CN112566029B - 基于手机定位数据的城市就业中心识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于手机定位数据的城市就业中心识别方法及装置，其中该方法包括：获取目标区域内的若干个目标对象的定位数据，并对其预处理；对预处理后的数据进行密度分析，确定目标聚集区域；将目标区域划分成若干个设定大小的网络，统计各网格内的目标密度；设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域；将目标密度大于阈值的网格区域分别与目标区域的地理数据和目标聚集区域相叠加，确定目标中心边界。

Description

基于手机定位数据的城市就业中心识别方法及装置

技术领域

本发明涉及数据分析技术领域，涉及基于手机定位数据的城市就业中心识别方法及装置，特别涉及一种城市区域内就业基于手机定位数据的城市就业中心识别方法及装置。

背景技术

城市就业中心的空间布局、规模和功能对城市交通运行、公共服务设施的合理配置有重要影响，就业中心的识别是判断城市空间结构与发展格局的基础，对城市的管理与决策具有重要意义。

现有关于就业空间的研究一方面多基于居住地的统计口径，无法客观准确反映城市就业空间分布；另一方面数据获取难度大，大规模的居民工作地调查需要耗费大量人力、物力和财力，且调查周期长，空间精度低。

发明内容

有鉴于此，本发明提出一种基于手机定位数据的城市就业中心识别方法及装置，能够更准确识别出目标城市就业中心。

本发明第一方面提供一种基于手机定位数据的城市就业中心识别方法，该方法包括：获取目标区域内的若干个目标对象的定位数据，并对其预处理；对预处理后的数据进行密度分析，确定目标聚集区域；将目标区域划分成若干个设定大小的网络，统计各网格内的目标密度；设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域；将目标密度大于阈值的网格区域分别与目标区域的地理数据和目标聚集区域相叠加，确定目标中心边界。

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基于手机定位数据的城市就业中心识别方法。

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基于手机定位数据的城市就业中心识别方法。

本发明第四方面提供一种基于手机定位数据的城市就业中心识别装置，所述装置包括：数据预处理模块，用于获取目标区域内的若干个目标对象的定位数据，并对其预处理；密度分析模块，用于对预处理后的数据进行密度分析，确定目标聚集区域；网格密度统计模块，用于将目标区域划分成若干个设定大小的网络，统计各网格内的目标密度；高密度筛选模块，用于设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域；中心确定模块，用于将目标密度大于阈值的网格区域分别与目标区域的地理数据和目标聚集区域相叠加，确定目标中心边界。

本发明提供的基于手机定位数据的城市就业中心识别方法及装置及装置，通过获取目标区域内目标对象在不同时刻的带有空间地理坐标的出行定位数据作为处理数据，大大提高了目标对象行为空间的记录准确性，此外采用空间密度分析及阈值判断方法对目标中心进行识别，能够作为城市空间结构的调控依据。

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是本申请实施例一提供的基于手机定位数据的城市就业中心识别方法及装置的流程图；

图2是本申请实施例一提供的深圳市工作人员空间分布图；

图3是本申请实施例一提供的深圳市就业密度网格图；

图4是本申请实施例一提供的深圳市主要就业中心边界图；

图5是本申请实施例一提供的基于手机定位数据的城市就业中心识别装置的流程图；

图6是本申请实施例一提供的计算机装置的流程图。

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手机定位数据的城市就业中心识别方法的流程图。

在本实施例中，所述基于手机定位数据的城市就业中心识别方法可以应用于计算机装置中，对于需要进行城市就业中心识别的计算机装置，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就业中心识别的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在计算机装置上。

如图1所示，所述基于手机定位数据的城市就业中心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目标区域内的若干个目标对象的定位数据并对其预处理，识别目标区域内目标对象分布情况。

