CN112766718A - 城市商圈边界识别方法、系统、计算机设备及存储介质 - Google Patents

城市商圈边界识别方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN112766718A
CN112766718A CN202110060092.2A CN202110060092A CN112766718A CN 112766718 A CN112766718 A CN 112766718A CN 202110060092 A CN202110060092 A CN 202110060092A CN 112766718 A CN112766718 A CN 112766718A
Authority
CN
China
Prior art keywords
data
commercial
distribution index
business
shop
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.)
Granted
Application number
CN202110060092.2A
Other languages
English (en)
Other versions
CN112766718B (zh
Inventor
魏宗财
魏纾晴
彭丹丽
刘雨飞
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110060092.2A priority Critical patent/CN112766718B/zh
Publication of CN112766718A publication Critical patent/CN112766718A/zh
Application granted granted Critical
Publication of CN112766718B publication Critical patent/CN112766718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种城市商圈边界识别方法、系统、计算机设备及存储介质，该方法包括：获取目标区域的商业相关数据并进行预处理；根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；根据上述分布指标，计算每栋建筑的商业综合评价指标，实现城市商圈的实体边界识别；所述商业相关数据还包括外卖位置点数据和城市道路数据，根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。本发明同时综合考虑了城市虚拟和实体商业空间的整合与重构，为城市商铺选址和商业网点布局提供了新思路。

Description

城市商圈边界识别方法、系统、计算机设备及存储介质
技术领域
本发明涉及城市规划及计算机技术的交叉领域，更具体地，涉及一种城市商圈边界识别方法、系统、计算机设备及存储介质。
背景技术
商圈是城市中商业活动发生较为频繁和集中的空间。商圈的合理化布局对引领城市经济发展、合理配置资源、满足居民消费需求发挥着重要作用。但商圈存在边界识别困难、实际覆盖范围难以界定等问题。由于受限于商业企业数据获取的困难性，传统商圈划分多采用以街区或行政区为单元的经济普查数据或通过问卷抽样调查的形式进行商圈评价，存在空间分辨率低、数据统计分析难度大、时效性不高等缺陷，不利于城市商业网点布局规划和商铺选址研究。
随着移动信息技术的迅猛发展，新的众源空间数据如POI数据、手机信令数据、用户签到数据等大数据被用来探测城市尺度的商业空间活动。但现有的相关研究成果主要考虑从大尺度分析城市内部商业空间热点识别及其集聚特征，而微尺度下针对商圈边界的精确识别则较少涉及。现有现究成果多关注城市商圈实体边界，忽略了移动信息技术背景下商业虚拟空间服务范围的划定：随着移动支付以及网络在线消费的崛起，销售与购物渠道趋向多样化，线上、线下消费互动弱化了时空间距离对商业空间布局的约束，促进了城市虚拟-实体商业空间与功能的整合与重构。因此在商业布局与选址中，精准确定实体和虚拟商圈的边界显得尤为重要。
发明内容
为了解决上述现有技术的不足，本发明提供了一种城市商圈边界识别方法、系统、计算机设备及存储介质，利用多源数据构建商业综合评价指标，实现城市商圈实体边界的精细化识别，利用外卖位置点数据与城市道路数据模拟外卖配送范围，实现城市商圈虚拟边界的精细化识别。
本发明的第一个目的在于提供一种城市商圈边界识别方法。
本发明的第二个目的在于提供一种城市商圈边界识别系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种城市商圈边界识别方法，所述方法包括：
获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
对获取的商业相关数据进行预处理；
根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
进一步的，所述对获取的数据进行预处理，具体包括：
根据城市建设用地分类标准和网络地图POI数据类型对POI数据进行处理，提取出商业POI数据；
将商业建筑矢量数据中破碎的商业建筑边界进行拼合，结合实地调查情况，将商业建筑高度属性进行校正；
将商铺租金数据进行合并，并结合实地访谈记录删除商铺租金数据的异常值与重复值；
统计街景地图数据中每张街景图片对应的人流数量，将人流数量按拍摄位置进行空间可视化处理，作为人流观测位置点。
进一步的，所述根据预处理的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，具体包括：
将商业建筑矢量数据与商业POI数据执行交集取反操作，筛选出拥有商业POI的商业建筑，将商业建筑按商业建筑高度属性进行可视化，作为商业建筑高度分布指标；
统计各商业建筑内部包含的商业POI数量，并除以该商业建筑的占地面积，得到商铺密度分布指标；
