CN116227791A - 基于语义融合模型探索城市功能区动态划分的可视分析方法 - Google Patents

基于语义融合模型探索城市功能区动态划分的可视分析方法 Download PDF

Info

Publication number
CN116227791A
CN116227791A CN202310504811.4A CN202310504811A CN116227791A CN 116227791 A CN116227791 A CN 116227791A CN 202310504811 A CN202310504811 A CN 202310504811A CN 116227791 A CN116227791 A CN 116227791A
Authority
CN
China
Prior art keywords
time
space
poi
data
matrix
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
CN202310504811.4A
Other languages
English (en)
Other versions
CN116227791B (zh
Inventor
刘丽艳
薛策
黄琴诗
季洁
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202310504811.4A priority Critical patent/CN116227791B/zh
Publication of CN116227791A publication Critical patent/CN116227791A/zh
Application granted granted Critical
Publication of CN116227791B publication Critical patent/CN116227791B/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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于语义融合模型探索城市功能区动态划分的可视分析方法，在分析城市功能区划分的问题中，本发明采用居民日常活动数据（出租车OD数据）对于POI数据的识别结果进行补充，融合OD数据和POI数据提取POI服务移动人群的密度矩阵，弥补POI无法考虑人口空间规模信息；本发明基于时空单元提取POI服务移动人群的密度矩阵、提取时空OD矩阵考虑数据间的时空关联性；提出增强的非负矩阵分解模型考虑语义互补性，从语义水平有效融合OD数据和POI数据实现对城市功能区的划分；通过增强的非负矩阵分解模型得到城市功能区划分结果，通过可视化呈现功能区随时间的动态变化。

Description

基于语义融合模型探索城市功能区动态划分的可视分析方法
技术领域
本发明属于城市功能区划分技术领域，具体涉及基于语义融合模型探索城市功能区动态划分的可视分析方法。
背景技术
随着城市的快速发展，为了满足当地居民的日常需求，现代都市逐渐浮现出不同的功能区，如商业区、居民区、娱乐区和教育区等。这些功能区可以被城市规划者人为的设计，也可以基于人们实际的生活需求自发的形成，并随着城市化和现代文明的加速而动态变化。研究城市功能区划分是最基本的研究，此研究可以揭示城市的物理特性和社会特性。与此同时，理解城市功能区不仅可以提供许多有价值的应用，如旅游推荐、商业选址和城市规划等，而且可以帮助解决许多与城市相关的问题，如改善交通状况和优化商业选址等。
近年来，随着传感技术的发展和无线通讯设备的普及，海量城市数据被广泛收集，基于城市数据探索城市功能区分类成为热点研究方向。但仍面临以下三个问题：
1)大部分研究忽略了不同兴趣点可能具有完全不同的面积、密度和服务规模（即POI数据无法反映产业的空间规模），导致分析结果仍然存在偏差；
2)现有的研究大多基于单一的数据源对城市功能区进行划分，存在数据孤岛问题，多源数据融合是有效挖掘数据间复杂关联关系的前提。然而，传统简单叠加的融合方法忽略了不同数据源之间潜在的时空关联性和语义互补性；
3)已有的研究虽然能揭示功能区的混合程度，但无法呈现功能区随时间的动态变化。
发明内容
为了解决现有技术存在的上述问题，本发明目的在于提供基于语义融合模型探索城市功能区动态划分的可视分析方法。
本发明所采用的技术方案为：
基于语义融合模型探索城市功能区动态划分的可视分析方法，包括以下步骤：
S1、获取出租车轨迹数据和POI数据，提取所述出租车轨迹数据得到OD数据；
S2、基于数据时空属性构建时空立方体模型，并获取时空单元；
S3、计算所述时空单元内乘客流量和POI能服务的平均乘客数量，提取所述时空单元内POI服务移动人群的密度矩阵；
S4、标准化所述密度矩阵，弥补所述POI数据点的空间规模信息；
S5、基于所述时空立方体模型提取时空OD矩阵，利用非负矩阵分解模型挖掘所述OD数据中的潜在语义，反映乘客出行的目的；
S6、基于语义融合模型，融合所述OD数据和所述POI数据，对城市功能区进行划分；
S7、设计可视化视图，展示城市功能区随时间的动态变化，并对功能区进行识别。
作为本发明的优选，在步骤S1中，所述OD数据包括出租车当前的时间戳、经维度、设备ID、瞬时速度、载客状态；所述POI数据包含POI的名称、地理位置信息、种类；据所述OD数据和所述POI数据在地理空间的分布属性，确定研究区域。
作为本发明的优选，在步骤S1中，对所述POI数据进行预处理，将所述POI数据大类合并为10种：交通设施服务、居住及相关服务、政府机构及社会团体、文体与科教服务、企业、医疗、生活服务、金融服务、旅游和餐饮服务。
作为本发明的优选，在步骤S2中，所述OD数据包括时间维度属性和空间维度属性；
所述构建时空立方体模型包括：
针对所述时间维度属性，选取有意义的时间细粒度，对所述OD数据在时间区间
Figure SMS_1
上进行分析；
针对所述空间维度属性，将所述研究区域进行均匀剖分获得
Figure SMS_2
的矩形网格单元/>
Figure SMS_3
，其中/>
Figure SMS_4
；
获取所述时空单元包括：
结合所述矩形网格单元
Figure SMS_5
和所述时间区间/>
Figure SMS_6
形成所述时空立方体模型，从而获得/>
Figure SMS_7
个所述时空单元/>
Figure SMS_8
，其中/>
