CN115660306B - 一种城市中心识别方法、终端及存储介质 - Google Patents

Abstract

本发明提供了一种城市中心识别方法、终端及存储介质，通过预设距离聚类算法，按照预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到预设聚类距离下的多个聚类多边形，直至预设聚类距离下的聚类多边形与待识别城市的行政区划范围的重叠度大于或等于第一预设阈值，以得到不同的预设聚类距离下的聚类多边形；根据聚类多边形以及待识别城市的土地利用数据，确定各聚类多边形的土地多样性值；基于各聚类多边形的土地多样性值，从预设聚类距离中确定最佳聚类距离；根据最佳聚类距离下的聚类多边形，确定待识别城市的城市中心，以实现对城市中心的有效量化。

Description

一种城市中心识别方法、终端及存储介质

技术领域

本发明涉及城市规划技术领域，尤其涉及一种城市中心识别方法、终端及存储介质。

背景技术

城市中心表征一个城市社会、人口及经济的集聚区域，是认识和研究城市的重要基础性信息，也是城市管控政策制定的前提。

目前对于城市中心的识别大部分是通过传统的调查数据，以定性的划分方式界定城市中心的边界。这种方式难以准确界定城市中心的边界，并且定性的划分方式受到人为或行政因素的影响，使得城市中心在地理空间范围内的界定存在一定的模糊性。

因此，目前并没有有效的城市中心量化准则，使人们对城市中心进行充分的了解，进而实现对城市的研究认识、以及对城市管控政策的制定，促进城市的发展。

基于此，如何对城市中心进行有效量化，是一个亟需解决的技术问题。

发明内容

本发明的主要目的在于提供一种城市中心识别方法、终端及存储介质，旨在解决现有技术中城市中心无法有效量化的问题。

为实现上述目的，本发明实施例提供了一种城市中心识别方法，所述方法包括：通过预设距离聚类算法，按照预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形，直至所述预设聚类距离下的聚类多边形与所述待识别城市的行政区划范围的重叠度大于或等于第一预设阈值，以得到不同的预设聚类距离下的聚类多边形；其中，所述预设聚类距离集合中的各预设聚类距离按照数值大小进行排列；根据所述聚类多边形以及所述待识别城市的土地利用数据，确定各聚类多边形的土地多样性值；基于所述各聚类多边形的土地多样性值，从所述预设聚类距离中确定最佳聚类距离；根据所述最佳聚类距离下的聚类多边形，确定所述待识别城市的城市中心。

可选地，所述根据所述聚类多边形与所述待识别城市的土地利用数据，确定各聚类多边形的土地多样性值，具体包括：根据所述聚类多边形与所述土地利用数据，确定各聚类多边形的土地利用类型频数；根据所述聚类多边形的土地利用类型频数，确定各聚类多边形的土地多样性值。

可选地，所述根据所述土地利用类型频数，确定各聚类多边形的土地多样性值，具体包括：将所述聚类多边形中各斑块的土地利用类型频数、以及所述斑块内各土地利用类型在所述斑块内出现的概率；根据所述斑块的土地利用频数以及所述斑块内各土地利用类型在所述斑块内出现的概率，并将所述斑块的土地利用频数底数，以确定所述斑块的土地利用类型的信息熵；将所述斑块的土地利用类型的信息熵，作为所述斑块的土地利用多样性值；根据各所述斑块的土地利用多样性值，确定对应的所述聚类多边形的土地利用多样性值。

可选地，在确定所述聚类多边形内的土地利用频数之后，所述方法还包括：在所述聚类多边形内的土地利用类型频数小于或等于第二预设阈值的情况下，将所述聚类多边形排除。

可选地，所述基于所述各聚类多边形的土地多样性值，从所述预设聚类距离中确定最佳聚类距离，具体包括：确定所述预设聚类距离下聚类多边形的个数，作为所述预设聚类距离的聚类数量；将所述聚类数量小于第三预设阈值的预设聚类距离，作为待定聚类距离；根据各待定聚类距离下各聚类多边形的土地多样性值，确定所述待定聚类距离对应的平均土地多样性值；将最大的平均土地多样性值对应的待定聚类距离，作为所述最佳聚类距离。