将各商业建筑内商铺的租金值除以相应的商业建筑基底面积得到单位面积商铺租金点状数据，映射至商业建筑矢量边界图层，作为商铺租金分布指标；
以一固定长度为单元，将商业街道划分为若干单元，沿道路中心线两侧各固定宽度的范围生成缓冲区，将人流观测位置点映射至道路单元缓冲区内，统计每个道路单元缓冲区内行人流量平均值，作为商业街道人流密度分布指标。
进一步的，所述根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标，具体包括：
对商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标进行Max-Min标准化处理，按如下公式计算：
Figure BDA0002902037160000031
其中：Xi为原始值，x为每项指标标准化处理后的不同分值，Xmax为指标的最大值，Xmin为指标的最小值；
计算每栋建筑的商业综合评价指标，按如下公式：
A(pk)＝a1x1k+a2x2k+a3x3k+a4x4k
其中：A(xk)表示第k栋建筑的商业综合评价指标，x1k、x2k、x3k、x4k分别表示第k栋建筑的商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，a1、a2、a3、a4表示相应权重，且a1+a2+a3+a4＝1。
进一步的，所述商业相关数据还包括外卖位置点数据和城市道路数据；所述方法还包括：
根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
进一步的，所述根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别，具体为：
配置网络分析环境，添加城市道路数据作为网络数据集，创建网络分析图层，添加外卖位置点数据作为网络分析对象，在网络分析图层属性设置配送时间限制与最远配送距离限制，基于Dijkstra算法模拟计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，确定商圈虚拟边界。
进一步的，所述Dijkstra算法建立在抽象的网络模型上，将实际道路抽象为网络中的边，以边的权值来表示路相关的参数，确定赋权网络中从某点到所有其它结点的具有最小权的路，计算过程具体包括：
设一个赋权有向图为G＝(V，E，h)，其中V为非空顶点合集，E为边集，h为关联函数，使赋权有向图G的每条边对应于赋权有向图G的无序顶点对，将赋权有向图G 的每一条边ei的权值赋以一个非负的实数W(e)，赋权有向图G连同赋权有向图G边上的权称为赋权图；
基于Dijkstra算法，计算赋权图G中两个指定顶点u0和v0之间具有最小权的路(u0，v0)：
将(u，v)路的最小权称为u和v之间的距离，并记以d(u，v)；设S是V的真子集且 u0∈S，并记T＝V-S；若P＝u0…uiv是从u0到T的最短路，则ui∈S且P的(u0，ui)是最短 (u0，ui)路，如下：
d(u0，v)＝d(u0，ui)+W(uiv)
从u0到T的距离，由如下公式计算：
d(u0，T)＝min{d(u0，u)+W(uv)}(u∈S，v∈T)
所述Dijkstra算法中，每个顶点v给以标号L(v)，为d(u0，v)的上界，开始时 L(u0)＝0，而v≠u0，则有L(v)＝∞；所述Dijkstra算法进行时，标号不断修改，当第i步结束时，L(u)＝d(u0，u)对u∈S成立；L(v)＝min{d(u0，u)+W(uv)}(u∈S)对 v∈T成立。
本发明的第二个目的可以通过采取如下技术方案达到：
一种城市商圈边界识别系统，所述系统包括：
获取模块，用于获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
预处理模块，用于对获取的商业相关数据进行预处理；
第一计算模块，用于根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
第二计算模块，用于根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
第一识别模块，用于根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述的城市商圈边界识别方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现上述的城市商圈边界识别方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明利用多源平台的开放数据，从商业建筑高度、商铺密度、商铺租金、商业街道人流人流量等多个方面选取指标，对城市商圈实体边界进行识别，并区分核心区与拓展区，在微尺度上提高了商圈边界划定的精确度，与传统方法相比，具有更强的可操作性，在结果上具有更高的准确性。
2、本发明充分考虑了移动信息技术背景下，网络在线消费行为对城市商业空间的整合与重构，利用在线消费活动对城市商圈的虚拟空间进行划分，为商业布局与选址提供了一种全新的思路，有助于提高政府部门商业规划和零售商铺选址的科学性。
附图说明
图1为本发明实施例1的城市商圈边界识别方法的流程图。
图2为本发明实施例2的商业建筑高度分布指标的示意图。
图3为本发明实施例2的商铺密度分布指标的示意图。
图4为本发明实施例2的商铺租金分布指标的示意图。
图5为本发明实施例2的商业街道人流密度指标的示意图。
图6为本发明实施例2的城市商圈实体边界识别的示意图。
图7为本发明实施例2的城市商圈虚拟边界识别的示意图。
图8为本发明实施例3的城市商圈边界识别系统的结构框图。
图9为本发明实施例4的计算机设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。基于本发明中的实施例，本领域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。
实施例1：
