CN112954624A - 基于手机信令大数据的混合土地利用形态估算方法 - Google Patents

基于手机信令大数据的混合土地利用形态估算方法 Download PDF

Info

Publication number
CN112954624A
CN112954624A CN202110122470.5A CN202110122470A CN112954624A CN 112954624 A CN112954624 A CN 112954624A CN 202110122470 A CN202110122470 A CN 202110122470A CN 112954624 A CN112954624 A CN 112954624A
Authority
CN
China
Prior art keywords
area
employment
user
population
density
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
CN202110122470.5A
Other languages
English (en)
Other versions
CN112954624B (zh
Inventor
钟鸣
张一鸣
张羽孜
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.)
Suzhou Lijing Zhixing Traffic Engineering Consulting Co ltd
Original Assignee
Suzhou Lijing Zhixing Traffic Engineering Consulting Co ltd
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 Suzhou Lijing Zhixing Traffic Engineering Consulting Co ltd filed Critical Suzhou Lijing Zhixing Traffic Engineering Consulting Co ltd
Priority to CN202110122470.5A priority Critical patent/CN112954624B/zh
Publication of CN112954624A publication Critical patent/CN112954624A/zh
Application granted granted Critical
Publication of CN112954624B publication Critical patent/CN112954624B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Telephonic Communication Services (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于手机信令大数据的混合土地利用形态估算方法，属于交通规划与管理技术领域，步骤1：基于卷积神经网络方法，步骤2：推算全量扩样数据，步骤3：判定用户出行类型，步骤4：推算各空间层次就业人口量，进而求出区域就业密度，步骤5：推算区域人口密度，步骤6：基于目标研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量，步骤7：利用对联合密度向量进行余弦相似度匹配的方法，结合已知区域混合土地利用形态，实现目标研究区域混合土地利用形态估算。本发明基于手机信令大数据实现对研究区域土地利用形态的估算，为制定和优化土地利用规划相关政策提供了依据，且数据具有较强的时空持续性。

