CN116776207A - 站点的分类方法、装置、设备及存储介质 - Google Patents
站点的分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116776207A CN116776207A CN202311054665.6A CN202311054665A CN116776207A CN 116776207 A CN116776207 A CN 116776207A CN 202311054665 A CN202311054665 A CN 202311054665A CN 116776207 A CN116776207 A CN 116776207A
- Authority
- CN
- China
- Prior art keywords
- density
- sites
- site
- stations
- station
- 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 74
- 238000011161 development Methods 0.000 claims abstract description 82
- 230000008859 change Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 230000004308 accommodation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了站点的分类方法、装置、设备及存储介质,涉及数据处理领域。该方法包括:确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。本申请解决了现有技术中站点周边没有完全采用公共交通导向开发模式,导致对城市轨道交通站点建设和站域开发的不确定性较高的问题,依据土地开发程度对公共交通导向开发站点进行识别以及分类,为城市规划、交通规划提供了科学依据。
Description
技术领域
本申请涉及数据处理领域,尤其涉及站点的分类方法、装置、设备及存储介质。
背景技术
城市轨道交通系统具有快捷舒适、客运量大、污染度低、安全性能高等优势,已成为城市公共交通的重要组成部分。运用城市轨道交通的优势,公共交通导向开发(TransitOriented Development,TOD)作为一种整合交通系统和土地利用的城市可持续发展理想模式,在快速城市化的背景下,对于缓解交通拥堵和遏制城市无序蔓延具有重要作用。因此,部分城市在轨道交通建设中均尝试引入公共交通导向开发模式,倡导围绕城市轨道交通站点进行紧凑、高密度、多样化的土地开发并提供友好的步行和骑行环境。公共交通导向开发以公共交通站点为核心,在可步行环境的站域内范围紧凑布局住宅、零售、办公、开放空间等。在公共交通导向开发模式开发下,站点的交通服务、站域的土地利用及其相互作用呈现出区别于非公共交通导向开发模式开发的特征,并且这些特征与“6Ds”原则一致,即密度(Density)、多样性(Diversity)、设计(Design)、到站点的距离(Distance to transit)、目的地可达性(Destination accessibility)和需求管理特征(Demand management)。然而,大部分公共交通导向开发相关研究的一个重要前置假设是站点周边的开发均为公共交通导向开发模式,忽略了站点周边没有完全采用公共交通导向开发模式的站点,导致对轨道交通站点建设和站域开发的不确定性较高。
发明内容
本申请提供站点的分类方法、装置、设备及存储介质,依据土地开发程度对公共交通导向开发站点进行分类,为城市规划、交通规划提供了科学依据。
第一方面,本申请提供了一种站点的分类方法,包括:
确定多个站点,其中,所述多个站点属于同一目标区域且所述站点为轨道交通站点;
根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点,其中,所述兴趣点级差密度用于指示以所述站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,所述多个同心圆环区域的外半径与内半径的差值均相同。
第二方面,本申请还提供了一种站点的分类装置,包括:
站点确定模块,用于确定多个站点,其中,所述多个站点属于同一目标区域且所述站点为轨道交通站点;
第一分类模块,用于根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点,其中,所述兴趣点级差密度用于指示以所述站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,所述多个同心圆环区域的外半径与内半径的差值均相同。
第三方面,本申请还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的站点的分类方法。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的站点的分类方法。
本申请提供的站点的分类方法、装置、设备及存储介质,通过确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。本申请解决了现有技术中站点周边没有完全采用公共交通导向开发模式,导致对城市轨道交通站点建设和站域开发的不确定性较高的问题,依据土地开发程度对公共交通导向开发站点进行识别以及分类,为城市规划、交通规划提供了科学依据。
附图说明
图1为本申请实施例提供的一种站点的分类方法的流程示意图;
图2为本申请实施例提供的另一种站点的分类方法的流程示意图;
图3为本申请实施例提供的又一种站点的分类方法的流程示意图;
图4为本申请实施例提供的一种城市轨道交通线路示意图;
图5为本申请实施例提供的一种根据手肘法确定k-means聚类簇数量的示意图;
图6为本申请实施例提供的一种站域内兴趣点密度等级的分布示意图;
图7为本申请实施例提供的一种非公共交通导向开发站点的分布示意图;
图8为本申请实施例提供的一种级差密度理论曲线示意图;
图9为本申请实施例提供的一种低密度站点的级差密度判断示意图;
图10为本申请实施例提供的一种中密度站点的级差密度判断示意图;
图11为本申请实施例提供的一种高密度站点的级差密度判断示意图;
图12为本申请实施例提供的一种公共交通导向开发站点的分布示意图;
图13为本申请实施例提供的一种站点的分类装置的结构框图;
图14为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
图1为本申请实施例提供的一种站点的分类方法的流程示意图。该方法可以由站点的分类装置执行,其中,该装置可以由软件和/或硬件实现,可配置于电子设备中,典型的,可以配置在终端中。本申请实施例提供的站点的分类方法适用于对公共交通导向开发站点进行识别以及分类的场景。如图1所示,本实施例提供的站点的分类方法可以包括:
S110、确定多个站点。
多个站点属于同一目标区域且站点为轨道交通站点。该目标区域可以为一城市区域,对应的,站点为城市轨道交通站点。该目标区域还可以为其他区域,例如该目标区域为人为划定的区域,对应的,站点为该人为划定的区域内的轨道交通站点,执行本申请实施例的目的在于对该人为划定的区域内的多个站点进行分类,确定其中的公共交通导向开发站点。