本实施例提供了一种城市商圈边界识别方法，该方法利用多源数据构建商业综合评价指标，实现城市商圈实体边界的精细化识别；利用外卖位置点数据与城市道路数据模拟外卖配送范围，实现城市商圈虚拟边界的精细化识别。如图1所示，该方法包括以下步骤：
S101、获取原始数据。
本实施例的原始数据包括POI(Point of Interest)数据、商铺租金数据、饿了么及美团网外卖位置信息数据、建筑矢量数据(包含建筑轮廓与建筑层数)、城市道路数据以及街景地图数据。
POI数据可以从高德地图的API(Application Program Interface，应用程序接口) 接口获取；商铺租金数据来源于安居客与58同城网站公布的商铺租金信息，以及实地调研过程中与中介访谈所得租金信息；提供外卖服务的店铺信息来源于饿了么以及美团网；包含建筑高度与轮廓的建筑矢量数据通过水经注万能地图下载器下载获取；城市道路数据通过Open Street Map开放平台下载获取；街景地图数据源于实地拍摄的街景图片。
S102、对获取的原始数据进行预处理。
进一步的，所述步骤具体为：
S1021、对获取的POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据进行预处理。
对POI数据进行预处理：根据城市建设用地分类标准和网络地图POI数据类型对POI数据进行分类和整合，具体地，从POI数据中筛选保留餐饮、风景名胜、公司企业、购物、金融保险服务、科教文化服务、生活服务、体育休闲服务、医疗保健服务、住宅、住宿服务、政府机构及社会团体、交通设施共十三类兴趣点；进一步地，将十三类兴趣点整合为居住、办公、生活服务、医疗卫生、餐饮购物、体育休闲、文化教育、交通设施共八个类别，记为一级类别。选取餐饮购物类作为商业POI，具体包括冷饮店、咖啡厅、中餐厅、糕饼店、快餐厅、西餐厅、地方风味餐厅、海鲜酒楼、珠宝首饰工艺品、化妆品店、布艺市场、品牌服装、鞋帽皮具店、数码电子、眼镜店、便利店等小类的POI。
对商铺租金数据进行预处理：将58同城、安居客网站公布的商铺租金数据进行合并，删除重复的数据点信息，并结合实地访谈记录删除异常的数据点信息。
对商业建筑矢量数据进行预处理：将区域内破碎的建筑边界进行拼合，结合实地调查情况，将建筑高度属性进行校正；
对街景图片数据进行预处理：统计每张图片对应人流数量，将人流数量的拍摄位置作为人流观测位置点。
S1022、对获取的外卖位置点数据和城市道路数据进行预处理。
对外卖位置信息数据进行预处理：将饿了么、美团网公布的外卖位置信息点数据进行合并，并剔除重复值；
对城市道路数据进行预处理：对城市道路数据进行筛选，提取一级道路、二级道路的中心线；
S103、根据预处理的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标。
商业建筑高度分布指标：将商业建筑矢量数据(包含建筑轮廓与建筑层数)与商业POI数据在ArcGIS中执行交集取反操作，识别无商业POI的商业建筑并删除，筛选出具有商业业态的建筑，并将其按建筑层数属性进行可视化处理。
商铺密度分布指标：统计目标区域商业建筑内部包含商业POI数量，并除以商业建筑占地面积，得到商铺密度分布指标。
商铺租金分布指标：将商铺租金值除以相应的建筑基底面积得到单位面积商铺租金点状数据，并在ArcGIS中通过空间连接工具映射至建筑矢量边界图层，作为目标区域的商铺租金分布指标。
商业街道人流密度分布指标：以长度30m为单元，将商业街道划分为若干单元，沿道路中心线两侧各15m的范围生成缓冲区，将人流观测位置点映射至道路单元缓冲区内，统计每个道路单元缓冲区内行人流量平均值，作为商业街道人流密度指标。
S104、根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标。
进一步的，该步骤具体包括：
S1041、对商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标进行Max-Min标准化处理，按如下公式：
Figure BDA0002902037160000071
其中：Xi为原始值，x为每项指标标准化处理后的不同分值，Xmax为指标的最大值，Xmin为指标的最小值；
S1042、计算每栋建筑的商业综合评价指标，按如下公式：
A(pk)＝a1x1k+a2x2k+a3x3k+a4x4k
其中：A(xk)表示第k栋建筑的商业综合评价指标，x1k、x2k、x3k、x4k分别表示第 k栋建筑的商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，a1、a2、a3、a4表示相应权重，a1+a2+a3+a4＝1。
S105、根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
根据每栋建筑的商业综合评价指标及分布，进行空间可视化处理，划定实体商圈核心区与拓展区。
S106、根据外卖位置点数据和城市道路数据构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
基于Dijkstra算法模拟计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，确定商圈虚拟边界。
进一步的，该步骤具体包括：
S1061、在ArcGIS中配置网络分析环境，添加城市道路数据作为网络数据集，创建网络分析图层，添加外卖位置点数据作为网络分析对象，在网络分析图层属性设置配送时间限制与最远配送距离限制。
S1062、基于Dijkstra算法，模拟计算外卖员在规定配送时间内从外卖位置点出发沿城市道路所能到达的最远距离，得到外卖配送范围。
Dijkstra算法建立在抽象的网络模型上，把实际道路抽象为网络中的边，以边的权值来表示路相关的参数，算法确定了赋权网络中从某点到所有其它结点的具有最小权的路。其计算过程具体包括：
(1)设一个赋权有向图为G＝(V，E，h)。其中V为非空顶点合集，E为边集，h为关联函数，它使G的每条边对应于G的无序顶点对，例如：