所述目标区域可为各省城市区域、城市各级行政单元、城市各片区等区域。所述目标对象为各省城市区域、城市各级行政单元、城市各片区内的工作人员等人群。

以所述目标区域为深圳市区域，目标对象为工作人员为例，所述计算机装置确定深圳市区域范围，所述计算机装置可以获取3月所有工作日内的深圳市区域内所有工作人员所持的智能设备定位数据。所述计算机装置获取定位数据的依据时间多为工作日白天、空间位置属性多为写字楼或其他办公地、连接WiFi属性为公共WiFi等条件。

首先，所述计算机装置对获取到的定位数据进行预处理。

所述计算机装置利用获取的深圳市区域内所有工作人员的定位数据的经纬度坐标数据，将深圳市区域内各工作人员的定位数据进行空间落位处理，并转化为深圳市区域内各工作人员点数据。所述计算机装置根据深圳市区域范围，删除空间位置明显偏离深圳市区域范围的点数据，即位于深圳市区域边界外的点数据进行删除，保留位于深圳市区域边界内的工作人员点数据。

接着，所述计算机装置识别深圳市区域内工作人员分布。

所述计算机装置根据设定的时间限制条件及空间位置限制条件对得到的深圳市区域内各工作人员点数据进行筛选处理。设定标准的点数据在时间上定位发生于工作日白天(8:00-20:00)，设定工作日白天(8:00-20:00)时间为时间限值条件。设定定位位置为写字楼或其他办公地点、智能设备连接公共WIFI等条件为空间位置限制条件。

所述计算机装置可以根据8:00-20:00的时间限制条件对预处理后的深圳市区域边界内的工作人员点数据进行第一次数据筛选，只保留时间位于8:00-20:00之间的工作人员点数据；然后，根据空间位置限制条件，对在设定的空间范围内的工作人员点数据进行第二次数据筛选，只保留在设定的空间范围内的工作人员点数据，删除不在设定的时间点和设定的空间范围内的工作人员点数据。这样能够保证每个工作人员仅对应一个空间点数据，即删除该工作人员在其他时段、其他空间的点数据。

步骤S2、所述计算机装置根据目标区域内目标对象分布情况进行密度分析，得到目标区域内目标对象的空间集聚特征，将目标区域内集聚程度高的区域初步确定为目标集聚区域。

所述目标区域可为各省城市区域、城市各级行政单元、城市各片区等区域。所述目标对象为各省城市区域、城市各级行政单元、城市各片区内的工作人员等人群，所述目标为就业目标。

以所述目标区域为深圳市区域，目标对象为工作人员，目标为就业目标为例，所述目标区域内目标对象分布情况即为对获取的深圳市区域内的若干个工作人员的定位数据并对其预处理的数据，包括满足设定的时间段(8:00-20:00)及空间位置范围内(写字楼或其他具有办公属性的位置、且连接WiFi属性为公共WiFi)的深圳市区域内的工作人员点数据。

所述计算机装置采用核密度分析方法对预处理后得到的深圳市区域内的工作人员点数据进行密度分析，得到密度分析结果数据，接着，所述计算机装置采用颜色深浅可视化方法对密度分析结果数据进行符号化处理，得到深圳市区域内工作人员在空间分布的集聚特征，反应深圳市区区域内工作人员在深圳市区中的集中聚集程度。

在本实施例中，所述计算机装置定义集聚程度由高到低的区域颜色显示为深色到浅色的渐变。所述计算机装置采用自然间断点分级法将聚集程度分为5级，判断深圳市区域内工作人员在空间分布的集聚特征的颜色深浅，将颜色较深的前3级区域作为集聚程度高区域，并初步作为深圳市区域内工作人员的就业集聚区域，如图2所示，作为就业中心候选。

