CN110502567B - 一种面向主题的城市轨道交通站点层次poi提取方法 - Google Patents
一种面向主题的城市轨道交通站点层次poi提取方法 Download PDFInfo
- Publication number
- CN110502567B CN110502567B CN201910681682.XA CN201910681682A CN110502567B CN 110502567 B CN110502567 B CN 110502567B CN 201910681682 A CN201910681682 A CN 201910681682A CN 110502567 B CN110502567 B CN 110502567B
- Authority
- CN
- China
- Prior art keywords
- poi
- coverage area
- site
- rail transit
- urban rail
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向主题的城市轨道交通站点层次POI提取的方法。POI主要指一些如学校、银行等与日常生活息息相关的实体,可以很好的描述城市活动与城市土地的使用,为了了解站点周边的土地利用情况与客流情况,首先需要确定城市轨道交通站点覆盖区域内的POI集合;然后,根据指定的主题词和站点覆盖区域内的POI集合提取站点内相关主题的POI集合;最后,基于skyline思想根据站点内相关主题的POI集合提取站点的层次POI。
Description
技术领域
本发明属于数据挖掘领域,涉及一种面向主题的城市轨道交通站点层次POI(point of interest)提取的方法。根据站点周边的用地特征对站点的特征进行挖掘,可为城市交通管理和规范部门提出指导性意见以及轨道交通运营组织方案的制定和城市土地利用的规划提供依据。
背景技术
随着我国城市化的快速发展,大城市普遍面临交通堵塞、土地使用效率不高、环境恶化等突出问题,城市土地优化配置与城市公共交通相互研究越来越受到重视。城市轨道交通凭借其速度快、污染小、安全准时等优势,使得城市轨道交通规划已经成为各大城市综合交通规划的重要内容,也逐步成为更多大中城市公共交通发展的主要方向。城市土地利用是指城市功能范畴如居民区、工业、商业区、城市绿地等的空间分布。城市轨道交通与土地利用互为因果关系,交通设施的建设拉动沿线土地利用,相反土地利用变化带来人们出行活动的变化,从而诱发交通的生成,促进交通设施的建设。
现阶段在轨道交通与土地利用之间的关系方面的研究中,土地利用对轨道交通客流量的影响占据很高比例。Pan等人利用地铁客运量的集成电路(IC)卡数据和上海城市人***动空间分布的蜂窝信号数据,研究基于TOD(Transit Oriented Development)的轨道交通车站对车站日客运量的影响。研究得出以下结论:(1)客运量与车站附近的就业密度和居民通勤距离呈正相关。(2)开通时间较早且作为换乘节点的车站与客运量呈正相关关系。(3)与周边商业发展较好的地铁站往往客运量较。Li等人通过多元数据和现场调查,分析了北京市大兴区土地利用与地铁车站客流的相关性。1000m范围内的土地利用与地铁站客流特征有很大的相关性。车站周围200米范围内的土地使用对客流量的影响最大。交通站对客流影响很大,很容易提高车站客流的住宅偏差。
现阶段的城市轨道交通方面的研究主要是基于AFC数据的客流量预测,如王静等以北京市轨道交通***IC卡数据为基础,从客流量的空间、时间分布等角度分析轨道交通网络化运营客流特征;刘剑锋等通过分析车站客流的波动性,发现北京轨道交通***在不同时间维度和区域范围均呈现出明显的不均衡特征。很少有研究关注利用空间数据进行城市轨道交通与土地利用。
然而,人们日常乘坐城市轨道交通很大原因是访问站点周围的环境,空间数据对站点特征有很大的影响。因此,本发明基于空间数据对站点的特征进行提取,这其中涉及到空间数据的检索。Skyline查询是一种典型的多目标优化问题,可以很好的用于空间数据检索中。因此本发明将基于skyline思想对空间数据进行检索,进而对站点进行分析。下面对skyline查询中涉及的一些基本概念进行简单介绍。
(1)支配:点A支配点B,当且仅当A在任何轴的坐标值都小于等于B对应的轴的坐标值,并且不能全部等于。
(2)skyline point:给定集合P={p1,p2,...,pn},skyline point是P的子集且任何属于skyline point的点pi都不被集合P中的其他点支配。
发明内容
本发明的目的在于提供一种面向主题的城市轨道交通站点层次POI提取的方法。POI主要指一些如学校、银行等与日常生活息息相关的实体,可以很好的描述城市活动与城市土地的使用,为了了解站点周边的土地利用情况与客流情况,首先需要确定城市轨道交通站点覆盖区域内的POI集合;然后,根据指定的主题词和站点覆盖区域内的POI集合提取站点内相关主题的POI集合;最后,基于skyline思想根据站点内相关主题的POI集合提取站点的层次POI。
为实现上述目的,本发明采用的技术方案为一种面向主题的城市轨道交通站点层次POI抽取方法,在介绍该方法的具体实现之前,为了更好的理解本发明提出的方法,首先介绍本发明中涉及到的两个定义。
给定一个城市的轨道交通站点集合Stations={s1,s2,...,si,...,sn},该城市的POI集合POIs={p1,p2,...,pj,...,pm},其中m是远大于n的。
定义1:城市轨道交通站点覆盖区域:站点的覆盖区域是指包含城市轨道交通站点的区域,并且该区域内所有点到该站点的距离均小于其他任何站点的距离。基于以上定义,城市轨道交通站点(si)的覆盖区域可以表示成Cov(si)={(lng1 i,lat1 i),(lng2 i,lat2 i),...,(lngt i,latt i),...},其中(lngt i,latt i)是覆盖区域第t个边界点。所有的边界点构成了该封闭的覆盖区域。城市轨道交通站(si)覆盖区域内的POI集合可表示成Pi={p1 i,p2 i,...,pk i,...},其中pk i∈POIs。
定义2:城市轨道交通站点层次POI:城市轨道交通站点的层次POI是指基于用户对POI的兴趣程度从城市轨道交通站点的覆盖区域提取的层次POI。城市轨道交通站(si)的层次POI可以表示成Hi={h1 i,h2 i,...,hl i,...},其中hl i表示城市轨道交通站点(si)的第l层POI集合,并且hl i={p1,p2,...,pj,...},其中
确定城市轨道交通站点覆盖区域内的POI集合(Pi)的过程包括以下步骤:
步骤一:确定城市轨道交通站点的覆盖区域。站点的覆盖区域是指包含城市轨道交通站点的区域,并且该区域内所有点到该站点的距离均小于其他任何站点的距离(见定义1)。乘坐城市轨道交通的主要目的是访问站点周边的场所,如商场、公司、家等。因此在出行时,选择乘坐的站点一定是距离想访问的场所最近的。Voronoi图是根据目标的最邻近原则对空间目标所在的整个空间的一种剖分,其具有如下特征:
(1)每个多边形(区域)仅包含一个离散目标点;
(2)从多边形中的点到相应的离散目标点的距离最短;
(3)从多边形边缘上的点到边缘两侧的离散目标点的距离是相等的。
所以,本发明采用Voronoi图确定城市轨道交通站点覆盖区域。整个空间是整个城市覆盖区域,使用Voronoi图将整个空间划分为城市轨道交通站点的覆盖区域,我们可以得到城市中每个城市轨道交通站点的覆盖区域。
步骤二:已经得到了各个站点的覆盖区域,接下来,对于站点si,我们需要确定覆盖区域内的POI集合(Pi)。在本发明中,下面的方法被用来判断一个POI点(pj)是否在站点覆盖区域内。首先过pj沿任意方向做射线,然后计算该射线与站点覆盖区域的交点的个数。如果该点与区域有奇数个交点,则该点在覆盖区域内;如果该点与覆盖区域有偶数个交点,则该点在区域外。
已经得到站点si覆盖区域内的POI集合(Pi),根据主题词(topic)和站点覆盖区域的POI集合(Pi)提取站点覆盖区域内相关主题的POI集合(Pi_topic)包括以下步骤:
步骤一:根据主题词和站点覆盖区域的POI集合提取站点覆盖区域内相关主题的POI集合。为了获取站点覆盖区域内相关主题的POI集合,可以对城市轨道交通站点覆盖区域内的POI集合中的POI点与查询的主题进行相似度计算,然后将相似度高的POI抽取出来。由于POI本身存在语义信息,可以使用jaccard相似系数来度量POI点与查询主题的相似度。通过jaccard相似性方程计算Pi中的一个POI点(pk i)和主题词之间的相似度,描述如下。
已经得到站点覆盖区域内相关主题的POI集合(Pi_topic),根据站点覆盖区域内相关主题的POI集合提取站点层次POI(Hi)包括以下步骤:
步骤一:根据站点覆盖区域内相关主题的POI集合,获取skyline point集合。当乘客访问城市轨道交通站点周围的POI的时候,他们可能基于多种决策考虑,例如POI实体与城市轨道交通站点之间的距离、POI实体的评分等。为了对POI按照用户感兴趣的程度进行分层,需要综合考虑这些决策。Skyline查询是一个典型的多决策优化的问题。使用skyline查询,可以查询到在多决策的条件下优于其它点的POI。故本文基于skyline思想对城市轨道交通站点覆盖区域内的POI按照层次进行抽取。这样可以在多决策的条件下,将用户同等感兴趣的POI分配到同一层中。
步骤二:站点层次POI抽取。将步骤一得到的skyline point集合作为层次POI的第一层(hl i),然后从Pi_topic中将这些skyline point删除。再从剩下的Pi_topic中继续使用步骤一的方法抽取skyline point作为层次POI的第二层(h2 i)。如此直至Pi_topic为空。
与现有的研究相比较,现阶段的城市轨道交通方面的研究主要是基于AFC数据的客流量预测,很少研究关注利用空间数据对城市轨道交通与土地利用进行研究。而本发明使用的正是空间数据,更加关注站点邻近区域土地利用情况。
附图说明
图1为Voronoi划分站点示意图。
图2为层次POI抽取流程图。
具体实施方式
为了使发明的目的、技术方案和特点更加清楚明白,以下结合具体实施例子,并参照附图,对本发明进行进一步的细化说明。本发明以北京市的所有城市轨道交通站点和所有POI集合为例,具体实施方式如下:
首先,确定城市轨道交通站点覆盖区域内的POI集合。
步骤一:首先将北京市行政区看作整个空间,根据城市轨道交通站点的空间信息,使用Voronoi图将整个空间划分为各个城市轨道交通站点的覆盖区域。所得的Voronoi图如图1所示。其中较小的点代表城市轨道交通站点,每个城市轨道交通站点(较小的点)所位于的多边形即为该站点的覆盖区域,构成该多边形的几个较大的点即为边界点。
步骤二:已经得到了各个站点的覆盖区域,接下来,对于每个站点,我们需要确定覆盖区域内的POI集合。
在Algorithm1中描述了确定城市轨道交通站点覆盖区域内的POI集合的整个过程。
然后,根据指定的主题词和站点覆盖区域内的POI集合提取站点内相关主题的POI集合。
步骤一:计算覆盖区域内POI集合中的POI点(pk i)和主题词(topic)的相似度。
对于站点si,假设根据前面的步骤得到该站点的POI集合Pi={北京体育大学,大学生公寓,圆明园遗址公园,北京市海淀区上地实验小学}。现令topic=“大学”,根据公式1计算得到,Pi中的每个POI与主题词的相似度如表1所示。
表1站点si覆盖区域内POI与topic=“大学”的相似度
假设指定相似度大于0的POI点为相关主题的POI,则该站点的相关主题POI集合Pi_topic={北京体育大学,大学生公寓,北京市海淀区上地实验小学}。
根据前面得到的相关主题的POI集合(Pi_topic)。如果直接使用区域内的所有POI衡量站点的特征,这个结果就会变得毫无意义,这并不是本发明所期望的。所以将按层提取POI,每层提取出k个有代表性的POI。利用skyline思想提取层次POI具体实施步骤如下:
根据站点覆盖区域内相关主题的POI集合(Pi_topic)提取站点层次POI(Hi)。该步骤的流程图如图2所示。对于城市轨道交通站点si,假设根据前面步骤得到该站点覆盖区域内相关主题POI集合Pi_topic={a,b,c,d,e,f,g,h,i,k,l,m}。首先,从Pi_topic里面选出skyline point集合hl i={a,h,i},作为层次POI的第一层。然后,将hl i中的POI从Pi_topic中删除,此时Pi_topic={b,c,d,e,f,g,k,l,m},再从Pi_topic中选出skyline point集合h2 i={b,g,l},作为层次POI的第二层。然后,将h2 i中的POI从Pi_topic中删除,此时Pi_topic={c,d,e,f,k,m},再从Pi_topic中选出skyline point集合h3 i={c,e,f,m},作为层次POI的第三层。最后,将h3 i中的POI从Pi_topic中删除,此时Pi_topic={d,g},再从Pi_topic中选出skyline point集合h4 i={d,g},作为层次POI的第四层。现在Pi_topic为空,停止遍历。该站点的层次POI(Hi)为{hl i,h2 i,h3 i,h4 i}。层次POI抽取结果如表2所示。
表2层次POI抽取结果
层数 | 该层POI集合 |
第一层 | a,h,i |
第二层 | b,g,l |
第三层 | c,e,f,m |
第四层 | d,g |
在Algorithm2中描述了基于skyline思想抽取层次POI的整个过程。
Claims (1)
1.一种面向主题的城市轨道交通站点层次POI提取的方法,其特征在于,
确定城市轨道交通站点覆盖区域内的POI集合Pi的过程包括以下步骤:
步骤一:确定城市轨道交通站点的覆盖区域;站点的覆盖区域是指包含城市轨道交通站点的区域,并且该区域内所有点到该站点的距离均小于其他任何站点的距离;乘坐城市轨道交通的主要目的是访问站点周边的商场、公司、家场所;因此在出行时,选择乘坐的站点一定是距离想访问的场所最近的;Voronoi图是根据目标的最邻近原则对空间目标所在的整个空间的一种剖分,其具有如下特征:
(1)每个多边形区域仅包含一个离散目标点;
(2)从多边形中的点到相应的离散目标点的距离最短;
(3)从多边形边缘上的点到边缘两侧的离散目标点的距离是相等的;
采用Voronoi图确定城市轨道交通站点覆盖区域;整个空间是整个城市覆盖区域,使用Voronoi图将整个空间划分为城市轨道交通站点的覆盖区域,得到城市中每个城市轨道交通站点的覆盖区域;
步骤二:已经得到了各个站点的覆盖区域,接下来,对于站点si,需要确定覆盖区域内的POI集合Pi;下面被用来判断一个POI点pj是否在站点覆盖区域内;首先过pj沿任意方向做射线,然后计算该射线与站点覆盖区域的交点的个数;如果该点与区域有奇数个交点,则该点在覆盖区域内;如果该点与覆盖区域有偶数个交点,则该点在区域外;
已经得到站点si覆盖区域内的POI集合Pi,根据主题词topic和站点覆盖区域的POI集合Pi提取站点覆盖区域内相关主题的POI集合Pi_topic包括以下步骤:
步骤一:根据主题词和站点覆盖区域的POI集合提取站点覆盖区域内相关主题的POI集合;为了获取站点覆盖区域内相关主题的POI集合,对城市轨道交通站点覆盖区域内的POI集合中的POI点与查询的主题进行相似度计算,然后将相似度高的POI抽取出来;由于POI本身存在语义信息,使用jaccard相似系数来度量POI点与查询主题的相似度;通过jaccard相似性方程计算Pi中的一个POI点pk i和主题词之间的相似度,描述如下;
已经得到站点覆盖区域内相关主题的POI集合Pi_topic,根据站点覆盖区域内相关主题的POI集合提取站点层次POI中Hi包括以下步骤:
步骤一:根据站点覆盖区域内相关主题的POI集合,获取skyline point集合;当乘客访问城市轨道交通站点周围的POI的时候,考虑POI实体与城市轨道交通站点之间的距离、POI实体的评分;为了对POI按照用户感兴趣的程度进行分层,需要综合考虑这些决策;使用skyline查询,查询到在多决策的条件下优于其它点的POI;基于skyline思想对城市轨道交通站点覆盖区域内的POI按照层次进行抽取;这样在多决策的条件下,将用户同等感兴趣的POI分配到同一层中;