G＝(V，E，h)
V＝{v1，v2，v3，v4}
E＝{e1，e2，e3，e4，e5，e6，e7，e8}
h：h(e1)＝viv2，h(e2)＝v2v3，h(e3)＝v1v3，
h(e4)＝v3v4，h(e5)＝v2v4，h(e6)＝v4v5，
h(e7)＝v1v5，h(e8)＝v2v5
对于G的每一条边ei，将其权值赋以一个非负的实数W(e)，G连同它边上的权称为赋权图。
(2)下面基于Dijkstra算法计算赋权图G中两个指定顶点u0和v0之间具有最小权的路(u0，v0)。
将(u，v)路的最小权称为u和v之间的距离，并记以d(u，v)。设S是V的真子集且u0∈S，并记T＝V-S。若P＝u0…uiv是从u0到T的最短路，则显然ui∈S且P的(u0，ui)必然是最短(u0，ui)路，所以
d(u0，v)＝d(u0，ui)+W(uiv)
从u0到T的距离由如下公式给出：
d(u0，T)＝min{d(u0，u)+W(uv)}(u∈S，v∈T)
为避免重复并保留每一步的计算信息，在算法中，每个顶点v给以标号L(v)，为 d(u0，v)的上界，开始时L(u0)＝0，而v≠u0，则有L(v)＝∞。算法进行时，标号不断修改。第i步结束时：L(u)＝d(u0，u)对u∈S成立，L(v)＝min{d(u0，u)+W(uv)}(u∈ S)对v∈T成立。
应当注意，尽管以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，或将一个步骤分解为多个步骤执行。
实施例2：
为了验证上述实施例1的城市商圈边界识别方法实施效果，本实施例采集广州市荔湾区上下九商圈作为应用实例进行验证。
广州市荔湾区上下九商圈是广州市三大传统繁荣商业中心之一。高德地图划分的上下九商圈仅包括上九路与第十甫路之间的步行路段，而商业活动发生密集的荔湾广场、名汇大厦等建筑均在边界之外。为了探究上下九地区商圈的实际边界，选取长寿西路、宝华路、和平路、光复路围合而成的近似矩形区域作为研究范围，在此范围内对上下九商圈边界重新进行精确识别。具体实施可以通过以下步骤实现：
S201、原始数据的获取及预处理。
从高德地图API接口获取研究范围内POI数据共9917条，筛选商业POI数据8071条；包含建筑高度与轮廓的建筑矢量数据通过水经注万能地图下载器下载获取，范围内建筑单体共568个；从安居客与58同城网站获取商铺租金信息，删去异常值与重复值后包含289条商铺租金信息；街景地图数据源于实地拍摄的街景图片，共181张，并对每张图片中的行人数量进行统计；提供外卖服务的店铺信息来源于饿了么以及美团网，删去重复值后共206条；城市道路数据通过Open Street Map开放平台下载获取。
S202、根据预处理的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标。
将目标区域的建筑矢量数据，包含建筑轮廓与建筑高度(层数)与商业POI数据在ArcGIS中执行交集取反操作，识别无商业POI的建筑并删除，筛选出具有商业业态的建筑，并将其按建筑层数属性进行可视化处理，得出目标区域内商业建筑高度分布指标，见图2；
统计目标区域商业建筑内部包含商业POI数量，并除以商业建筑占地面积，得到商铺密度分布指标，见图3；
将商铺租金值除以相应的建筑基底面积得到单位面积商铺租金点状数据，并在ArcGIS中通过空间连接工具映射至建筑矢量边界图层，得到商铺租金分布指标，见图4；
以长度30m为单元，将商业街道划分为若干单元，沿道路中心线两侧各15m的范围生成缓冲区，将人流观测位置点映射至道路单元缓冲区内，统计每个道路单元缓冲区内行人流量平均值，作为商业街道人流密度指标，见图5。
S203、根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标。
(1)对商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标进行标准化处理，按如下公式计算：
Figure BDA0002902037160000101
其中：Xi为原始值，x为每项指标标准化处理后的不同分值，Xmax为指标的最大值，Xmin为指标的最小值；
(2)计算每栋建筑对应商业综合评价指标，按如下公式：
A(pk)＝a1x1k+a2x2k+a3x3k+a4x4k
其中：A(xk)表示第k栋建筑的评价得分，x1k、x2k、x3k、x4k分别表示第k栋建筑的商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，a1、a2、a3、a4表示相应权重，a1+a2+a3+a4＝1。
将商业综合评价指标进行空间可视化处理，根据每栋建筑的得分及其分布，划定实体商圈核心区与拓展区，见图6。
S204、根据预处理的外卖位置点数据和城市道路数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
在ArcGIS中配置网络分析环境，添加城市道路数据作为网络数据集，创建网络分析图层，添加外卖位置点数据作为网络分析对象，在网络分析图层属性设置配送时间限制为30min、最远配送距离为5km。基于Dijkstra算法模拟计算外卖员在规定配送时间内从外卖位置点出发沿城市道路所能到达的最远距离，得到外卖配送范围，作为虚拟商圈边界，见图7。其计算过程具体包括：
(1)设一个赋权有向图为G＝(V，E，h)。其中V为非空顶点合集，E为边集，h为关联函数，它使G的每条边对应于G的无序顶点对，例如：
G＝(V，E，h)
V＝{v1，v2，v3，v4}
E＝{e1，e2，e3，e4，e5，e6，e7，e8}
h：h(e1)＝v1v2，h(e2)＝v2v3，h(e3)＝v1v3，
h(e4)＝v3v4，h(e5)＝v2v4，h(e6)＝v4v5，
h(e7)＝v1v5，h(e8)＝v2v5
对于G的每一条边ei，将其权值赋以一个非负的实数W(e)，G连同它边上的权称为赋权图。
(2)下面基于Dijkstra算法，计算赋权图G中两个指定顶点u0和v0之间具有最小权的路(u0，v0)。
