CN110610446A - 一种基于两步聚类思路的县域城镇分类方法 - Google Patents
一种基于两步聚类思路的县域城镇分类方法 Download PDFInfo
- Publication number
- CN110610446A CN110610446A CN201910675029.2A CN201910675029A CN110610446A CN 110610446 A CN110610446 A CN 110610446A CN 201910675029 A CN201910675029 A CN 201910675029A CN 110610446 A CN110610446 A CN 110610446A
- Authority
- CN
- China
- Prior art keywords
- indexes
- clustering
- data
- dominance
- level
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000012847 principal component analysis method Methods 0.000 abstract description 3
- 229910052799 carbon Inorganic materials 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于两步聚类思路的县域城镇分类方法，包含以下步骤：1)使用已收集的县域统计资料建立基础数据库；2)基于经济、人口等反映城镇化水平的指标，采取结构性聚类分析方法进行一级聚类，划分出高、中、低三种层级城镇化水平的县域城镇样本；3)进行二级聚类，筛选出反映城镇职能特性的主要因素，对县域城镇数据指标进行结构性聚类分析，划分出大类指标；4)采取主成分分析法分别确定每类指标组合的累计方差贡献率，用以验证二级聚类的有效性；5)针对不同数据指标的统计分布特性不同，采用改进的纳尔逊分类法，判别每一类中每个指标的优势度；6)采用组合分析法判断每个大类的优势组合，进行1‑0二元评分，综合确定县域城镇的特性分类。
Description
技术领域
本发明涉及县域城镇控碳规划技术体系领域，尤其涉及一种基于两步聚类思路的城镇特性分类方法。
背景技术
我国县域的城镇化建设亦在不断推进，主要表现为县域城镇人口数量、城市道路面积和建成区面积的不断增长，许多农民搬进县城新盖的楼房，对就业、就医、就学等有更高水平的需求，这些追根究底都是人们对美好生活的追求。由此会带来县域居民对医院、学校、公园等公共服务设施的数量和服务水平需求不断增加。
县域的人口分布和基础设施需求的变化使得县域原有的交通、公共服务等基础设施需要做出改变，除此以外，控碳规划技术的研究也日渐深入。既有的城镇分类方法一是无法适应广大县域的体量差异，二是缺乏控碳规划体系下对县域城镇规划的低碳视角，三是大多直接使用结构性聚类分析方法进行“一刀切”分类。
传统的纳尔逊分类法的研究数据对象为职工人数，优势度选择为“平均值+n个标准差”作为级别划分，但是对于目前收集的县域样本数据，其中的经济数据，尤其是GDP、社会消费品零售总额、人均可支配收入等存在明显的差异分布，总体呈现“东高西低、南强北弱”的空间分布格局，亦即我国经济发展和人口聚集程度较高的县域主要分布在珠三角、长三角、京津冀等城市群地理区，国内各县域发展极不均衡，容易出现少数经济优势的县域数据样本拉高整体的平均值和方差，从而导致传统的优势度阈值无法反映大多数存在指标优势的数据样本，产生优势率过小的问题。
发明内容
发明目的：为了解决现有技术存在的问题，本发明旨在提供一种服务于新型县域基础设施配置模式研究的县域城镇分类方法，通过搜集多个县域城镇人口、经济产业、城镇区位、交通特性、空间建设等方面的基础面板统计数据，建立基础数据库。然后基于经济、人口等反映城镇化水平的指标，采取结构性聚类分析方法进行一级聚类，划分出高、中、低三种层级城镇化水平的县域样本。再进行二级聚类，筛选出体现城镇职能特性的主要因素，对县域城镇数据指标、进行结构性聚类分析，划分出四个指标大类，并分别采取主成分分析法确定每类指标组合的累计方差贡献率，用以验证二级聚类的有效性。采用改进的纳尔逊法判别每一类中每个指标的优势度，最后采用组合分析法判断每个大类进行二元评分，综合确定县域城镇的特性分类。
技术方案：一种基于两步聚类思路的县域城镇分类方法，包括如下步骤：
步骤1、基础数据清洗与处理：
1a：样本的数据类型包含统计数据(I类数据)和空间测量数据(II类数据)；
1b：对所收集的数据进行清洗，剔除数据存在缺失的样本，然后进行无量纲标准化处理，使数据值分布在[0,1]的区间内，便于后续比较分析；