步骤S3、所述计算机装置将目标区域生成设定大小的网络，统计各网格内的目标密度。

以目标区域为深圳市区域，目标为就业目标为例，所述计算机装置以深圳市区域范围生成100m×100m大小的网络，并统计各网格内的就业密度。

所述计算机装置统计各网格内的就业密度的具体实现方法为：

S3.1、所述计算机装置利用渔网方法，以目标区域范围构建若干个边长为100m×100m的方形网格。

所述目标区域可为深圳市区域，所述计算机装置以深圳市区域边界内为限来构建若干个边长为100m×100m的方形网格。

S3.2、所述计算机装置统计各网格单元的就业密度，得到各网格单元的就业密度信息。该网格单元的就业密度的计算方法为：

其中，网格单元面积为：10000m²。

步骤S4、所述计算机装置设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域，且该网格区域密度明显高于周边其他网格密度，初步判断目标中心位置。

以目标为就业目标为例，所述计算机装置设定就业密度阈值，就业密度阈值满足该网格区域内工作人员就业密度应明显高于周边其他网格内工作人员的就业密度，所述计算机装置判断各网格区域内就业密度是否大于设定的阈值，筛选出大于网格内的目标密度大于阈值的网格区域，且该网格区域内的就业密度明显高于周边其他网格内就业密度。

所述计算机装置采用自然间断点分级法将网格区域内的就业密度分5级，并将密度较高的前3级网格区域作为就业中心位置参考。

在本实施例中，所述计算机装置筛选大于目标密度阈值的网格区域的具体实现方法为：

步骤S4.1、所述计算机装置将统计得到的各网格单元的就业密度按照就业密度数值的大小进行分级显示，形成就业密度图显示空间差异，如图3所示。

步骤S4.2、所述计算机装置设定就业密度阈值为300人/网格，判断各网格区域内就业密度是否大于设定的阈值，筛选出大于网格内的目标密度大于阈值的网格区域，即3万人/km²(即300人/网格)的网格区域，且该网格区域内的就业密度明显高于周边其他网格内就业密度，将其初步确定大于3万人/km²(即300人/网格)的区域为深圳市区域的就业中心。

步骤S5、所述计算机装置结合目标区域的地理信息和初步识别的就业聚集区域，确定目标中心边界。

以目标为就业目标为例，所述目标中心为深圳市区域就业中心。所述计算机装置确定目标中心边界的具体实现方法为：

步骤S5.1、所述计算机装置依据深圳市区域的道路(包括快速路、主次干道及主要支路)的道路红线对空间进行重新划分，得到深圳市区域的道路数据图，同时参照深圳市市区用地标准数据图，将深圳市区域的道路数据图与深圳市市区用地标准数据图进行叠加并显示，保证其拥有统一的坐标系且边界吻合。

步骤S5.2、所述计算机装置将筛选出的就业密度高于阈值300人/网格的目标区域与深圳市区域的道路数据图与深圳市市区用地标准数据图一同叠加并显示，结合深圳市区域的道路数据图、深圳市市区用地标准数据图以及初步识别到的就业聚集区域，确定深圳市区域内的就业中心的边界，如图4所示。

本发明提供的基于手机定位数据的城市就业中心识别方法及装置，通过获取深圳市区域内工作人员在不同时刻的带有空间地理坐标的出行定位数据最为处理数据，相较于传统数据获取方式，大大提高了工作人员行为空间的记录准确性；基于手机定位大数据获取的深圳市区域内工作人员分布，采用空间密度分析及阈值判断方法对就业中心进行识别，可以明晰深圳市区域内人员经济活动空间的分异，作为城市空间结构的调控依据；更便于解决职住平衡问题，疏解交通运行压力；最后，就业中心作为主要的经济活动空间，其时空分布差异与变化，是城市发展与决策的重要依据。

上述的基于手机定位数据的城市就业中心识别方法，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大体量的人口空间位置数据；基于手机定位大数据获取的工作人口分布，客观真实反映了城市内主要就业场所的布局、规模和差异；相较于其他城市就业中心识别方法，本发明具有操作简易和数据精度高的优势。

实施例二

图5是本发明实施例一提供的基于手机定位数据的城市就业中心识别城市就业中心识别装置20的流程图。

在本实施例中，所述城市就业中心识别装置20可以应用于计算机装置中。所述城市就业中心识别装置20可以包括多个由程序代码段所组成的功能模块。所述城市就业中心识别装置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)城市就业中心识别功能。