将(u，v)路的最小权称为u和v之间的距离，并记以d(u，v)。设S是V的真子集且 u0∈S，并记T＝V-S。若P＝u0…uiv是从u0到T的最短路，则显然ui∈S且P的(u0，ui)必然是最短(u0，ui)路，所以
d(u0，v)＝d(u0，ui)+W(uiv)
从u0到T的距离由如下公式给出：
d(u0，T)＝min{d(u0，u)+W(uv)}(u∈S，v∈T)
为避免重复并保留每一步的计算信息，在算法中，每个顶点v给以标号L(v)，为 d(u0，v)的上界，开始时L(u0)＝0，而v≠u0，则有L(v)＝∞。算法进行时，标号不断修改，第i步结束时：L(u)＝d(u0，u)对u∈S成立；L(v)＝min{d(u0，u)+ W(uv)}(u∈S)对v∈T成立。
本实施例中，利用多源平台的开放数据，从建筑高度、商铺租金、人流量、商铺密度多个方面选取指标，对城市商圈实体边界进行识别，并区分核心区与拓展区；利用外卖位置点数据与城市道路数据模拟外卖配送范围，对城市商圈虚拟边界进行识别，为商业布局与选址提供了一种全新的思路。
实施例3：
如图8所示，本实施例提供了一种城市商圈边界识别系统，该系统包括获取模块801、预处理模块802、第一计算模块803、第二计算模块804和第一识别模块805，各个模块的具体功能如下：
获取模块801，用于获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
预处理模块802，用于对获取的商业相关数据进行预处理；
第一计算模块803，用于根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
第二计算模块804，用于根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
第一识别模块805，用于根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
进一步的，所述商业相关数据还包括外卖位置点数据和城市道路数据；所述系统还包括：
第二识别模块806，用于根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配给不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
可以理解，上述系统所使用的术语“第一”、“第二”等可用于描述各种模块，但这些模块不受这些术语限制。这些术语仅用于将第一个模块与另一个模块区分。举例来说，在不脱离本发明的范围的情况下，可以将第一识别模块称为第二识别模块，且类似地，可将第二识别模块称为第一识别模块，第一识别模块和第二识别模块两者都是识别模块，但不是同一识别模块。
实施例4：
本实施例提供了一种计算机设备，该计算机设备可以是计算机，如图9所示，其包括通过系统总线901连接的处理器902、存储器、输入装置903、显示器904和网络接口905，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质906 和内存储器907，该非易失性存储介质906存储有操作系统、计算机程序和数据库，该内存储器907为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器902执行存储器存储的计算机程序时，实现上述实施例1的城市商圈边界识别方法，如下：
获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
对获取的商业相关数据进行预处理；
根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
进一步的，所述商业相关数据还包括外卖位置点数据和城市道路数据，所述方法还包括：
根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
实施例5：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时，实现上述实施例1的城市商圈边界识别方法，如下：
获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
对获取的商业相关数据进行预处理；
根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
进一步的，所述商业相关数据还包括外卖位置点数据和城市道路数据，所述方法还可包括：
根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
本实施例中的存储介质可以是磁盘、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)、U盘、移动硬盘等介质。
综上所述，本发明利用多源开放平台获取数据，对获取的数据进行处理和计算，根据建筑的商业综合评价指标及分布识别出城市商圈的实体边界，根据外卖员在规定配送时间内所能到达的最远距离确定虚拟边界；有助于提高政府部门商业规划和零售商铺选址的科学性；与现有技术相比，本发明具有更强的可操作性，也为商业布局与选址提供了一种全新的思路，
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种城市商圈边界识别方法，其特征在于，所述方法包括：
获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
对获取的商业相关数据进行预处理；
根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
2.根据权利要求1所述的城市商圈边界识别方法，其特征在于，所述对获取的数据进行预处理，具体包括：
根据城市建设用地分类标准和网络地图POI数据类型对POI数据进行处理，提取出商业POI数据；