Description

基于手机信令大数据的混合土地利用形态估算方法
技术领域
本发明公开了一种基于手机信令大数据的混合土地利用形态估算方法，属于交通规划与管理领域。
背景技术
随着经济的快速发展和城镇化进程的不断推进，探讨混合土地利用布局，是提高经济发展活力与土地利用集约度的重要途径。
城市土地混合利用是有效缓解我国城市土地资源紧缺的重要措施，它能够节约有限的城市土地并充分发挥土地的价值，适应当今我国城镇化趋势，同时符合人们对于居住环境的高质量要求的方向。由于城市土地混合利用的优势愈发明显，全国各地政府根据自身的实际情况开发出各种类型的土地混合利用措施。因此，为了提高优化土地使用规划政策的正确性，需要通过预测来获得未来城市的混合土地利用形态，使决策者增加对未来的了解，把不确定性或无知程度降到最低限度，从而更有利于缓解城市人口居住压力以及提升城市的活力，实现城市健康可持续发展。
发明内容
本发明提出了一种基于手机信令大数据的混合土地利用形态估算方法，该方法能够准确实现研究区域混合土地利用形态的提取。
本发明为解决上述提出的问题所采用解决方案为：
基于手机信令大数据的混合土地利用形态估算方法，包括以下步骤：
步骤1：基于卷积神经网络方法，结合各运营公司用户位置信息、通话时间、通话时长数据获取用户扩样系数；
步骤2：结合手机信令驻留信息库与用户扩样系数推算全量扩样数据；
步骤3：在全量扩样数据基础上，结合手机信令驻留信息库，判定用户出行类型；
步骤4：基于用户位置网格信息、用户出行类型以及城市区域划分图层推算各空间层次就业人口量，进而求出区域就业密度；
步骤5：基于用户位置网格信息、用户出行类型、商业住宅POI以及城市区域划分图层推算各空间层次居住人口量，进而求出区域人口密度；
步骤6：基于目标研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量；
步骤7：利用对联合密度向量进行余弦相似度匹配的方法，结合已知区域混合土地利用形态，实现目标研究区域混合土地利用形态估算。
进一步的，步骤1的具体方法为：首先获取各运营公司用户位置信息、通话时间、通话时长数据，通过卷积神经网络方法的方法求出区域网络占比，同时利用实际网络占比对求出的区域网络占比进行校正，从而获取用户扩样系数。
进一步的，步骤2中推算所需扩样数据，具体步骤如下：
1）从手机信令驻留信息数据库中获取个体用户的驻留信息；
2）判定核心用户并提取驻留信息。若用户在研究区域内有连续超过十天的记录，则判定该用户为核心用户，并提取该用户的驻留信息；
3）将用户扩样系数应用于核心用户统计数据中，进而获得全量扩样数据。
进一步的，步骤3中判定用户出行类型，具体步骤如下：
1）定义工作日的工作和休息时间段；
2）基于所定义的时间段，结合用户出行中最长的停留时间段，根据定义的特征时间段判断驻留类型。若用户在该区域大部分停留时间在9:00-18:00内，则判定用户在该区域驻留类型属于工作，若用户在该区域大部分停留时间在21:00-7:00内，则判定用户在该区域驻留类型属于居住。
进一步的，步骤4中推算区域就业密度，具体步骤如下：
1）根据驻留类型提取区域驻留类型为工作的用户总量，该统计数据为职住分离的用户，即工作和居住不在同一区域；
2）由于用户在同一个区域同时拥有居住和工作两种驻留类型的时候，仅标识为居住类型，需对职住重合的用户进行就业量补充，具体算法如下：
Figure DEST_PATH_IMAGE002
若
Figure DEST_PATH_IMAGE004
则判定用户为职住重合（
Figure DEST_PATH_IMAGE006
，城市越发达，N取值越大）。
3）将城市区域划分图层和用户位置网格空间矢量数据进行空间叠加分析，进而将网格内就业信息分配到城市各空间区域。具体算法如下：
Figure DEST_PATH_IMAGE008
式中:
Figure DEST_PATH_IMAGE010
表示网格
Figure DEST_PATH_IMAGE012
与社区
Figure DEST_PATH_IMAGE014
的相交面积；
Figure DEST_PATH_IMAGE016
表示网格
Figure 713970DEST_PATH_IMAGE012
包含的就业人口数；
Figure DEST_PATH_IMAGE018
