CN110533038A - 一种基于信息数据的城市活力区和中心城区边界识别的方法 - Google Patents
一种基于信息数据的城市活力区和中心城区边界识别的方法 Download PDFInfo
- Publication number
- CN110533038A CN110533038A CN201910832594.5A CN201910832594A CN110533038A CN 110533038 A CN110533038 A CN 110533038A CN 201910832594 A CN201910832594 A CN 201910832594A CN 110533038 A CN110533038 A CN 110533038A
- Authority
- CN
- China
- Prior art keywords
- density
- region
- area
- city
- formula
- 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 52
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000011664 signaling Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 16
- 230000035800 maturation Effects 0.000 abstract description 4
- 230000018109 developmental process Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000003068 static effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000721047 Danaus plexippus Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241001601725 Sthenias Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
- H04W8/183—Processing at user equipment or user record carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的城市活力区和中心城区边界识别的方法,该方法基于信息数据,采取动静结合的四大指标进行综合分析,并基于核密度法识别城市活力区和中心城区边界,并以广州为示例证实了该方法的实用性,识别出广州中央活力区和中心城区成熟边界分别为93平方公里和600平方公里,与国际一流城市基本相当,从而为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。
Description
技术领域
本发明属于城市空间识别研究技术领域,具体涉及一种基于信息数据的城市活力区和中心城区边界识别的方法。
背景技术
城市空间结构是城市要素在空间范围内的分布和组合状态,是城市经济结构、社会结构的空间投影,是城市社会经济存在和发展的空间形式。城市交通发展及管理需结合地域差异性实施不同政策,城市活力区和中心城区边界的识别有助于差异化政策地域控制精准性,如活力区内实施更严格的停车管理和交通需求管理政策,而在活力区外实施更灵活的交通基础设施建设。
周春山,叶昌东将国内空间结构研究分为三阶段:西方理论引入期及国内实证研究起步期、国内实证研究的积累期、以及目前正步入的对中国城市空间结构模式的总结及新城市空间现象研究的多元化时期。王建伟,吴永平,刘昕对都市空间界定的四要素(空间要素、时间要素、流量要素和引力要素)进行了具体量化分析,用经济势能及交通权数来确定都市圈的空间范围,通过对四个要素的综合,确定了都市圈圈域半径和圈层结构的界定方法,并以成都都市圈为例做了实证分析,得出了成都都市圈的圈域半径和圈层结构。郭爱君,冯琦媛对兰州都市圈空间界定时,将经济距离、各周边城市的生活质量引入场强和引力模型的计算中,使界定方法更具借鉴性。刘鹏程,陈超,孔斌等以百度兴趣点POI数据为基础数据,提出一种基于大数据技术的城市空间结构的识别方法。段亚明,刘勇,刘秀华等以重庆主城区40余万条POI数据为基础,利用核密度分析、自然断点法和邻近分析等方法,根据整体及不同类型POI数据的空间分布特征与聚集程度,识别城市总体及不同职能的多中心结构及其影响范围。明英男以辽宁省盘锦市为例,使用POI数据,结合核密度分析法分析城市中各类设施分布的空间规律,并识别城市的空间布局。陈映雪以上海主城区为例,借助百度地图的海量时空数据,着眼于服务可及性和要素建成情况,引入可达性格局分析、等时圈分析和基于POI分类的统计分析,从服务范围、服务时效和服务能力3个维度定量考察多中心空间发展特征,探索了多中心城市空间发展评估的新方法。
从以上现有技术可以看出,国内关于城市空间识别研究采取指标较为单一,部分采取多指标识别研究也仅注重静态指标,缺乏动态指标的体现。单一指标缺陷是只能反映某一方面特征而忽视其他方面因素,然而城市空间结构形成是多种因素的综合作用,单一指标并不能完全真实的反映城市空间形态;全部采用静态指标不能体现城市流动性对空间形态的影响。
发明内容