本实施例中,确定多个站点,可以包括:确定每个站点的站域内范围以及站域外范围;根据目标区域的目标兴趣点(Point of Interest,POI)数据,站域内范围和站域外范围,确定站域内范围对应的站域内兴趣点数据和站域外范围对应的站域外兴趣点数据。
确定每个站点的站域内范围以及站域外范围,可以包括:确定目标区域对应的坐标;根据目标区域对应的坐标,从第一平台中获取目标区域内的多个轨道交通站点以及不同轨道交通站点间的线路;根据预设的划分规定确定每个轨道交通站点的站域内范围以及站域外范围。其中,目标区域对应的坐标一般为目标区域对应的经纬度值,获取站点以及线路的平台可以为地图软件平台或者其他能够提供位置信息的平台,预设的划分规则可以是将以站点的位置为圆心,以大多数居民从该站点出发步行的最大距离为半径确定的圆形区域作为站域内范围,还可以是将以站点的位置为圆心,以第一预设距离为半径确定的第一圆形区域作为站域内范围,将以站点的位置为圆心,以第二预设距离为半径确定的第二圆形区域中除第一圆形区域外的圆环区域作为站域外范围,其中,第一预设距离小于第二预设距离,例如,第一预设距离为800米,第二预设距离为1200米,本实施例对第一预设距离以及第二预设距离的具体数值不作限定。
根据目标区域的目标兴趣点数据,站域内范围和站域外范围,确定站域内范围对应的站域内兴趣点数据和站域外范围对应的站域外兴趣点数据,可以包括:从第二平台中获取目标区域的目标兴趣点数据,其中,目标兴趣点数据包括目标兴趣点的经纬度、名称、地址以及类别;根据获取的目标兴趣点数据以及每个站点的站域内范围以及站域外范围,确定站域内范围对应的站域内兴趣点数据和站域外范围对应的站域外兴趣点数据。其中,第二平台可以与第一平台不同,也可以与第一平台相同。目标区域的目标兴趣点数据可以是筛选后的数据,例如,从第二平台中获取目标区域的原始兴趣点数据,根据预设的筛选规则对原始兴趣点数据进行筛选,确定目标兴趣点数据,预设的筛选规则可以是确定原始兴趣点数据中的目标类别的兴趣点数据,该目标类别可以包括购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施6种类别。
S120、根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点。
兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。
本实施例中,基于兴趣点密度计算以站点的位置为圆心的多个同心圆环区域的兴趣点级差密度,该兴趣点级差密度可以表征站点周围土地利用的密度。从而有效识别该站点是否为公共交通导向开发站点,便于分析城市轨道交通站点类型的空间分布。
以站点的位置为圆心的多个同心圆环区域可以是等间隔设置的多个同心圆环区域,也可以是无间隔设置的多个同心圆环区域。优选的,多个同心圆环区域中相邻的同心圆环区域之间无间隔,有利于兴趣点级差密度准确表征站点周围土地利用的密度。多个同心圆环区域的外半径与内半径的差值均相同,例如,可以设置外半径与内半径的差值为50米。
本实施例中,可以根据多个站点的站域内兴趣点密度以及兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点以及非公共交通导向开发站点,进一步的,还可以对公共交通导向开发站点进行细分,确定不同类型的公共交通导向开发站点,为城市规划、交通规划提供更加科学、准确的依据。
本实施例提供的站点的分类方法,通过确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。本申请解决了现有技术中站点周边没有完全采用公共交通导向开发模式,导致对城市轨道交通站点建设和站域开发的不确定性较高的问题,依据土地开发程度对公共交通导向开发站点进行识别以及分类,为城市规划、交通规划提供了科学依据。
图2为本申请实施例提供的另一种站点的分类方法的流程示意图,本实施例中的方案可以与上述实施例中的一个或多个可选方案组合。如图2所示,本实施例提供的站点的分类方法可以包括:
S210、确定多个站点。
本实施例中,多个站点属于同一目标区域且站点为轨道交通站点。确定多个站点,可以包括:确定每个站点的站域内范围以及站域外范围;根据目标区域的目标兴趣点数据,站域内范围和站域外范围,确定站域内范围对应的站域内兴趣点数据和站域外范围对应的站域外兴趣点数据。
S220、确定多个站点中的第一类站点。
本实施例中,确定多个站点中的第一类站点,包括:针对每个站点,在站点的站域内范围中一类建筑的占地面积与站域内范围的比值大于预设比值的情况下,确定站点属于第一类站点。
示例性的,针对每个站点,从第三平台中提取出站点的站域内范围中一类建筑的占地面积,其中,该类建筑的占地面积是指站点的站域内范围中属于该类建筑的所有建筑设施的总占地面积,该类建筑例如可以是购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施中的一种,本申请对第三平台不作限定。
将站域内范围中一类建筑的占地面积与站域内范围的比值大于预设比值的站点作为第一类站点。通过第一类站点的确定方式可以理解,第一类站点是站域内范围中以某一类型用地为主导的站点,因此,第一类站点也可以称为专业用地型站点。
S230、对多个站点中除第一类站点外的站点进行聚类,将参与聚类的多个站点划分为低密度类站点、中密度类站点以及高密度类站点。
本实施例中,确定多个站点中除第一类站点外的站点,针对确定的每个站点,计算该站点的站域内兴趣点密度;再利用k-means聚类算法,结合确定的多个站点的站域内兴趣点密度对该多个站点进行聚类,确定其中的低密度类站点、中密度类站点以及高密度类站点。
示例性的,根据以下公式计算每个参与聚类的站点的站域内兴趣点密度:;其中,Di表示站点i的站域内兴趣点密度,Ni表示站点i的站域内兴趣点数量,i大于或等于1且小于或等于I,I为多个站点中除第一类站点外的站点的数量,站点i的站域内范围为以站点i的位置为圆心,以r为半径的圆形区域;在k-means聚类算法中,根据以下公式计算兴趣点密度的误差平方和,根据误差平方以及手肘法确定聚类结果:;其中,SSE为误差平方和,Cb代表第b个聚类簇,Dg是聚类簇Cb中的第g个站点的站域内兴趣点密度,mb是所述聚类簇Cb的中心点兴趣点密度,g大于或等于1且小于或等于G,G为所述聚类簇Cb中站点的数量;将聚类结果中的兴趣点密度最高的聚类簇中的站点划分为高密度类站点,将聚类结果中的兴趣点密度最低的聚类簇中的站点划分为低密度类站点,将聚类结果中除兴趣点密度最高的聚类簇和兴趣点密度最低的聚类簇外的聚类簇中的站点划分为中密度类站点。其中,在k-means聚类算法中,初始的中心点兴趣点密度可以为初始分类中每类站点的站域内兴趣点密度的平均值。
确定聚类结果的具体方式是:在仿真软件中对计算出的所有站点的站域内兴趣点密度进行k-means聚类,并计算不同聚类簇的误差平方和变化,用手肘法判断最优聚类结果,即误差平方和变化最快时对应的聚类结果。用手肘法确定的聚类结果一般包括多个聚类簇(聚类簇数量≥3),将兴趣点密度最高的聚类簇中的站点划分为高密度类站点,将兴趣点密度最低的聚类簇中的站点划分为低密度类站点,将除兴趣点密度最高的聚类簇和兴趣点密度最低的聚类簇外的聚类簇中的站点划分为中密度类站点。