Figure SMS_9
。
作为本发明的优选，在步骤S3中，计算所述时空单元内乘客流量包括：基于所述OD数据计算每个所述时空单元内乘客上车人数和乘客下车人数之和；
提取所述时空单元内POI服务移动人群的密度矩阵包括：将10种所述POI数据划分为日间活跃、夜间活跃和日夜间均活跃三种情况；
所述密度矩阵为POI特征矩阵
Figure SMS_10
，其中，N表示时空单元数，M表示POI的种类数，用/>
Figure SMS_11
表示第/>
Figure SMS_12
个时空单元内第/>
Figure SMS_13
类POI能服务的平均乘客数：
Figure SMS_14
其中，
Figure SMS_16
表示第/>
Figure SMS_19
个时空单元/>
Figure SMS_22
内乘客上车和下车的总人数，/>
Figure SMS_20
为白天时间段；/>
Figure SMS_23
表示第/>
Figure SMS_25
个时空单元/>
Figure SMS_27
内乘客上车和下车的总人数，/>
Figure SMS_17
为晚上时间段；/>
Figure SMS_21
表示第/>
Figure SMS_24
个时空单元内第/>
Figure SMS_26
类POI活跃的个数之和；/>
Figure SMS_15
和/>
Figure SMS_18
为常量，分别控制日间活跃的POI类别在日间服务人群占比系数，和夜间活跃的POI类别在夜间服务人群占比系数。
作为本发明的优选，在步骤S4中，采用极值法对所述密度矩阵进行
Figure SMS_28
标准化：
Figure SMS_29
/>
其中
Figure SMS_30
，/>
Figure SMS_31
是标准化后的指标值，/>
Figure SMS_32
、/>
Figure SMS_33
分别为所述POI特征矩阵第/>
Figure SMS_34
列的最大值和最小值。
作为本发明的优选，在步骤S5中，基于所述时空立方体模型提取时空OD矩阵，利用非负矩阵分解模型挖掘所述OD数据中的潜在语义包括：通过非负矩阵分解算法将所述时空OD矩阵
Figure SMS_35
分解为两个低阶非负矩阵/>
Figure SMS_36
和/>
Figure SMS_37
的乘积，即/>
Figure SMS_38
，基于欧式距离和KL散度推导误差函数，基于乘法更新规则求解此目标函数，选取KL散度对目标函数进行优化：
Figure SMS_39
其中
Figure SMS_40
、/>
Figure SMS_42
分别表示时空单元的数目和时间区间的数目，/>
Figure SMS_44
表示城市潜在功能区的数目；/>
Figure SMS_45
表示/>
Figure SMS_48
和/>
Figure SMS_50
矩阵中的每个元素均为非负值，/>
Figure SMS_51
表示时空单元与时间区间形成的矩阵，/>
Figure SMS_41
表示第/>
Figure SMS_43
个时空单元在时间区间/>
Figure SMS_47
内平均乘客上车和下车的总人数；/>
Figure SMS_49
表示时空单元与潜在功能区形成的矩阵，反映时空单元和潜在功能区之间的关联；/>
Figure SMS_46
表示潜在功能区与时间区间形成的矩阵，反映潜在功能区和时间区间之间的关联。
作为本发明的优选，在步骤S6中，所述语义融合模型为增强的非负矩阵分解模型；增强的所述非负矩阵分解模型将所述POI特征矩阵视为先验知识嵌入至模型分解的过程中，增强的所述非负矩阵分解模型的目标函数在所述非负矩阵分解模型的表达式上增加了
Figure SMS_52
的惩罚项，对应的目标函数：/>
Figure SMS_53
其中
Figure SMS_54
为POI特征矩阵，/>
Figure SMS_55
为潜在功能区和POI类别形成的矩阵，/>
Figure SMS_56
控制POI特征矩阵/>
Figure SMS_57
在此模型中的贡献，在增强的所述非负矩阵分解模型中，/>
Figure SMS_58
和/>
Figure SMS_59
共享矩阵/>
Figure SMS_60
。
作为本发明的优选，在步骤S7中，所述设计可视化视图包括：通过增强的所述非负矩阵分解模型将城市划分为10种不同的功能区，每个功能区由多个时空单元组成，得到所述可视化视图。
作为本发明的优选，所述对功能进行区识别包括：
统计每个功能区内时空单元数目随时间的变化，探索功能区主要活跃的时间段，推测功能区类型；
通过统计每个功能区的OD流随时间变化的模式，即该功能区对应的时空单元内乘客到达和离开的平均人数，探索该功能区内人群移动规律，推测功能区的类型；
采用标准化的所述POI特征矩阵的结果，计算得出每种功能区内每一类POI服务移动人群的比例，对其进行内部索引排序，得到该功能区内POI的分布特征，推测该功能区的实际功能。
本发明的有益效果为：
（1）在分析城市功能区的问题中，本发明采用居民日常活动数据（出租车OD数据）对于POI数据的识别结果进行补充，融合OD数据和POI数据提取POI服务移动人群的密度矩阵，弥补POI无法考虑空间规模信息；
（2）本发明基于时空单元提取POI服务移动人群的密度矩阵、提取时空OD矩阵考虑数据间的时空关联性；提出增强的非负矩阵分解模型考虑语义互补性，从语义水平有效融合轨迹数据和POI数据实现对城市功能区的划分；
（3）本发明选取的区域为时空单元，包含地理位置和时间信息，通过增强的非负矩阵分解模型得到城市功能区划分结果，通过可视化呈现功能区随时间的动态变化。
附图说明
下面结合附图和具体实施方法对本发明做进一步详细的说明。
图1是本发明其中一个实施例的研究范围与研究对象（杭州市主城区）的OD数据在地理空间的分布属性示意图；
图2是本发明图1所研究范围的POI数据在地理空间的分布属性示意图；
图3是本发明的时空立方体示意图；
图4是本发明A-NMF模型在时间区间为[0,3)内的结果示意图；
图5是本发明A-NMF模型在时间区间为[3,6)内的结果示意图；
图6是本发明A-NMF模型在时间区间为[6,9)内的结果示意图；
图7是本发明A-NMF模型在时间区间为[9,12)内的结果示意图；
图8是本发明A-NMF模型在时间区间为[12,15)内的结果示意图；
图9是本发明A-NMF模型在时间区间为[15,18)内的结果示意图；
图10是本发明A-NMF模型在时间区间为[18,21)内的结果示意图；
图11是本发明A-NMF模型在时间区间为[21,24)内的结果示意图；
图12是本发明图4-11的A-NMF模型的图例（其中空白区域表示无OD数据和POI数据）；
图13是本发明的功能区（F0-F5）内时空单元数随时间的变化示意图；
图14是本发明的功能区（F6-F9）内时空单元数随时间的变化示意图；
图15是本发明的功能区（F0）内上车/下车平均流量随时间的变化示意图；
图16是本发明的功能区（F1）内上车/下车平均流量随时间的变化示意图；
图17是本发明的功能区（F2）内上车/下车平均流量随时间的变化示意图；
图18是本发明的功能区（F3）内上车/下车平均流量随时间的变化示意图；
图19是本发明的功能区（F4）内上车/下车平均流量随时间的变化示意图；
图20是本发明的功能区（F5）内上车/下车平均流量随时间的变化示意图；
图21是本发明的功能区（F6）内上车/下车平均流量随时间的变化示意图；
图22是本发明的功能区（F7）内上车/下车平均流量随时间的变化示意图；
图23是本发明的功能区（F8）内上车/下车平均流量随时间的变化示意图；
图24是本发明的功能区（F9）内上车/下车平均流量随时间的变化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
下面结合图1-24说明本发明的具体实施方式，基于语义融合模型探索城市功能区动态划分的可视分析方法，本发明旨在解决现有城市功能区划分方法无法反映功能区随人类活动的动态变化。
为了实现以上目的，本发明提供了基于语义融合模型探索城市功能区动态划分的可视分析方法，包括如下步骤：
S1、获取出租车轨迹数据与POI数据并选取研究区域
从交通局获取出租车轨迹数据，所述每个采样点记录了出租车当前的时间戳、经维度、设备ID、瞬时速度、载客状态等维度特征。利用出租车轨迹数据的载客状态，可以提取出OD数据，即从出租车轨迹数据中提取乘客上车时间和经纬度以及该乘客下车的时间和经纬度；从百度API收集目标区域的POI数据，所述POI数据包含POI的名称、地理位置信息、种类（如学校、小区等）。原始POI数据的类别大类包含15种，中类包含102种，参考2011年城市用地分类与规划建设用地标准对原始POI数据重新分类，将POI数据大类合并为以下10种：交通设施服务、居住及相关服务、政府机构及社会团体、文体与科教服务、企业、医疗、生活服务、金融服务、旅游和餐饮服务（参见表1）；
表1 城市功能区类别分类表
Figure SMS_61
根据出租车OD数据和POI数据在地理空间的分布属性，本文的研究范围主要包括杭州市主城区（参见图1-2），涉及上城区、下城区、拱墅区、西湖区、滨江区、萧山区等地，选取原始出租车轨迹数据中Longitude 和Latitude 值域分别在[119.869,120.461] 和[30.012,30.4439] 的数据。
S2、基于时空立方体模型获取时空单元出租车OD数据为时空数据，具有时间和空间两个维度属性。对于时间维度特征，根据需要选取有意义的时间细粒度（如一小时、一天），对数据在时间区间
Figure SMS_63
上进行分析。对于空间维度属性，将研究区域进行均匀剖分获得/>
Figure SMS_67
的矩形网格单元/>
Figure SMS_70
，其中/>
Figure SMS_62
。结合矩形网格单元/>
Figure SMS_65
和时间区间/>
Figure SMS_68
形成时空立方体模型，从而获得/>
Figure SMS_71
个（
Figure SMS_64
）时空单元/>
Figure SMS_66
，其中/>
Figure SMS_69
。因此，OD数据中的每个采样点有唯一的时空单元与之相对应，相比于研究城市功能区常采用仅具有地理空间位置属性的栅格区域的方法，本研究的栅格区域为时空单元，同时具有地理空间位置和时间两个维度的特征（参见图4-12）。
S3、提取时空单元内POI服务移动人群的密度矩阵
OD数据记录乘客上车和下车的位置，结合OD数据和POI数据可以大致反映乘客出行的目的，相比出租车轨迹采样点数据，OD数据更能体现在该时空单元内POI服务的乘客数。以往的研究大多将POI数量作为功能区实际功能识别判定的依据，缺乏考虑POI数据的空间规模信息。因此，本发明通过OD数据和POI数提取POI特征矩阵，即时空单元内每类POI能服务的移动人口的密度，可以直观地反映功能区使用强度及其随时间的动态变化。
首先，基于OD数据计算每个时空单元内乘客上车人数和乘客下车人数之和，然后结合城市用地分类将POI数据划分为10类，考虑不同类型的兴趣点的开放时间不同，例如旅游、医疗、企业等服务点主要在白天开放，而酒吧、餐饮等在夜间比较活跃。因此，将10类POI划分为日间活跃（Day）、夜间活跃（Night），日夜间均活跃（DN）三种情况（参见表1）；最后，提取时空单元内POI服务人群的密度矩阵，即POI特征矩阵
Figure SMS_72
，其中，N表示时空单元数，M表示POI的种类数，/>
Figure SMS_73
表示第/>
Figure SMS_74
个时空单元内第/>
Figure SMS_75
类POI能服务的平均乘客数，计算公式如下：
Figure SMS_76
其中，
Figure SMS_84
表示第/>
Figure SMS_78
个时空单元/>
Figure SMS_83
内乘客上车和下车的总人数，/>
Figure SMS_77
为白天时间段；/>
Figure SMS_85
表示第/>
Figure SMS_87
个时空单元/>
Figure SMS_89
内乘客上车和下车的总人数，/>
Figure SMS_86
为晚上时间段；/>
Figure SMS_90
表示第/>
Figure SMS_79
个时空单元内第/>
Figure SMS_81
类POI活跃的个数之和；/>
Figure SMS_88
和/>
Figure SMS_93
常量，控制日间（夜间）活跃的POI类在日间（夜间）服务人群占比系数。本次实验选取日间时间区间
Figure SMS_91
，夜间时间区间为/>
Figure SMS_92
，/>
Figure SMS_80
和/>
Figure SMS_82
分别为1和0.5。
S4、标准化POI服务移动人群的密度矩阵
为了更好地对比不同类POI服务移动人群的特性，采用极值法对数据进行
Figure SMS_94
标准化，计算表达式为：
Figure SMS_95
其中
Figure SMS_96
，/>
Figure SMS_99