针对现有城市活力区和中心城区边界识别研究中存在的指标选取单一、缺乏动态指标等方面存在的不足,本发明的目的在于提供一种基于信息数据的城市活力区和中心城区边界识别的方法,该方法基于信息数据,采取动静结合的四大指标进行综合分析,并基于核密度法识别城市活力区和中心城区边界,并以广州为示例证实了该方法的实用性,识别出广州中央活力区和中心城区成熟边界分别为93平方公里和600平方公里,与国际一流城市基本相当,从而为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。
本发明的技术方案如下:一种基于信息数据的城市活力区和中心城区边界识别的方法,步骤如下:
第一步,基于长周期的手机信令数据、位置数据识别所述城市的职住点分布,聚类到所述城市的交通小区,按下式(1)计算人口综合密度:
式中,pei为区域i的人口综合密度,empi为区域i就业岗位数,popi为区域i居住人口数,areai为区域i面积,α为人口调整系数,用来反映活跃人口的影响,α可用所述城市的从业人员与常住人口数的比值标定;
第二步,获取POI兴趣点,利用所述POI兴趣点的数量计算POI兴趣点密度,计算公式如下式(2):
式中,poii为区域i的POI兴趣点密度,poiij为区域i的j类兴趣点的数量,areai为区域i面积;
第三步,利用位置数据获取所述城市的交通分区内的小汽车、常规公交、轨道实际耗时矩阵,按下式(3)计算城市中心的可达性:
ti=min(tcari,tbusi,tmetroi) (3)
式中,ti为区域i到达城市中心的最小出行时间,tcari为区域i采用小汽车方式到达城市中心的出行时间,tbusi为区域i采用常规公交方式到达城市中心的出行时间,tmetroi为区域i采用地铁方式到达城市中心的出行时间;
第四步,利用手机信令数据获取商务休闲活动驻点,利用位置数据确定手机营业商的份额占比,扩样后按下式(4)计算商务休闲活动驻点密度:
式中,di为区域i的商务休闲活动驻点密度,dij为区域i的j类驻点的数量,areai为区域i面积;
第五步,将所述人口综合密度、POI兴趣点密度、与城市中心的可达性、商务休闲活动驻点密度这四大指标的各分区值按从小到大排序后取80%分位值为该指标阈值,归一化处理后并按权重系数加权后得到各交通小区的综合指标,具体计算公式如下式(5)、式(6)所示:
式中;为交通分区i指标j的归一化值,Aij为交通分区i指标j的计算值,θj为指标j的阈值,λi为交通分区i的综合指标,βj为指标j的权重系数。
第六步,根据每个交通分区内的所述综合指标的核密度值估计其周围密度,并通过对不同搜索半径下的核密度分析结果进行比较,从而选取适合的最优搜索半径;其中,核密度函数计算公式如下式(7)所示:
式中,f(x)为x处的核密度估计值,r为搜索半径,n为样本总数,dix为分区i与x的距离,为距离的权重。
优选地,所述POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所。
优选地,第五步中,采用专家打分法确定权重系数,通过对20位城市规划领域相关专家调查,所述四大指标的最终权重分别为0.22、0.18、0.33、0.27。
优选地,所述手机信令数据为移动手机信令数据或联通手机信令数据。
优选地,所述位置数据为高德导航数据、百度导航数据、搜狗导航数据、Google导航数据或腾讯导航数据。
本发明与现有技术相比,优点在于:
1)本发明基于信息数据,采取动静结合的四大指标进行综合分析,并基于核密度法识别城市活力区和中心城区边界,为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。
2)与传统计算方法不同,本发明的数据获取基于高频率信号触发、具有时空间关联特征的手机信令数据和位置数据,数据获取的精确性使得计算出的人口综合密度、与城市中心可达性、和商务休闲活动驻点密度具备高度的精确性,对后续城市发展空间识别垫定了基础。
3)本发明的城市活力区和中心城区边界识别的方法采取动静结合的四大指标进行综合分析,克服了传统城市空间识别过程中存在的指标单一、仅注重静态指标、缺乏动态指标等缺陷,更精准地摸清了城市发展的边界,为快速城市化进程中的各大城市提供政策实施过程中的地域范围动态调整方法。
4)本发明的城市活力区和中心城区边界识别的方法采用专家打分法确定四大指标权重,通过对多位城市规划领域相关专家进行调查,确定四个指标的最终权重,并对指标进行“归一化”处理后得到各交通小区的综合指标,使得综合指标的获取更加真实、全面、准确。
附图说明
图1基于手机信令数据的职住地判别流程;
图2基于手机信令数据的驻点判别流程;
图3各分区人口综合密度分布图;
图4各分区POI兴趣点密度分布图;
图5与城市中心可达性分布图;
图6各分区商务休闲活动驻点密度分布图;
图7人口密度分布排序曲线图;
图8POI兴趣点密度排序曲线图;
图9与城市中心可达性排序曲线图;
图10商务休闲活动驻点密度排序曲线图;
图11综合指标空间分布图
图12基于核密度识别的广州活力区和中心城区边界示意图
具体实施方式
下面结合具体实施例来对本发明进行进一步说明,但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到,本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
下面结合附图对本发明的结构原理和工作原理作具体的描述。
城市活力区是一座城市政治、经济、文化等公共活动最集中的地区,是城市公共活动体系的主要部分,为城市和城市所在区域集中提供经济、政治、文化社会等活动设施和服务空间,并在空间上有别于城市其它地区。中心城区是一个城市现状发展最为成熟的地区,以多职能综合性为主,汇聚了城市生产和服务的主要区域,是政治和行政管理中心、交通运输中心、信息与科技中心和人才密集之地。