S240、从高密度类站点中确定第二类站点。
针对高密度类站点中的每个站点,确定站点的站域内兴趣点密度和站域外兴趣点密度,其中,站域外兴趣点密度的公式为:;dj表示站点j的站域外兴趣点密度,nj表示所述站点j的站域外兴趣点数量,j大于或等于1且小于或等于J,J为所述高密度类站点中站点的数量,所述站点j的站域内范围为以所述站点j的位置为圆心,以r为半径的圆形区域,所述站点j的站域外范围为以所述站点j的位置为圆心,以R为半径的圆形区域中除所述站域内范围的圆环区域;在站域内兴趣点密度小于站域外兴趣点密度的情况下,确定站点属于第二类站点。
本实施例中的站域内兴趣点数量以及站域外兴趣点数量分别根据S210中的站域内兴趣点数据以及站域外兴趣点数据确定。
将站域内兴趣点密度小于站域外兴趣点密度的站点作为第二类站点,通过第二类站点的确定方式可以理解,第二类站点是为了满足高交通需求而建设的站点,其站域内兴趣点密度以及站域外兴趣点密度均很高,因此,第二类站点也可以称为交通追随型站点。
S250、将多个站点中除第一类站点和第二类站点外的站点作为待分类站点。
本实施例中,对多个站点中除第一类站点和第二类站点外的站点进行进一步的分类,该剩余的站点中包括公共交通导向开发站点。
S260、根据多个待分类站点所属的密度类站点以及兴趣点级差密度对多个待分类站点进行分类,确定多个待分类站点中的公共交通导向开发站点。
本实施例中,待分类站点所属的密度类站点即为S230中确定的低密度类站点、中密度类站点以及高密度类站点。根据站域内兴趣点密度表征的站域内土地利用密度高低以及兴趣点级差密度表征的站域内土地利用密度差对多个待分类站点进行识别以及分类,可以确定多个待分类站点中的不同类型的公共交通导向开发站点。
根据多个待分类站点所属的密度类站点以及兴趣点级差密度对多个待分类站点进行分类,包括:针对每个待分类站点,确定待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到待分类站点对应的圆环兴趣点密度向量;针对每个密度类站点中的多个待分类站点,对多个待分类站点对应的圆环兴趣点密度向量进行聚类,得到密度类站点对应的聚类结果;确定聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线;根据多条圆环兴趣点密度变化曲线对密度类站点中的多个待分类站点进行分类。
多个同心圆环区域中相邻的同心圆环区域之间无间隔,多个同心圆环区域的外半径与内半径的差值均相同,例如,可以设置外半径与内半径的差值为50米。确定待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到待分类站点对应的圆环兴趣点密度向量,包括:根据以下公式计算圆环兴趣点密度:;其中,AP为第P个同心圆环区域的圆环兴趣点密度,MP为所述第P个同心圆环区域内的兴趣点数量,P为所述站点对应的同心圆环区域的总数量,L为所述第P个同心圆环区域的外半径与内半径的差值。示例性的,L为50米,P为16。
针对每个密度类站点中的多个待分类站点,对多个待分类站点对应的圆环兴趣点密度向量进行聚类,得到密度类站点对应的聚类结果。基于上述计算结果,对每个待分类站点的AP利用自组织映射(Self-Organizing Map,SOM)神经网络进行聚类,这一过程可以利用R语言完成,包括:
第一步,将一密度类站点中的每个待分类站点的[A1,A2,…,AP]组成输入向量,对该密度类站点中的所有待分类站点对应的所有输入向量归一化后作为SOM神经网络的输入层,并设置初始的聚类中心作为竞争层;第二步,基于输入向量与初始聚类中心之间的差异,不断更新聚类中心,直到迭代停止,得到聚类结果。
确定聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线,包括:根据以下公式计算一聚类簇中不同待分类站点对应的同一同心圆环区域的圆环兴趣点密度的均值:;其中,/>为聚类簇q的第p个同心圆环区域的兴趣点密度的均值,AP为聚类簇q中一待分类站点的第P个同心圆环区域的兴趣点密度,Nq为聚类簇q中待分类站点的数量;针对每个聚类簇,根据不同同心圆环区域的兴趣点密度的均值,绘制圆环兴趣点密度变化曲线。
确定圆环兴趣点密度变化曲线后,通过对比曲线的起伏程度,判断哪些聚类簇对应的级差密度对应预设级差情况,预设级差情况指在一定距离范围内,站域内兴趣点密度呈现随到站点距离越远越小的特征。示例性的,聚类簇对应的级差密度对应预设级差情况可以为,圆环兴趣点密度变化曲线中每相邻的两个同心圆环区域的兴趣点密度差大于或等于预设级差密度且站域内兴趣点密度呈现随到站点距离越远越小的特征,或每间隔预设个数的两个同心圆环区域的兴趣点密度差大于或等于预设级差密度且站域内兴趣点密度呈现随到站点距离越远越小的特征,只要能体现站域内兴趣点密度呈现随到站点距离越远越小的特征即可。
确定多个待分类站点中的公共交通导向开发站点,包括:确定多个待分类站点中的以下至少一类站点:第三类站点、低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点;其中,第三类站点属于低密度类站点且第三类站点的兴趣点级差密度不对应预设级差情况;低潜力型站点属于低密度类站点且低潜力型站点的兴趣点级差密度对应预设级差情况;中潜力型站点属于中密度类站点且中潜力型站点的兴趣点级差密度本对应预设级差情况;高潜力型站点属于中密度类站点且高潜力型站点的兴趣点级差密度对应预设级差情况;紧凑型站点属于高密度类站点且紧凑型站点的兴趣点级差密度不对应预设级差情况;成熟型站点属于高密度类站点且成熟型站点的兴趣点级差密度对应预设级差情况。
本实施例中,第三类站点属于低密度类站点且第三类站点的兴趣点级差密度不对应预设级差情况,通过第三类站点的确定方式可以理解,第三类站点的站域内兴趣点密度很低且无波动,可见其功能单一,仅是为了实现交通功能,故第三类站点也可以称为单一交通功能型站点。
本实施例中,低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点均属于公共交通导向开发站点,根据站点所属的密度类站点以及兴趣点级差密度得到多种类型的公共交通导向开发站点。其中,当站点属于低密度类站点或中密度类站点时,可以根据其对应的兴趣点级差密度确定其对应的潜力等级;当站点属于高密度类站点时,可以根据其对应的兴趣点级差密度确定其属于紧凑型站点还是成熟型站点。
本实施例提供的站点的分类方法中,给出了确定所有类型站点的具体步骤,保证了站点分类的完整性,同时,依据土地开发程度对公共交通导向开发站点进行识别以及细分类,为城市规划、交通规划提供了科学依据。
图3为本申请实施例提供的另一种站点的分类方法的流程示意图,用于详细说明本申请的上述技术方案。本实施例以北京城市轨道交通站点为研究对象,利用的数据包括以下两个方面:1)北京市轨道交通站点数据,其中大兴机场站由于不在北京市内,不予考虑。2)北京市2021年兴趣点数据,通过筛选后共包括购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施6类最可能受站点影响的设施,共1132944条,每条兴趣点数据包含经纬度、名称、地址、类别等字段。如图3所示,本实施例提供的站点的分类方法可以包括:
S310、确定目标区域内的多个站点、每个站点的站域内范围和站域外范围以及每个站点的站域内兴趣点数据和站域外兴趣点数据。
本实施例中,目标区域为北京市对应的区域,获取北京市轨道交通站点数据,确定其中的多个轨道交通站点以及站点间的线路,得到如图4所示的城市轨道交通线路示意图。根据预设的划分规则确定每个轨道交通站点对应的站域内范围和站域外范围,本实施例中,以轨道交通站点的位置为圆心,以第一预设距离r为半径确定的第一圆形区域作为站域内范围,将以轨道交通站点的位置为圆心,以第二预设距离R为半径确定的第二圆形区域中除第一圆形区域外的圆环区域作为站域外范围,第一预设距离r为800米,第二预设距离R为1200米。
获取北京市2021年兴趣点数据。对北京市2021年兴趣点数据进行筛选,确定每个站域内范围对应的站域内兴趣点数据,该站域内兴趣点数据对应购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施6类最可能受站点影响的设施;确定每个站域外范围对应的站域外兴趣点数据,该站域内兴趣点数据对应购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施6类最可能受站点影响的设施。
S320、针对每个站点,在站点的站域内范围中一类建筑的占地面积与站域内范围的比值大于预设比值的情况下,确定站点属于专业用地型站点。
考虑土地利用的多样性,确定每个站域内范围中多类建筑中每个建筑的占地面积,多类建筑例如购物、工作场所、餐饮、科教文化体育休闲场所、生活公共服务、居住或住宿设施等,将一站域内范围中某类建筑用地占比超过50%的城市轨道交通站点识别为专业用地型站点。以某一站点为例,其站域内的广场、公园、剧院等公园休闲用地面积与该站点的站域内范围的比值超过50%,因此将该站点识别为专业用地型站点。
S330、对多个站点中除专业用地型站点外的站点进行聚类,将参与聚类的多个站点划分为低密度类站点、中密度类站点以及高密度类站点。
确定多个轨道交通站点中除专业用地型站点外的站点,针对确定的每个轨道交通站点,计算该轨道交通站点的站域内兴趣点密度。考虑土地利用密度高低,在ArcGIS中,基于S310中确定的站域内兴趣点数据,采用以下公式计算确定的每个轨道交通站点的站域内兴趣点密度,以表征开发强度:;Di表示轨道交通站点i的站域内兴趣点密度,Ni表示轨道交通站点i的站域内兴趣点数量,i大于或等于1且小于或等于I,I为多个轨道交通站点中除专业用地型站点外的轨道交通站点的数量,轨道交通站点i的站域内范围为以轨道交通站点i的位置为圆心,以r为半径的圆形区域。
进一步,利用k-means聚类算法,结合确定的多个轨道交通站点的站域内兴趣点密度对该多个轨道交通站点进行聚类,确定其中的低密度类站点、中密度类站点以及高密度类站点。其中,计算兴趣点密度的误差平方和,依据误差平方和的变化,使用手肘法确定最优的聚类簇数量,如图5所示,误差平方和变化最快的点即为最优的聚类簇数量,在本实施例中该最优的聚类簇数量为3。根据以下公式计算兴趣点密度的误差平方和:;其中,SSE为误差平方和,Cb代表第b个聚类簇,Dg是聚类簇Cb中的第g个站点的站域内兴趣点密度,mb是所述聚类簇Cb的中心点兴趣点密度,g大于或等于1且小于或等于G,G为所述聚类簇Cb中站点的数量。
基于误差平方和的变化,用手肘法确定的聚类簇数量一般大于或等于3,将兴趣点密度最高的聚类簇中的轨道交通站点划分为高密度类站点,将兴趣点密度最低的聚类簇中的轨道交通站点划分为低密度类站点,将除兴趣点密度最高的聚类簇和兴趣点密度最低的聚类簇外的聚类簇中的轨道交通站点划分为中密度类站点。如图6所示,展示了k-means聚类结果的空间分布,即站域内兴趣点密度的等级分布示意图。其中,低密度类站点、中密度类站点、高密度类站点的数量分别为147、112、33个,对应的站域内兴趣点密度范围分别为5~813个/km2、813~2014个/km2、2014~4003个/km2。在数量上,轨道交通站点的密度等级越高,轨道交通站点数量越少,呈金字塔结构分布,尤其从中密度到高密度等级,站点数量迅速减少。在空间上,低密度类站点主要分布在北京核心区以外,中密度类站点主要分布在城市核心区,而高密度类站点主要分布在国贸、王府井、西单、望京等商业集聚区或北京商务中心区。
S340、针对高密度类站点中的每个站点,确定站点的站域内兴趣点密度和站域外兴趣点密度,在站域内兴趣点密度小于站域外兴趣点密度的情况下,确定站点属于交通追随型站点。
依据以下公式计算高密度类站点中的每个轨道交通站点的站域外兴趣点总密度:;其中,dj表示轨道交通站点j的站域外兴趣点密度,nj表示轨道交通站点j的站域外兴趣点数量,j大于或等于1且小于或等于J,J为高密度类站点中轨道交通站点的数量,轨道交通站点j的站域内范围为以轨道交通站点j的位置为圆心,以r为半径的圆形区域,轨道交通站点j的站域外范围为以轨道交通站点j的位置为圆心,以R为半径的圆形区域中除站域内范围的圆环区域。
对比站域内兴趣点密度和站域外兴趣点密度,如果站域内兴趣点密度小于站域外兴趣点密度,则将对应的轨道交通站点识别为交通追随型站点,否则还需要后续进一步的分析。
本实施例中,仅有东大桥站和呼家楼站属于交通追随型站点,它们彼此紧邻,且位于国贸商务区边缘,主要承担北京商务中心区的高密度客流的空间外溢,站点对周边开发的带动能力较小,主要受国贸辐射影响。
非公共交通导向开发站点分布如图7所示,非公共交通导向开发站点不仅包括上述已经识别出的专业用地型站点和交通追随型站点,还包括即将要识别的单一交通功能型站点。从图7中可以发现,专业用地型站点在空间上分布较为分散,但在海淀区东南部相对集聚,集中了北京大学、颐和园等许多景点和高校。专业用地型站点共84个,主要包括以下六类:1)混合交通枢纽型站点。不同于仅作为地铁站点的单一交通功能型站点,混合交通枢纽型站点是与机场、铁路枢纽一体化的站点,主要起接驳作用,如北京南站。2)特殊功能型站点。服务于国内外重要事件,如奥体中心站。3)景区型站点。主要为游客和居民提供便利的交通,站域开发主要受景区辐射影响,如圆明园站。4)大学型站点。主要为高校师生出行提供服务,站域用地以校园用地为主,如人民大学站。5)经济开发区站点。例如亦庄T1线,该线站点服务于亦庄经开区各大产业基地和重要功能区。6)其他功能类型站点,例如,站域内以行政功能为主的郝家府站。
S350、将多个站点中除专业用地型站点和交通追随型站点外的站点作为待分类站点。
对多个轨道交通站点中除专业用地型站点和交通追随型站点外的轨道交通站点进行进一步的分类,该剩余的轨道交通站点中包括公共交通导向开发站点。
S360、针对每个待分类站点,确定待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到待分类站点对应的圆环兴趣点密度向量。
本实施例考虑土地利用级差密度,结合前述土地利用密度高低和多样性分析,识别多个轨道交通站点中除专业用地型站点和交通追随型站点外的轨道交通站点中的公共交通导向开发站点,并依据土地开发程度进一步对公共交通导向开发站点进行分类。
