两个普通工作日为例，所述计算机装置可以获取到10月份两个工作日内于广州市白云机场和深圳市宝安机场区域范围内出现的各旅客个体手机定位数据及客流量数据，利用各旅客数据的定位数据，识别出各旅客个体的ID数据，并依据各旅客个体ID可以对应识别到各旅客个体的来源地城市以及其工作地乡镇街道的空间位置经纬度信息。

接着，所述计算机装置对获取到的样本数据进行预处理，其具体实现过程为：

所述计算机装置根据各旅客个体的来源地城市以及工作地乡镇街道数据，筛选出来自广州市和深圳市以外的旅客个体，并将这些旅客个体定义为外来旅客，将来自广州市和深圳市的旅客个体作为干扰值从样本数据中删除，定位失败、信息不全的异常值数据(如识别不到稳定工作地的旅客个体)作为异常值从样本数据中删除，汇总统计得到两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的外来旅客的来源地城市、工作地乡镇街道及客流人数的样本数据表。

步骤S2、所述计算机装置根据预处理后得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地乡镇街道的空间位置分布。

所述来源地城市为不同于目标城市的城市，如目标城市为广州市和深圳市，那么来源地城市不可为广州市和深圳市，可为北京市、上海市、武汉市、长沙市等。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述计算机装置根据预处理后得到的样本数据表，识别来自北京市和上海市的旅客个体工作所在地乡镇街道的空间位置分布，具体实现步骤包括：

步骤S2.1、所述计算机装置从预处理后得到的样本数据表中筛选出来源地城市为北京市和上海市的样本数据。

所述计算机装置从汇总统计得到的两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的外来旅客的来源地城市、工作地乡镇街道及客流人数的数据表中筛选出在两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的来源地城市为北京市和上海市的旅客个体的工作地乡镇街道的空间位置数据以及客流量数据。

步骤S2.2、所述计算机装置利用筛选出的来源地城市为北京市和上海市的样本数据，分别识别来自北京市和上海市的目标对象工作所在地乡镇街道的空间位置分布。

所述计算机装置利用筛选出的两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的来源地城市为北京市和上海市的旅客个体的工作所在地乡镇街道的空间位置数据以及客流量数据，分别将从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量与北京市、上海市的各乡镇街道边界进行关联，对客流量在乡镇街道空间的分布情况进行可视化，利用颜色深浅的分级表达客流量的多少。如图2(a)所示为从北京市去往广州市白云机场的客流量示意图，如图2(b)所示为从北京市去往深圳市宝安机场的客流量示意图，如图2(c)所示为从上海市去往广州市白云机场的客流量示意图，如图2(d)所示为从上海市去往深圳市宝安机场的客流量示意图。

所述计算机装置依据北京市和上海市的各乡镇街道名称，分别将从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量数据与北京市、上海市的各乡镇街道的进行关联，从而得到北京市、上海市的旅客个体工作所在地乡镇街道的空间位置分布。

步骤S3、所述计算机装置根据来自目标城市范围外的多个来源地城市的目标对象工作所在地乡镇街道的空间位置分布，分别对比多个来源地城市各个乡镇街道去往目标城市特定区域的旅客个体的数量差异，并绘制旅客数量比值地图，来显示去往目标城市特定区域的旅客数量的空间分布差异。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述计算机装置分别对比北京市和上海市的各个乡镇街道去往广州市白云机场、深圳市宝安机场的旅客个体的数量差异，并绘制旅客数量比值地图，其具体实现步骤包括：

步骤S3.1、所述计算机装置根据从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量数据与北京市、上海市的各乡镇街道的关联关系，分别计算北京市和上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值。

所述计算机装置统计北京市的各乡镇街道中去往广州市白云机场的旅客数量为Sa1，北京市的各乡镇街道中去往深圳市宝安机场的旅客数量为Sb1，则北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa1/Sb1。该比值Sa1/Sb1可以反映北京市的各乡镇街道中去往广州市白云机场和深圳市宝安机场的旅客数量差异，若该比值Sa1/Sb1大于1，则北京市的旅客与广州市联系更强，若该比值Sa1/Sb1小于1，则北京市的旅客与深圳市联系更强。

所述计算机装置统计上海市的各乡镇街道中去往广州市白云机场的旅客数量为Sa2，上海市的各乡镇街道中去往深圳市宝安机场的旅客数量为Sb2，则上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa2/Sb2。该比值Sa2/Sb2可以反映上海市的各乡镇街道中去往广州市白云机场和深圳市宝安机场的旅客数量差异，若该比值Sa2/Sb2大于1，则上海市的旅客与广州市联系更强，若该比值Sa2/Sb2小于1，则上海市的旅客与深圳市联系更强。