步骤二:站点层次POI抽取;将步骤一得到的skyline point集合作为层次POI的第一层hl i,然后从Pi_topic中将这些skyline point删除;再从剩下的Pi_topic中继续使用步骤一的方法抽取skyline point作为层次POI的第二层h2 i;如此直至Pi_topic为空。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681682.XA CN110502567B (zh) | 2019-07-26 | 2019-07-26 | 一种面向主题的城市轨道交通站点层次poi提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681682.XA CN110502567B (zh) | 2019-07-26 | 2019-07-26 | 一种面向主题的城市轨道交通站点层次poi提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110502567A CN110502567A (zh) | 2019-11-26 |
CN110502567B true CN110502567B (zh) | 2021-03-16 |
Family
ID=68587272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910681682.XA Active CN110502567B (zh) | 2019-07-26 | 2019-07-26 | 一种面向主题的城市轨道交通站点层次poi提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110502567B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260758B (zh) * | 2019-12-31 | 2023-03-14 | 中国人民解放军战略支援部队信息工程大学 | 一种面状行政区域层次关系的构建方法及*** |
CN113128899B (zh) * | 2021-04-30 | 2023-03-24 | 中国城市规划设计研究院 | 一种基于移动位置数据的城市通勤特征解析*** |
CN113191158B (zh) * | 2021-05-21 | 2021-10-26 | 润联软件***(深圳)有限公司 | 基于Voronoi图的训练样本遮掩方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258043A (zh) * | 2013-05-23 | 2013-08-21 | 南京师范大学 | 基于道路网眼层次结构划分的poi简化并行计算方法 |
CN108022051A (zh) * | 2017-12-13 | 2018-05-11 | 吉林大学 | 一种基于信息融合的城市轨道交通调度决策方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8554463B2 (en) * | 2006-03-31 | 2013-10-08 | Volkswagen Ag | Navigation system for a motor vehicle |
-
2019
- 2019-07-26 CN CN201910681682.XA patent/CN110502567B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258043A (zh) * | 2013-05-23 | 2013-08-21 | 南京师范大学 | 基于道路网眼层次结构划分的poi简化并行计算方法 |
CN108022051A (zh) * | 2017-12-13 | 2018-05-11 | 吉林大学 | 一种基于信息融合的城市轨道交通调度决策方法 |
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 |
Non-Patent Citations (2)
Title |
---|
HiCaPS: hierarchical contextual POI sequence recommender;Ramesh Baral et al;《SIGSPATIAL "18: Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems》;20181130;第23-25页 * |
基于Skyline的铁路车站三维信息平台实现研究;袁昱纬;《办公自动化(综合版)》;20101231;第436-439页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110502567A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Spatial-temporal response patterns of tourist flow under impulse pre-trip information search: From online to arrival | |
Yu et al. | The analysis and delimitation of Central Business District using network kernel density estimation | |
Ding et al. | Detecting the urban traffic network structure dynamics through the growth and analysis of multi-layer networks | |