本实施例中，所述城市就业中心识别装置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：数据预处理模块201、密度分析模块202、网格密度统计模块203、高密度筛选模块204以及中心确定模块205。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。

所述数据预处理模块201用于获取目标区域内的若干个目标对象的定位数据并对其预处理，识别目标区域内目标对象分布情况。

所述目标区域可为各省城市区域、城市各级行政单元、城市各片区等区域。所述目标对象为各省城市区域、城市各级行政单元、城市各片区内的工作人员等人群，所述目标为就业目标。

以所述目标区域为深圳市区域，目标对象为工作人员为例，所述数据预处理模块201确定深圳市区域范围，所述数据预处理模块201可以获取3月所有工作日内的深圳市区域内所有工作人员所持的智能设备定位数据。所述数据预处理模块201获取定位数据的依据时间多为工作日白天、空间位置属性多为写字楼或其他办公地、连接WiFi属性为公共WiFi等条件。

首先，所述数据预处理模块201对获取到的定位数据进行预处理。

所述数据预处理模块201利用获取的深圳市区域内所有工作人员的定位数据的经纬度坐标数据，将深圳市区域内各工作人员的定位数据进行空间落位处理，并转化为深圳市区域内各工作人员点数据。所述数据预处理模块201根据深圳市区域范围，删除空间位置明显偏离深圳市区域范围的点数据，即位于深圳市区域边界外的点数据进行删除，保留位于深圳市区域边界内的工作人员点数据。

接着，所述数据预处理模块201识别深圳市区域内工作人员分布。

所述数据预处理模块201根据设定的时间限制条件及空间位置限制条件对得到的深圳市区域内各工作人员点数据进行筛选处理。设定标准的点数据在时间上定位发生于工作日白天(8:00-20:00)，设定工作日白天(8:00-20:00)时间为时间限值条件。设定定位位置为写字楼或其他办公地点、智能设备连接公共WIFI等条件为空间位置限制条件。

所述数据预处理模块201可以根据8:00-20:00的时间限制条件对预处理后的深圳市区域边界内的工作人员点数据进行第一次数据筛选，只保留时间位于8:00-20:00之间的工作人员点数据；然后，根据空间位置限制条件，对在设定的空间范围内的工作人员点数据进行第二次数据筛选，只保留在设定的空间范围内的工作人员点数据，删除不在设定的时间点和设定的空间范围内的工作人员点数据。这样能够保证每个工作人员仅对应一个空间点数据，即删除该工作人员在其他时段、其他空间的点数据。

所述密度分析模块202用于根据目标区域内目标对象分布情况进行密度分析，得到目标区域内目标对象的集聚特征，将目标区域内集聚程度高的区域初步确定为目标集聚区域。

所述目标区域可为各省城市区域、城市各级行政单元、城市各片区等区域。所述目标对象为各省城市区域、城市各级行政单元、城市各片区内的工作人员等人群，所述目标为就业目标。

以所述目标区域为深圳市区域，目标对象为工作人员，目标为就业目标为例，所述目标区域内目标对象分布情况即为对获取的深圳市区域内的若干个工作人员的定位数据并对其预处理的数据，包括满足设定的时间段(8:00-20:00)及空间位置范围内(写字楼或其他具有办公属性的位置、且连接WiFi属性为公共WiFi)的深圳市区域内的工作人员点数据。

所述密度分析模块202采用核密度分析方法对预处理后得到的深圳市区域内的工作人员点数据进行密度分析，得到密度分析结果数据，接着，所述密度分析模块202采用颜色深浅可视化方法对密度分析结果数据进行符号化处理，得到深圳市区域内工作人员在空间分布的集聚特征，反应深圳市区区域内工作人员在深圳市区中的集中聚集程度。