将商业建筑矢量数据中破碎的商业建筑边界进行拼合，结合实地调查情况，将商业建筑高度属性进行校正；
将商铺租金数据进行合并，并结合实地访谈记录删除商铺租金数据的异常值与重复值；
统计街景地图数据中每张街景图片对应的人流数量，将人流数量按拍摄位置进行空间可视化处理，作为人流观测位置点。
3.根据权利要求2所述的城市商圈边界识别方法，其特征在于，所述根据预处理的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，具体包括：
将商业建筑矢量数据与商业POI数据执行交集取反操作，筛选出拥有商业POI的商业建筑，将商业建筑按商业建筑高度属性进行可视化，作为商业建筑高度分布指标；
统计各商业建筑内部包含的商业POI数量，并除以该商业建筑的占地面积，得到商铺密度分布指标；
将各商业建筑内商铺的租金值除以相应的商业建筑基底面积得到单位面积商铺租金点状数据，映射至商业建筑矢量边界图层，作为商铺租金分布指标；
以一固定长度为单元，将商业街道划分为若干单元，沿道路中心线两侧各固定宽度的范围生成缓冲区，将人流观测位置点映射至道路单元缓冲区内，统计每个道路单元缓冲区内行人流量平均值，作为商业街道人流密度分布指标。
4.根据权利要求1所述的城市商圈边界识别方法，其特征在于，所述根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标，具体包括：
对商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标进行Max-Min标准化处理，按如下公式计算：
Figure FDA0002902037150000021
其中：Xi为原始值，x为每项指标标准化处理后的不同分值，Xmax为指标的最大值，Xmin为指标的最小值；
计算每栋建筑的商业综合评价指标，按如下公式：
A(pk)＝a1x1k+a2x2k+a3x3k+a4x4k
其中：A(xk)表示第k栋建筑的商业综合评价指标，x1k、x2k、x3k、x4k分别表示第k栋建筑的商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，a1、a2、a3、a4表示相应权重，且a1+a2+a3+a4＝1。
5.根据权利要求1-4任一项所述的城市商圈边界识别方法，其特征在于，所述商业相关数据还包括外卖位置点数据和城市道路数据；所述方法还包括：
根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别。
6.根据权利要求5所述的城市商圈边界识别方法，其特征在于：所述根据预处理得到的数据，构建网络数据集，计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，实现城市商圈的虚拟边界识别，具体为：
配置网络分析环境，添加城市道路数据作为网络数据集，创建网络分析图层，添加外卖位置点数据作为网络分析对象，在网络分析图层属性设置配送时间限制与最远配送距离限制，基于Dijkstra算法模拟计算外卖员在规定配送时间内从外卖位置点出发所能到达的最远距离，确定商圈虚拟边界。
7.根据权利要求6所述的城市商圈边界识别方法，其特征在于，所述Dijkstra算法建立在抽象的网络模型上，将实际道路抽象为网络中的边，以边的权值来表示路相关的参数，确定赋权网络中从某点到所有其它结点的具有最小权的路，计算过程具体包括：
设一个赋权有向图为G＝(V，E，h)，其中V为非空顶点合集，E为边集，h为关联函数，使赋权有向图G的每条边对应于赋权有向图G的无序顶点对，将赋权有向图G的每一条边ei的权值赋以一个非负的实数W(e)，赋权有向图G连同赋权有向图G边上的权称为赋权图；
基于Dijkstra算法，计算赋权图G中两个指定顶点u0和v0之间具有最小权的路(u0，v0)：
将(u，v)路的最小权称为u和v之间的距离，并记以d(u，v)；设S是V的真子集且u0∈S，并记T＝V-S；若P＝u0…uiv是从u0到T的最短路，则ui∈S且P的(u0，ui)是最短(u0，ui)路，如下：
d(u0，v)＝d(u0，ui)+W(uiv)
从u0到T的距离，由如下公式计算：
d(u0，T)＝min{d(u0，u)+W(uv)}(u∈S，v∈T)
所述Dijkstra算法中，每个顶点v给以标号L(v)，为d(u0，v)的上界，开始时L(u0)＝0，而v≠u0，则有L(v)＝∞；所述Dijkstra算法进行时，标号不断修改，当第i步结束时，L(u)＝d(u0，u)对u∈S成立；L(v)＝min{d(u0，u)+W(uv)}(u∈S)对v∈T成立。
8.一种城市商圈边界识别系统，其特征在于，所述系统包括：
获取模块，用于获取目标区域的商业相关数据；其中，所述商业相关数据包括POI数据、商业建筑矢量数据、商铺租金数据和街景地图数据；
预处理模块，用于对获取的商业相关数据进行预处理；
第一计算模块，用于根据预处理得到的数据，计算商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标和商业街道人流密度分布指标；
第二计算模块，用于根据商业建筑高度分布指标、商铺密度分布指标、商铺租金分布指标、商业街道人流密度分布指标，计算每栋建筑的商业综合评价指标；
第一识别模块，用于根据每栋建筑的商业综合评价指标及分布，实现城市商圈的实体边界识别。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的城市商圈边界识别方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的城市商圈边界识别方法。