步骤S3.2、所述计算机装置根据计算得到的北京市和上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值，制作旅客数量比值地图。

所述计算机装置分别将北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa1/Sb1、上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa2/Sb2进行可视化处理。所述计算机装置根据北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值以及上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值的大小进行分级显示，并制作旅客数量比值地图。如图3(a)和图3(b)所示为北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值地图，如图3(c)和图3(d)所示为上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值地图。旅客数量比值地图是以北京市和上海市每个乡镇街道边界为单元，通过颜色深浅来代表比值的高低，如果比值大于1，即由北京市或上海市前往广州市白云机场的客流量大于深圳市宝安机场的客流量，则各街道使用蓝色来填充各乡镇面，蓝色越深代表比值越高；相反若比值小于1，即由北京市或上海市前往广州市白云机场的客流小于深圳市宝安机场的客流，则各街道使用红色来填充各乡镇面，红色越深代表比值越小。

步骤S4、所述计算机装置分别对比来自多个来源地城市的目标对象在其对应工作地乡镇街道的功能特征，依此作为多个目标城市功能映射，进而分析多个目标城市职能。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述计算机装置分别对比来自北京市、上海市两地旅客在其对应工作乡镇街道的功能特征，依此作为北京市和上海市城市功能映射，进而分析广州市和深圳市城市职能的步骤包括：

步骤S4.1、所述计算机装置分别分析来自北京市和上海市两地的旅客个体工作所在地相对集中分布的乡镇街道地区域，判断来自北京市和上海市的旅客工作所在地集中分布的乡镇街道表现明显的功能类型。

所述计算机装置分析出从北京市去往广州市白云机场和深圳市宝安机场的旅客工作所在地相对集中乡镇街道地分布在长安街以北至北五环的地域范围内，该区域也是北京首都功能、服务经济最为发达的地带。从北京市飞往深圳市宝安机场的旅客在北京市的工作地较飞往广州市白云机场的旅客而言更集中于以金融、信息科技为主要功能的地区。从上海市去往广州市白云机场和深圳市宝安机场的旅客也相对集中地分布在从虹桥机场到浦东机场的带状范围内。从上海市飞往深圳市宝安机场的旅客在上海市的工作地较飞往广州市白云机场的旅客而言更集中于以金融、科技为主要功能的地区。则所述计算机装置可以初步判别深圳市的城市职能相较于广州市更偏向于金融、科技职能。

步骤S4.2、所述计算机装置根据目标对象工作所在地集中分布的街道区域功能类型，判别去往多个目标城市特定区域的目标对象所在乡镇街道主导功能类型，依次依此作为目标城市的功能映射，进而分析对应的目标城市职能。

所述计算机装置根据初步判别的深圳市的城市职能相较于广州市更偏向于金融、科技职能，分别识别旅客数量去往广州白云机场大于深圳宝安机场和去往深圳宝安机场大于广州白云机场的旅客工作所在地乡镇街道主导功能类型，包括行政、金融、信息、科技、传媒等。

所述计算机装置判别出以下两种乡镇街道主导功能类型：

所述计算机装置判别出从北京市飞往广州市白云机场的旅客数量大于飞往深圳市宝安机场旅客数量的乡镇街道主要位于党政机关、外交使馆、国家部委、各军总部、小商品批发等所在地，空间单元主要涉及行政、军事、外交、商贸功能；从北京市飞往深圳市宝安机场的旅客数量大于飞往广州市白云机场的旅客数量的乡镇街道主要位于金融机构、互联网产业、科研院所等所在地，空间单元主要涉及金融、信息产业、科技创新功能。

所述计算机装置判别出从上海市飞往广州市白云机场的旅客数量大于飞往深圳市宝安机场旅客数量的乡镇街道主要位于驻沪使领馆、钢铁石化、汽车制造企业、老工业基地等所在地，空间单元主要涉及外交、重工业等功能；从上海市飞往深圳市宝安机场的旅客数量大于从上海市飞往广州市白云机场旅客数量的乡镇街道主要位于金融服务、科技制造、科研高校所在地，空间单元同样涉及金融、科技创新、军民融合等功能。