根据以上定义可以看出,活力区是城市功能高度聚集的区域,中心城区是城市发展成熟的边界,是城市交通网络最发达,出行活动最密集的地区,边界识别不仅要考虑静态指标影响还需考虑动态指标影响。为此,本发明研究构建了2个静态指标和2个动态指标的综合识别体系,静态指标包括人口综合密度和POI兴趣点密度,分别表征人口聚集和基础设施完善程度,动态指标为与城市中心可达性、商务休闲活动驻点密度,体现既有交通***下区域交通联系的便捷程度和客流吸引强度。各指标计算方法如下:
(1)人口综合密度
人口综合密度不同于居住人口密度,综合密度反应的是该区域单位面积常态性出现的人口规模,是居住人口和就业人员的综合密度,反应了居住和就业的完善程度。一般而言,人口综合密度越高的地区,是城市发展越成熟的地区,该指标计算公式如下:
式中,pei为区域i的人口综合密度,empi为区域i就业岗位数,popi为区域i居住人口数,areai为区域i面积,α为人口调整系数,用来反映活跃人口的影响,该值可用全市从业人员与常住人口比值标定。
(2)POI兴趣点密度
POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所,反应了某一区域基础服务设施的分布密度,从一定程度上体现出区域的发展成熟度,计算公式如下:
式中,poii为区域i的POI兴趣点密度,poiij为区域i的j类兴趣点的数量,areai为区域i面积。
(3)与城市中心的可达性
城市中心可用市政府所在地(或标志性地点)作为代表,其可达性反映了某一地区到达城市中心的便捷程度,可达性越高代表该地区交通***越发达,越能反映该地区的发展状况,计算公式如下:
ti=min(tcari,tbusi,tmetroi) (3)
式中,ti为区域i到达城市中心的最小出行时间,tcari为区域i采用小汽车方式到达城市中心的出行时间,tbusi为区域i采用常规公交方式到达城市中心的出行时间,tmetroi为区域i采用地铁方式到达城市中心的出行时间。
(4)商务休闲活动驻点密度
商务休闲活动驻点密度不仅体现了某一地区常态化活动人口的出行强度,也反应了访问人员的出行强度,是该区域客流总体吸引强度,体现了交通流在城市成熟区的聚集程度和城市成熟区最重要的经济、政治、文化、商务活动的成熟度。某一地区人口综合密度非常大,如某工业区大量工人会产生较高的人口综合密度,但其商务休闲驻点密度较低,并不能代表该区域是城市最为成熟的活力区域。其计算公式如下:
式中,di为区域i的商务休闲活动驻点密度,dij为区域i的j类驻点的数量,areai为区域i面积。
在本世纪前十年,四大指标的准确获取难度较大。人口综合密度可利用统计数据获取,但大城市特别是特大城市常住人口和从业人员统计指标一方面不能最真实体现实际人口数,另一方面数据颗粒度较粗(最小颗粒度为居委级),达不到城市发展边界识别的数据细颗粒度要求;POI兴趣点密度在信息数据兴起之前更是无法获取;到城市中心可达性虽然可借助交通模型技术获取,但模型计算值精度难以保证;商务休闲驻点密度传统方法无法获得。近年来,城市信息数据的兴起为上述指标的获取提供了有效途径,数据的精细度能很好支撑城市发展边界的识别工作。各指标的获取方法如下:
(1)人口综合密度:如前文所述,统计数据获取的人口和就业人员不仅精度无法达到要求,而且数据的颗粒度也无法达到要求(一般为居委或村委级),因此人口综合密度必须借助信息数据获取,如长周期的手机信令数据,通过一定算法可获取精确的城市职住空间分布,进而得到某一区域的人口综合密度,相关计算流程如图1所示。
(2)POI兴趣点密度:主要通过获取百度兴趣点数据,统计各区域的兴趣点密度。
(3)与城市中心可达性:该指标更能体现某一区域与城市中心的联系紧密程度,数据获取的精确性对城市发展空间识别至关重要。基于互联网位置数据是可达性获取的理想途径,如高德导航数据、腾讯导航数据等,通过利用互联网位置数据可获取细颗粒度小区间的实际耗时矩阵,从而能准确识别出某一点与任意区域的交通出行时耗。基于互联网的耗时矩阵精度高,从时间维度上体现了出行者的实际耗时,并非交通模型计算的某一时刻路网分配结果。一般而言,与城市中心的时耗越小,可达性越强,区域发展越成熟。
(4)商务休闲活动驻点密度:该指标必须结合手机信令数据获取,通过信令数据获得驻点分布,进而获取驻点密度。与传统驻点算法不同,本发明采取了基于高频率信号触发、具有时空间关联特征的用户信令数据和用户上网数据,通过对手机数据的职住对应关系(Live-Work)和时空间核聚类Clus分析,提出了一种满足用户出行特征的驻点判断方法,具体流程如图2所示。
四个指标从不同层面反应出某一区域的开发成熟度,因此需采用一定权重对四个指标进行加权,以获取体现多种因素的综合指标,进而用于城市发展边界识别。本发明采用专家打分法确定指标权重,通过对20位城市规划领域相关专家调查,四个指标最终权重分别为0.22、0.18、0.33、0.27。
确定四个指标权重后,为使各指标能在同一纬度进行加权,还需进行指标的“归一化”处理。本发明采取临界阈值对各指标进行归一处理,临界阈值计算方法为:将某一城市划分为若干个交通分区(颗粒度越细越好,一般特大城市应达到3000个以上,大城市应达到1500个左右),计算某一指标值,然后从高到底排序绘制分布曲线,采取80%分位值作为该指标的阈值,则某一区域的该指标“归一化”值为指标计算值与阈值的比值。据此计算各分区的综合指标如下式所示:
式中;为交通分区i指标j的归一化值,Aij为交通分区i指标j的计算值,θj为指标j的阈值,λi为交通分区i的综合指标,βj为指标j的权重系数。
在归一化值的计算过程,人口密度、POI兴趣点密度、商务休闲活动驻点密度均为正影响值,但与城市中心可达性值为负影响,该值用出行时间反应,出行时间越大可达性越差,应采取倒数进行归一化处理。
本发明基于综合指标,并利用核密度法进行城市发展边界识别。核密度分析法在城市热点探索方面应用广泛。该方法应用与计算空间点、线要素在周围领域中的密度,并对密度分布进行连续化的模拟,以图像中每个栅格的核密度值反应空间要素的分布特征。本发明根据每个交通分区内综合指标的核密度值估计其周围密度,并通过对不同搜索半径下的核密度分析结果进行比较,从而选取适合本发明的最优搜索半径。其中,核密度函数计算公式如下:
式中,f(x)为x处的核密度估计值,r为搜索半径,n为样本总数,dix为分区i与x的距离,为距离的权重。
下面以广州市为例具体阐述本发明的空间识别方法:
1)四大指标的获取及阈值的选择
ⅰ)指标获取利用的数据源
在广州市活力区和中心城区边界识别中,主要利用联通手机信令数据、腾讯位置数据、百度POI兴趣点数据,各数据主要用途如表1所示,POI兴趣点数量见表2所示。
表1各指标具体获取方法一览表
表2广州市POI兴趣点数量分布一览表
序号 | 分类 | 数量(个) | 占比 |
1 | 购物商场等 | 51615 | 29.2% |
2 | 学校 | 4742 | 2.7% |
3 | 医疗保健 | 4164 | 2.4% |
4 | 休闲娱乐 | 3726 | 2.1% |
5 | 酒店宾馆 | 3389 | 1.9% |
6 | 银行金融 | 2649 | 1.5% |
7 | 运动健身 | 1317 | 0.7% |
8 | 文化场馆 | 543 | 0.3% |
9 | 餐饮 | 21336 | 12.1% |
10 | 生活服务 | 17811 | 10.1% |
11 | 公司企业 | 27456 | 15.6% |
12 | 机构团体 | 9193 | 5.2% |
13 | 基础设施 | 12695 | 7.2% |
14 | 旅游服务 | 248 | 0.1% |
15 | 其它 | 15581 | 8.8% |
ⅱ)各交通小区指标计算
基于各类信息数据,获取广州市3989个交通分区的四大指标,具体各指标的空间分布如图3-6所示。
ⅲ)指标阈值的确定及归一化处理
将四大指标的各分区值按从小到大排序后取80%分位值为该指标阈值,如图7-10所示。其中人口综合密度阈值为2.5万/平方公里、POI兴趣点密度阈值为350个/平方公里、与城市中心可达性阈值为62分钟、商务休闲活动驻点密度阈值为4.5万人次/平方公里。归一化处理后并按权重系数0.22、0.18、0.33、0.27加权后得到各交通小区的综合指标如图11所示。
2)广州市活力区和中心城区边界识别
按式(7)进行核密度算法识别,得到结果如图12所示,根据计算结果并适当考虑城市现状路网分割,划定广州活力区的范围为93平方公里,中心城区边界约600平方公里(具体见图12所示),从而指导城市交通政策制定、先行试验及交通引导,并对规划城市空间提供基础支撑。
3)与同类城市比较
类比纽约、伦敦、东京、巴黎四大国际一流城市,研究识别的广州活力区介于东京都心6区和小巴黎范围面积之间;主城区面积约600平方公里,与北京、东京、巴黎基本相当。从识别的城市活力区和中心城区边界来看,城市发展范围已达到国际一流城市的水平。
表3识别的广州市活力区和主城区范围与同类城市对比一览表
从实施例中可以看到,本发明的快速动力时程分析方法具备如下优点:
1)本发明基于信息数据,采取动静结合的四大指标进行综合分析,并基于核密度法识别城市活力区和中心城区边界,为不同区域的城市交通发展政策经验借鉴提供更有说服力的依据。
2)与传统计算方法不同,本发明的数据获取基于高频率信号触发、具有时空间关联特征的手机信令数据和位置数据,数据获取的精确性使得计算出的人口综合密度、与城市中心可达性、和商务休闲活动驻点密度具备高度的精确性,对后续城市发展空间识别垫定了基础。
3)本发明的城市活力区和中心城区边界识别的方法采取动静结合的四大指标进行综合分析,克服了传统城市空间识别过程中存在的指标单一、仅注重静态指标、缺乏动态指标等缺陷,更精准地摸清了城市发展的边界,为快速城市化进程中的各大城市提供政策实施过程中的地域范围动态调整方法。
4)本发明的城市活力区和中心城区边界识别的方法采用专家打分法确定四大指标权重,通过对多位城市规划领域相关专家进行调查,确定四个指标的最终权重,并对指标进行“归一化”处理后得到各交通小区的综合指标,使得综合指标的获取更加真实、全面、准确。
应当理解的是,本发明描述的方法的步骤仅仅是示例性的描述,对其先后进行的时间顺序没有特殊的要求,除非其本身有必然的先后顺序关系。
如上所示,本发明虽然已参照有限的实施例和附图进行了说明,但在本发明所属领域中具备通常知识的人均可以从此记载中进行各种修改和变形。由此,其他实施例及权利要求书与等同物均属于权利要求的保护范围。
Claims (5)
1.一种基于信息数据的城市活力区和中心城区边界识别的方法,其特征在于步骤如下:
第一步,基于长周期的手机信令数据、位置数据识别所述城市的职住点分布,聚类到所述城市的交通小区,按下式(1)计算人口综合密度:
式中,pei为区域i的人口综合密度,empi为区域i就业岗位数,popi为区域i居住人口数,areai为区域i面积,α为人口调整系数,用来反映活跃人口的影响,α可用所述城市的从业人员与常住人口数的比值标定;
第二步,获取POI兴趣点,利用所述POI兴趣点的数量计算POI兴趣点密度,计算公式如下式(2):
式中,poii为区域i的POI兴趣点密度,poiij为区域i的j类兴趣点的数量,areai为区域i面积;
第三步,利用位置数据获取所述城市的交通分区内的小汽车、常规公交、轨道实际耗时矩阵,按下式(3)计算城市中心的可达性:
ti=min(tcari,tbusi,tmetroi) (3)
式中,ti为区域i到达城市中心的最小出行时间,tcari为区域i采用小汽车方式到达城市中心的出行时间,tbusi为区域i采用常规公交方式到达城市中心的出行时间,tmetroi为区域i采用地铁方式到达城市中心的出行时间;
第四步,利用手机信令数据获取商务休闲活动驻点,利用位置数据确定手机营业商的份额占比,扩样后按下式(4)计算商务休闲活动驻点密度:
式中,di为区域i的商务休闲活动驻点密度,dij为区域i的j类驻点的数量,areai为区域i面积;
第五步,将所述人口综合密度、POI兴趣点密度、与城市中心的可达性、商务休闲活动驻点密度这四大指标的各分区值按从小到大排序后取80%分位值为该指标阈值,归一化处理后并按权重系数加权后得到各交通小区的综合指标,具体计算公式如下式(5)、式(6)所示:
式中;为交通分区i指标j的归一化值,Aij为交通分区i指标j的计算值,θj为指标j的阈值,λi为交通分区i的综合指标,βj为指标j的权重系数。
第六步,根据每个交通分区内的所述综合指标的核密度值估计其周围密度,并通过对不同搜索半径下的核密度分析结果进行比较,从而选取适合的最优搜索半径;其中,核密度函数计算公式如下式(7)所示:
式中,f(x)为x处的核密度估计值,r为搜索半径,n为样本总数,dix为分区i与x的距离,为距离的权重。
2.根据权利要求1所述的边界识别的方法,其特征在于,所述POI兴趣点包括医院、学校、餐饮、酒店、超市商场、主要办公楼、主要交通枢纽、公园、加油站、银行、休闲娱乐设施、政府机构等城市生活服务的基本场所。
3.根据权利要求1-2任一项所述的边界识别的方法,其特征在于,第五步中,采用专家打分法确定权重系数,通过对20位城市规划领域相关专家调查,所述四大指标的最终权重分别为0.22、0.18、0.33、0.27。
4.根据权利要求1-3任一项所述的边界识别的方法,其特征在于,所述手机信令数据为移动手机信令数据或联通手机信令数据。
5.根据权利要求1-4任一项所述的边界识别的方法,其特征在于,所述位置数据为高德导航数据、百度导航数据、搜狗导航数据、Google导航数据或腾讯导航数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832594.5A CN110533038B (zh) | 2019-09-04 | 2019-09-04 | 一种基于信息数据的城市活力区和中心城区边界识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832594.5A CN110533038B (zh) | 2019-09-04 | 2019-09-04 | 一种基于信息数据的城市活力区和中心城区边界识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533038A true CN110533038A (zh) | 2019-12-03 |
CN110533038B CN110533038B (zh) | 2022-04-12 |
Family
ID=68666773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832594.5A Active CN110533038B (zh) | 2019-09-04 | 2019-09-04 | 一种基于信息数据的城市活力区和中心城区边界识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533038B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111310340A (zh) * | 2020-02-19 | 2020-06-19 | 中南大学 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别*** |
CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
CN111833224A (zh) * | 2020-05-26 | 2020-10-27 | 东南大学 | 一种基于人口栅格数据的城市主副中心边界识别方法 |
CN112165686A (zh) * | 2020-08-27 | 2021-01-01 | 同济大学 | 基于手机信令数据的城市访客识别方法、装置、存储介质 |
CN112541551A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112686507A (zh) * | 2020-12-18 | 2021-04-20 | 天津大学 | 一种基于WorldPop数据的大都市区多中心指数评价方法 |
CN112948769A (zh) * | 2021-03-10 | 2021-06-11 | 中国城市规划设计研究院 | 一种基于通勤大数据的都市圈范围确定方法及*** |
WO2021143090A1 (zh) * | 2020-01-16 | 2021-07-22 | 华南理工大学 | 社区生活圈空间识别方法、***、计算机设备及存储介质 |
CN113642928A (zh) * | 2021-08-31 | 2021-11-12 | 广州市城市规划勘测设计研究院 | 应用于城市更新的社区生活圈的规划模拟测度与评价方法 |
CN113660623A (zh) * | 2021-08-16 | 2021-11-16 | 智慧足迹数据科技有限公司 | 基于手机信令的边界识别方法及相关装置 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114580975A (zh) * | 2022-05-05 | 2022-06-03 | 成都数联云算科技有限公司 | 街区活力获得方法及***及装置及介质 |
CN116402548A (zh) * | 2023-06-09 | 2023-07-07 | 北京大也智慧数据科技服务有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
CN117313335A (zh) * | 2023-09-14 | 2023-12-29 | 苏州圣蒙莱科技有限公司 | 基于数字孪生的智慧城市组件化构建方法及构建平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010046350A1 (en) * | 2008-10-20 | 2010-04-29 | Fractal Planning Solutions Ltd. | Town planning method and apparatus |
CN105893491A (zh) * | 2016-03-29 | 2016-08-24 | 东南大学 | 一种基于区域城际流强度测算模型的划定大都市圈的方法 |
CN107194525A (zh) * | 2017-03-23 | 2017-09-22 | 同济大学 | 一种基于手机信令的城市中心评估方法 |
US10070255B1 (en) * | 2017-08-16 | 2018-09-04 | Tile, Inc. | Tracking device operation in safety-classified zone |
CN108650632A (zh) * | 2018-04-28 | 2018-10-12 | 广州市交通规划研究院 | 一种基于职住对应关系和时空间核聚类的驻点判断方法 |
CN109325614A (zh) * | 2018-08-28 | 2019-02-12 | 浙江工业大学 | 一种基于gis的汽车站选址方法 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
-
2019
- 2019-09-04 CN CN201910832594.5A patent/CN110533038B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010046350A1 (en) * | 2008-10-20 | 2010-04-29 | Fractal Planning Solutions Ltd. | Town planning method and apparatus |
CN105893491A (zh) * | 2016-03-29 | 2016-08-24 | 东南大学 | 一种基于区域城际流强度测算模型的划定大都市圈的方法 |
CN107194525A (zh) * | 2017-03-23 | 2017-09-22 | 同济大学 | 一种基于手机信令的城市中心评估方法 |
US10070255B1 (en) * | 2017-08-16 | 2018-09-04 | Tile, Inc. | Tracking device operation in safety-classified zone |
CN108650632A (zh) * | 2018-04-28 | 2018-10-12 | 广州市交通规划研究院 | 一种基于职住对应关系和时空间核聚类的驻点判断方法 |
CN109325614A (zh) * | 2018-08-28 | 2019-02-12 | 浙江工业大学 | 一种基于gis的汽车站选址方法 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
Non-Patent Citations (1)
Title |
---|
段亚明 等: "基于POI大数据的重庆主城区多中心识别", 《自然资源学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126713B (zh) * | 2019-12-31 | 2023-05-09 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
GB2606114A (en) * | 2020-01-16 | 2022-10-26 | Univ South China Tech | Community life circle space identification method and system, computer device and storage medium |
WO2021143090A1 (zh) * | 2020-01-16 | 2021-07-22 | 华南理工大学 | 社区生活圈空间识别方法、***、计算机设备及存储介质 |