表示与网格
Figure 772056DEST_PATH_IMAGE012
产生相交关系的社区的数量。
4）依据所求出的各空间区域就业量和各空间区域面积计算区域就业密度，具体算法如下：
Figure DEST_PATH_IMAGE020
式中:
Figure DEST_PATH_IMAGE022
表示各空间区域就业量；
Figure DEST_PATH_IMAGE024
表示各空间区域面积。
进一步的，步骤5中推算区域居住人口密度，具体步骤如下：
1）根据驻留类型提取区域驻留类型为居住的用户总量；
2）由于部分区域没有住宅POI数据，因此对社区居住人口量的估算分别采用POI（商业住宅，仅为中心城区）权重和面积权重（中心城区以外的区域）相结合的方法进行计算。
4）依据所求出的各空间区域居住人口量和各空间区域面积计算区域居住人口密度，具体算法如下：
Figure DEST_PATH_IMAGE026
式中:
Figure DEST_PATH_IMAGE028
表示各空间区域居住人口量；
Figure 863378DEST_PATH_IMAGE024
表示各空间区域面积。
进一步的，步骤6中构造区域人口、就业联合密度向量，具体方法如下：基于研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量，定义各交通小区人口与就业的密度向量为
Figure DEST_PATH_IMAGE030
=（
Figure DEST_PATH_IMAGE032
）。
进一步的，步骤7中实现目标区域混合土地利用形态的提取，具体方法为：余弦距离使用两个向量夹角的余弦值作为衡量两个个体间差异的大小，余弦距离更加注重两个向量在方向上的差异，利用余弦相似度来量化区域土地利用之间的差异，计算出研究社区j与已知社区i之间联合密度的相似度，通过匹配相似度最大的已知社区i，获取该社区i的混合土地利用形态并将其应用于研究社区j的土地利用形态，从而实现研究社区混合土地利用形态的估算，具体计算公式如下：
Figure DEST_PATH_IMAGE034
式中：
Figure DEST_PATH_IMAGE036
表示
Figure DEST_PATH_IMAGE038
（已知社区）、
Figure 350598DEST_PATH_IMAGE012
（研究社区）两个社区之间的人口、就业密度向量的相似度；
Figure DEST_PATH_IMAGE040
表示未来年度交通小区
Figure 227287DEST_PATH_IMAGE012
的就业密度；
Figure DEST_PATH_IMAGE042
表示未来年度交通小区
Figure 331640DEST_PATH_IMAGE012
的人口密度；
Figure DEST_PATH_IMAGE044
表示2008年交通小区
Figure 660990DEST_PATH_IMAGE014
的就业密度；
Figure DEST_PATH_IMAGE046
表示2008年交通小区
Figure 911755DEST_PATH_IMAGE014
的人口密度。
由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：
本发明基于手机信令大数据实现对研究区域土地利用形态的估算，为制定和优化土地利用规划相关政策提供了依据，手机信令数据样本量大、数据客观、全面、采样不会有很明显的倾向性，且数据具有较强的时空持续性。该方法充分利用手机信令数据，对区域土地利用形态进行估算。
附图说明
图1为具有本发明方法的基于手机信令大数据的混合土地利用形态估算方法流程图。
图2为本发明基于手机信令大数据的混合土地利用形态估算方法的实例流程图。
具体实施方式
下面结合附图对本发明具体实施方式作进一步详细描述：
如图1-2所示，本实施案例包括基于卷积神经网络方法，结合各运营公司用户位置信息、通话时间、通话时长数据获取用户扩样系数；结合手机信令驻留信息库与用户扩样系数推算全量扩样数据；在全量扩样数据基础上，结合手机信令驻留信息库，判定用户出行类型；基于用户位置网格信息、用户出行类型以及城市区域划分图层推算各空间层次就业人口量，进而求出区域就业密度；基于用户位置网格信息、用户出行类型、商业住宅POI以及城市区域划分图层推算各空间层次居住人口量，进而求出区域人口密度；基于目标研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量；利用对联合密度向量进行余弦相似度匹配的方法，结合已知区域混合土地利用形态，实现目标研究区域混合土地利用形态提取七个步骤。
