CN114529043A - 一种城市空间组团划分方法 - Google Patents
一种城市空间组团划分方法 Download PDFInfo
- Publication number
- CN114529043A CN114529043A CN202210008256.1A CN202210008256A CN114529043A CN 114529043 A CN114529043 A CN 114529043A CN 202210008256 A CN202210008256 A CN 202210008256A CN 114529043 A CN114529043 A CN 114529043A
- Authority
- CN
- China
- Prior art keywords
- maximum
- urban
- data
- network
- urban space
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001788 irregular Effects 0.000 claims description 93
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 abstract description 4
- 238000004220 aggregation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市空间组团划分方法,包括:获取城市区域的路网数据和地理位置的轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络;计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团;将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。本发明根据路网数据和地理位置轨迹数据构建城市空间网络,根据最大团及其邻接最大团对城市空间网络进行组团划分,在空间上识别城市空间网络的局部聚集性,挖掘城市空间网络的组团结构,提高组团划分准确性。
Description
技术领域
本发明涉及地理信息技术领域,具体涉及一种城市空间组团划分方法。
背景技术
网络存在着组团结构,在许多网络中,节点间联系程度不尽相同,有些密集,有些稀疏,联系紧密的节点就形成了组团,而整个网络就由这些组团构成,基于此可以获得对网络组织模式的深层次认识。组团结构在城市研究领域是一个重要的空间概念,探究城市空间网络的组团结构对城市规划与空间治理具有重要支撑意义,但是如何实现对城市空间组团划分,目前仍未有具体技术方案,对组团结构的界定仍然停留在定性层面。因此,现有技术还有待于改进和发展。
发明内容
针对现有技术的上述缺陷,本发明提供一种城市空间组团划分方法,旨在解决现有城市研究领域还没有实现组团划分的具体方案的问题。
本发明解决技术问题所采用的技术方案如下:
一种城市空间组团划分方法,其中,包括:
获取城市区域的路网数据和地理位置轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络;
计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团;
将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。
所述的城市空间组团划分方法,其中,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤包括:
根据所述路网数据,将所述城市区域划分为若干不规则网格;
根据所述地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重;
以若干所述不规则网格作为节点、以若干所述连边作为节点之间的连边,以若干所述连边对应的权重作为节点之间的连边的权重,构建城市空间网络。
所述的城市空间组团划分方法,其中,所述根据所述地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重的步骤包括:
根据所述地理位置轨迹数据,确定若干所述不规则网格之间的出行流量;
根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
所述的城市空间组团划分方法,其中,所述根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重的步骤包括:
遍历若干所述不规则网格中任意两个不规则网格之间的出行流量,将所述任意两个不规则网格之间的出行流量与预设流量阈值进行比较;
当所述任意两个不规则网格之间的出行流量大于预设流量阈值时,确定所述任意两个不规则网格之间存在连边,并将所述任意两个不规则网格之间的出行流量作为所述连边对应的权重,直至遍历完若干所述不规则网格中所有不规则网格之间的出行流量,以确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
所述的城市空间组团划分方法,其中,所述方法还包括:
获取若干所述不规则网格的POI数据,根据所述POI数据确定各个所述不规则网格对应的若干候选POI类型的核密度;其中,所述POI数据为兴趣点数据,用于记录与人类活动密切相关的地理实体信息;
根据所述核密度,从若干所述候选POI类型中确定各个所述不规则网格对应的目标POI类型。
所述的城市空间组团划分方法,其中,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤之前包括:
对所述路网数据进行数据处理操作;其中,所述数据处理操作包括:删除重复项、删除短对象、打断交叉对象、延伸未及点、捕捉聚合节点、融合伪节点和删除悬挂对象。