CN110502567B (zh) | 一种面向主题的城市轨道交通站点层次poi提取方法 | |
Liu et al. | Identifying spatial interaction patterns of vehicle movements on urban road networks by topic modelling | |
CN109493119A (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
Ding et al. | Accessibility measure of bus transit networks | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
Zhang et al. | Detecting colocation flow patterns in the geographical interaction data | |
Weldu et al. | Identification of potential sites for housing development using GIS based multi-criteria evaluation in Dire Dawa City, Ethiopia | |
Dadashpoor et al. | A methodology to assess the spatial configuration of urban systems in Iran from an interaction perspective | |
Jing et al. | A hierarchical spatial unit partitioning approach for fine‐grained urban functional region identification | |
Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
Wu et al. | A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data | |
Jang et al. | Do High-Density Cities Have Better Proximity?: Global Comparative Study on Urban Compactness Using Nighttime Light Data and POI BIG Data | |
Chen et al. | Efficiency Assessment of Transit-Oriented Development Focusing on the 500-m Core Catchment of Metro Stations Based on the Concept of a Metro Microcenter in Beijing | |
Liu | Dynamic analysis of multicenter spatial structure with big data in smart city | |
Yongdong et al. | Analysis of road travel behaviour based on big trajectory data | |
Zhu et al. | Rural road network planning based on 5g and traffic big data | |
Wen et al. | Research on urban road network evaluation based on fractal analysis | |
Cai et al. | Visual analysis of land use characteristics around urban rail transit stations | |
Zhou et al. | A Method for Analyzing Pick-Up/Drop-Off Distribution of Taxi Passengers' in Urban Areas Based on Dynamical Network View | |
Madhu et al. | Evaluation of optimal route selection for public transport network routes on urban roads using Fuzzy‐TOPSIS method | |
Kou | Research on the Spatial Agglomeration Characteristics and Influencing Factors of Express Delivery Station Based on DNN | |
Roy et al. | Optimization of high-speed railway station location selection based on accessibility and environmental impact |
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 |