步骤一：首先获取各运营公司用户位置信息、通话时间、通话时长数据，通过卷积神经网络方法的方法求出区域网络占比，同时利用实际网络占比对求出的区域网络占比进行校正，从而获取用户扩样系数。
步骤二：推算全量扩样数据，具体步骤如下：
1）从手机信令驻留信息数据库中获取个体用户的驻留信息；
2）判定核心用户并提取驻留信息。若用户在研究区域内有连续超过十天的记录，则判定该用户为核心用户，并提取该用户的驻留信息；
3）将用户扩样系数应用于核心用户统计数据中，进而获得全量扩样数据。
步骤三：判定用户出行类型，具体步骤如下：
1）定义工作日的工作和休息时间段；
2）基于所定义的时间段，结合用户出行中最长的停留时间段，根据定义的特征时间段判断驻留类型。若用户在该区域大部分停留时间在9:00-18:00内，则判定用户在该区域驻留类型属于工作，若用户在该区域大部分停留时间在21:00-7:00内，则判定用户在该区域驻留类型属于居住。
步骤四：推算区域就业密度，具体步骤如下：
1）根据驻留类型提取区域驻留类型为工作的用户总量，该统计数据为职住分离的用户，即工作和居住不在同一区域；
2）由于用户在同一个区域同时拥有居住和工作两种驻留类型的时候，仅标识为居住类型，需对职住重合的用户进行就业量补充，具体算法如下：
Figure 174109DEST_PATH_IMAGE002
若
Figure 246101DEST_PATH_IMAGE004
则判定用户为职住重合（
Figure 203693DEST_PATH_IMAGE006
，城市越发达，N取值越大）。
3）将城市区域划分图层和用户位置网格空间矢量数据进行空间叠加分析，进而将网格内就业信息分配到城市各空间区域。具体算法如下：
Figure DEST_PATH_IMAGE008A
式中:
Figure 580186DEST_PATH_IMAGE010
表示网格
Figure 697046DEST_PATH_IMAGE012
与社区
Figure 330153DEST_PATH_IMAGE014
的相交面积；
Figure 650407DEST_PATH_IMAGE016
表示网格
Figure 519006DEST_PATH_IMAGE012
包含的就业人口数
Figure 631318DEST_PATH_IMAGE018
表示与网格
Figure 543648DEST_PATH_IMAGE012
产生相交关系的社区的数量。
4）依据所求出的各空间区域就业量和各空间区域面积计算区域就业密度，具体算法如下：
Figure DEST_PATH_IMAGE020A
式中:
Figure 413515DEST_PATH_IMAGE022
表示各空间区域就业量
Figure 695592DEST_PATH_IMAGE024
表示各空间区域面积
步骤五：推算区域居住人口密度，具体步骤如下：
1）根据驻留类型提取区域驻留类型为居住的用户总量；
2）由于部分区域没有住宅POI数据，因此社区居住人口量的估算分别采用POI（商业住宅，仅为中心城区）权重和面积权重（中心城区以外的区域）相结合的方法进行计算。
对于包含POI数据的网格，采用POI权重方法进行社区居住人口量的估算。假设网格内每个POI点有均等的机会获取居住人口，即每个网格内部的POI点人口分配权重相同，计算公式如下：
Figure DEST_PATH_IMAGE048
式中：
Figure DEST_PATH_IMAGE050
表示POI点从网格
Figure 160946DEST_PATH_IMAGE012
中均分得到的人口数；
Figure DEST_PATH_IMAGE052
表示网格
Figure 480063DEST_PATH_IMAGE012
包含的居住人口数；
Figure DEST_PATH_IMAGE054
表示网格
Figure 493019DEST_PATH_IMAGE012
包含的POI点的总量。