所述计算机装置依据上述分析得到的来自北京市和上海市的旅客工作所在地乡镇街道主导功能类型，可识别广州市和深圳市城市职能，广州市主要为政治中心、商贸中心职能，制造业谱系中的重工业色彩较浓；深圳主要为科创中心、对内金融中心的职能，制造业谱系侧重高新制造端。

本实施例提出的城市职能识别方法，充分依托现有移动互联网与手机定位技术带来的大数据资源，获取海量用户匿名位置信息，相较于传统数据获取方式，能够低成本、自动化、便捷地采集所需时间段内地大体量的人口空间位置数据；基于手机定位大数据获取的机场客流来源地和客流量信息，客观真实反映了城市间的人口迁移、要素流动、经济联系和互动关系；相较于传统城市职能识别方法的多样性和算法难度高，机场客流大数据具有操作简易和良好的空间、时间覆盖优势。

本实施例提出的城市职能识别方法，首先基于目标城市各机场在某工作日的旅客个体的位置信息，来准确及时获取在某工作日内出现在目标城市各机场区域内的旅客来源地及客流量数据；并基于旅客来源地及客流量数据，识别出现在目标城市各机场区域内的旅客中来自于北京市、上海市的旅客个体在乡镇街道的来源地空间分布；通过制作旅客数量比值地图的方式确定出去往A城市机场和B城市机场旅客数量的空间分布差异；分别对比北京、上海两地旅客在其对应工作乡镇街道的功能特征，依此作为目标城市功能映射，进而分析目标城市对应的城市职能。本申请依托现有移动通信网络资源，利用机场客流定位数据，对特定区域内不同城市的城市职能进行识别，能够为城市规划提供参考。

实施例二

图4是本发明实施例一提供的基于机场客流来源地数据的城市职能识别装置20的结构框图。

在本实施例中，所述城市职能识别装置20可以应用于计算机装置中，所述城市职能识别装置20可以包括多个由程序代码段所组成的功能模块。所述城市职能识别装置20中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述计算机装置的至少一个处理器所执行，以实现(详见图1描述)城市职能识别功能。

本实施例中，所述城市职能识别装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：数据获取模块201、数据筛选模块202、目标对象差异对比模块203以及目标城市职能分析模块204。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述数据获取模块201，用于获取某段时间区间内多个目标城市特定区域内的样本数据，包括多个目标城市特定区域内的目标对象来源地和目标对象数量数据，并对获取到的样本数据进行预处理，得到预处理后的样本数据表，该样本数据表包含来自多个目标城市范围外的目标对象的ID、来源地城市及其工作所在地乡镇街道的数据。

所述目标城市可为各省城市，如广州市、深圳市、北京市、上海市等，所述目标城市特定区域可为目标城市内的机场区域。所述目标对象为出现在各省城市的机场区域、域内的旅客个体。所述多个目标城市为两个、三个、四个等目标城市，但不限于此。

以目标城市为两个，分别为第一目标城市和第二目标城市为例，所述数据获取模块201获取某段时间区间内第一目标城市特定区域和第二目标城市特定区域内的样本数据，包括第一目标城市特定区域和第二目标城市特定区域内的目标对象来源地和目标对象数量数据，并对获取到的样本数据进行处理，得到预处理后的样本数据表，该样本数据表为包含来自第一目标城市和第二目标城市范围外的目标对象的ID、来源地城市及其工作所在地乡镇街道的数据表。

以所述第一目标城市为广州市，所述第二目标城市为深圳市，所述第一目标城市特定区域为广州市白云机场，第二目标城市特定区域为深圳市宝安机场区域，目标对象为旅客个体为例，所述数据获取模块201确定广州市白云机场和深圳市宝安机场的区域范围，并可以获取某个月内几个工作日的广州市白云机场和深圳市宝安机场区域内的所有旅客个体所持的智能设备定位数据，利用定位数据识别出这些旅客个体的来源地城市和客流量等数据，包括旅客个体的ID数据、来源地城市数据及其工作地所在乡镇街道数据，并将这些数据作为样本数据，该样本数据能够客观地反映广州市和深圳市商务差旅往来的出行状况。

以10月内两个普通工作日为例，所述数据获取模块201可以获取到10月份两个工作日内于广州市白云机场和深圳市宝安机场区域范围内出现的各旅客个体手机定位数据，利用各旅客数据的定位数据，识别出各旅客个体的ID数据，并依据各旅客个体ID可以对应识别到各旅客个体的来源地城市以及其工作地乡镇街道的空间位置经纬度信息。