可选地，根据所述最佳聚类距离下的聚类多边形，确定所述待识别城市的城市中心，具体包括：确定所述最佳聚类距离下各聚类多边形的聚类面积；将最大的聚类面积对应的聚类多边形，作为所述待识别城市的城市中心。

可选地，所通过预设距离聚类算法按照所述预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形，具体包括：根据所述待识别城市的OD数据，构建所述OD数据对应的多维二叉树；基于所述多维二叉树，利用预设聚类算法按照所述预设聚类距离集合中的各预设聚类距离对所述OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形。

可选地，所述预设聚类算法为：DBSCAN聚类算法。

可选地，所述方法还包括：获取所述待识别城市的初始OD数据，以及基于预设电子地图确定所述待识别城市的行政区划范围；根据所述初始OD数据的起始点位置和/或终点位置，对所述初始OD数据集进行数据清洗，得到目标OD数据，并将所述目标OD数据作为所述待识别城市的OD数据；其中，所述目标OD数据为所述待识别城市的行政区划范围内的OD数据。

可选地，所述预设聚类距离集合为预设的等间隔的预设聚类距离，按照数值大小的顺序排序组成。

可选地，所述方法还包括：在所述预设电子地图上，将各聚类多边形与所述待识别城市的行政区划范围进行空间重叠分析，确定在所述预设聚类距离下各聚类多边形与待识别城市的重叠面积；根据各聚类多边形的重叠面积，确定预设聚类距离下的重叠面积之和；将重叠面积之和与待识别城市的城市面积的比值，作为所述聚类多边形与所述待识别城市的行政区划范围的重叠度。

为了实现上述目的，本发明实施例还提供了一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市中心识别程序，所述城市中心识别程序被所述处理器执行时实现如上任一项所述的城市中心识别方法的步骤。

此外为了实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有城市中心识别程序，所述城市中心识别程序被所述处理器执行时实现如上任一项所述的城市中心识别方法的步骤。

本发明实施例通过预设聚类算法按照不同的预设聚类距离对待识别城市的OD数据进行聚类，得到不同的预设聚类距离下的聚类多边形，根据各聚类多边形以及待识别城市的土地利用数据确定各聚类多边形的土地多样性值，然后根据土地多样性值，从预设聚类距离中确定最佳聚类距离，以根据最佳聚类距离下的聚类多边形确定待识别城市的城市中心，从而实现了城市中心的有效量化，避免有定性的划分方式造成划分的城市中心收到过度人为因素的影响，使得识别的城市中心更加准确。

附图说明

图1是本发明实施例提供的城市识别方法的流程图；

图2是本发明实施例提供的城市识别方法中步骤S101的流程图；

图3是本发明实施例提供的城市识别方法中步骤S201的流程图；

图4是本发明实施例提供的DBSCAN聚类算法的示意图；

图5是本发明实施例提供的城市识别方法中步骤S102的流程图；

图6为本发明实施例提供的城市识别方法中步骤S502的流程图；

图7为本发明实施例提供的城市识别方法中步骤S103的流程图；

图8为本发明实施例提供的不同预设聚类距离下的土地多样性值的示意图。

图9为本发明实施例提供的深圳市的城市中心识别结果示意图；

图10为本发明实施例提供的一种终端的结构示意图。

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。

本发明实施例提供了一种城市中心识别方法，如图1所示，所述城市中心识别方法可以包括以下步骤：

S101，通过预设距离聚类算法，按照预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到预设聚类距离下的多个聚类多边形，直至预设聚类距离下的聚类多边形与所述待识别城市的行政区划范围的重叠度大于或等于第一预设阈值，以得到不同的预设聚类距离下的聚类多边形。

其中，所述预设聚类距离集合中的各预设聚类距离按照数值大小进行排列。

在本发明的一些实施例中，预设聚类距离为预设的等间隔的聚类距离。按照各预设聚类距离的数值大小组成预设聚类距离集合，以根据所述预设聚类距离集合，依次确定各预设聚类距离下的聚类多边形。举例说明：预设的等间隔的聚类距离可以分别是10m、20m、30m、40m…200m，按照大小组成预设聚类距离序列{10m，20m，30m，40m…200m}，按照预设聚类距离序列，从10m开始依次确定各预设聚类距离下的聚类多边形。在预设聚类距离序列中，依次确定各预设聚类距离下的聚类多边形，可以使得能够更加条理的得到相应的聚类多边形，从而使得识别的城市中心更加的精确。