基于上述结果，包含POI点的交通小区的居住人口量计算公式如下：
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE058
表示社区
Figure 87774DEST_PATH_IMAGE014
（
Figure DEST_PATH_IMAGE060
）集计交通小区内部所有POI点得到的人口数，假设
Figure 971416DEST_PATH_IMAGE060
内部包含m个位于网格j内部的POI点，则
Figure DEST_PATH_IMAGE062
表示同时位于网格j与
Figure 225549DEST_PATH_IMAGE060
内部POI点对应的人口数。
对于不包含POI点的网格信息按照面积权重分配将居住人口量分配到各社区，具体算法如下：
Figure DEST_PATH_IMAGE064
式中:
Figure DEST_PATH_IMAGE065
表示网格
Figure 538850DEST_PATH_IMAGE012
与社区
Figure 287363DEST_PATH_IMAGE014
的相交面积；
Figure 228774DEST_PATH_IMAGE052
表示网格
Figure 919387DEST_PATH_IMAGE012
包含的居住人口数
Figure DEST_PATH_IMAGE066
表示与网格
Figure 641356DEST_PATH_IMAGE012
产生相交关系的社区的数量。
4）依据所求出的各空间区域居住人口量和各空间区域面积计算区域居住人口密度，具体算法如下：
Figure DEST_PATH_IMAGE026A
式中:
Figure DEST_PATH_IMAGE067
表示各空间区域居住人口量
Figure DEST_PATH_IMAGE068
表示各空间区域面积
步骤六：基于研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量，，定义各交通小区人口与就业的密度向量为
Figure DEST_PATH_IMAGE069
=（
Figure DEST_PATH_IMAGE070
）。
步骤七：余弦距离使用两个向量夹角的余弦值作为衡量两个个体间差异的大小，余弦距离更加注重两个向量在方向上的差异，利用余弦相似度来量化区域土地利用之间的差异，计算出研究社区
Figure 459139DEST_PATH_IMAGE012
与已知社区
Figure 989477DEST_PATH_IMAGE014
之间联合密度的相似度，通过匹配相似度最大的已知社区i，获取该社区i的混合土地利用形态并将其应用于研究社区j的土地利用形态，从而实现研究社区混合土地利用形态的估算，具体计算公式如下：
Figure DEST_PATH_IMAGE034A
式中：
Figure DEST_PATH_IMAGE071
表示
Figure 981485DEST_PATH_IMAGE038
（已知社区）、
Figure 738220DEST_PATH_IMAGE012
（研究社区）两个社区之间的人口、就业密度向量的相似度；
Figure DEST_PATH_IMAGE072
表示未来年度交通小区
Figure 562956DEST_PATH_IMAGE012
的就业密度；
Figure DEST_PATH_IMAGE073
表示未来年度交通小区
Figure 790544DEST_PATH_IMAGE012
的人口密度；
Figure DEST_PATH_IMAGE074
表示2008年交通小区
Figure 776955DEST_PATH_IMAGE014
的就业密度；
Figure DEST_PATH_IMAGE075
表示2008年交通小区
Figure 348881DEST_PATH_IMAGE014
的人口密度。
有益效果:本发明基于手机信令大数据实现对研究区域土地利用形态的估算，为制定和优化土地利用规划相关政策提供了依据，手机信令数据样本量大、数据客观、全面、采样不会有很明显的倾向性，且数据具有较强的时空持续性。该方法充分利用手机信令数据，对区域土地利用形态进行估算。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (8)