接着，所述数据获取模块201对获取到的样本数据进行预处理，其具体实现过程为：

所述数据获取模块201根据各旅客个体的来源地城市以及工作地乡镇街道数据，筛选出来自广州市和深圳市以外的旅客个体，并将这些旅客个体定义为外来旅客，将来自广州市和深圳市的旅客个体作为干扰值从样本数据中删除，定位失败、信息不全的异常值数据(如识别不到稳定工作地的旅客个体)作为异常值从样本数据中删除，汇总统计得到两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的外来旅客的来源地城市、工作地乡镇街道及客流人数的数据表。

所述数据筛选模块202，用于根据预处理后得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地乡镇街道的空间位置分布。

所述来源地城市为不同于目标城市的城市，如目标城市为广州市和深圳市，那么来源地城市不可为广州市和深圳市，可为北京市、上海市、武汉市、长沙市等。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述数据筛选模块202根据预处理后得到的样本数据表，识别来自北京市和上海市的旅客个体工作所在地乡镇街道的空间位置分布，具体实现步骤包括：

所述数据筛选模块202从预处理后得到的样本数据表中筛选出来源地城市为北京市和上海市的样本数据。

所述数据筛选模块202从汇总统计得到的两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的外来旅客的来源地城市、工作地乡镇街道及客流人数的数据表中筛选出在两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的来源地城市为北京市和上海市的旅客个体的工作地乡镇街道的空间位置数据以及客流量数据。

所述数据筛选模块202利用筛选出的来源地城市为北京市和上海市的样本数据，分别识别来自北京市和上海市的目标对象工作所在地乡镇街道的空间位置分布。

所述数据筛选模块202利用筛选出的两个工作日内在广州市白云机场和深圳市宝安机场区域范围内出现的来源地城市为北京市和上海市的旅客个体的工作所在地乡镇街道的空间位置数据以及客流量数据，分别将从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量与北京市、上海市的各乡镇街道边界进行关联，对客流量在乡镇街道空间的分布情况进行可视化，利用颜色深浅的分级表达客流量的多少。所述数据筛选模块202依据北京市和上海市的各乡镇街道名称，分别将从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量数据与北京市、上海市的各乡镇街道的进行关联。

所述目标对象差异对比模块203，用于根据来自目标城市范围外的多个来源地城市的目标对象工作所在地乡镇街道的空间位置分布，分别对比多个来源地城市各个乡镇街道去往目标城市特定区域的旅客个体的数量差异，并绘制旅客数量比值地图，来显示去往目标城市特定区域的旅客数量的空间分布差异。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述目标对象差异对比模块203分别对比北京市和上海市的各个乡镇街道去往广州市白云机场、深圳市宝安机场的旅客个体的数量差异，并绘制旅客数量比值地图，其具体实现步骤包括：

所述目标对象差异对比模块203根据从北京市和上海市两地去往广州市白云机场、深圳市宝安机场的客流量数据与北京市、上海市的各乡镇街道的关联关系，分别计算北京市和上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值。

所述目标对象差异对比模块203统计北京市的各乡镇街道中去往广州市白云机场的旅客数量为Sa1，北京市的各乡镇街道中去往深圳市宝安机场的旅客数量为Sb1，则北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa1/Sb1。该比值Sa1/Sb1可以反映北京市的各乡镇街道中去往广州市白云机场和深圳市宝安机场的旅客数量差异，若该比值Sa1/Sb1大于1，则北京市的旅客与广州市联系更强，若该比值Sa1/Sb1小于1，则北京市的旅客与深圳市联系更强。

所述目标对象差异对比模块203统计上海市的各乡镇街道中去往广州市白云机场的旅客数量为Sa2，上海市的各乡镇街道中去往深圳市宝安机场的旅客数量为Sb2，则上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa2/Sb2。该比值Sa2/Sb2可以反映上海市的各乡镇街道中去往广州市白云机场和深圳市宝安机场的旅客数量差异，若该比值Sa2/Sb2大于1，则上海市的旅客与广州市联系更强，若该比值Sa2/Sb2小于1，则上海市的旅客与深圳市联系更强。

所述目标对象差异对比模块203根据计算得到的北京市和上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值，制作旅客数量比值地图。

所述目标对象差异对比模块203分别将北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa1/Sb1、上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值Sa2/Sb2进行可视化处理。所述目标对象差异对比模块203根据北京市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值以及上海市的各乡镇街道中去往广州市白云机场的旅客数量和去往深圳市宝安机场的旅客数量的比值的大小进行分级显示，并制作旅客数量比值地图。