所述的城市空间组团划分方法,其中,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤之前包括:
对所述地理位置轨迹数据进行质量清洗,去除所述地理位置轨迹数据中停留时间小于预设时间阈值的数据。
所述的城市空间组团划分方法,其中,所述计算所述城市空间网络对应的最大团序列的步骤包括:
遍历所述城市空间网络中的各个节点,确定所述城市空间网络对应的若干极大团;
获取各个所述极大团的节点数目,将节点数目最多的若干所述极大团确定为所述城市空间网络对应的最大团序列。
所述的城市空间组团划分方法,其中,所述遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团的步骤包括:
遍历所述最大团序列,获取所述最大团序列中各个最大团与其它最大团的公共节点数目;
将与各个所述最大团的公共节点数目为k-1的最大团确定为各个最大团对应的邻接最大团;其中,k为各个所述最大团的节点数目。
所述的城市空间组团划分方法,其中,所述将所述城市空间网络划分为不同组团的步骤之后还包括:
获取所述城市空间网络中的孤立节点及各个所述组团的连边数目;
将所述孤立节点添加到连边数目最多的所述组团中。
一种智能终端,其中,包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现上述所述的城市空间组团划分方法中的步骤。
一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适于由处理器加载并执行,以执行实现上述所述的城市空间组团划分方法中的步骤。
本发明的有益效果:本发明根据路网数据和地理位置轨迹数据构建城市空间网络,根据最大团及其邻接最大团对城市空间网络进行组团划分,在空间上识别城市空间网络的局部聚集性,挖掘城市空间网络的组团结构,提高组团划分准确性。
附图说明
图1是本发明实施例中提供的城市空间组团划分方法的一个实施例流程图;
图2是本发明实施例中提供的若干不规则网格的结构示意图;
图3是节点数目为5的最大团的结构示意图;
图4是使用本发明实施例提供的城市空间组团划分方法对图2中的若干不规则网格构建的城市空间网络进行组团划分的结构示意图;
图5是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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。
本发明提供的城市空间组团划分方法,可以应用于终端中。其中,终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中,终端的处理器可以为中央处理器(Central ProcessingUnit,CPU),图形处理器(Graphics Processing Unit,GPU)、视频处理单元(VideoProcessing Unit,VPU)等中的至少一种。
示例性方法
城市空间网络反映了区域中城镇体系的城市与城市、城市与联系通道、城市与区域三要素在空间的组合关系,探究城市空间网络的组团结构对城市规划和治理具有重要支撑意义。但现有城市研究领域对组团结构的界定仍然停留在定性层面,组团结构在城市研究领域是一个空间概念,还没有实现城市研究领域的组团划分的具体方案。
为了解决上述问题,本发明实施例提供了一种城市空间组团划分方法,请参照图1,图1是本发明提供的一种城市空间组团划分方法的一个实施例的流程图。
在本发明的一个实施例中,所述城市空间组团划分方法有三个步骤:
S100、获取城市区域的路网数据和地理位置轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络。
空间网络可表示为G=(V,E,W),其中,V为空间网格的若干节点,E为各节点之间的连边,W为各节点之间的连边的权重,从上述空间网络的表达式可知,构建城市空间网络需要确定节点、连边以及连边的权重。本实施例中为了将城市区域抽象为城市空间网络,首先获取城市区域的路网数据和地理位置轨迹数据,然后根据路网数据和所述地理位置轨迹数据将城市区域抽象为城市空间网络。
在一具体实施方式中,步骤S100中所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤包括:
S110、根据所述路网数据,将所述城市区域划分为若干不规则网格;
S120、根据所述地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重;
S130、以若干所述不规则网格作为节点、以若干所述连边作为节点之间的连边,以若干所述连边对应的权重作为节点之间的连边的权重,构建城市空间网络。
所述路网数据中包含城市区域的道路名称、通行方向等,通过路网数据可以对城市区域进行交通规划、路径分析等,所述地理位置轨迹数据包括手机信令数据、交通刷卡次数和车辆移动轨迹数据等能够反映用户在不同区域之间的出行流量的数据。本实施例中获取到路网数据后,根据路网数据可以将城市区域划分为若干不规则网格,然后根据获取到的地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重,并以若干所述不规则网格作为节点V、以若干所述连边作为节点之间的连边E,以若干所述连边对应的权重作为节点之间的连边的权重W,构建城市空间网络。如图2所示,为若干不规则网格的结构示意图,由图2可以看出,通过路网数据将城市区域划分为A58、A59、A60等若干不规则网格,在构建城市空间网络时,可以根据地理位置轨迹数据,确定A58、A59、A60等若干不规则网格之间的若干连边以及若干所述连边对应的权重,然后以A58、A59、A60等若干不规则网格作为节点V,A58、A59、A60等若干不规则网格之间的若干连边以及若干所述连边对应的权重分别作为节点V之间的连边E以及连边的权重W,即可将城市区域抽象化为城市空间网格。