是原始指标值，/>
Figure SMS_103
是标准化后的指标值，
Figure SMS_98
、/>
Figure SMS_100
分别为POI特征矩阵第/>
Figure SMS_102
列的最大值和最小值。通过POI特征矩阵可以得到，若在时空单元/>
Figure SMS_104
内第/>
Figure SMS_97
类POI数量较少，而对应的/>
Figure SMS_101
的值较大，则可以从侧面反映出该类POI实际占地面积较大或功能辐射能力较强，反之亦然。因此，通过计算POI特征矩阵在一定程度上弥补了POI数据点的空间规模信息。
S5、S6、构建语义融合的功能区划分模型
受主题模型提取文本数据语义的启发，城市功能区的研究和文本表示研究具有一定的相似性，本发明将出租车OD数据类比于文本数据，利用非负矩阵分解模型（Nonnegative Matrix Factorization, NMF）从语义角度处理OD数据。首先，基于时空立方体模型提取时空OD矩阵
Figure SMS_105
，通过非负矩阵分解算法将矩阵/>
Figure SMS_106
分解为两个低阶非负矩阵/>
Figure SMS_107
和/>
Figure SMS_108
的乘积，即/>
Figure SMS_109
。基于欧式距离和KL散度来推导误差函数是常用的形式，基于乘法更新规则求解此目标函数，本发明选取KL散度对目标函数进行优化，公式如下：/>
Figure SMS_110
其中
Figure SMS_113
、/>
Figure SMS_115
分别表示时空单元的数目和时间区间的数目，/>
Figure SMS_119
表示城市潜在功能区的数目。/>
Figure SMS_112
表示/>
Figure SMS_117
和/>
Figure SMS_120
矩阵中的每个元素均为非负值，/>
Figure SMS_122
表示时空单元与时间区间形成的矩阵，/>
Figure SMS_111
表示第/>
Figure SMS_116
个时空单元在时间区间/>
Figure SMS_118
内平均乘客上车和下车的总人数；/>
Figure SMS_121
表示时空单元与潜在功能区形成的矩阵，反映时空单元和潜在功能区之间的关联；/>
Figure SMS_114
表示潜在功能区与时间区间形成的矩阵，反映潜在功能区和时间区间之间的关联；
NMF可以挖掘OD数据中的潜在语义，为了有效地融合出租车轨迹数据、OD数据和POI数据，本文提出语义融合模型，即增强的非负矩阵分解模型（Augment NonnegativeMatrix Factorization, A-NMF），A-NMF模型可以将POI特征矩阵视为先验知识嵌入至模型分解的过程中。A-NMF模型的目标函数在NMF模型的表达式上增加了一项，即
Figure SMS_123
的惩罚，对应的目标函数如下：/>
Figure SMS_124
其中
Figure SMS_125
为POI特征矩阵，/>
Figure SMS_126
为潜在功能区和POI类别形成的矩阵，/>
Figure SMS_127
可以控制POI特征矩阵/>
Figure SMS_128
在此模型中的贡献。在A-NMF模型，/>
Figure SMS_129
和/>
Figure SMS_130
共享矩阵/>
Figure SMS_131
，从而区域划分的结果是基于语义水平融合轨迹数据和POI数据的结果。
S7-1、功能区划分结果
通过A-NMF模型实现将城市划分为10种不同的功能区（F0~F9），并展示功能区随时间的动态变化（参见图13-14），每个功能区由多个时空单元组成。
S7-2、城市功能区识别方法
通过A-NMF模型提取的城市功能区划分结果，其语义信息是非常模糊的，因此迫切需要根据区域实际使用情况对功能区进行标识。城市功能区的分类标准很多，功能区的划分也各不相同，本文主要基于已有的数据属性并考虑社会功能、居民需求等进行功能区识别，主要从以下三个方面进行考虑：
（1）统计每个功能区内时空单元数目随时间的变化，探索功能区主要活跃的时间段，从而推测功能区类型，其结果如图13-14所示。横坐标表示一天内时间变化，纵坐标代表功能区在对应时间区间的时空单元数目。
（2）通过统计每个功能区的OD流随时间变化的模式，即该功能区对应的时空单元内乘客到达和离开的平均人数，探索该功能区内人群移动规律，从而推测功能区的类型，其结果如图15-24所示。横坐标表示一天内时间变化，纵坐标表示该功能区内平均每个时空单元在对应时间区间的OD流量。
（3）采用标准化的POI特征矩阵的结果，计算得出每种功能区内每一类POI服务移动人群的比例（Service Ratio, SR），并对其进行内部索引排序（Internal Ranking，IR），从而得到该功能区内POI的分布特征，推测该功能区的实际功能，其结果如表2 所示。F0至F9表示不同功能区。
表2POI服务移动人群的比例和功能区排序
Figure SMS_132
S7-3、城市功能区识别结果
通过功能区内时空单元数目随时间的变化（图13-14），可以推测功能区F0～F3和F4～F5主要分布在时间段[7,21)之间，这些区域为人们日间活动对应的功能区；F7～F9主要分布时间段在[22,24)和[0,3)之间，这些区域为人们夜间活动对应的功能区；功能区F6几乎分布在时间段[0,6)和[21,24)之间，极大概率为居民区。结合功能区在百度地图位置上的分布（图4-12）、功能区内乘客上车/下车的平均流量随时间变化（图15-24）以及POI服务人群比例排序（表2），发现功能区F1～F5功能覆盖齐全，同时有较大的OD流，说明F1～F5建设完善，从而得出其为成熟的建筑区。功能区F0、F7～F9分在城市的周边位置且分布相对分散，功能覆盖短缺，同时平均OD流量很低，说明这几个功能区位城市周边地段。下面对A-NMF模型提取的城市功能区划分结果进行识别：
（1）小型餐饮区[F0]。功能区F0在地理位置上分布分散且遍布城市周边地段，主要分布在白天时间段[7,21)之间，餐饮服务在POI服务移动人群排序中比值最大，文体与科技服务次之（表2），该功能区平均OD流量很小，白天OD流量基本变化不大，除了早上10点乘客下车的流量稍大，估计为来附近休闲娱乐的人群，推测功能区F0主要为小型餐饮区。
（2）医疗服务区[F1]。在地理位置上分布分散且遍布整个城市，主要分布在白天时间段[7,21)之间，该功能区平均OD流量居于平均水平，医疗（医院、药店、诊所在）在这个功能区服务人群占据较高比例（表2），所以本文推测F1主导为医疗服务区。