在本实施例中，所述密度分析模块202定义集聚程度由高到低的区域颜色显示为深色到浅色的渐变。所述密度分析模块202采用自然间断点分级法将聚集程度分为5级，判断深圳市区域内工作人员在空间分布的集聚特征的颜色深浅，将颜色较深的前3级区域作为集聚程度高区域，并初步作为深圳市区域内工作人员的就业集聚区域，如图2所示，作为就业中心候选。

所述网格密度统计模块203用于将目标区域生成设定大小的网络，统计各网格内的目标密度。

以目标为就业目标为例，所述网格密度统计模块203将深圳市区域生成100m×100m大小的网络，并统计各网格内的就业密度。

所述网格密度统计模块203统计各网格内的就业密度的具体实现方法为：

所述网格密度统计模块203利用渔网方法，以目标区域范围构建若干个边长为100m×100m的方形网格。

所述目标区域可为深圳市区域，所述计算机装置深圳市区域边界内为限来构建若干个边长为100m×100m的方形网格。

所述网格密度统计模块203统计各网格单元的就业密度，得到各网格单元的就业密度信息。该网格单元的就业密度的计算方法为：

其中，网格单元面积为：10000m²。

所述高密度筛选模块204用于设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域，且该网格区域密度明显高于周边其他网格密度，初步判断目标中心位置。

以目标为就业目标为例，所述高密度筛选模块204设定就业密度阈值，就业密度阈值满足该网格区域内工作人员就业密度应明显高于周边其他网格内工作人员的就业密度，所述高密度筛选模块204判断各网格区域内就业密度是否大于设定的阈值，筛选出大于网格内的目标密度大于阈值的网格区域，且该网格区域内的就业密度明显高于周边其他网格内就业密度。

所述高密度筛选模块204采用自然间断点分级法将网格区域内的就业密度分5级，并将密度较高的前3级网格区域作为就业中心位置参考。

在本实施例中，所述高密度筛选模块204筛选大于目标密度阈值的网格区域的具体实现方法为：

所述高密度筛选模块204将统计得到的各网格单元的就业密度按照就业密度数值的大小进行分级显示，形成就业密度图显示空间差异，如图3所示。

所述高密度筛选模块204设定就业密度阈值为300人/网格，判断各网格区域内就业密度是否大于设定的阈值，筛选出大于网格内的目标密度大于阈值的网格区域，即3万人/km²(即300人/网格)的网格区域，且该网格区域内的就业密度明显高于周边其他网格内就业密度，将其初步确定大于3万人/km²(即300人/网格)的区域为深圳市区域的就业中心。

所述中心确定模块205用于结合目标区域的地理信息和初步识别的就业聚集区域，确定目标中心边界。

以目标为就业目标为例，所述目标中心为深圳市区域就业中心。所述中心确定模块205确定目标中心边界的具体实现方法为：

所述中心确定模块205依据深圳市区域的道路(包括快速路、主次干道及主要支路)的道路红线对空间进行重新划分，得到深圳市区域的道路数据图，同时参照深圳市市区用地标准数据图，将深圳市区域的道路数据图与深圳市市区用地标准数据图进行叠加并显示，保证其拥有统一的坐标系且边界吻合。

所述中心确定模块205将筛选出的就业密度高于阈值300人/网格的目标区域与深圳市区域的道路数据图与深圳市市区用地标准数据图一同叠加并显示，结合深圳市区域的道路数据图、深圳市市区用地标准数据图以及初步识别到的就业聚集区域，确定深圳市区域内的就业中心的边界，如图4所示。

本发明提供的城市就业中心识别装置，通过获取深圳市区域内工作人员在不同时刻的带有空间地理坐标的出行定位数据最为处理数据，相较于传统数据获取方式，大大提高了工作人员行为空间的记录准确性；基于手机定位大数据获取的深圳市区域内工作人员分布，采用空间密度分析及阈值判断方法对就业中心进行识别，可以明晰深圳市区域内人员经济活动空间的分异，作为城市空间结构的调控依据；更便于解决职住平衡问题，疏解交通运行压力；最后，就业中心作为主要的经济活动空间，其时空分布差异与变化，是城市发展与决策的重要依据。

实施例三

参阅图6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中的城市就业中心识别装置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-OnlyMemory，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，例如执行城市就业中心识别的功能。

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(如所述的城市就业中心识别装置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 (6)

1.一种基于手机定位数据的城市就业中心识别方法，其特征在于，包括：

获取设定时间段内目标区域内的若干个目标对象的定位数据，对获取的目标区域内的若干个目标对象的定位数据进行空间处理，并将其转化为目标区域内各目标对象点数据；

分别根据设定的时间限制条件和空间位置限制条件对目标区域内各目标对象点数据进行筛选，得到满足时间限制条件和空间位置限制条件的目标区域内目标对象点数据；

采用核密度分析方法对预处理后得到的目标区域内目标对象点数据进行密度分析，得到密度分析结果数据；采用颜色深浅可视化方法对密度分析结果数据进行符号化处理，得到目标区域内目标对象在空间分布的集聚特征；

采用自然间断点分级法将目标对象在空间分布的集聚程度划分为5级；判断目标区域内目标对象在空间分布的集聚特征的颜色深浅，将颜色较深的前3级区域作为目标聚集区域；

将目标区域划分成若干个设定大小的网络，统计各网格内的目标密度；设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域；

获取目标区域的道路红线数据以及现状用地数据；将目标密度大于设定的目标密度阈值的网格区域分别与目标区域的道路红线数据、目标区域的现状用地数据及目标聚集区域相叠加，确定目标区域内的目标中心边界。

2.根据权利要求1所述的基于手机定位数据的城市就业中心识别方法，其特征在于，所述对目标区域内各目标对象点数据进行筛选的步骤包括：

分别剔除在目标区域边界范围外的目标对象点数据以及不满足时间限制条件和空间位置限制条件的目标区域内目标对象点数据。

3.根据权利要求1所述的基于手机定位数据的城市就业中心识别方法，其特征在于，所述统计各网格内的目标密度的步骤包括：

以目标区域边界内为范围构建若干个边长为100m×100m的方形网格；

根据各网格单位内的工作人员数以及网格单元面积，计算各网格单元就业密度。

4.一种计算机装置，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3中任意一项所述基于手机定位数据的城市就业中心识别方法。

5.一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3中任意一项所述基于手机定位数据的城市就业中心识别方法。

6.一种基于手机定位数据的城市就业中心识别装置，其特征在于，所述装置包括：

数据预处理模块，用于获取设定时间段内目标区域内的若干个目标对象的定位数据，对获取的目标区域内的若干个目标对象的定位数据进行空间处理，并将其转化为目标区域内各目标对象点数据；分别根据设定的时间限制条件和空间位置限制条件对目标区域内各目标对象点数据进行筛选，得到满足时间限制条件和空间位置限制条件的目标区域内目标对象点数据；

密度分析模块，用于采用核密度分析方法对预处理后得到的目标区域内目标对象点数据进行密度分析，得到密度分析结果数据；采用颜色深浅可视化方法对密度分析结果数据进行符号化处理，得到目标区域内目标对象在空间分布的集聚特征；采用自然间断点分级法将目标对象在空间分布的集聚程度划分为5级；判断目标区域内目标对象在空间分布的集聚特征的颜色深浅，将颜色较深的前3级区域作为目标聚集区域；

网格密度统计模块，用于将目标区域划分成若干个设定大小的网络，统计各网格内的目标密度；

高密度筛选模块，用于设定目标密度阈值，筛选出网格内的目标密度大于阈值的网格区域；

中心确定模块，用于获取目标区域的道路红线数据以及现状用地数据；将目标密度大于设定的目标密度阈值的网格区域分别与目标区域的道路红线数据、目标区域的现状用地数据及目标聚集区域相叠加，确定目标区域内的目标中心边界。

Images