在一具体实施方式中,步骤S120具体包括:
S121、根据所述地理位置轨迹数据,确定若干所述不规则网格之间的出行流量;
S122、根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
所述出行流量是指用户在若干不规则网格中从一个不规则网格到另一个不规则网格的出行流量,而所述地理位置轨迹数据可以反映用户在不同区域之间的出行流量,本实施例在确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重时,首先根据所述地理位置轨迹数据,确定若干所述不规则网格之间的出行流量,例如,如图2所示,根据地理位置轨迹数据可确定用户从A59到A60的出行流量,从A59到A61的出行流量,从A61到A63的出行流量等。然后根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
在一具体实施方式中,所述步骤S122具体包括:
S1221、遍历若干所述不规则网格中任意两个不规则网格之间的出行流量,将所述任意两个不规则网格之间的出行流量与预设流量阈值进行比较;
S1222、当所述任意两个不规则网格之间的出行流量大于预设流量阈值时,确定所述任意两个不规则网格之间存在连边,并将所述任意两个不规则网格之间的出行流量作为所述连边对应的权重,直至遍历完若干所述不规则网格中所有不规则网格之间的出行流量,以确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
为了衡量若干所述不规则网格之间的出行流量,本实施例中预先设置流量阈值,在确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重时,遍历若干所述不规则网格中任意两个不规则网格之间的出行流量,将所述任意两个不规则网格之间的出行流量与预设流量阈值进行比较,当所述任意两个不规则网格之间的出行流量大于预设流量阈值时,确定所述任意两个不规则网格之间存在连边,并将所述任意两个不规则网格之间的出行流量作为所述连边对应的权重,直至遍历完若干所述不规则网格中所有不规则网格之间的出行流量,即可确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。例如,仍然以图2为例,在确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重时,可以将Am(m为58、59、60、61…)与An(n为58、59、60、61…,且n≠m)之间的出行流量与预设流量阈值进行比较,当Am与An之间的出行流量大于预设流量阈值时,确定Am与An之间存在连边,并将Am与An之间的出行流量作为Am与An之间连边的权重。在一具体实施例中,预设流量阈值为0,即当Am与An之间存在出行流量时,确定Am与An之间存在连边,当Am与An之间不存在出行流量时,确定Am与An之间不存在连边。
在一具体实施方式中,所述方法还包括:
M110、获取若干所述不规则网格的POI数据,根据所述POI数据确定各个所述不规则网格对应的若干候选POI类型的核密度;
M120、根据所述核密度,从若干所述候选POI类型中确定各个所述不规则网格对应的目标POI类型。
兴趣点(POI)数据记录了与人类活动密切相关的地理实体信息,包括兴趣点名称、地址、类别和经纬度等,作为开源地图信息中的一种,相对于传统静态数据,POI数据能够从微观个性的视角反映“全体样本”下的城市发展状态,体现更多的城市细节。为了界定所述城市空间网络中各节点的类别属性,本实施例中,在构建城市空间网络后,还进一步通过网络爬虫技术获取若干所述不规则网格的POI数据,根据所述POI数据确定各个对应的若干候选POI类型(POI类型用于表征兴趣点数据的类别)及各个POI类型的核密度,然后根据核密度,从若干所述候选POI类型中确定各个所述不规则网格对应的目标POI类型。其中,核密度的计算公式为:其中,n为候选POI类型在同一不规则网格中的数量,K(·)表示核密度函数,h表示距离阈值,即核密度估计法的尺度,d(x,xi)表示两点之间的欧式距离。例如,根据POI数据确定不规则网格A59对应的候选POI类型包括居民服务、商务服务、房产园区、商务楼宇四类,可根据上述公式分别计算各类候选POI类型在不规则网格A59的核密度,核密度如P1、P2、P3、P4,并比较P1、P2、P3、P4这几个核密度的大小得到最大核密度,将最大核密度对应的候选POI类型作为不规则网格A59对应的目标POI类型。
考虑到POI数据包括住宿餐饮、旅游娱乐、居民服务、商务服务、房产园区、商务楼宇、商业百货、批发零售、交通运输、物流仓储等POI类型,数据量繁多,为了减少数据运算量,本实施例根据研究需要,提取其中四类POI数据包括居住、商业、公共和产业,并采用这四类POI数据确定各个不规则网格对应的目标POI类型。
考虑到原始获取的路网数据存在拓扑错误而无法直接用于构建城市空间网络,本实施例中根据所述路网数据和所述地理位置轨迹数据构建城市空间网络之前,需要对路网数据进行数据处理操作,如利用AutoCAD Map 3D软件对路网数据进行数据清理,其中,所述数据清理操作包括删除重复项、删除短对象、打断交叉对象、延伸未及点、捕捉聚合节点、融合伪节点和删除悬挂对象等。
为了提高城市空间网络构建的准确性,本实施例在构建城市空间网络前,对所述地理位置轨迹数据进行质量清洗,去除所述地理位置轨迹数据中停留时间小于预设时间阈值的数据,以过滤掉短暂停留、无效停留、临时停留等无效的出行发生点和目的点数据,获得常住居民的个体有效出行数据。
S200、计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团。