所述目标城市职能分析模块204，用于分别对比来自多个来源地城市的目标对象在其对应工作地乡镇街道的功能特征，依此作为多个目标城市功能映射，进而分析多个目标城市职能。

以目标城市为广州市和深圳市，目标对象为旅客个体，来源地城市为两个，分别为北京市和上海市为例。所述目标城市职能分析模块204分别对比来自北京市、上海市两地旅客在其对应工作乡镇街道的功能特征，依此作为北京市和上海市城市功能映射，进而分析广州市和深圳市城市职能的步骤包括：

所述目标城市职能分析模块204分别分析来自北京市和上海市两地的旅客工作所在地相对集中分布的乡镇街道地区域，判断来自北京市和上海市的旅客工作所在地集中分布的乡镇街道表现明显的功能类型。

所述目标城市职能分析模块204分析出从北京市去往广州市白云机场和深圳市宝安机场的旅客工作所在地相对集中乡镇街道地分布在长安街以北至北五环的地域范围内，该区域也是北京首都功能、服务经济最为发达的地带。从北京市飞往深圳市宝安机场的旅客在北京市的工作地较飞往广州市白云机场的旅客而言更集中于以金融、信息科技为主要功能的地区。从上海市去往广州市白云机场和深圳市宝安机场的旅客也相对集中地分布在从虹桥机场到浦东机场的带状范围内。从上海市飞往深圳市宝安机场的旅客在上海市的工作地较飞往广州市白云机场的旅客而言更集中于以金融、科技为主要功能的地区。则所述目标城市职能分析模块204可以初步判别深圳市的城市职能相较于广州市更偏向于金融、科技职能。

所述目标城市职能分析模块204根据目标对象工作所在地集中分布的街道区域功能类型，判别去往多个目标城市特定区域的目标对象所在乡镇街道主导功能类型，依次依此作为目标城市的功能映射，进而分析对应的目标城市职能。

所述目标城市职能分析模块204根据初步判别的深圳市的城市职能相较于广州市更偏向于金融、科技职能，分别识别旅客数量去往广州白云机场大于深圳宝安机场和去往深圳宝安机场大于广州白云机场的旅客工作所在地乡镇街道主导功能类型，包括行政、金融、信息、科技、传媒等。

所述目标城市职能分析模块204判别出以下两种乡镇街道主导功能类型：

所述目标城市职能分析模块204判别出从北京市飞往广州市白云机场的旅客数量大于飞往深圳市宝安机场的旅客数量的乡镇街道主要位于党政机关、外交使馆、国家部委、各军总部、小商品批发等所在地，空间单元主要涉及行政、军事、外交、商贸功能；从北京市飞往深圳市宝安机场的旅客数量大于飞往广州市白云机场的旅客数量的乡镇街道主要位于金融机构、互联网产业、科研院所等所在地，空间单元主要涉及金融、信息产业、科技创新功能。

所述目标城市职能分析模块204判别出从上海市飞往广州市白云机场的旅客数量大于飞往深圳市宝安机场旅客数量的乡镇街道主要位于驻沪使领馆、钢铁石化、汽车制造企业、老工业基地等所在地，空间单元主要涉及外交、重工业等功能；从上海市飞往深圳市宝安机场的旅客数量大于从上海市飞往广州市白云机场旅客数量的乡镇街道主要位于金融服务、科技制造、科研高校所在地，空间单元同样涉及金融、科技创新、军民融合等功能。

所述目标城市职能分析模块204依据上述分析得到的来自北京市和上海市的旅客工作所在地乡镇街道主导功能类型，可识别广州市和深圳市城市职能，广州市主要为政治中心、商贸中心职能，制造业谱系中的重工业色彩较浓；深圳主要为科创中心、对内金融中心的职能，制造业谱系侧重高新制造端。

本实施例提出的城市职能识别装置，充分依托现有移动互联网与手机定位技术带来的大数据资源，获取海量用户匿名位置信息，相较于传统数据获取方式，能够低成本、自动化、便捷地采集所需时间段内地大体量的人口空间位置数据；基于手机定位大数据获取的机场客流来源地和客流量信息，客观真实反映了城市间的人口迁移、要素流动、经济联系和互动关系；相较于传统城市职能识别方法的多样性和算法难度高，机场客流大数据具有操作简易和良好的空间、时间覆盖优势。

实施例三

参阅图5所示，为本发明实施例三提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32、至少一条通信总线33。本领域技术人员应该了解，图3示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。

需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的城市职能识别装置20，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行城市职能识别的功能。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的城市职能识别装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到用户学习管理的目的。