（3）政府机构及社会团体服务区[F2]。功能区F2在地理位置上分布、平均OD流量大小与功能区F1相似，在时间区间[7,20)内在该功能区下车的乘客大于上车的乘客，该功能区功能覆盖相对较为成熟（表2），政府机构及社会团体在在POI密度排序中占比最大，推测F2主导为政府机构及社会团体服务区。
（4）大型办公区[F3]。功能区F3总是分布在固定的地理位置，对时间的敏感度极低，功能覆盖齐全（表2），该功能区的平均OD流量十分大，有很明显的早高峰和晚高峰，而且晚高峰出现在22点和23点，该区域处在城市中心地段，推测功能区F3主要为市中心的大型办公区。同时说明大型企业员工加班比较普遍，因为在22点和23点下班，公共交通停用而选择出租车回家。
（5）金融保险服务区[F4]。功能区F4主要在地理位置上分布相对比较集中，主要在城市中心位置占比较大，金融保险服务（自助银行、保险公司、投资公司）在POI密度排序中占比最大，因此，本文将F4视为以金融保险服务为主导的功能区。
（6）旅游区[F5]。这个功能区与F3有相似之处，功能覆盖齐全，都是比较成熟的城市规划建城区（表2）。同时，这个功能区有很多风景名胜，例如，灵隐寺、杭州西湖风景名胜区、杭州半山国家森林公园、西溪国家湿地公园等，推测功能区F5为旅游区。
（7）居民区[F6]。功能区F6主要集中分布的时间区间为[0,6)和[21,24)，在其他时间段出现的次数很小，该区域乘客上下车时间在晚上22点和23点，居住及相关服务在POI服务人群比例排序中比值最大，因此，功能区F6为主要为居民区。
（8）交通设施服务区[F7]。功能区F7在地理位置上分布比较分散且位于杭州城市的周边地段，交通设施服务（公交站、地铁站等）在POI服务服务比排序中占据最高的比例（表2），该功能区内平均OD流量很小，并在晚上10点至11点乘客上下出租车人数逐渐增至高峰，这个时间段对应公交和地铁的停运时间。因此，将功能区F7视为以交通设施服务主导的区域。
（9）文体与科技服务区[F8]。功能区F8在地理位置上分布比较分散且位于杭州城市的周边地段，文体与科技服务在POI服务服务比排序中占据最高的比例（表2），包括老年人文体活动中心、娱乐场所（棋牌室、KTV）等。该功能区内平均OD流量很小，但早上6点出现一次波动，极有可能为老年人打车到文体活动中心，晚上10点至11点乘车回家。因此，将功能区F8认定为文体与科技服务区。
（10）生活服务区[F9]。功能区F9，生活服务在POI服务服务比排序中占据最高的比例（表2），主要包括超市、批发市场等，该功能区内平均OD流量较小，主要在白天时段进行活动，推测F9为生活服务区。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，包括以下步骤：
S1、获取出租车轨迹数据和POI数据，提取所述出租车轨迹数据得到OD数据；
S2、基于数据时空属性构建时空立方体模型，并获取时空单元；
S3、计算所述时空单元内乘客流量和POI能服务的平均乘客数量，提取所述时空单元内POI服务移动人群的密度矩阵；
S4、标准化所述密度矩阵，弥补所述POI数据点的空间规模信息；
S5、基于所述时空立方体模型提取时空OD矩阵，利用非负矩阵分解模型挖掘所述OD数据中的潜在语义，反映乘客出行的目的；
S6、基于语义融合模型，融合所述OD数据和所述POI数据，对城市功能区进行划分；
S7、设计交互式可视化视图，展示城市功能区随时间的动态变化，并对城市功能区进行识别。
2.根据权利要求1所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S1中，所述OD数据包括出租车当前的时间戳、经维度、设备ID、瞬时速度、载客状态；所述POI数据包含POI的名称、地理位置信息、种类；据所述OD数据和所述POI数据在地理空间的分布属性，确定研究区域。
3.根据权利要求1所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S1中，对所述POI数据进行预处理，将所述POI数据大类合并为10种：交通设施服务、居住及相关服务、政府机构及社会团体、文体与科教服务、企业、医疗、生活服务、金融服务、旅游和餐饮服务。
4.根据权利要求2所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S2中，所述OD数据包括时间维度属性和空间维度属性；
所述构建时空立方体模型包括：
针对所述时间维度属性，选取有意义的时间细粒度，对所述OD数据在时间区间
Figure QLYQS_1
上进行分析；
针对所述空间维度属性，将所述研究区域进行均匀剖分获得
Figure QLYQS_2
的矩形网格单元
Figure QLYQS_3
，其中/>
Figure QLYQS_4
；
获取所述时空单元包括：
结合所述矩形网格单元
Figure QLYQS_5
和所述时间区间/>
Figure QLYQS_6
形成所述时空立方体模型，从而获得/>
Figure QLYQS_7
个所述时空单元/>
Figure QLYQS_8
，其中/>
Figure QLYQS_9
。
5.根据权利要求4所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S3中，计算所述时空单元内乘客流量包括：基于所述OD数据计算每个所述时空单元内乘客上车人数和乘客下车人数之和；
提取所述时空单元内POI服务移动人群的密度矩阵包括：将10种所述POI数据划分为日间活跃、夜间活跃和日夜间均活跃三种情况；
所述密度矩阵为POI特征矩阵
Figure QLYQS_10
，其中，N表示时空单元数，M表示POI的种类数，用/>
Figure QLYQS_11
表示第/>
Figure QLYQS_12
个时空单元内第/>
Figure QLYQS_13
类POI能服务的平均乘客数：/>
Figure QLYQS_16
其中，/>
Figure QLYQS_18
表示第/>
Figure QLYQS_24
个时空单元
Figure QLYQS_17
内乘客上车和下车的总人数，/>
Figure QLYQS_21
为白天时间段；/>
Figure QLYQS_23
表示第/>
Figure QLYQS_26
个时空单元
Figure QLYQS_14
内乘客上车和下车的总人数，/>
Figure QLYQS_20
为晚上时间段；/>
Figure QLYQS_25
表示第/>
Figure QLYQS_27
个时空单元内第/>
Figure QLYQS_15
类POI活跃的个数之和；/>
Figure QLYQS_19
和/>
Figure QLYQS_22
为常量，分别控制日间活跃的POI类别在日间服务人群占比系数，和夜间活跃的POI类别在夜间服务人群占比系数。
6.根据权利要求5所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S4中，采用极值法对所述密度矩阵进行
Figure QLYQS_28
标准化：
Figure QLYQS_29
其中
Figure QLYQS_30
，/>
Figure QLYQS_31
是标准化后的指标值，/>
Figure QLYQS_32
、/>
Figure QLYQS_33
分别为所述POI特征矩阵第/>
Figure QLYQS_34
列的最大值和最小值。
7.根据权利要求6所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S5中，基于所述时空立方体模型提取时空OD矩阵，利用非负矩阵分解模型挖掘所述OD数据中的潜在语义包括：通过非负矩阵分解算法将所述时空OD矩阵
Figure QLYQS_35
分解为两个低阶非负矩阵/>
Figure QLYQS_36
和/>
Figure QLYQS_37
的乘积，即/>
Figure QLYQS_38
，基于欧式距离和KL散度推导误差函数，基于乘法更新规则求解此目标函数，选取KL散度对目标函数进行优化：
Figure QLYQS_39
其中/>
Figure QLYQS_43
、/>
Figure QLYQS_48
分别表示时空单元的数目和时间区间的数目，/>
Figure QLYQS_41
表示城市潜在功能区的数目；/>
Figure QLYQS_45
表示
Figure QLYQS_49
和/>
Figure QLYQS_51
矩阵中的每个元素均为非负值，/>
Figure QLYQS_40
表示时空单元与时间区间形成的矩阵，/>
Figure QLYQS_44
表示第/>
Figure QLYQS_47
个时空单元在时间区间/>
Figure QLYQS_50
内平均乘客上车和下车的总人数；/>
Figure QLYQS_42
表示时空单元与潜在功能区形成的矩阵，反映时空单元和潜在功能区之间的关联；/>
Figure QLYQS_46
表示潜在功能区与时间区间形成的矩阵，反映潜在功能区和时间区间之间的关联。
8.根据权利要求7所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S6中，所述语义融合模型为增强的非负矩阵分解模型；增强的所述非负矩阵分解模型将所述POI特征矩阵视为先验知识嵌入至模型分解的过程中，增强的所述非负矩阵分解模型的目标函数在所述非负矩阵分解模型的表达式上增加了
Figure QLYQS_52
的惩罚项，对应的目标函数：/>
Figure QLYQS_54
其中/>
Figure QLYQS_57
为POI特征矩阵，
Figure QLYQS_58
为潜在功能区和POI类别形成的矩阵，/>
Figure QLYQS_53
控制POI特征矩阵/>
Figure QLYQS_56
在此模型中的贡献，在增强的所述非负矩阵分解模型中，/>
Figure QLYQS_59
和/>
Figure QLYQS_60
共享矩阵/>
Figure QLYQS_55
。
9.根据权利要求8所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，在步骤S7中，所述设计可视化视图包括：通过增强的所述非负矩阵分解模型将城市划分为10种不同的功能区，每个功能区由多个时空单元组成。
10.根据权利要求8所述的基于语义融合模型探索城市功能区动态划分的可视分析方法，其特征在于，所述对功能区进行识别包括：
统计每个功能区内时空单元数目随时间的变化，探索功能区主要活跃的时间段，推测功能区类型；
通过统计每个功能区的OD流随时间动态变化的模式，即该功能区对应的时空单元内乘客到达和离开的平均人数，探索该功能区内人群移动规律，推测功能区的类型；
采用标准化的所述POI特征矩阵的结果，计算得出每种功能区内每一类POI服务移动人群的比例，对其进行内部索引排序，得到该功能区内POI的分布特征，推测该功能区的实际功能。
CN202310504811.4A 2023-05-08 2023-05-08 基于语义融合模型探索城市功能区动态划分的可视分析方法 Active CN116227791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310504811.4A CN116227791B (zh) 2023-05-08 2023-05-08 基于语义融合模型探索城市功能区动态划分的可视分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310504811.4A CN116227791B (zh) 2023-05-08 2023-05-08 基于语义融合模型探索城市功能区动态划分的可视分析方法

Publications (2)

Publication Number Publication Date
CN116227791A true CN116227791A (zh) 2023-06-06
CN116227791B CN116227791B (zh) 2023-09-05

Family

ID=86577208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310504811.4A Active CN116227791B (zh) 2023-05-08 2023-05-08 基于语义融合模型探索城市功能区动态划分的可视分析方法

Country Status (1)

Country Link
CN (1) CN116227791B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756695A (zh) * 2023-06-27 2023-09-15 深圳技术大学 一种融合地理特征和流特征的城市功能协同优化方法
CN116756695B (zh) * 2023-06-27 2024-05-31 深圳技术大学 一种融合地理特征和流特征的城市功能协同优化方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041725A1 (en) * 2010-08-11 2012-02-16 Huh Seung-Il Supervised Nonnegative Matrix Factorization
WO2016141753A1 (zh) * 2015-03-06 2016-09-15 中山大学 基于路网和兴趣点的声环境功能区划分方法
CN109101559A (zh) * 2018-07-12 2018-12-28 青岛理工大学 一种基于poi和公交刷卡数据的城市功能区识别方法
CN110176141A (zh) * 2019-05-09 2019-08-27 中电海康集团有限公司 一种基于poi及流量特征的交通小区划分方法和系统
WO2020238303A1 (zh) * 2019-05-31 2020-12-03 京东城市(北京)数字科技有限公司 一种识别功能区的方法和装置
CN112579718A (zh) * 2020-12-14 2021-03-30 深圳市城市交通规划设计研究中心股份有限公司 一种城市用地功能的识别方法、装置及终端设备
US20210108941A1 (en) * 2019-10-10 2021-04-15 Beijing Baidu Netcom Science Technology Co., Ltd. Method, apparatus, device and storage medium for determining point of interest area
CN112836000A (zh) * 2021-01-28 2021-05-25 北京工业大学 基于出租车od数据的非常态居民出行模式挖掘方法
CN113806419A (zh) * 2021-08-26 2021-12-17 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113988198A (zh) * 2021-11-03 2022-01-28 中国地质大学（武汉） 一种基于地标约束的多尺度城市功能分类方法
CN114297532A (zh) * 2021-12-31 2022-04-08 哈尔滨工业大学 一种基于人群移动轨迹的高清城市功能区识别方法及系统
CN114708521A (zh) * 2022-04-07 2022-07-05 中南大学 基于街景图像目标关系感知网络的城市功能区识别方法及系统
CN115512216A (zh) * 2022-08-10 2022-12-23 华中师范大学 耦合街区时空特征和集成学习的城市功能区精细化识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041725A1 (en) * 2010-08-11 2012-02-16 Huh Seung-Il Supervised Nonnegative Matrix Factorization
WO2016141753A1 (zh) * 2015-03-06 2016-09-15 中山大学 基于路网和兴趣点的声环境功能区划分方法
CN109101559A (zh) * 2018-07-12 2018-12-28 青岛理工大学 一种基于poi和公交刷卡数据的城市功能区识别方法
CN110176141A (zh) * 2019-05-09 2019-08-27 中电海康集团有限公司 一种基于poi及流量特征的交通小区划分方法和系统
WO2020238303A1 (zh) * 2019-05-31 2020-12-03 京东城市(北京)数字科技有限公司 一种识别功能区的方法和装置
US20210108941A1 (en) * 2019-10-10 2021-04-15 Beijing Baidu Netcom Science Technology Co., Ltd. Method, apparatus, device and storage medium for determining point of interest area
CN112579718A (zh) * 2020-12-14 2021-03-30 深圳市城市交通规划设计研究中心股份有限公司 一种城市用地功能的识别方法、装置及终端设备
CN112836000A (zh) * 2021-01-28 2021-05-25 北京工业大学 基于出租车od数据的非常态居民出行模式挖掘方法
CN113806419A (zh) * 2021-08-26 2021-12-17 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113988198A (zh) * 2021-11-03 2022-01-28 中国地质大学（武汉） 一种基于地标约束的多尺度城市功能分类方法
CN114297532A (zh) * 2021-12-31 2022-04-08 哈尔滨工业大学 一种基于人群移动轨迹的高清城市功能区识别方法及系统
CN114708521A (zh) * 2022-04-07 2022-07-05 中南大学 基于街景图像目标关系感知网络的城市功能区识别方法及系统
CN115512216A (zh) * 2022-08-10 2022-12-23 华中师范大学 耦合街区时空特征和集成学习的城市功能区精细化识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEI CHEN: "VAUD: A Visual Analysis Approach for Exploring Spatio-Temporal Urban Data", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》, vol. 24, no. 9, pages 2636 - 2648 *
刘丽艳: "大规模城市交通数据的语义挖掘与可视化", 中国博士学位论文全文数据库 工程科技Ⅱ辑, no. 4, pages 1 - 91 *
刘菊;许;蔡玲;孟斌;裴韬;: "基于出租车用户出行的功能区识别", 地球信息科学学报, no. 11 *