最大团作为一个全连接子网,内部节点之间两两相关,属于一个密不可分的实体,如图3所示为节点数目为5的最大团。当两个节点数目为k的最大团之间的公共节点数目为k-1时,则称这两个最大团为邻接最大团。本实施例中构建城市空间网络后,首先计算所述城市空间网络对应的最大团序列,然后遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团,以便后续步骤中根据所述最大团及其邻接最大团对城市空间网络进行社团划分。
在一具体实施方式中,步骤S200中所述计算所述城市空间网络对应的最大团序列的步骤包括:
S210、遍历所述城市空间网络中的各个节点,确定所述城市空间网络对应的若干极大团;
S220、获取各个所述极大团的节点数目,将节点数目最多的若干所述极大团确定为所述城市空间网络对应的最大团序列。
极大团是指团中所有节点互相连接,且该团不是其它团的子集,最大团是极大团中节点数目最多的团,所述最大团序列为所述城市空间网络对应的若干最大团组成的序列。本实施例中在计算所述城市空间网络对应的最大团序列时,首先遍历城市空间网络中的各个节点,确定所述城市空间网络对应的若干极大团;然后获取各个所述极大团的节点数目,并将节点数据最多的若干所述极大团确定为所述城市空间网络对应的最大团序列。
步骤S200中所述遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团的步骤包括:
S230、遍历所述最大团序列,获取所述最大团序列中各个最大团与其它最大团的公共节点数目;
S240、将与各个所述最大团的公共节点数目为k-1的最大团确定为各个最大团对应的邻接最大团;其中,k为各个所述最大团的节点数目。
前述步骤中提到,当两个节点数目为k的最大团之间的公共节点数目为k-1时,则称这两个最大团为邻接最大团。本实施例中在确定最大团序列中各个最大团对应的邻接最大团时,首先遍历所述最大团序列中的各个最大团,获取所述最大团序列中各个最大团与其它最大团的公共节点数目;然后将与各个所述最大团的公共节点数目为k-1的最大团确定为各个最大团对应的邻接最大团,其中,k为各个所述最大团的节点数目。
S300、将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。
具体地,在确定所述最大团序列中各个最大团对应的邻接最大团后,本实施例中将各个最大团与其邻接最大团合并,合并最大团后的城市空间网络中各个连通部分即为不同组团,从而将城市空间网络划分为不同组团。如图4所示,为使用本发明实施例提供的城市空间组团划分方法对图2中的若干不规则网格构建的城市空间网络进行组团划分的结构示意图,由图4可以看出,经过组团划分后,城市区域被划分为四个组团,其中,A59、A60、A61、A66位于同一组团内,A65、A72、A74、A79、A81位于同一组团内,A67、A70、A75、A76、A80位于同一组团内,A58、A63和A67位于同一组团内。
在一具体实施方式中,步骤S300之后还包括:
S410、获取所述城市空间网络中的孤立节点及各个所述组团的连边数目;
S420、将所述孤立节点添加到连边数目最多的所述组团中。
考虑到最大团合并结束后,可能会存在孤立节点,本实施例中在最大团合并结束后,获取所述城市空间网络中的孤立节点及各个所述组团的连边数目,将所述孤立节点添加到连边数据最多的所述组团中。
示例性设备
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图5所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器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。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市空间组团划分方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在装置内部设置,用于检测内部设备的当前运行温度。
本领域技术人员可以理解,图5中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时至少可以实现以下步骤:
获取城市区域的路网数据和地理位置轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络;
计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团;
将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种城市空间组团划分方法,包括:获取城市区域的路网数据和地理位置轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络;计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团;将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。本发明根据路网数据和地理位置轨迹数据构建城市空间网络,根据最大团及其邻接最大团对城市空间网络进行组团划分,在空间上识别城市空间网络的局部聚集性,挖掘城市空间网络的组团结构,提高组团划分准确性。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种城市空间组团划分方法,其特征在于,包括:
获取城市区域的路网数据和地理位置轨迹数据,根据所述路网数据和所述地理位置轨迹数据构建城市空间网络;
计算所述城市空间网络对应的最大团序列,遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团;
将各个所述最大团与其邻接最大团合并,以将所述城市空间网络划分为不同组团。