此外，可以理解的是针对不同的城市可以采用相同的预设聚类距离集合，也可以采用不同的预设聚类距离集合，本领域技术人员可以根据城市的实际情况进行调整，在本发明实施例中不做具体限定。

进一步地，如图2所示，本发明实施例中步骤S101可以通过以下方式实现：

S201，通过预设聚类算法，按照所述预设聚类距离对待识别城市的OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形。

其中，上述聚类多边形展示于待识别城市对应的预设电子地图上。也就是说，预先设置有对应的电子地图(即预设电子地图)，基于预设电子地图，通过预设聚类算法对待识别城市的OD数据聚类后，可以得到多个聚类簇，每个聚类簇构成一个聚类多边形。其中，聚类多边形用于表示聚类后的空间要素文件。

上述OD数据用于表示出行轨迹数据，例如车辆出行数据、移动数据、联通数据等等。OD数据至少可以包括：编码ID、起始时间、起始经纬度、起始区域的街道名称、结束时间、结束经纬度、结束区域的街道名称、出行总耗时、出行平均速度等。其中，每条OD数据都具有一个唯一对应的编码ID。

在本发明的一些实施例中，在执行步骤S101之前，所述方法还包括：获取待识别城市的初始OD数据集，以及基于预设电子地图确定待识别城市的行政区划范围；根据初始OD数据集中各初始OD数据的起点位置和/或终点位置，对初始OD数据集进行数据清洗，得到目标OD数据，并将所述目标OD数据作为所述待识别城市的OD数据。

其中，所述目标OD数据为所述待识别城市的行政区划范围内的OD数据。上述初始OD的起点位置和终点位置可以通过经纬度或所在街道名称来表示。

由于获取的待识别城市的初始OD数据集中的初始OD数据，可能存在起始点不在待识别城市的行政区划范围内，或终点不在待识别城市的行政区划范围内，亦或者起始点和终点均不在待识别城市的行政区划范围内，因此，通过上述方式进行数据清洗，确定起点位置和终点位置均在待识别城市的行政区划内的初始OD数据作为目标OD数据，该目标OD数据即为步骤S101中的待识别城市的OD数据，以保证后续城市中心识别的准确性，避免造成的存在影响城市中心的识别。

如图3所示，本发明实施例提供的城市识别方法中的步骤S201，具体可以通过以下方式实现：

S301，根据所述待识别城市的OD数据，构建对应的多维二叉树。

具体地，可以根据KD树法对所述待识别城市的OD数据进行遍历，以构建对应的多维二叉树。

S302，基于所述多维二叉树，利用预设聚类算法按照预设聚类算法对所述OD数据进行聚类，得到多个聚类多边形。

具体地，上述预设聚类算法可以为DBSCAN聚类算法，在构建的OD数据的多维二叉树的基础上，利用DBSCAN聚类算法对所述OD数据进行聚类，得到多个聚类簇，从而得多对应的聚类多边形。

本发明实施例中采用DBSCAN聚类算法，相较于原型聚类以及层次聚类等聚类算法，不需要提前指定聚类的个数，只需要根据数据的密度和数据间最近邻距离进行动态聚类，适用于对于OD数据的聚类，以更加准确合理的确定城市中心。如图4所示，图4表征了DBSCAN聚类算法的示意图，随机选取一个OD数据的一个点作为起始点，采用预设聚类距离在依次从剩余点中选取样本进行聚类，生成多个聚类簇。

由于待识别城市的OD数据的数据量较大，对其直接进行聚类运算时时会扫描整个数据样本，造成较大的计算压力。因此，在进行聚类之前，先构建OD数据对应的多维二叉树，通过多维二叉树这种数据结构先对OD数据进行划分，在后续对OD数据进行聚类的过程中即可实现快速聚类，避免了在全局范围内查找邻域对象的时间开销。