CN202110060092.2A 2021-01-18 2021-01-18 城市商圈边界识别方法、系统、计算机设备及存储介质 Active CN112766718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110060092.2A CN112766718B (zh) 2021-01-18 2021-01-18 城市商圈边界识别方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110060092.2A CN112766718B (zh) 2021-01-18 2021-01-18 城市商圈边界识别方法、系统、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112766718A true CN112766718A (zh) 2021-05-07
CN112766718B CN112766718B (zh) 2024-07-26

Family

ID=75702259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110060092.2A Active CN112766718B (zh) 2021-01-18 2021-01-18 城市商圈边界识别方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112766718B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379269A (zh) * 2021-06-21 2021-09-10 华南理工大学 多因素空间聚类的城市商业功能区划方法、装置及介质
CN115294236A (zh) * 2022-10-08 2022-11-04 广州中望龙腾软件股份有限公司 位图填充方法、终端以及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204118A (zh) * 2016-06-30 2016-12-07 百度在线网络技术（北京）有限公司 一种用于商圈发现的方法与装置
CN107563803A (zh) * 2017-08-24 2018-01-09 北京工商大学 一种基于耗费距离栅格的商圈划分方法
CN109493119A (zh) * 2018-10-19 2019-03-19 南京图申图信息科技有限公司 一种基于poi数据的城市商业中心识别方法及系统
CN111062658A (zh) * 2019-12-04 2020-04-24 苏宁云计算有限公司 配送范围的生成方法、装置、计算机设备和存储介质
CN111242493A (zh) * 2020-01-17 2020-06-05 广州市城市规划勘测设计研究院 一种街道品质评价方法、装置、系统及存储介质
CN111275383A (zh) * 2020-01-19 2020-06-12 腾讯云计算（北京）有限责任公司 一种配送范围生成方法、装置、计算机设备及存储介质
CN111708859A (zh) * 2020-06-18 2020-09-25 中科宇图科技股份有限公司 一种基于空间数据的商圈边界识别方法
CN112001384A (zh) * 2020-08-14 2020-11-27 广州掌淘网络科技有限公司 商圈识别的方法及设备
CN112182125A (zh) * 2020-09-14 2021-01-05 中国科学院重庆绿色智能技术研究院 一种商务集聚区边界识别系统
US20210217117A1 (en) * 2019-01-25 2021-07-15 Southeast University Automatic urban land identification system integrating business big data with building form

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204118A (zh) * 2016-06-30 2016-12-07 百度在线网络技术（北京）有限公司 一种用于商圈发现的方法与装置
CN107563803A (zh) * 2017-08-24 2018-01-09 北京工商大学 一种基于耗费距离栅格的商圈划分方法
CN109493119A (zh) * 2018-10-19 2019-03-19 南京图申图信息科技有限公司 一种基于poi数据的城市商业中心识别方法及系统
US20210217117A1 (en) * 2019-01-25 2021-07-15 Southeast University Automatic urban land identification system integrating business big data with building form
CN111062658A (zh) * 2019-12-04 2020-04-24 苏宁云计算有限公司 配送范围的生成方法、装置、计算机设备和存储介质
CN111242493A (zh) * 2020-01-17 2020-06-05 广州市城市规划勘测设计研究院 一种街道品质评价方法、装置、系统及存储介质
CN111275383A (zh) * 2020-01-19 2020-06-12 腾讯云计算（北京）有限责任公司 一种配送范围生成方法、装置、计算机设备及存储介质
CN111708859A (zh) * 2020-06-18 2020-09-25 中科宇图科技股份有限公司 一种基于空间数据的商圈边界识别方法
CN112001384A (zh) * 2020-08-14 2020-11-27 广州掌淘网络科技有限公司 商圈识别的方法及设备
CN112182125A (zh) * 2020-09-14 2021-01-05 中国科学院重庆绿色智能技术研究院 一种商务集聚区边界识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郝斌;董硕;胡引翠;刘学;高玉健;张亚冬;: "多维特征融合的城市商圈划分方法", 地理与地理信息科学, no. 05, pages 60 - 66 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379269A (zh) * 2021-06-21 2021-09-10 华南理工大学 多因素空间聚类的城市商业功能区划方法、装置及介质