步骤2、基于经济和人口指标的一级聚类：
2a：将县域样本数据的GDP总量、人均GDP、常住人口密度、中心城镇人口数量等指标进行结构性样本聚类，得到不同县域的经济及人口层级聚类结果；
2b：根据样本聚类分析的结果，划定每一分类样本的数据分布区间，从而确定一级聚类中城市化水平类型划分的依据和数据范围；
步骤3、指标筛选与二级聚类：对于步骤2中的一级聚类结果，不断筛选部分相关性较强的指标，以保证分类结果的有效性以及主成分分析的数据降维显著性效果；
3a：对所有指标变量进行R型聚类分析，检验二级聚类分析结果的相关性矩阵，将相关性大于0.8的指标(如城镇人口数量和中心城镇人口数量)进行部分的舍弃和筛选，不断重复筛选工作，直至没有相关性较强的指标重复出现；
3b：采用Ward’s误差法修正，选择欧式空间平方距离作为距离计算聚类依据，进行第二级结构性聚类分析，得到不同类别的数据指标及其对应的分类结果；
步骤4、二级指标聚类结果有效性检验；
步骤5、采用改进的纳尔逊分类法确定各个指标优势度：
对步骤5所得各个大类指标的优势度进行组合分析，在每个一级分类的基础上进行，对于一级分类的第一层级，由于四大类指标优势度均为1，因此划分为“综合优势型”，对于第二层级，若仅有“经济层级与设施供给”优势度为1，则归为“普通成熟型”，若出现“旅游风貌与特色发展”优势度为1，则归为“旅游风貌型”，若无法归为旅游风貌型，而有“产业结构与能耗水平”优势度为1，则归为“产业能源型”，若有“经济层级与设施供给”与“空间区位与交通出行”优势度为1，则归为“区位交通型”，对于第三层级，若有任意一类指标优势度为1，则归为“发展潜力型”，否则归为“一般型”。
5a：使用传统纳尔逊分类法，按照“平均值+标准差”的方式对所有步骤5检验二级分类结果有效的数据指标进行评判，计算各个指标的优势率；
5b：其中对部分使用传统纳尔逊分类法得到的优势率低于40％的指标，采用中位数统计标识作为优势度的判别阈值，即该项数据指标大于优势度的县域可被认为在该项指标存在优势，即判别为“优势型”，若数据指标小于优势度，则判为“一般型”；
步骤6、采用组合分析法判断每个大类的优势组合，进行1-0二元评分，综合确定县域城镇的特性分类：
对步骤5所得各个大类指标的优势度进行组合分析，在每个一级分类的基础上进行，对于一级分类的第一层级，由于四大类指标优势度均为1，因此划分为“综合优势型”，对于第二层级，若仅有“经济层级与设施供给”优势度为1，则归为“普通成熟型”，若出现“旅游风貌与特色发展”优势度为1，则归为“旅游风貌型”，若无法归为旅游风貌型，而有“产业结构与能耗水平”优势度为1，则归为“产业能源型”，若有“经济层级与设施供给”与“空间区位与交通出行”优势度为1，则归为“区位交通型”，对于第三层级，若有任意一类指标优势度为1，则归为“发展潜力型”，否则归为“一般型”。
进一步的，所述步骤1中，所述统计数据包括GDP总量、人均GDP、常住人口总量、常住人口密度、中心城镇人口数量、城市化率、城镇人口数量、三类产业GDP比例、社会消费品零售总额、全年货物运输总量、公路通车里程、人均公路里程、公交运营车辆数、公路客运人均运距、机动车保有量、机动车年行驶里程、人均可支配收入、万元GDP能耗、综合能源消费量、游客接待人数和AAA级以上景区数量情况。所述空间测量数据包括行政区域面积、平均高程、与县市主城区空间距离、高速公路出入口数量、最近高速出入口距离和最近铁路站距离。
进一步的，所述步骤1中，采用Z-score标准化法对数据进行无量纲标准化处理。
进一步的，所述步骤4中，使用主成分分析计算其累计方差贡献率。通常75％以上的贡献率对主成分降维的实际应用价值指导意义较大，因此在验证聚类指标数据的时候，需要尽可能确保累计方差贡献率大于75％，以保证指标分类的科学性和有效性。
步骤2的基于经济和人口指标的一级聚类，其数据采用县域的GDP总量、人均GDP、常住人口密度、中心城镇人口数量等，将聚类数量设置为3，可以得到确定的三个分类。理论上数据样本越多，基于三个分类的数据进行划分的区间会愈发接近，稳定在某一值附近。
步骤3的二级指标聚类方法是一个不断进行数据筛选的聚类过程，并非一次性完成，需要通过每次聚类结果的相关性矩阵判断，不断重复筛选、聚类分析，直至没有相关性高于0.8 的数据指标，步骤3乃算结束。
步骤5中改进的纳尔逊分类法，不同于传统的纳尔逊分类法仅采用“平均值+标准差”作为判别阈值，针对更加丰富的数据样本特征，调整优势度阈值的计算准则，实现某类指标存在优势的县域样本的判别和分类，对部分传统纳尔逊分类法的优势率低于40％的数据指标，采用中位数作为优势度的判别阈值。