S202，在聚类多边形与所述待识别城市的行政区划范围的重叠度小于第一预设阈值的情况下，继续执行通过预设聚类算法按照预设聚类距离集合中的下一预设聚类距离对所述OD数据进行聚类，得到多个聚类多边形的步骤，直至重叠度大于或等于第一预设阈值，以得到不同预设聚类距离下的聚类多边形。

具体地，可以在预设电子地图上将聚类多边形与待识别城市的行政区划范围进行空间重叠分析，确定在预设聚类距离下各聚类多边形与待识别城市的叠置面积。根据各聚类多边形的叠置面积，计算预设聚类距离下的叠置面积之和；将叠置面积之和与待识别城市的城市面积的比值，作为上述重叠度。在该重叠度小于第一预设阈值(例如95％)的情况下，获取下一预设聚类距离，并通过预设聚类算法按照下一预设聚类距离对OD数据进行聚类，得到多个聚类多边形的步骤，以此循环，直至重叠度大于第一预设阈值，即实现了对OD数据的变距离聚类。并且，每次聚类过程中所使用的预设聚类距离均不相同。

需要说明的是，上述预设聚类距离集合中的预设聚类距离可能不会全部使用，在聚类过程中一旦重叠度大于或等于第一预设阈值，则停止聚类。

S102，根据所述聚类多边形与所述待识别城市的土地利用数据，确定各聚类多边形的土地多样性值。

其中，土地利用数据是指用于表征土地利用系统及土地利用要素的状态、特征、动态分析、分布特点，以及人类对土地的开发利用、治理改造、管理保护和土地利用规划等的数据。土地利用数据主要可以分为建设用地、土地用地和未利用地三大类，在本发明实施例中选择建筑用地作为城市空间用地的基础数据，建设用地大类数据包括住宿餐饮用地、工业用地、公共设施用地、文体娱乐用地、城镇住宅用地、仓储用地、公园与绿地、机关团体用地、街巷用地、科教用地、空闲地、农村宅基地、批发零售用地、其他商服用地、商务金融用地、新闻出版用地、医卫慈善用地共计17个细分子类。

如图5所示，本发明实施例提供的城市识别方法的步骤S102可以通过以下步骤实现：

S501，根据聚类多边形与土地利用数据，确定各聚类多边形的土地利用类型频数。

由于通过上述步骤S101实现变距离聚类得到不同预设聚类距离下的聚类多边形，这些聚类多边形只能表征人类时空活动范围，并不能表征城市中心。因此，可以对聚类多边形和所述土地利用数据进行空间交互分析，确定所述聚类多边形内的土地利用类型；然后，确定所述聚类多边形内的土地利用类型的数目，并作为所述聚类多边形的土地利用类型频数。

其中，土地利用类型是指聚类多边形内对土地的利用类型，例如：宿餐饮用地、工业用地、公共设施用地、文体娱乐用地、城镇住宅用地、仓储用地、土地用地等等，可以根据该聚类多边形对应的土地利用数据确定其对应的土地利用类型。通过聚类多边形对应的土地利用类型数目即土地利用类型，可以反应聚类多边形内土地利用的丰富度。利用聚类多边形的土地利用类型频数相较于通过土地利用面积来确定城市中心，可以有效避免由于聚类多边形内土地利用单一(例如包括大面积的土地公园)，而影响城市中心识别结果。表1为不同预设聚类距离下产生的聚类多边形的数量，以及每个聚类多边形内的土地利用频数大于或等于3的聚类多边形的数量，如表1所示，不同预设聚类距离下产生的聚类多边形的个数不同，并且每个聚类多边形内的土地利用频数也不相同。

表1

并且由于城市功能日趋复杂化，因此土地利用类型频数越大其越能代表对应的聚类多边形更具有活力，更能代表城市中心区域。因此，在步骤S501之后，还可以将聚类多边形的土地利用类型频数与第二预设阈值进行比较，在聚类多边形内的土地利用类型的数目小于第二预设阈值的情况下，将所述聚类多边形排除。该第二预设阈值可以设置为2。也就是说，可以剔除土地利用类型少的聚类多边形，以减少单一化的土地利用类型对城市中心识别结果的影响。