具体来说,多个同心圆环区域中相邻的同心圆环区域之间无间隔,多个同心圆环区域的外半径与内半径的差值均相同,例如,可以设置外半径与内半径的差值为50米。确定待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到待分类站点对应的圆环兴趣点密度向量,包括:根据以下公式计算圆环兴趣点密度:;其中,AP为第P个同心圆环区域的圆环兴趣点密度,MP为所述第P个同心圆环区域内的兴趣点数量,P为所述站点对应的同心圆环区域的总数量,L为所述第P个同心圆环区域的外半径与内半径的差值。示例性的,L为50米,P为16。
S370、针对每个密度类站点中的多个待分类站点,对多个待分类站点对应的圆环兴趣点密度向量进行聚类,得到密度类站点对应的聚类结果。
分别对低密度类站点、中密度类站点、高密度类站点利用SOM神经网络聚类方法,依据圆环兴趣点密度特征聚类,判断低密度类站点、中密度类站点、高密度类站点的站域内范围中是否有预设级差情况。鉴于有研究表明,过于靠近站点的区域可能会有负外部性,因此认为站域内一定范围存在兴趣点密度随距离衰减的现象即是预设级差情况,如图8所示。其中,对低密度类站点的AP利用SOM神经网络聚类方法进行聚类,这一过程在R语言中完成,包括:
第一步,由低密度类站点中每个站点的[A1,A2,…,A16]组成输入向量,归一化后作为SOM输入层,并设置初始的聚类中心作为竞争层;第二步,基于输入向量与初始聚类中心之间的差异,将最靠近聚类簇中每个站点的[A1,A2,…,A16]的聚类中心按设置的学习率调整;第三步,不断更新聚类中心及其邻域的聚类中心,直到迭代停止,得到聚类结果。
S380、确定聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线;根据多条圆环兴趣点密度变化曲线对密度类站点中的多个待分类站点进行分类,确定多个待分类站点中的公共交通导向开发站点。
基于圆环兴趣点密度特征的SOM聚类结果,根据以下公式计算一聚类簇中不同待分类站点对应的同一同心圆环区域的圆环兴趣点密度的均值:;其中,/>为聚类簇q的第p个同心圆环区域的兴趣点密度的均值,AP为聚类簇q中一待分类站点的第P个同心圆环区域的兴趣点密度,Nq为聚类簇q中待分类站点的数量;依据上述结果,绘制低密度类站点的每个聚类簇的兴趣点密度每隔L米的变化曲线图,如图9所示。通过对比曲线的起伏程度,判断哪些聚类簇具有预设级差情况,即在一定距离范围内,站域内兴趣点密度呈现随到站点距离越远越小的特征。在图9中,虚线所示的两个聚类簇的站域内兴趣点密度起伏变化不大,属于无预设级差情况;实线所示的聚类簇在300m内的兴趣点密度明显高于300m外的兴趣点密度,存在预设级差情况。将无预设级差情况的聚类簇内的站点识别为单一交通功能型站点,共计121个,其分布如图7所示,距城市中心的平均距离达18.9km,主要分布在城市核心区以外、城市轨道交通网络边缘。而将存在预设级差情况的聚类簇内的站点识别为低潜力型站点。
类似于上述低密度类站点是否存在预设级差情况的判断方法,对中密度类站点、高密度类站点分别进行类似的操作。如图10所示,为中密度类站点的每个聚类簇的兴趣点密度每隔L米的变化曲线图,虚线所示的三个聚类簇的站域内兴趣点密度起伏变化不大,基本保持在1000~2000个/km2左右,属于无预设级差情况,将其识别为中潜力型站点;实线所示的两个聚类簇在距站点250m范围内均有显著的峰值,存在预设级差情况,将其识别为公高潜力型站点。如图11所示,为高密度类站点的每个聚类簇的兴趣点密度每隔L米的变化曲线图,虚线所示的聚类簇的站域内兴趣点密度随距站点的距离变化不大,甚至有距站点越远而越高的趋势,总体密度能达2000~3000个/km2,无预设级差情况,将其识别为紧凑型站点;实线所示的三个聚类簇的站域内兴趣点密度有显著的级差,且距站点550m以内的兴趣点密度普遍更高,存在预设级差情况,将其识别为成熟型站点。
公共交通导向开发站点(包括低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点)的空间分布如图12所示。低潜力型站点主要分布在城市核心区以外;中潜力型站点以及高潜力型站点主要分布在市中心,但高潜力型站点分布更加集中,尤其在四环以内分布相对均匀,并且二者包含大部分北京主要的枢纽站点,如西直门站、东直门站;紧凑型站点则集中在望京、国贸、西单、王府井等中心城区的商圈或北京商务中心区附近;成熟型站点虽大部分集中在国贸北京商务中心区周边,但少数分布在远郊,如昌平、顺义、通州北苑、常营四个站点。从站点数量来看,中潜力型站点以及高潜力型站点数量最多,共112个;成熟型站点偏少,仅有18个。从距城市中心的距离来看,低潜力型站点距城市中心的距离最远,达17.4km;紧凑型站点距城市中心最近,仅6.1km。总体上,发展状态越好的站点类型,越集中在城市中心。这主要是因为北京中心城区有较早的发展历史,基础条件更好,且中心区地价高昂,开发商对密度有更高的渴求。
本实施例提供的站点的分类方法,以北京城市轨道交通站点为研究对象,详细说明了本申请的技术方案。
图13为本申请实施例提供的一种站点的分类装置的结构框图。该装置可以由软件和/或硬件实现,可配置于电子设备中,典型的,可以配置在终端中,可通过站点的分类方法实现对公共交通导向开发站点的识别以及分类,如图5所示,本实施例提供的站点的分类装置可以包括:站点确定模块501和第一分类模块502,其中,
站点确定模块501,用于确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;第一分类模块502,用于根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。
本实施例提供的站点的分类装置,通过确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。本申请解决了现有技术中站点周边没有完全采用公共交通导向开发模式,导致对城市轨道交通站点建设和站域开发的不确定性较高的问题,依据土地开发程度对公共交通导向开发站点进行识别以及分类,为城市规划、交通规划提供了科学依据。
在上述方案的基础上,站点的分类装置还包括:
第二分类模块,用于确定多个站点中的第一类站点;聚类模块,用于对多个站点中除第一类站点外的站点进行聚类,将参与聚类的多个站点划分为低密度类站点、中密度类站点以及高密度类站点;第三分类模块,用于从高密度类站点中确定第二类站点。
在上述方案的基础上,第一分类模块502包括:
待分类站点确定单元,用于将多个站点中除第一类站点和第二类站点外的站点作为待分类站点;分类单元,用于根据多个待分类站点所属的密度类站点以及兴趣点级差密度对多个待分类站点进行分类,确定多个待分类站点中的公共交通导向开发站点。
在上述方案的基础上,分类单元包括:
圆环兴趣点密度确定子单元,用于针对每个待分类站点,确定待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到待分类站点对应的圆环兴趣点密度向量;聚类结果确定子单元,用于针对每个密度类站点中的多个待分类站点,对多个待分类站点对应的圆环兴趣点密度向量进行聚类,得到密度类站点对应的聚类结果;变化曲线确定子单元,用于确定聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线;分类子单元,用于根据多条圆环兴趣点密度变化曲线对密度类站点中的多个待分类站点进行分类。