1.基于手机信令大数据的混合土地利用形态估算方法，其特征在于，包括以下步骤：
步骤1：基于卷积神经网络方法，结合各运营公司用户位置信息、通话时间、通话时长数据获取用户扩样系数；
步骤2：结合手机信令驻留信息库与用户扩样系数推算全量扩样数据；
步骤3：在全量扩样数据基础上，结合手机信令驻留信息库，判定用户出行类型；
步骤4：基于用户位置网格信息、用户出行类型以及城市区域划分图层推算各空间层次就业人口量，进而求出区域就业密度；
步骤5：基于用户位置网格信息、用户出行类型、商业住宅POI以及城市区域划分图层推算各空间层次居住人口量，进而求出区域人口密度；
步骤6：基于目标研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量；
步骤7：利用对联合密度向量进行余弦相似度匹配的方法，结合已知区域混合土地利用形态，实现目标研究区域混合土地利用形态估算。
2.根据权利要求1所述的基于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤1的具体方法为：首先获取各运营公司用户位置信息、通话时间、通话时长数据，通过卷积神经网络方法的方法求出区域网络占比，同时利用实际网络占比对求出的区域网络占比进行校正，从而获取用户扩样系数。
3.根据权利要求1所述的于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤2中推算所需扩样数据，具体步骤如下：
1)从手机信令驻留信息数据库中获取个体用户的驻留信息；
2)判定核心用户并提取其驻留信息。若用户在研究区域内有连续超过十天的记录，则判定该用户为核心用户，并提取该用户的驻留信息；
3)将用户扩样系数应用于核心用户统计数据中，进而获得全量扩样数据。
4.根据权利要求1所述的基于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤3中判定用户出行类型，具体步骤如下：
1)定义工作目的工作和休息时间段；
2)基于所定义的时间段，结合用户出行中最长的停留时间段，根据定义的特征时间段判断驻留类型。
5.根据权利要求1所述的于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤4中推算区域就业密度，具体步骤如下：
1)根据驻留类型提取区域驻留类型为工作的用户总量，该统计数据为职住分离的用户，即工作和居住不在同一区域；
2)由于用户在同一个区域同时拥有居住和工作两种驻留类型的时候，仅标识为居住类型，需对职住重合的用户进行就业量补充，具体算法如下：
N0＝workdayt/weekdayt
若N0＞N，则判定用户为职住重合(N∈[1.05，1.2]，城市越发达，N取值越大)。
3)将城市区域划分图层和用户位置网格空间矢量数据进行空间叠加分析，进而将网格内就业信息分配到城市各空间区域。具体算法如下：
Figure FDA0002929151410000021
式中：
Si表示网格j与社区i的相交面积；
Wi表示网格j包含的就业人口数
n表示与网格j产生相交关系的社区的数量。
4)依据所求出的各空间区域就业量和各空间区域面积计算区域就业密度，具体算法如下：
Figure FDA0002929151410000031
式中：
Infoiw表示各空间区域就业量；
Pi表示各空间区域面积。
6.根据权利要求1所述的于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤5中推算区域居住人口密度，具体步骤如下：
1)根据驻留类型提取区域驻留类型为居住的用户总量；
2)由于部分区域没有住宅POI数据，因此对社区居住人口量的估算分别采用POI(商业住宅，仅为中心城区)权重和面积权重(中心城区以外的区域)相结合的方法进行计算。
3)依据所求出的各空间区域居住人口量和各空间区域面积计算区域居住人口密度，具体算法如下：
Figure FDA0002929151410000032
式中：
Infoi表示各空间区域居住人口量；
Pi表示各空间区域面积。
7.根据权利要求1所述的于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤6中构造区域人口、就业联合密度向量，具体方法如下：
基于研究区域人口、就业密度和已知区域人口、就业密度构造区域人口、就业联合密度向量，定义各交通小区人口与就业的密度向量为Dfuture＝(Def，Dpf)。
8.根据权利要求1所述的于手机信令大数据的混合土地利用形态估算方法，其特征在于：所述步骤7中实现目标区域混合土地利用形态的估算，具体方法如下：利用余弦相似度来量化区域土地利用之间的差异，计算出研究社区j与已知社区i之间联合密度的相似度，通过匹配相似度最大的已知社区i，获取该社区i的混合土地利用形态并将其应用于研究社区j的土地利用形态，从而实现研究社区混合土地利用形态的估算。
CN202110122470.5A 2021-02-02 2021-02-02 基于手机信令大数据的混合土地利用形态估算方法 Expired - Fee Related CN112954624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110122470.5A CN112954624B (zh) 2021-02-02 2021-02-02 基于手机信令大数据的混合土地利用形态估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110122470.5A CN112954624B (zh) 2021-02-02 2021-02-02 基于手机信令大数据的混合土地利用形态估算方法