CN111310340A (zh) * | 2020-02-19 | 2020-06-19 | 中南大学 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
CN111310340B (zh) * | 2020-02-19 | 2022-08-16 | 中南大学 | 基于人类移动的城市区域交互异常关系识别方法及设备 |
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111581315B (zh) * | 2020-04-30 | 2023-07-14 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111833224B (zh) * | 2020-05-26 | 2023-11-28 | 东南大学 | 一种基于人口栅格数据的城市主副中心边界识别方法 |
CN111833224A (zh) * | 2020-05-26 | 2020-10-27 | 东南大学 | 一种基于人口栅格数据的城市主副中心边界识别方法 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN111651545B (zh) * | 2020-06-03 | 2024-02-13 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别*** |
CN111813835B (zh) * | 2020-07-14 | 2023-09-26 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别*** |
CN112165686A (zh) * | 2020-08-27 | 2021-01-01 | 同济大学 | 基于手机信令数据的城市访客识别方法、装置、存储介质 |
CN112541551A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112541551B (zh) * | 2020-12-16 | 2023-11-24 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112686507A (zh) * | 2020-12-18 | 2021-04-20 | 天津大学 | 一种基于WorldPop数据的大都市区多中心指数评价方法 |
CN112948769A (zh) * | 2021-03-10 | 2021-06-11 | 中国城市规划设计研究院 | 一种基于通勤大数据的都市圈范围确定方法及*** |
CN112948769B (zh) * | 2021-03-10 | 2023-01-31 | 中国城市规划设计研究院 | 一种基于通勤大数据的都市圈范围确定方法及*** |
CN113660623A (zh) * | 2021-08-16 | 2021-11-16 | 智慧足迹数据科技有限公司 | 基于手机信令的边界识别方法及相关装置 |
CN113642928B (zh) * | 2021-08-31 | 2022-04-01 | 广州市城市规划勘测设计研究院 | 应用于城市更新的社区生活圈的规划模拟测度与评价方法 |
CN113642928A (zh) * | 2021-08-31 | 2021-11-12 | 广州市城市规划勘测设计研究院 | 应用于城市更新的社区生活圈的规划模拟测度与评价方法 |
CN114266138B (zh) * | 2021-11-29 | 2022-09-16 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114580975A (zh) * | 2022-05-05 | 2022-06-03 | 成都数联云算科技有限公司 | 街区活力获得方法及***及装置及介质 |
CN116402548B (zh) * | 2023-06-09 | 2023-10-03 | 广西大也智能数据有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
CN116402548A (zh) * | 2023-06-09 | 2023-07-07 | 北京大也智慧数据科技服务有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
CN117274886B (zh) * | 2023-08-04 | 2024-03-19 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
CN117313335A (zh) * | 2023-09-14 | 2023-12-29 | 苏州圣蒙莱科技有限公司 | 基于数字孪生的智慧城市组件化构建方法及构建平台 |
CN117313335B (zh) * | 2023-09-14 | 2024-07-19 | 壬通交通科技发展(上海)有限公司 | 基于数字孪生的智慧城市组件化构建方法及构建平台 |
Also Published As
Publication number | Publication date |
---|---|
CN110533038B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533038A (zh) | 一种基于信息数据的城市活力区和中心城区边界识别的方法 | |