在上述方案的基础上,多个同心圆环区域中相邻的同心圆环区域之间无间隔,圆环兴趣点密度确定子单元,用于:
根据以下公式计算圆环兴趣点密度:;其中,AP为第P个同心圆环区域的圆环兴趣点密度,MP为所述第P个同心圆环区域内的兴趣点数量,P为所述站点对应的同心圆环区域的总数量,L为所述第P个同心圆环区域的外半径与内半径的差值。
在上述方案的基础上,变化曲线确定子单元,用于:
根据以下公式计算一聚类簇中不同待分类站点对应的同一同心圆环区域的圆环兴趣点密度的均值:;其中,/>为聚类簇q的第p个同心圆环区域的兴趣点密度的均值,AP为聚类簇q中一待分类站点的第P个同心圆环区域的兴趣点密度,Nq为聚类簇q中待分类站点的数量;针对每个聚类簇,根据不同同心圆环区域的兴趣点密度的均值,绘制圆环兴趣点密度变化曲线。
在上述方案的基础上,第一分类模块502还包括公共交通导向开发站点确定单元,用于:
确定多个待分类站点中的以下至少一类站点:第三类站点、低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点;低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点均属于公共交通导向开发站点;其中,第三类站点属于低密度类站点且第三类站点的兴趣点级差密度不对应预设级差情况;低潜力型站点属于低密度类站点且低潜力型站点的兴趣点级差密度对应预设级差情况;中潜力型站点属于中密度类站点且中潜力型站点的兴趣点级差密度不对应预设级差情况;高潜力型站点属于中密度类站点且高潜力型站点的兴趣点级差密度对应预设级差情况;紧凑型站点属于高密度类站点且紧凑型站点的兴趣点级差密度不对应预设级差情况;成熟型站点属于高密度类站点且成熟型站点的兴趣点级差密度对应预设级差情况。
在上述方案的基础上,第二分类模块,用于:
针对每个站点,在站点的站域内范围中一类建筑的占地面积与站域内范围的比值大于预设比值的情况下,确定站点属于第一类站点。
在上述方案的基础上,聚类模块,用于:
根据以下公式计算每个参与聚类的站点的站域内兴趣点密度:;其中,Di表示站点i的站域内兴趣点密度,Ni表示站点i的站域内兴趣点数量,i大于或等于1且小于或等于I,I为多个站点中除第一类站点外的站点的数量,站点i的站域内范围为以站点i的位置为圆心,以r为半径的圆形区域;在k-means聚类算法中,根据以下公式计算兴趣点密度的误差平方和,根据误差平方以及手肘法确定聚类结果:/>;其中,SSE为误差平方和,Cb代表第b个聚类簇,Dg是聚类簇Cb中的第g个站点的站域内兴趣点密度,mb是所述聚类簇Cb的中心点兴趣点密度,g大于或等于1且小于或等于G,G为所述聚类簇Cb中站点的数量;将聚类结果中的兴趣点密度最高的聚类簇中的站点划分为高密度类站点,将聚类结果中的兴趣点密度最低的聚类簇中的站点划分为低密度类站点,将聚类结果中除兴趣点密度最高的聚类簇和兴趣点密度最低的聚类簇外的聚类簇中的站点划分为中密度类站点。
在上述方案的基础上,第三分类模块,用于:
针对高密度类站点中的每个站点,确定站点的站域内兴趣点密度和站域外兴趣点密度,其中,站域外兴趣点密度的公式为:;dj表示站点j的站域外兴趣点密度,nj表示站点j的站域外兴趣点数量,j大于或等于1且小于或等于J,J为高密度类站点中站点的数量,站点j的站域内范围为以站点j的位置为圆心,以r为半径的圆形区域,站点j的站域外范围为以站点j的位置为圆心,以R为半径的圆形区域中除站域内范围的圆环区域;在站域内兴趣点密度小于站域外兴趣点密度的情况下,确定站点属于第二类站点。
本申请实施例提供的站点的分类装置可执行本申请任意实施例提供的站点的分类方法,具备执行站点的分类方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的站点的分类方法。
下面参考图14,其示出了适于用来实现本申请实施例的电子设备(例如终端设备)600的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理、平板电脑、便携式多媒体播放器、车载终端(例如车载导航终端)等等的移动终端以及诸如数字电视、台式计算机等等的固定终端。图14示出的电子设备600仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器602中的程序或者从存储装置606加载到随机访问存储器603中的程序而执行多种适当的动作和处理。在随机访问存储器603中,还存储有电子设备600操作所需的多种程序和数据。处理装置601、只读存储器602以及随机访问存储器603通过总线604彼此相连。输入/输出接口605也连接至总线604。
通常,以下装置可以连接至输入/输出接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图14示出了具有多种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从只读存储器 602被安装。在该计算机程序被处理装置601执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器、光纤、便携式紧凑磁盘只读存储器、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、射频等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如超文本传输协议之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网,广域网,网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:确定多个站点,其中,多个站点属于同一目标区域且站点为轨道交通站点;根据多个站点的兴趣点级差密度对多个站点进行分类,确定多个站点中的公共交通导向开发站点,其中,兴趣点级差密度用于指示以站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,多个同心圆环区域的外半径与内半径的差值均相同。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网或广域网—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请多种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列、专用集成电路、专用标准产品、片上系统、复杂可编程逻辑设备等等。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、光纤、便捷式紧凑盘只读存储器、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种站点的分类方法,其特征在于,包括:
确定多个站点,其中,所述多个站点属于同一目标区域且所述站点为轨道交通站点;
根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点,其中,所述兴趣点级差密度用于指示以所述站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,所述多个同心圆环区域的外半径与内半径的差值均相同。
2.根据权利要求1所述的站点的分类方法,其特征在于,在所述根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点之前,还包括:
确定所述多个站点中的第一类站点;
对所述多个站点中除所述第一类站点外的站点进行聚类,将参与聚类的多个站点划分为低密度类站点、中密度类站点以及高密度类站点;
从所述高密度类站点中确定第二类站点。
3.根据权利要求2所述的站点的分类方法,其特征在于,所述根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点,包括:
将所述多个站点中除所述第一类站点和所述第二类站点外的站点作为待分类站点;
根据多个待分类站点所属的密度类站点以及兴趣点级差密度对所述多个待分类站点进行分类,确定所述多个待分类站点中的公共交通导向开发站点。
4.根据权利要求3所述的站点的分类方法,其特征在于,所述根据多个待分类站点所属的密度类站点以及兴趣点级差密度对所述多个待分类站点进行分类,包括:
针对每个待分类站点,确定所述待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到所述待分类站点对应的圆环兴趣点密度向量;
针对每个密度类站点中的多个待分类站点,对所述多个待分类站点对应的圆环兴趣点密度向量进行聚类,得到所述密度类站点对应的聚类结果;
确定所述聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线;
根据所述多条圆环兴趣点密度变化曲线对所述密度类站点中的多个待分类站点进行分类。
5.根据权利要求4所述的站点的分类方法,其特征在于,所述多个同心圆环区域中相邻的同心圆环区域之间无间隔,所述确定所述待分类站点对应的每个同心圆环区域的圆环兴趣点密度,得到所述待分类站点对应的圆环兴趣点密度向量,包括:
根据以下公式计算所述圆环兴趣点密度:
;
其中,AP为第P个同心圆环区域的圆环兴趣点密度,MP为所述第P个同心圆环区域内的兴趣点数量,P为所述站点对应的同心圆环区域的总数量,L为所述第P个同心圆环区域的外半径与内半径的差值。
6.根据权利要求4所述的站点的分类方法,其特征在于,所述确定所述聚类结果中多个聚类簇分别对应的多条圆环兴趣点密度变化曲线,包括:
根据以下公式计算一聚类簇中不同待分类站点对应的同一同心圆环区域的圆环兴趣点密度的均值:
;
其中,为聚类簇q的第p个同心圆环区域的兴趣点密度的均值,AP为所述聚类簇q中一待分类站点的第P个同心圆环区域的兴趣点密度,Nq为所述聚类簇q中待分类站点的数量;
针对每个聚类簇,根据不同同心圆环区域的兴趣点密度的均值,绘制圆环兴趣点密度变化曲线。
7.根据权利要求3-6中任一项所述的站点的分类方法,其特征在于,所述确定所述多个待分类站点中的公共交通导向开发站点,包括:
确定所述多个待分类站点中的以下至少一类站点:第三类站点、低潜力型站点、中潜力型站点、高潜力型站点、紧凑型站点、成熟型站点;所述低潜力型站点、所述中潜力型站点、所述高潜力型站点、所述紧凑型站点、所述成熟型站点均属于所述公共交通导向开发站点;
其中,所述第三类站点属于所述低密度类站点且所述第三类站点的兴趣点级差密度不对应预设级差情况;
所述低潜力型站点属于所述低密度类站点且所述低潜力型站点的兴趣点级差密度对应预设级差情况;
所述中潜力型站点属于所述中密度类站点且所述中潜力型站点的兴趣点级差密度不对应预设级差情况;
所述高潜力型站点属于所述中密度类站点且所述高潜力型站点的兴趣点级差密度对应预设级差情况;
所述紧凑型站点属于所述高密度类站点且所述紧凑型站点的兴趣点级差密度不对应预设级差情况;
所述成熟型站点属于所述高密度类站点且所述成熟型站点的兴趣点级差密度对应预设级差情况。
8.根据权利要求2所述的站点的分类方法,其特征在于,所述确定所述多个站点中的第一类站点,包括:
针对每个站点,在所述站点的站域内范围中一类建筑的占地面积与所述站域内范围的比值大于预设比值的情况下,确定所述站点属于所述第一类站点。
9.根据权利要求2所述的站点的分类方法,其特征在于,所述对所述多个站点中除所述第一类站点外的站点进行聚类,将参与聚类的多个站点划分为低密度类站点、中密度类站点以及高密度类站点,包括:
根据以下公式计算每个参与聚类的站点的站域内兴趣点密度:
;
其中,Di表示站点i的站域内兴趣点密度,Ni表示所述站点i的站域内兴趣点数量,i大于或等于1且小于或等于I,I为所述多个站点中除所述第一类站点外的站点的数量,所述站点i的站域内范围为以所述站点i的位置为圆心,以r为半径的圆形区域;
在k-means聚类算法中,根据以下公式计算兴趣点密度的误差平方和,根据所述误差平方以及手肘法确定聚类结果:
;
其中,SSE为误差平方和,Cb代表第b个聚类簇,Dg是聚类簇Cb中的第g个站点的站域内兴趣点密度,mb是所述聚类簇Cb的中心点兴趣点密度,g大于或等于1且小于或等于G,G为所述聚类簇Cb中站点的数量;
将所述聚类结果中的兴趣点密度最高的聚类簇中的站点划分为所述高密度类站点,将所述聚类结果中的兴趣点密度最低的聚类簇中的站点划分为所述低密度类站点,将所述聚类结果中除所述兴趣点密度最高的聚类簇和所述兴趣点密度最低的聚类簇外的聚类簇中的站点划分为所述中密度类站点。
10.根据权利要求2或9所述的站点的分类方法,其特征在于,所述从所述高密度类站点中确定第二类站点,包括:
针对所述高密度类站点中的每个站点,确定所述站点的站域内兴趣点密度和站域外兴趣点密度,其中,所述站域外兴趣点密度的公式为:
;
dj表示站点j的站域外兴趣点密度,nj表示所述站点j的站域外兴趣点数量,j大于或等于1且小于或等于J,J为所述高密度类站点中站点的数量,所述站点j的站域内范围为以所述站点j的位置为圆心,以r为半径的圆形区域,所述站点j的站域外范围为以所述站点j的位置为圆心,以R为半径的圆形区域中除所述站域内范围的圆环区域;
在所述站域内兴趣点密度小于所述站域外兴趣点密度的情况下,确定所述站点属于所述第二类站点。
11.一种站点的分类装置,其特征在于,包括:
站点确定模块,用于确定多个站点,其中,所述多个站点属于同一目标区域且所述站点为轨道交通站点;
第一分类模块,用于根据所述多个站点的兴趣点级差密度对所述多个站点进行分类,确定所述多个站点中的公共交通导向开发站点,其中,所述兴趣点级差密度用于指示以所述站点的位置为圆心的多个同心圆环区域分别对应的多级兴趣点密度,所述多个同心圆环区域的外半径与内半径的差值均相同。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的站点的分类方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的站点的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054665.6A CN116776207B (zh) | 2023-08-22 | 2023-08-22 | 站点的分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054665.6A CN116776207B (zh) | 2023-08-22 | 2023-08-22 | 站点的分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776207A true CN116776207A (zh) | 2023-09-19 |
CN116776207B CN116776207B (zh) | 2023-11-03 |
Family
ID=87991626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054665.6A Active CN116776207B (zh) | 2023-08-22 | 2023-08-22 | 站点的分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776207B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
US20190242720A1 (en) * | 2018-02-07 | 2019-08-08 | Topos Inc. | Systems and methods for constructing spatial activity zones |
CN110399402A (zh) * | 2019-07-12 | 2019-11-01 | 天津市市政工程设计研究院 | 一种基于大数据的轨道交通站点分类方法 |
-
2023
- 2023-08-22 CN CN202311054665.6A patent/CN116776207B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
US20190242720A1 (en) * | 2018-02-07 | 2019-08-08 | Topos Inc. | Systems and methods for constructing spatial activity zones |
CN110399402A (zh) * | 2019-07-12 | 2019-11-01 | 天津市市政工程设计研究院 | 一种基于大数据的轨道交通站点分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116776207B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | The effects of built environment spatial variation on bike-sharing usage: A case study of Suzhou, China | |
CN106503714B (zh) | 一种基于兴趣点数据识别城市功能区的方法 | |
Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
CN109359162B (zh) | 一种基于gis的学校选址方法 | |
CN109155104A (zh) | 推荐估计到达时间的系统和方法 | |
CN111581315B (zh) | 一种公共服务设施可达性计算方法及装置 | |
JP2018503196A (ja) | オン・デマンドサービスの情報を提供するシステム及び方法 | |
CN110659433B (zh) | Poi价值评估的方法、装置、设备和计算机存储介质 | |
Shi | Research on accessibility and equity of urban transport based on multisource big data | |
CN112069635B (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
CN111311193B (zh) | 公共服务资源的配置方法和装置 | |
CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
Bandt et al. | Building a spatial decision support system for tourism and infrastructure planning: Τechnical solution and data integration challenges | |
CN108038143A (zh) | 一种房屋信息获取方法、装置、设备及存储介质 | |
CN113573238B (zh) | 一种基于手机信令的联程旅客出行链识别方法 | |
Sumari et al. | Geospatial distribution and accessibility of primary and secondary schools: a case of Abbottabad City, Pakistan | |
Chang et al. | Analysis of urban visitor walkability based on mobile data: The case of Daejeon, Korea | |
CN116776207B (zh) | 站点的分类方法、装置、设备及存储介质 | |
Kmetec et al. | Electric vehicle charging stations coverage: a study of Slovenia | |
Singh et al. | Analytical review of map matching algorithms: analyzing the performance and efficiency using road dataset of the indian subcontinent | |
CN115988509B (zh) | 一种通信网络规划方法、系统、终端及存储介质 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
CN113761397B (zh) | 一种定制客运路线的推荐方法、系统、设备及存储介质 | |
Kleisarchaki et al. | Optimization of Soft Mobility Localization with Sustainable Policies and Open Data | |
Zheng et al. | Discovering urban functional regions with call detail records and points of interest: A case study of Guangzhou city |
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 |