S502，根据聚类多边形的土地利用类型频数，确定各聚类多边形的土地多样性值。

每个聚类多边形内里面有更多细碎的小的斑块，例如一个聚类多边形内有w个斑块。

如图6所示，本发明实施例的步骤S502可以通过以下步骤实现：

S601，确定所述聚类多边形中各斑块的土地利用频数、所述斑块内各土地利用类型在所述斑块内出现的概率。

S602，根据所述斑块的土地利用频数以及所述斑块内各土地利用类型在所述斑块内出现的概率，并将所述斑块的土地利用频数底数，以确定所述斑块的土地利用类型的信息熵。

具体地，可以通过以下香农熵公式确定各斑块的土地利用类型的信息熵：

其中，Dive_i表示第i个斑块的土地利用类型的信息熵，n表示该斑块的土地利用类型频数，P_m表示第m种土地利用类型在该斑块中出现的概率。

P_m是根据其斑块内土地利用类型出现的次数所确定的，举例说明，一斑块中共有4中土地利用类型，包括：住宿餐饮用地、工业用地、公共设施用地、文体娱乐用地，其中每个土地利用类型依次出现了2次、1次、1次、1次，则各土地利用类型的概率分别为：0.4、0.2、0.2、0.2。

S603，将所述斑块的土地利用类型的信息熵，作为所述斑块的土地利用多样性值。

S604，根据各所述斑块的土地利用多样性值，确定对应的所述聚类多边形的土地利用多样性值。

具体地，可以通过聚类多边形内各斑块的土地利用多样性值，确定该聚类多边形的土地利用多样性值。

进一步地，可以通过以下公式实现：

其中，Dive_d为预设聚类距离d下各聚类多边形的土地利用多样性，k为该聚类多边形下的斑块的数量。

由于不同的聚类多边形内各斑块对应的土地利用类型频数也各不相同，因此，将各板块的土地利用频数作为底数以衡量当前斑块的信息量，可以保证评价结果在同一衡量尺度，从而使得识别的城市中心更加精确。而传统香农熵以e或者10为底数，这种方式会使得信息量的评价不在同一衡量尺度下，从而使得识别的城市中心不够准确。

S103，基于所述各聚类多边形的土地多样性，从所述预设聚类距离中确定最佳聚类距离。

具体地，如图7所示，本发明实施例中的步骤S103可以通过以下方式实现：

S701，确定所述预设聚类距离下聚类多边形的个数，作为所述预设聚类距离的聚类数量。

不同的预设聚类距离下生成的聚类多边形的个数也不相同，在预设聚类距离越小的情况下，其对应的聚类数量也越大，即预设聚类距离与聚类数量成负相关关系。

S702，将所述聚类数量小于第三预设阈值的预设聚类距离，作为待定聚类距离。

也就是说，将聚类数量较多的预设聚类距离排出。

S703，根据各待定聚类距离下各聚类多边形的土地多样性值，确定所述待定聚类距离对应的平均土地多样性值。

S704，将最大的平均土地多样性值对应的待定聚类距离，作为所述最佳聚类距离。

具体地，可以先通过上述步骤S601-S604计算得到待定聚类距离下各聚类多边形的土地多样性值，然后根据该待定聚类距离下的聚类数量以及各聚类多边形的土地多样性值计算平均值，并将该平均值作为该待定聚类距离下的平均多样性值。

对于任意一个城市来说，最佳聚类距离都是不确定的，因此通过多次循环聚类来寻求最佳聚类距离。以深圳市为例，图8为不同预设聚类距离下的平均土地多样性值(横坐标表示预设聚类距离，纵坐标为平均土地多样性值)，如图8所示在预设聚类距离越来越大的情况下，土地利用多样性呈下降趋势。其中，平均土地多样性值越高，代表每种土地类型都出现的概率越均等。由于预设聚类距离为10-50m时，空间距离较小，从而造成所产生的聚类多边形较为细碎，聚类多边形的个数较多，无法准确识别出城市中心。因此，通过上述步骤S601和S602将聚类多边形较为细碎的预设聚类距离进行排除。然后，从剩余的预设聚类距离即待定聚类距离中，根据其对应的平均土地多样性值确定最佳聚类距离。如图8所示，在预设聚类距离为40-80m时，平均土地多样性值呈现缓慢下降的状态，在90m出现一个升高，且90m后的值都逐渐降低。也就是说，在预设聚类距离为90m时，平均土地利用多样性出现了峰值，表征在90m的预设聚类距离下，各类土地利用类型出现的概率最为均等，则该预设聚类距离下平均土地利用多样性更高。而随着预设聚类距离的增加，整个城市建成区的空间范围被纳入计算，而平均土地利用多样性值也越来越低。因此，90m为该城市的最佳聚类距离。

除了上述方法外，还可以根据各聚类多边形的聚类面积来确定最佳聚类距离。具体地，首先确定所述预设聚类距离下各聚类多边形的聚类面积，并确定聚类面积小于第四预设阈值的聚类多边形的个数，作为预设聚类距离的参考值。可以理解的是，预设聚类距离下的聚类多边形的个数越多，其各聚类多边形的聚类面积越小，也就表明聚类多边形越细碎，然后，将预设聚类距离的参考值大于第五预设阈值的预设聚类距离，作为第一聚类距离；并将除第一聚类距离外的其他预设聚类距离作为待定聚类距离；并将待定聚类距离中的平均多样性值最大的预设聚类距离，作为最佳聚类距离。

可以理解的是，虽然该方式是通过各聚类多边形的聚类面积来确定最佳聚类距离，其本质与通过聚类多边形的个数相同。

S104，根据所述最佳聚类距离下的聚类多边形，确定所述待识别城市的城市中心。

具体地，确定所述最佳聚类距离下各聚类多边形的聚类面积；将最大的聚类面积对应的聚类多边形，作为所述待识别城市的城市中心。也就是说，最佳聚类距离下聚类面积最大的聚类多边形，即为待识别城市的城市中心。

以深圳市为例，200m的预设聚类距离生成的空间地理范围已经接近覆盖了整个城市建成区域。如图9所示，由上述可知90m作为深圳市的最佳聚类距离，在90m为最佳聚类距离下聚类得到的聚类多边形进行筛选，通过划定阈值范围(例如0.1平方公里)，选取图斑面积最大的聚类多边形作为城市的城市中心。

由上述可知，在本发明实施例提供的城市中心识别方法中，通过预设聚类算法按照不同的预设聚类距离对待识别城市的OD数据进行聚类，以得到不同预设聚类距离下的聚类多边形，然后根据聚类多边形以及待识别城市的土地利用数据，确定各聚类多边形的土地多样性值，根据各聚类多边形的土地多样性值确定最佳聚类聚类，再从最佳聚类距离下的聚类多边形中确定待识别城市的城市中心，以实现对城市中心的有效量化，实现定量化识别城市中心区域，以便基于识别的城市中心对城市进行有效管控，促进城市的发展。

可以理解的是，本发明实施例提供的城市中心识别方法的执行主体可以是例如手机、平板电脑等终端设备，也可以是服务器，亦或者是既有服务器又有终端设备，例如终端设备采集待识别城市的OD数据并传输至服务器，服务器根据接收的OD数据以及本发明实施例提供的城市中心识别方法，进行城市中心识别。具体实现本发明实施例提供的城市中心识别方法的执行主体在本发明实施例中不做限定，本领域技术人员可以根据实际操作过程进行调整。

此外，如图10所示，基于上述城市中心识别方法，本发明还相应提供了一种终端，所述终端包括处理器110、存储器120及显示器130。图10仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器120在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器120在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器120还可以既包括所述终端内部存储单元也包括外部存储设备。所述存储器120用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器120还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器120上存储有城市中心识别程序140，该城市中心程序140可被处理器110所执行，从而实现本发明实施例所述的任一城市中心识别方法。

所述处理器110在一些实施例中可以是一中央处理器(Central ProcessingUnit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储器120中存储的程序代码或处理数据，例如执行所述城市中心识别方法等。

所述显示器130在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器130用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件110-130通过系统总线相互通信。

本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有城市中心识别程序，所述城市中心程序被处理器执行时实现如上所述的任一城市中心识别方法的步骤。

此外，上述存储介质以及终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。

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)

1.一种城市中心识别方法，其特征在于，所述方法包括：

通过预设距离聚类算法，按照预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形，直至所述预设聚类距离下的聚类多边形与所述待识别城市的行政区划范围的重叠度大于或等于第一预设阈值，以得到不同的预设聚类距离下的聚类多边形；其中，所述预设聚类距离集合中的各预设聚类距离按照数值大小进行排列；所述OD数据用于表示出行轨迹数据；

根据所述聚类多边形以及所述待识别城市的土地利用数据，确定各聚类多边形的土地多样性值；

基于所述各聚类多边形的土地多样性值，从所述预设聚类距离中确定最佳聚类距离；

根据所述最佳聚类距离下的聚类多边形，确定所述待识别城市的城市中心。

2.根据权利要求1所述的城市中心识别方法，其特征在于，所述根据所述聚类多边形与所述待识别城市的土地利用数据，确定各聚类多边形的土地多样性值，具体包括：

根据所述聚类多边形与所述土地利用数据，确定各聚类多边形的土地利用类型频数；

根据所述聚类多边形的土地利用类型频数，确定各聚类多边形的土地多样性值。

3.根据权利要求2所述的城市中心识别方法，其特征在于，所述根据所述土地利用类型频数，确定各聚类多边形的土地多样性值，具体包括：

获取所述聚类多边形中各斑块的土地利用类型频数、以及所述斑块内各土地利用类型在所述斑块内出现的概率；

根据所述斑块的土地利用频数以及所述斑块内各土地利用类型在所述斑块内出现的概率，并将所述斑块的土地利用频数底数，以确定所述斑块的土地利用类型的信息熵；

将所述斑块的土地利用类型的信息熵，作为所述斑块的土地利用多样性值；

根据各所述斑块的土地利用多样性值，确定对应的所述聚类多边形的土地利用多样性值。

4.根据权利要求2所述的城市中心识别方法，其特征在于，在确定所述聚类多边形内的土地利用频数之后，所述方法还包括：

在所述聚类多边形内的土地利用类型频数小于或等于第二预设阈值的情况下，将所述聚类多边形排除。

5.根据权利要求1所述的城市中心识别方法，其特征在于，所述基于所述各聚类多边形的土地多样性值，从所述预设聚类距离中确定最佳聚类距离，具体包括：

确定所述预设聚类距离下聚类多边形的个数，作为所述预设聚类距离的聚类数量；

将所述聚类数量小于第三预设阈值的预设聚类距离，作为待定聚类距离；

根据各待定聚类距离下各聚类多边形的土地多样性值，确定所述待定聚类距离对应的平均土地多样性值；

将最大的平均土地多样性值对应的待定聚类距离，作为所述最佳聚类距离。

6.根据权利要求1所述的城市中心识别方法，其特征在于，根据所述最佳聚类距离下的聚类多边形，确定所述待识别城市的城市中心，具体包括：

确定所述最佳聚类距离下各聚类多边形的聚类面积；

将最大的聚类面积对应的聚类多边形，作为所述待识别城市的城市中心。

7.根据权利要求1所述的城市中心识别方法，其特征在于，所通过预设距离聚类算法按照所述预设聚类距离集合中的各预设聚类距离，依次对待识别城市的OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形，具体包括：

根据所述待识别城市的OD数据，构建所述OD数据对应的多维二叉树；

基于所述多维二叉树，利用预设聚类算法按照所述预设聚类距离集合中的各预设聚类距离对所述OD数据进行聚类，得到所述预设聚类距离下的多个聚类多边形。

8.根据权利要求1所述的城市中心识别方法，其特征在于，所述方法还包括：

在预设电子地图上，将各聚类多边形与所述待识别城市的行政区划范围进行空间重叠分析，确定在所述预设聚类距离下各聚类多边形与待识别城市的重叠面积；

根据各聚类多边形的重叠面积，确定预设聚类距离下的重叠面积之和；

将重叠面积之和与待识别城市的城市面积的比值，作为所述聚类多边形与所述待识别城市的行政区划范围的重叠度。

9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市中心识别程序，所述城市中心识别程序被所述处理器执行时实现如权利要求1-8任一项所述的城市中心识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有城市中心识别程序，所述城市中心识别程序被处理器执行时实现如权利要求1-8任一项所述的城市中心识别方法的步骤。

Images