张慧杰;王蓉;陈斌;侯亚芳;曲德展;: "基于轨迹和兴趣点数据的城市功能区动态识别与时变规律可视分析", 计算机辅助设计与图形学学报, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756695A (zh) * 2023-06-27 2023-09-15 深圳技术大学 一种融合地理特征和流特征的城市功能协同优化方法
CN116756695B (zh) * 2023-06-27 2024-05-31 深圳技术大学 一种融合地理特征和流特征的城市功能协同优化方法

Also Published As

Publication number Publication date
CN116227791B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
Brum-Bastos et al. Weather effects on human mobility: a study using multi-channel sequence analysis
Zhong et al. Inferring building functions from a probabilistic model using public transportation data
Huang et al. A mobility network approach to identify and anticipate large crowd gatherings
Stępniak et al. Spatio-temporal variation of accessibility by public transport—the equity perspective
CN108876475B (zh) 一种基于兴趣点采集的城市功能区识别方法、服务器及存储介质
CN109101559B (zh) 一种基于poi和公交刷卡数据的城市功能区识别方法
Ordonez Medina et al. Estimating dynamic workplace capacities by means of public transport smart card data and household travel survey in Singapore
Greger Spatio‐Temporal Building Population Estimation for Highly Urbanized Areas Using GIS
Liang et al. Individual travel behavior modeling of public transport passenger based on graph construction
US20240013091A1 (en) Identification method of urban functional areas based on mixing degree of functions and integrated learning
CN110503485B (zh) 地理区域分类方法及装置、电子设备、存储介质
Martin et al. Origin-destination geodemographics for analysis of travel to work flows
Zhang et al. Urban human activity density spatiotemporal variations and the relationship with geographical factors: An exploratory Baidu heatmaps‐based analysis of Wuhan, China
Yuan et al. Recognition of functional areas based on call detail records and point of interest data
Knaap et al. Polycentrism as a sustainable development strategy: empirical analysis from the state of Maryland
CN109254984B (zh) 基于od数据感知城市动态结构演化规律的可视分析方法
CN114723596A (zh) 一种基于多源交通出行数据和主题模型的城市功能区识别方法
Lyu et al. A multiscale spatial analysis of taxi ridership
Lee et al. Spatiotemporal distributions of population in Seoul: joint influence of ridership and accessibility of the subway system
Fu et al. Exploration of the spatiotemporal heterogeneity of metro ridership prompted by built environment: A multi‐source fusion perspective
Demissie et al. Understanding the temporal and spatial interactions between transit ridership and urban land-use patterns: an exploratory study
Zhou et al. Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data
CN116227791B (zh) 基于语义融合模型探索城市功能区动态划分的可视分析方法
CN115510056B (zh) 一种利用手机信令数据进行宏观经济分析的数据处理系统
Yu et al. Exploring Taxi Demand Distribution of Comprehensive Land-Use Patterns Using Online Car-Hailing Data and Points of Interest in Chengdu, China

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