CN113379269B (zh) * 2021-06-21 2023-08-18 华南理工大学 多因素空间聚类的城市商业功能区划方法、装置及介质
CN115294236A (zh) * 2022-10-08 2022-11-04 广州中望龙腾软件股份有限公司 位图填充方法、终端以及存储介质
CN115294236B (zh) * 2022-10-08 2023-03-10 广州中望龙腾软件股份有限公司 位图填充方法、终端以及存储介质

Also Published As

Publication number Publication date
CN112766718B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
Yu et al. The analysis and delimitation of Central Business District using network kernel density estimation
Chen et al. Understanding the spatial organization of urban functions based on co-location patterns mining: A comparative analysis for 25 Chinese cities
JP6141393B2 (ja) 目標位置を確定するための方法及び装置
Yao et al. Discovering the homogeneous geographic domain of human perceptions from street view images
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
KR101566022B1 (ko) 센서 맵과 정합된 3ｄ ｇｉｓ 기반 축제방문객 통계관리 시스템 및 방법
Liu et al. Road selection based on Voronoi diagrams and “strokes” in map generalization
Guyot et al. The urban form of Brussels from the street perspective: The role of vegetation in the definition of the urban fabric
CN110009379A (zh) 一种选址模型构建和选址方法、装置及设备
CN112766718B (zh) 城市商圈边界识别方法、系统、计算机设备及存储介质
CN112862525A (zh) 门店选址数据确定方法、系统及电子设备
CN108038734B (zh) 基于点评数据的城市商业设施空间分布探测方法及系统
Liu et al. Activity knowledge discovery: Detecting collective and individual activities with digital footprints and open source geographic data
CN113379269B (zh) 多因素空间聚类的城市商业功能区划方法、装置及介质
CN113487341B (zh) 一种城市商业策略数据处理方法
Sun et al. Analysis of spatial form and structure of commercial pedestrian blocks based on Isovist and big data
Zeng et al. Association between built environment factors and collective walking behavior in peri-urban area: Evidence from Chengdu
Lin et al. Enhancing Urban Land Use Identification Using Urban Morphology
Feng et al. [Retracted] Visual Evaluation of Urban Streetscape Design Supported by Multisource Data and Deep Learning
Li et al. Human settlement assessment in Jinan from a facility resource perspective
Bertolini et al. Accessibility: Operationalizing a concept with relevance for planners
Shi et al. From trajectories to network: Delineating the spatial pattern of recreational walking in Guangzhou
CN114742590A (zh) 一种信息推荐方法、装置、电子设备及存储介质
Alshammari Analysis of Hotel Distribution Patterns in Hail, Saudi Arabia, Using Geographic Information Systems (GIS).
Foti A behavioral framework for measuring walkability and its impact on home values and residential location choices

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