和现有技术相比，本发明具有如下显著进步：不同于以往专注于城镇经济职能、产业结构或自然资源等某一方面的专门分类，也不同于以往的一次聚类，本发明是基于二级聚类思路，更多从能源消耗与碳排放等视角对县域城镇进行分类，突出本发明为低碳规划视角下进行不同类型县域城镇基础设施配置模式研究的基础性作用。
具体实施方式
下面结合和具体实施例对本发明的技术方案做进一步详细说明。
一种基于两步聚类思路的县域城镇分类方法，主要对多个县域城镇人口、经济产业、城镇区位、交通特性、空间建设等方面统计数据进行两步骤的聚类分析过程，从定量化视角对县域城镇进行类型划分，包含以下步骤：1)使用已收集的县域统计资料建立基础数据库；2)基于经济、人口等反映城镇化水平的指标，采取结构性聚类分析方法进行一级聚类，划分出高、中、低三种层级城镇化水平的县域城镇样本；3)进行二级聚类，筛选出反映城镇职能特性的主要因素，对县域城镇数据指标进行结构性聚类分析，划分出大类指标；4)采取主成分分析法分别确定每类指标组合的累计方差贡献率，用以验证二级聚类的有效性；5)针对不同数据指标的统计分布特性不同，采用改进的纳尔逊分类法，判别每一类中每个指标的优势度；6)采用组合分析法判断每个大类的优势组合，进行 1-0二元评分，综合确定县域城镇的特性分类。
实施例
1)数据搜集与数据库建立；
在4个国家重点研发项目示范县的样本基础上，对中国各人文地理区的县域样本数据进行收集，共计有62个数据样本。
样本的数据类型包含统计数据(I类数据)及空间测量数据(II类数据)，见表2，数据来源包括：
①各县市***网站公布的2016年国民经济及社会发展统计公报
②各县市***网站公布的2017统计年鉴
③《中国城市统计年鉴2016》
④全国第六次人口普查数据(分乡镇)
⑤Google Earth(GE)高程DEM数据
⑥百度地图(经坐标转换)
表2城镇分类搜集数据指标
对每个待选数据指标的单位及获取方法描述如表3：
表3待选数据指标描述
2)数据清洗与处理；
由于数据指标之间的量纲量级不一致，因此需要对数据进行无量纲标准化处理。本实例中采用SPSS的Z-score标准化法对数据进行标准化处理，得到的结果是介乎0到1之间的数值，如下式：
其中，为第j个指标第i个样本数据标准化值，Xij第j个指标第i个样本数据的观测值，和Sj分别为第j个指标的均值和标准差。由此便可将不同量纲的数转化为标准值，使之落在[0,1] 的区间内，便于比较与分析。
3)一级分类；
在一级城镇分类中，以城镇发展的“S”型曲线三阶段为指导理论，将县域样本数据的GDP 总量、人均GDP、常住人口密度、中心城镇人口数量等指标进行分层样本聚类，得到不同县域的经济及人口层级聚类分析结果。根据聚类结果给出相应数据区间，一级分类结果见表4。
表4县域城镇经济及人口指标层级分类结果
4)二级分类；
对指标数据进行标准化处理后，首先进行R型结构性聚类分析。在进行R型聚类分析的时候，需要筛选掉部分相关性较强的指标，以保证分类结果的有效性和主成分分析的数据降维显著性效果。采用结构性指标聚类，Ward’s误差法修正，选择欧式空间平方距离作为聚类依据，经过指标的筛选，得到指标分类结果。
5)主成分分析验证二级指标聚类结果；
需要使用主成分分析计算其累计方差贡献率。通常，75％以上的贡献率对主成分降维的实际应用价值指导意义较大，因此在验证聚类指标数据的时候，需要尽可能确保累计方差贡献率大于75％，以保证指标分类的科学性和有效性。对四类指标进行主成分分析的结果，包含碎石图和特征值、贡献率计算结果。根据PCA计算的碎石图和特征值计算结果可得，四个聚类指标的分别选取2、2、3、5个主成分，累计方差贡献率分别为 84.14％、85.62％、87.62％和81.62％，均大于75％，PCA的结果可以作为聚类分析的依据，有效支撑了聚类分析结果。根据PCA给出的分析结果，可以认为数据降维、聚类分析结果有效，因此确定数据指标的聚类分析结果，见表5。
表5数据指标聚类结果
6)改进纳尔逊分类法确定指标优势度；
本文采用改进的纳尔逊分类法，针对数据样本特征调整优势度阈值的计算准则，实现某类指标存在优势的县域样本的判别和分类，再应用组合分析法，对每一城市化水平层级的县域样本进行优势度的得分统计。因此考虑对部分优势率低于40％的数据指标，采用中位数作为优势度的判别阈值，即该项数据指标大于优势度的县域可被认为在该项指标存在优势，在此基础上进行归类划分出“优势型”和“一般型”。最后，采取组合分析法计算以每个样本所具备的“优势型”指标组合得分，确定县域城镇的综合分类。
7)组合分析法确定城镇分类；
对步骤5所得各个大类的优势度进行组合分析，在每个一级分类的基础上进行，对于一级分类的第一层级，由于四大类指标优势度均为1，因此划分为“综合优势型”，对于第二层及，若仅有“经济层级与设施供给”优势度为1，则归为“普通成熟型”，若出现“旅游风貌与特色发展”优势度为1，则归为“旅游风貌型”，若无法归为旅游风貌型，而有“产业结构与能耗水平”优势度为1，则归为“产业能源型”，若有“经济层级与设施供给”与“空间区位与交通出行”优势度为1，则归为“区位交通型”，对于第三层级，若有任意一类指标优势度为1，则归为“发展潜力型”，否则归为“一般型”。分类结果见表6。