CN110334864B (zh) | 一种基于gis的多规合一城乡空间分区划定的方法 | |
CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
CN108427965B (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
Zhang et al. | Measuring the accessibility of public green spaces in urban areas using web map services | |
CN111026823B (zh) | 基于地理位置数据的资源利用关联网络模型规划方法 | |
CN108717676B (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及*** | |
Kang et al. | The Association Between SOC and Land Prices Considering Spatial Heterogeneity Based on Finite Mixture Modeling | |
CN105206046A (zh) | 基于大数据的出租车服务站选址及可行性评价方法 | |
CN109544690A (zh) | 共享单车出行影响因素识别方法、***及存储介质 | |
CN111563666A (zh) | 一种基于网络热度的城市公共服务设施空间配置评价方法 | |
CN114969007A (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
Tian et al. | Suburban identification based on multi-source data and landscape analysis of its construction land: A case study of Jiangsu Province, China | |
CN108182196A (zh) | 一种基于poi的城市交通需求预测方法 | |
Tonev et al. | Different approaches to defining metropolitan areas (Case study: cities of Brno and Ostrava, Czech Republic). | |
Li et al. | Identification of urban functional area by using multisource geographic data: A case study of Zhengzhou, China | |
Conti et al. | Tourism competitiveness of Italian municipalities | |
Xiao et al. | Does the culture service supply of green spaces match the demand of residents in a new district? A perspective from China. | |
CN111401683B (zh) | 古村落传统性的测算方法及装置 | |
Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
CN116957280A (zh) | 基于供需平衡的山地村镇社区生活圈公服设施配置方法 | |
Hu et al. | The communities detection of the tourist flow network using mobile signaling data in Nanjing, China | |
Cirilli et al. | Understanding the determinants of urban growth: a study on the major Italian cities | |
Artal-Tur et al. | The role of destination spatial spillovers and technological intensity in the location of manufacturing and services firms | |
CN110334321A (zh) | 一种基于兴趣点数据的城市轨交站区功能识别方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220411 Address after: 510030 floors 1-6 on the west side of No. 10 Guangwei Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou transportation planning and Research Institute Co.,Ltd. Address before: 510030 10th floor, 80 Jixiang Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU TRANSPORT PLANNING Research Institute |
|
TR01 | Transfer of patent right |