Publications (2)

Publication Number Publication Date
CN112954624A true CN112954624A (zh) 2021-06-11
CN112954624B CN112954624B (zh) 2022-02-15

Family

ID=76239194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110122470.5A Expired - Fee Related CN112954624B (zh) 2021-02-02 2021-02-02 基于手机信令大数据的混合土地利用形态估算方法

Country Status (1)

Country Link
CN (1) CN112954624B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114153899A (zh) * 2021-11-30 2022-03-08 南京大学 一种获取不同用地类型单位建筑面积就业岗位数的方法、电子设备
CN116308956A (zh) * 2023-03-17 2023-06-23 中国测绘科学研究院 一种城市区域主导功能与规划用途差异检测的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077448A (zh) * 2014-07-01 2014-10-01 东南大学 一种基于就业网络视角的城市就业空间分析方法
US20150141001A1 (en) * 2012-05-07 2015-05-21 Deutsche Telekom Ag Method for enhancing the use of proximity services in a public land mobile network
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
CN110351664A (zh) * 2019-07-12 2019-10-18 重庆市交通规划研究院 基于手机信令的用户活动空间识别方法
CN110442715A (zh) * 2019-07-31 2019-11-12 北京大学 一种基于多元大数据的综合城市地理语义挖掘方法
CN110930285A (zh) * 2020-02-05 2020-03-27 北京交研智慧科技有限公司 一种人口分布分析方法及装置
CN111080501A (zh) * 2019-12-06 2020-04-28 中国科学院大学 基于手机信令数据的真实人群密度时空分布估算方法
CN111222661A (zh) * 2018-11-25 2020-06-02 星际空间（天津）科技发展有限公司 一种城市规划实施效果分析评估方法
CN112035584A (zh) * 2020-08-28 2020-12-04 北京清华同衡规划设计研究院有限公司 空间规划情景模拟方法及系统
CN112069573A (zh) * 2020-08-24 2020-12-11 深圳大学 一种基于元胞自动机的城市群空间模拟方法、系统及设备
CN112200351A (zh) * 2020-09-24 2021-01-08 深圳市综合交通运行指挥中心 一种基于手机信令数据的城市区域客流量预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150141001A1 (en) * 2012-05-07 2015-05-21 Deutsche Telekom Ag Method for enhancing the use of proximity services in a public land mobile network
CN104077448A (zh) * 2014-07-01 2014-10-01 东南大学 一种基于就业网络视角的城市就业空间分析方法
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
CN111222661A (zh) * 2018-11-25 2020-06-02 星际空间（天津）科技发展有限公司 一种城市规划实施效果分析评估方法
CN110351664A (zh) * 2019-07-12 2019-10-18 重庆市交通规划研究院 基于手机信令的用户活动空间识别方法
CN110442715A (zh) * 2019-07-31 2019-11-12 北京大学 一种基于多元大数据的综合城市地理语义挖掘方法
CN111080501A (zh) * 2019-12-06 2020-04-28 中国科学院大学 基于手机信令数据的真实人群密度时空分布估算方法
CN110930285A (zh) * 2020-02-05 2020-03-27 北京交研智慧科技有限公司 一种人口分布分析方法及装置
CN112069573A (zh) * 2020-08-24 2020-12-11 深圳大学 一种基于元胞自动机的城市群空间模拟方法、系统及设备
CN112035584A (zh) * 2020-08-28 2020-12-04 北京清华同衡规划设计研究院有限公司 空间规划情景模拟方法及系统
CN112200351A (zh) * 2020-09-24 2021-01-08 深圳市综合交通运行指挥中心 一种基于手机信令数据的城市区域客流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SEYED AHAD BEYKAEI ET.AL: "Spatial pattern recognition of the structure of urban land uses useful for tansportation and land use modelling", 《IEEE XPLORE》 *
XUEYUE MAO ET.AL: "Land-cover Classification Based on SAR Data Using Superpixel and Cosine Similarity", 《IEEE XPLORE》 *
王欣等: "基于混合审视方法论的规划空间分析体系与技术应对方案", 《万方数据》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114153899A (zh) * 2021-11-30 2022-03-08 南京大学 一种获取不同用地类型单位建筑面积就业岗位数的方法、电子设备
CN116308956A (zh) * 2023-03-17 2023-06-23 中国测绘科学研究院 一种城市区域主导功能与规划用途差异检测的方法
CN116308956B (zh) * 2023-03-17 2023-11-24 中国测绘科学研究院 一种城市区域主导功能与规划用途差异检测的方法

Also Published As

Publication number Publication date
CN112954624B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
Geertman et al. GIS and models of accessibility potential: an application in planning
Bao et al. Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method
CN109978224B (zh) 一种分析获取不同性质建筑的交通出行率的方法
CN112954624B (zh) 基于手机信令大数据的混合土地利用形态估算方法
CN105677804A (zh) 权威站点的确定以及权威站点数据库的建立方法和装置
CN110414732A (zh) 一种出行未来轨迹预测方法、装置、储存介质及电子设备
Voulis et al. Understanding spatio-temporal electricity demand at different urban scales: A data-driven approach
Hugo Urbanisation in Asia: an overview
CN112954623B (zh) 一种基于手机信令大数据的居民入住率估算方法
CN115809378A (zh) 一种基于手机信令数据的医疗短缺区识别及布局优化方法
CN108717642B (zh) 一种基于gis的城市商场选址方法
CN111369089A (zh) 基于大数据的城市居民需求供给双向评估方法
CN108171532A (zh) 一种用户群分布预测方法及系统
CN113743659B (zh) 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用
CN108399736B (zh) 一种基于服务时间的区域共享自行车有效车辆数获取方法
CN114626586A (zh) 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法
CN112287503A (zh) 用于交通需求预测的动态空间网络构建方法
CN111581318B (zh) 一种共享单车骑行目的推断方法、装置及存储介质
CN115002159A (zh) 一种面向稀疏群智感知系统的社区分类和用户选择方法
Wang et al. Spatio-temporal dynamics of population in shanghai: A case study based on cell phone signaling data
CN109508828B (zh) 一种区内出行距离的确定方法
CN113808287A (zh) 一种停车场分区域计时计费的管理方法及系统
Martinez et al. An integrated application of zoning for mobility analysis and planning: the case of Paris Region
CN116170761B (zh) 一种手机信令数据综合扩样校核方法及系统
AU2021104004A4 (en) Double-layer Domain-oriented Intelligent Optimal Allocation Method for Rural Residential Areas

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220215

CF01 Termination of patent right due to non-payment of annual fee