表6县域城镇分类结果
Claims (5)
1.一种基于两步聚类思路的县域城镇分类方法，其特征在于，包括如下步骤：
步骤1、基础数据清洗与处理：
1a：县域样本数据指标类型包含统计数据指标和空间测量数据指标；
1b：对所收集的数据进行清洗，剔除数据存在缺失的样本，然后进行无量纲标准化处理，使数据值分布在[0,1]的区间内；
步骤2、采取结构性聚类分析方法进行一级聚类：
2a：将县域样本数据指标进行结构性样本聚类，得到不同县域的经济及人口层级聚类结果；
2b：根据样本聚类分析的结果，划定每一分类样本的数据分布区间，从而确定一级聚类中城市化水平类型划分的依据和数据范围；
步骤3、指标筛选与二级聚类：
3a：对所有指标变量进行R型聚类分析，检验二级聚类分析结果的相关性矩阵，将相关性大于0.8的指标进行部分的舍弃和筛选，不断重复筛选工作，直至没有相关性较强的指标重复出现；
3b：采用Ward’s误差法修正，选择欧式空间平方距离作为距离计算聚类依据，进行第二级结构性聚类分析，得到不同类别的数据指标及其对应的分类结果；
步骤4、二级指标聚类结果有效性检验；
步骤5、采用改进的纳尔逊分类法确定各个指标优势度：
5a：使用传统纳尔逊分类法，按照“平均值+标准差”的方式对所有步骤4检验二级分类结果有效的数据指标进行评判，计算各个指标的优势率；
5b：其中对部分使用传统纳尔逊分类法得到的优势率低于40％的指标，采用中位数统计标识作为优势度的判别阈值，即该项数据指标大于优势度的县域可被认为在该项指标存在优势，即判别为“优势型”，若数据指标小于优势度，则判为“一般型”；
步骤6、采用组合分析法判断每个大类的优势组合，进行1-0二元评分，综合确定县域城镇的特性分类：
对步骤5所得各个大类指标的优势度进行组合分析，在每个一级分类的基础上进行，对于一级分类的第一层级，由于四大类指标优势度均为1，因此划分为“综合优势型”，对于第二层级，若仅有“经济层级与设施供给”优势度为1，则归为“普通成熟型”，若出现“旅游风貌与特色发展”优势度为1，则归为“旅游风貌型”，若无法归为旅游风貌型，而有“产业结构与能耗水平”优势度为1，则归为“产业能源型”，若有“经济层级与设施供给”与“空间区位与交通出行”优势度为1，则归为“区位交通型”，对于第三层级，若有任意一类指标优势度为1，则归为“发展潜力型”，否则归为“一般型”。
2.根据权利要求1所述的基于两步聚类思路的县域城镇分类方法，其特征在于：所述统计数据指标包括GDP总量、人均GDP、常住人口总量、常住人口密度、中心城镇人口数量、城市化率、城镇人口数量、三类产业GDP比例、社会消费品零售总额、全年货物运输总量、公路通车里程、人均公路里程、公交运营车辆数、公路客运人均运距、机动车保有量、机动车年行驶里程、人均可支配收入、万元GDP能耗、综合能源消费量、游客接待人数和AAA级以上景区数量情况。
3.根据权利要求1所述的基于两步聚类思路的县域城镇分类方法，其特征在于：所述空间测量数据指标包括行政区域面积、平均高程、与县市主城区空间距离、高速公路出入口数量、最近高速出入口距离和最近铁路站距离。
4.根据权利要求1所述的基于两步聚类思路的县域城镇分类方法，其特征在于：采用Z-score标准化法对数据进行无量纲标准化处理。
5.根据权利要求1所述的基于两步聚类思路的县域城镇分类方法，其特征在于，所述步骤4中，使用主成分分析计算累计方差贡献率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675029.2A CN110610446A (zh) | 2019-07-25 | 2019-07-25 | 一种基于两步聚类思路的县域城镇分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675029.2A CN110610446A (zh) | 2019-07-25 | 2019-07-25 | 一种基于两步聚类思路的县域城镇分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110610446A true CN110610446A (zh) | 2019-12-24 |
Family