在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现用户学习管理的目的。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种基于机场客流来源地数据的城市职能识别方法，其特征在于，包括：

获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并对其进行预处理，得到所需的样本数据表；

根据得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布；

分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图；

根据目标对象数量比值地图，对比分析来自每个来源地城市的目标对象工作所在地的职能特征，根据目标对象工作所在地的职能特征，分析每个目标城市职能；

其中，分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图的步骤包括：

统计每个来源地城市去往各目标城市特定区域的目标对象数量，并将其进行相互对比，得到每个来源地城市去往各目标城市特定区域的目标对象数量比值；

分别将每个来源地城市去往各目标城市特定区域的目标对象数量比值进行可视化处理，根据每个来源地城市去往各目标城市特定区域的目标对象数量比值的大小进行分级显示，并制作目标对象数量比值地图。

2.根据权利要求1所述的基于机场客流来源地数据的城市职能识别方法，其特征在于，所述目标城市特定区域为目标城市机场区域。

3.根据权利要求2所述的基于机场客流来源地数据的城市职能识别方法，其特征在于，所述获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并对其进行预处理的步骤包括：

获取设定工作日时间段内多个目标城市机场区域内的各目标对象的定位数据及客流量数据；

利用各目标对象的定位数据，识别出各目标对象的ID数据；

依据各目标对象的ID数据，识别出各目标对象的来源地城市及工作地所在乡镇街道的空间位置数据，并将去往多个目标城市机场区域内的客流量数据、各目标对象的来源地城市及工作所在地乡镇街道的空间位置数据作为样本数据；

根据各目标对象的来源地城市及工作所在地乡镇街道的空间位置数据，筛选出目标对象的来源地城市为目标城市以及定位失败的异常值数据，并从样本数据中删除；

汇总统计得到包含设定时间段内在多个目标城市机场区域范围内出现的外来旅客的来源地城市、工作所在地乡镇街道及客流量数据的样本数据表。

4.根据权利要求2所述的基于机场客流来源地数据的城市职能识别方法，其特征在于，所述识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布的步骤包括：

从预处理后得到的样本数据表中筛选出来自目标城市范围外的多个来源地城市的目标对象工作地所在乡镇街道的空间位置数据及客流量数据；

根据多个来源地城市中目标对象工作地所在乡镇街道的空间位置数据，分别将多个来源地城市中去往目标城市机场区域的客流量数据与相应来源地城市的各乡镇街道进行关联，得到多个来源地城市的目标对象工作所在地的空间位置分布。

5.根据权利要求1所述的基于机场客流来源地数据的城市职能识别方法，其特征在于，所述对比分析每个来源地城市中目标对象工作所在地的职能特征的步骤包括：

根据目标对象数量比值地图，识别来自每个来源地城市的目标对象工作所在地相对集中分布的乡镇街道地所在区域，判断来自每个来源地城市的目标对象工作所在地集中分布的乡镇街道的职能类型，包括但不限于行政、金融、信息、科技、传媒中的一种或多种；

识别出去往目标城市中客流量最大的每个来源地城市的目标对象工作所在地集中分布的乡镇街道的主导职能类型，根据获取的乡镇街道的主导职能类型，判别对应的目标城市职能。

6.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述城市职能识别方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述城市职能识别方法。

8.一种基于机场客流来源地数据的城市职能识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取设定工作日时间段内多个目标城市特定区域内的目标对象来源地及客流量数据，并对其进行预处理，得到所需的样本数据表；

数据筛选模块，用于根据得到的样本数据表，识别来自目标城市范围外的多个来源地城市的目标对象工作所在地的空间位置分布；

目标对象差异对比模块，用于分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图；

目标城市职能分析模块，用于根据目标对象数量比值地图，对比分析来自每个来源地城市的目标对象工作所在地的职能特征，根据目标对象工作所在地的职能特征，分析每个目标城市职能；

其中，目标对象差异对比模块分别对比多个来源地城市中各乡镇街道去往目标城市特定区域的目标对象数量差异，并绘制目标对象数量比值地图包括：

统计每个来源地城市去往各目标城市特定区域的目标对象数量，并将其进行相互对比，得到每个来源地城市去往各目标城市特定区域的目标对象数量比值；

分别将每个来源地城市去往各目标城市特定区域的目标对象数量比值进行可视化处理，根据每个来源地城市去往各目标城市特定区域的目标对象数量比值的大小进行分级显示，并制作目标对象数量比值地图。