2.根据权利要求1所述的城市空间组团划分方法,其特征在于,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤包括:
根据所述路网数据,将所述城市区域划分为若干不规则网格;
根据所述地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重;
以若干所述不规则网格作为节点、以若干所述连边作为节点之间的连边,以若干所述连边对应的权重作为节点之间的连边的权重,构建城市空间网络。
3.根据权利要求2所述的城市空间组团划分方法,其特征在于,所述根据所述地理位置轨迹数据,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重的步骤包括:
根据所述地理位置轨迹数据,确定若干所述不规则网格之间的出行流量;
根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
4.根据权利要求3所述的城市空间组团划分方法,其特征在于,所述根据若干所述不规则网格之间的出行流量,确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重的步骤包括:
遍历若干所述不规则网格中任意两个不规则网格之间的出行流量,将所述任意两个不规则网格之间的出行流量与预设流量阈值进行比较;
当所述任意两个不规则网格之间的出行流量大于预设流量阈值时,确定所述任意两个不规则网格之间存在连边,并将所述任意两个不规则网格之间的出行流量作为所述连边对应的权重,直至遍历完若干所述不规则网格中所有不规则网格之间的出行流量,以确定若干所述不规则网格之间的若干连边以及若干所述连边对应的权重。
5.根据权利要求2所述的城市空间组团划分方法,其特征在于,所述方法还包括:
获取若干所述不规则网格的POI数据,根据所述POI数据确定各个所述不规则网格对应的若干候选POI类型的核密度;其中,所述POI数据为兴趣点数据,用于记录与人类活动密切相关的地理实体信息;
根据所述核密度,从若干所述候选POI类型中确定各个所述不规则网格对应的目标POI类型。
6.根据权利要求1所述的城市空间组团划分方法,其特征在于,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤之前包括:
对所述路网数据进行数据处理操作;其中,所述数据处理操作包括:删除重复项、删除短对象、打断交叉对象、延伸未及点、捕捉聚合节点、融合伪节点和删除悬挂对象。
7.根据权利要求1所述的城市空间组团划分方法,其特征在于,所述根据所述路网数据和所述地理位置轨迹数据构建城市空间网络的步骤之前包括:
对所述地理位置轨迹数据进行质量清洗,去除所述地理位置轨迹数据中停留时间小于预设时间阈值的数据。
8.根据权利要求2所述的城市空间组团划分方法,其特征在于,所述计算所述城市空间网络对应的最大团序列的步骤包括:
遍历所述城市空间网络中的各个节点,确定所述城市空间网络对应的若干极大团;
获取各个所述极大团的节点数目,将节点数目最多的若干所述极大团确定为所述城市空间网络对应的最大团序列。
9.根据权利要求2所述的城市空间组团划分方法,其特征在于,所述遍历所述最大团序列确定所述最大团序列中各个最大团对应的邻接最大团的步骤包括:
遍历所述最大团序列,获取所述最大团序列中各个最大团与其它最大团的公共节点数目;
将与各个所述最大团的公共节点数目为k-1的最大团确定为各个最大团对应的邻接最大团;其中,k为各个所述最大团的节点数目。
10.根据权利要求1所述的城市空间组团划分方法,其特征在于,所述将所述城市空间网络划分为不同组团的步骤之后还包括:
获取所述城市空间网络中的孤立节点及各个所述组团的连边数目;
将所述孤立节点添加到连边数目最多的所述组团中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008256.1A CN114529043B (zh) | 2022-01-05 | 2022-01-05 | 一种城市空间组团划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008256.1A CN114529043B (zh) | 2022-01-05 | 2022-01-05 | 一种城市空间组团划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114529043A true CN114529043A (zh) | 2022-05-24 |
CN114529043B CN114529043B (zh) | 2022-11-01 |
Family
ID=81621676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210008256.1A Active CN114529043B (zh) | 2022-01-05 | 2022-01-05 | 一种城市空间组团划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529043B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186009A (zh) * | 2022-07-13 | 2022-10-14 | 中国科学院地理科学与资源研究所 | 基于兴趣点数据的城市人口日内变化空间化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990654A (zh) * | 2021-02-03 | 2021-06-18 | 北京大学 | 基于人口流动数据的城乡基础设施系统协同规划方法 |
CN113344370A (zh) * | 2021-05-26 | 2021-09-03 | 哈尔滨工业大学(深圳) | 基于城市路网和区域功能的应急单元划分方法及装置 |
WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
-
2022
- 2022-01-05 CN CN202210008256.1A patent/CN114529043B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112990654A (zh) * | 2021-02-03 | 2021-06-18 | 北京大学 | 基于人口流动数据的城乡基础设施系统协同规划方法 |
CN113344370A (zh) * | 2021-05-26 | 2021-09-03 | 哈尔滨工业大学(深圳) | 基于城市路网和区域功能的应急单元划分方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186009A (zh) * | 2022-07-13 | 2022-10-14 | 中国科学院地理科学与资源研究所 | 基于兴趣点数据的城市人口日内变化空间化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114529043B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fleischmann et al. | Morphological tessellation as a way of partitioning space: Improving consistency in urban morphology at the plot scale | |
Tao et al. | Spatial cluster detection in spatial flow data | |
Liu et al. | How urban land use influences commuting flows in Wuhan, Central China: A mobile phone signaling data perspective | |
Guo et al. | Discovering spatial patterns in origin‐destination mobility data | |
CN110019568B (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
CN110765219B (zh) | 地理围栏生成方法、装置、计算机设备和存储介质 | |
Pavlis et al. | A modified DBSCAN clustering method to estimate retail center extent | |
Xuan et al. | Voronoi-based multi-level range search in mobile navigation | |
WO2021147431A1 (zh) | 无线热点与兴趣点的映射方法、装置、计算机可读存储介质和计算机设备 | |
Jia et al. | Measuring the vibrancy of urban neighborhoods using mobile phone data with an improved PageRank algorithm | |
CN114529043B (zh) | 一种城市空间组团划分方法 | |
CN112884319A (zh) | 一种任务分配方法、装置、计算机设备以及存储介质 | |
US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
CN113285960B (zh) | 一种服务数据共享云平台的数据加密方法及系统 | |
CN112883471B (zh) | 一种城市生态网络结构韧性动态模拟方法 | |
CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
CN112215864B (zh) | 电子地图的轮廓处理方法、装置及电子设备 | |
CN113269379B (zh) | 资源对象属性的确定方法、装置、存储介质和计算机设备 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
Alix et al. | PathletRL: Trajectory Pathlet Dictionary Construction using Reinforcement Learning | |
CN116153088A (zh) | 交通需求预测方法、装置和电子设备 | |
CN112907056B (zh) | 一种基于图神经网络的城市管理投诉事件预测方法及系统 | |
Shams et al. | GraphLoc: A graph based approach for automatic detection of significant locations from GPS trajectory data | |
Chen et al. | A new urban change detection method based on the local G and local spatial heteroscedasticity statistics | |
Encalada et al. | Mining big data for tourist hot spots: Geographical patterns of online footprints |
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 |