ID=68889686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910675029.2A Pending CN110610446A (zh) | 2019-07-25 | 2019-07-25 | 一种基于两步聚类思路的县域城镇分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610446A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN116644184A (zh) * | 2023-07-27 | 2023-08-25 | 浙江厚雪网络科技有限公司 | 基于数据聚类的人力资源信息管理*** |
-
2019
- 2019-07-25 CN CN201910675029.2A patent/CN110610446A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN113342910B (zh) * | 2021-04-28 | 2024-06-07 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN116644184A (zh) * | 2023-07-27 | 2023-08-25 | 浙江厚雪网络科技有限公司 | 基于数据聚类的人力资源信息管理*** |
| CN116644184B (zh) * | 2023-07-27 | 2023-10-20 | 浙江厚雪网络科技有限公司 | 基于数据聚类的人力资源信息管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020238631A1 (zh) | 一种基于手机信令数据的人群类型识别方法 | |
| CN111489008B (zh) | 一种交通事故影响因素空间效应分析方法及其应用 | |
| CN112990976B (zh) | 基于开源数据挖掘的商业网点选址方法、***、设备及介质 | |
| An et al. | How the built environment promotes public transportation in Wuhan: A multiscale geographically weighted regression analysis | |
| CN107729938B (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
| CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
| CN109034474A (zh) | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及*** | |
| CN111814596A (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
| CN111582601A (zh) | 一种公交站点选址方法及装置 | |
| CN112884013A (zh) | 基于数据挖掘技术的能耗分区方法 | |
| CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
| CN116386311A (zh) | 一种考虑极端天气条件的交通可达性评估方法 | |
| CN111460598A (zh) | 一种基于机器学习的公交干线网生成方法 | |
| CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
| Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
| CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
| CN111897810B (zh) | 建立定量化不同尺度区域间大气污染联防联控方案的方法 | |
| CN112148821B (zh) | 一种城市混合职住空间计算方法和*** | |
| CN113672788A (zh) | 一种基于多源数据和权重系数法的城市建筑功能分类方法 | |
| Zhou et al. | Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data | |
| CN116935643A (zh) | 交通管理方法、装置、设备及存储介质 | |
| CN109190783B (zh) | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 | |
| CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |