CN111432417A - 一种基于手机信令数据的体育中心选址方法 - Google Patents

Abstract

本发明提出了一种基于手机信令数据的体育中心选址方法，包括如下步骤：获取手机信令、基站点以及城市小区边界数据；清洗数据，对数据进行降维处理；简化人的行为，并划定行为考察时间段；求解各基站覆盖区域，识别出居住属性的基站区域；对剩余两类基站进行区分，选取出娱乐休闲类基站区域；重新划定考察时段并计算区域日均流量和人均停留时长，并对结果进行标准化处理，利用核密度估计方法得到选区热力图；对所得结果进行差集修正；建立选址指标体系，计算栅格得分；利用卷积算法求解出最优区域；对所得区域进行优化。本发明以手机信令数据为主体，综合多项指标对体育中心进行选址，可避免人的主观判断和体育中心选址的常见问题。

Description

一种基于手机信令数据的体育中心选址方法

技术领域

本发明涉及一种基于手机信令数据的体育中心选址方法，属于选址规划设计领域。

背景技术

近来，我国的体育事业继续保持着良好的发展势头。在新一轮体育中心建设热潮的推动下，大型体育建筑的发展获得了长足的进步。作为城乡规划的重要内容之一，体育中心的选址问题一直以来都在深刻影响着体育中心甚至整个城市的未来发展。如何选择合适的基地，使体育中心做到与城市发展和谐共生，使其使用效率和经济利益最大化，依旧是一个需要不断研究的规划问题。在过去的研究中，已建体育中心的选址问题可以被理性客观地总结出来，但是吸取经验教训并将其应用到往后的建设当中，却并不是那么容易。现行的体育中心选址规划大多还是依据人的主观判断，虽然能够避免一些已有的规划问题，但仍然很难做到理性客观。

城乡规划的核心是以人为本，而传统的静态数据很难实现对人的活动的动态分析。城镇化、信息化快速发展的时代，海量多元的大数据逐渐成为城乡规划的重要手段。手机信令数据可以动态反映人的时空活动，并且由于其极高的覆盖率，能够实现对人群活动全面、连续和长期的追踪。现有手机信令数据的研究大多集中在更加宏观的、完整的城乡规划方面，很少有涉及单体建筑或建筑群选址规划的研究。本发明基于手机信令大数据，获取人的时空行为特征，并将其作为体育中心选址的核心要素，能够做到以人为本去考虑选址问题，并且在大数据的基础上理性客观地分析和解决问题，避免人的主观判断所带来的一些问题。

发明内容

本发明的目的是提出一种基于手机信令数据的体育中心选址方法，以解决现有的体育中心选址办法非常死板，以静态数据对人的活动进行分析，造成规划结果并不尽如人意的问题。

一种基于手机信令数据的体育中心选址方法，所述方法包括如下步骤：

步骤一、获取手机信令数据、基站点经纬度数据和城市小区边界数据；

步骤二、对步骤一中的三种数据进行清洗，利用主成分分析法对数据进行降维处理；

步骤三、利用人的行为特征将行为简化为居住、工作和娱乐休闲三大类，并划定工作和娱乐休闲行为的考察时间段，为早上九点到下午五点八个小时；

步骤四、求解出各基站的覆盖区域，利用基站点和城市小区边界数据识别出居住属性的基站区域；

步骤五、利用层次聚类算法对剩余基站区域的考察时段进行分析，区别出工作与娱乐休闲两类基站区域，并选取出娱乐休闲属性的基站区域；

步骤六、根据选址所在城市大型体育建筑客流情况重新定义步骤五中选取出的娱乐休闲属性的基站区域的考察时段；

步骤七、在考察时段内计算各区域的日均人流量和人均停留时长，并对结果进行标准化处理，在此基础上利用核密度估计方法得到选区热力图；

步骤八、利用城市地形数据对选区热力图进行差集处理，得到修正后的结果；

步骤九、选取影响体育中心选址的要素建立指标体系，利用层次分析法确定影响要素的权重，利用加权求和计算每一栅格的得分；

步骤十、将体育中心所需用地面积转化为栅格集合，利用卷积算法求解出最优区域；

步骤十一、对所得区域进行优化；

进一步的，在步骤四中，利用基站点和城市小区边界数据识别出居住属性的基站区域，包括以下步骤：

步骤一一、将基站点和城市小区边界数据导入ArcGis软件中；

步骤一二、在ArcGis软件中，利用泰森多边形算法求解出基站的覆盖区域；

步骤一三、在基站的覆盖区域中，提取出基站点位于小区边界范围内的基站，然后获得该基站服务区域面积和该基站范围内小区总面积，计算小区总面积占该基站服务区域面积的比例，将大于等于70％的基站选出，该基站覆盖区域即所定义的居住属性的基站区域。

进一步的，在步骤五中，所述利用层次聚类算法对剩余基站区域的考察时段进行分析，包括以下步骤：

步骤五一、定义某人在考察时间段内在A基站服务区域内总停留时间T_A计算规则：获取某人首次在A基站区域内的手机信令发生时间t_a1和进入下一基站B的手机信令发生时间t_b1，两个时间点之差Δt₁即为某人首次在A基站的停留时间，然后依次计算下一次在A基站停留的时间Δt₂，Δt₃......则所要计算的总停留时间

步骤五二、计算各基站服务区域内的人均停留时长，取值区间为(0，8)，单位为小时；

步骤五三、根据欧式距离公式

和步骤五二所得各基站服务区域内的人均停留时长计算创建各基站点人均停留时长的欧氏距离矩阵；步骤二所获得数据为一维数据，因而y值为零，将欧式距离公式简化为

步骤五四、根据欧式距离矩阵获得最高相似度的两个基站点，并将所述两个基站点组合，然后再次计算其他数据点之间的距离；组合点与其他点的距离，采用组合中各点与其他点距离的均值；

步骤五五、重复步骤五四的操作，并得到更多的组合数据点，计算组合数据点之间的距离采用Average Linkage的计算方法；

步骤五六、重复步骤五五的操作，并最终得到两个类别的聚类结果，以周一到周五五个工作日为一个周期，获得连续五天的聚类结果；

步骤五七、分析上述结果并统计区域每日的人流总量，将工作日人均停留时长较长、周末人均停留时长变短和工作日人流量较多、周末人流量变少的类别定义为工作性类别；将工作日人均停留时长较短、周末人均停留时长变长和工作日人流量较少、周末人流量变多的类别定义为娱乐休闲性类别。

进一步的，在步骤六中，所述重新定义所得区域考察时段，包括以下步骤：

步骤六一、获取近三到五年体育中心选址所在城市其他大型体育建筑的人流量统计数据，包括年份和用户登记进入的时间；

步骤六二、以半小时为基本单位，划分并统计一天内每半小时进入体育建筑的人数；

步骤六三、分析上述数据，获取一最小连续时间段，该连续时间段满足所统计人数占该日统计总人数80％及以上；

步骤六四：获取上述时间段的众数，并将所述众数作为重新定义的区域考察时段。

进一步的，在步骤七中，具体包括以下步骤：

步骤七一、按照重新定义的时段分别计算所选取区域的日均人流量a和人均停留时长b；

步骤七二、对所得数据分别进行离差标准化处理，将数据结果映射到[0,1]区间，计算公式如下、

其中，a_i、b_i是步骤七一所得数据，A_i、B_i是离差标准化所得数据；

步骤七三、对标准化后的数据按照公式C_i＝A_i+B_i分别进行求和，并将结果导入ArcGis软件中赋值给对应的基站，在此基础上利用核密度估计方法得到选区热力图，即栅格数据。

进一步的，在步骤八中，所述城市地形数据包括历史文化建筑和建筑群、大型公共建筑、城市重大基础设施、城市道路边界或山体林地河流湖泊。

进一步的，在步骤九中，所述影响体育中心选址的要素包括：

人源：人流量和人的停留时长；周边状况：包括场地预留发展空间、区域交通状况、周边人工和人文和自然环境；城乡规划要求：包括城市总体规划中的城市发展方向和公共设施布局规划以及城市详细规划中的土地使用性质和使用强度的控制指标。

进一步的，在步骤十一中，对所得区域进行优化，包括：优化矩阵选择结果的形状和扩充选址总面积。

本发明的主要优点是：

(1)本方法通过分析手机信令数据等大数据信息来提取人群的动态行为特征，能更加准确地把握人群与城市的关系，而以往在城乡规划或选址规划中所运用的一般都是城市静态数据，很难去动态分析人群分布和活动特征，也就很难很好地完成规划工作。

(2)本方法基于大数据分析和将结果量化来对体育中心进行选址，用数据说话，更精确更有说服力，可避免人的主观判断所导致的一些错误和以往在体育中心选址规划方面所常见的一些问题。

附图说明

图1为本发明的一种基于手机信令数据的体育中心选址方法的流程图；

图2为本发明实施例中的判定居住属性区域的示意图；

图3为本发明实施例中的工作区和娱乐休闲区的聚类结果的示意图；

图4为本发明实施例中的重新划定考察时段的示意图；

图5为本发明实施例中的利用核密度估计方法所得结果以及栅格数据对应分值示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明涉及一种基于手机信令数据的体育中心的选址方法。该方法基于记录手机用户行为信息的手机信令数据，应用一定方法和算法对其进行信息挖掘，获取除了工作和居住这两种行为外的娱乐休闲属性区域；通过选址所在城市大型体育建筑的人流量信息获取人群对体育建筑的高峰使用时段；通过手机信令数据计算上述所获取区域的日均人流量和人均停留时长，并将结果进行标准化处理，将所得结果赋值给所对应的手机基站；通过ArcGis软件利用核密度估计方法获取整个选址区域的热力图，即栅格数据；确定影响体育中心选址的指标，应用层次分析法确定其权重，然后按照加权求和的方式计算每个栅格的得分；应用卷积算法求解出最优选区，并根据实际情况对选区进行优化，完成选址。

参照图1-图5所示，本发明提出了一种基于手机信令数据的体育中心选址方法的一实施例，所述方法包括如下步骤：

步骤一、获取手机信令数据、基站点经纬度数据和城市小区边界数据；

步骤二、对步骤一中的三种数据进行清洗，利用主成分分析法对数据进行降维处理；

步骤三、利用人的行为特征将行为简化为居住、工作和娱乐休闲三大类，并划定工作和娱乐休闲行为的考察时间段，为早上九点到下午五点八个小时；

步骤四、求解出各基站的覆盖区域，利用基站点和城市小区边界数据识别出居住属性的基站区域，其中，搭建的所有基站覆盖整体区域，但不知道单个的范围，一般在GIS中用泰森多边形算法求解，以研究单独的基站。这个覆盖区域一般用在研究中，实际的情况是所有的基站共同作用满足整个城市的服务，手机需要服务的时候会使用最近的基站，如果该基站服务量过大就会更换基站，而居住属性指居住行为是主要行为，几乎没有其他行为，但不止居住行为，可以理解为70％以上是居住行为；

步骤五、利用层次聚类算法对剩余基站区域的考察时段进行分析，区别出工作与娱乐休闲两类基站区域，并选取出娱乐休闲属性的基站区域；

步骤六、根据选址所在城市大型体育建筑客流情况重新定义所得区域考察时段；

步骤七、在考察时段内计算各区域的日均人流量和人均停留时长，并对结果进行标准化处理，在此基础上利用核密度估计方法得到选区热力图；

步骤八、利用城市地形数据对选区热力图进行差集处理，得到修正后的结果；

步骤九、选取影响体育中心选址的要素建立指标体系，利用层次分析法确定影响要素的权重，利用加权求和计算每一栅格的得分，选取指标与修正的结果没有关联，这些指标是与体育中心本身密切相关的，利用这些指标去评估修正后的结果，进行打分；

步骤十、将体育中心所需用地面积转化为栅格集合，利用卷积算法求解出最优区域；

步骤十一、对所得区域进行优化；

在本部分优选实施例中，在步骤四中，利用基站点和城市小区边界数据识别出居住属性的基站区域，包括以下步骤：

步骤一一、将基站点和城市小区边界数据导入ArcGis软件中；

步骤一二、在ArcGis软件中，利用泰森多边形算法求解出基站的覆盖区域；

步骤一三、在基站的覆盖区域中，提取出基站点位于小区边界范围内的基站，然后获得该基站服务区域面积和该基站范围内小区总面积，计算小区总面积占该基站服务区域面积的比例，将大于等于70％的基站选出，该基站覆盖区域即所定义的居住属性的基站区域。

具体的，基站点与小区边界的位置关系有三种：1、基站点在小区边界范围内；2、基站点在小区边界范围外；3、基站点在小区边界上。步骤四所获得基站是位于小区边界范围内。另外，利用ArcGis软件可以获得面数据，即基站服务区域和城市小区的面积。

在本部分优选实施例中，在步骤五中，所述利用层次聚类算法对剩余基站区域的考察时段进行分析，包括以下步骤：

步骤五一、定义某人在考察时间段内在A基站服务区域内总停留时间T_A计算规则：获取某人首次在A基站区域内的手机信令发生时间t_a1和进入下一基站B的手机信令发生时间t_b1，两个时间点之差Δt₁即为某人首次在A基站的停留时间，然后依次计算下一次在A基站停留的时间Δt₂，Δt₃......则所要计算的总停留时间

步骤五二、计算各基站服务区域内的人均停留时长，取值区间为(0，8)，单位为小时；

步骤五三、根据欧式距离公式

和步骤五二所得各基站服务区域内的人均停留时长计算创建各基站点人均停留时长的欧氏距离矩阵；步骤二所获得数据为一维数据，因而y值为零，将欧式距离公式简化为

步骤五四、根据欧式距离矩阵获得最高相似度的两个基站点，并将所述两个基站点组合，然后再次计算其他数据点之间的距离；组合点与其他点的距离，采用组合中各点与其他点距离的均值；

步骤五五、重复步骤五四的操作，并得到更多的组合数据点，计算组合数据点之间的距离采用Average Linkage的计算方法；

步骤五六、重复步骤五五的操作，并最终得到两个类别的聚类结果，以周一到周五五个工作日为一个周期，获得连续五天的聚类结果；

步骤五七、分析上述结果并统计区域每日的人流总量，将工作日人均停留时长较长、周末人均停留时长变短和工作日人流量较多、周末人流量变少的类别定义为工作性类别；将工作日人均停留时长较短、周末人均停留时长变长和工作日人流量较少、周末人流量变多的类别定义为娱乐休闲性类别。

具体的，在步骤五一步中，某人可能在一天之内多次进入A基站服务区域内并停留一段时间，因此需要多次计算其在A基站内的停留时间，每段停留时间一般不会连续；将每段停留时间相加，即得到某人一天内在A基站服务区域内的总停留时间。

在步骤五四中，所述的最高相似度的两个基站点，即距离D的值最小的两个点；获得D值最小的两个点后要将其变成一个组合点，然后在此基础上计算接下来距离D的值最小的两个点，并将其组合。

在步骤五六中，最少的数据周期为一周，包括周一到周五五个工作日的聚类数据，以及周六周日两个休息日的人均停留时长的统计数据，不需要对周六周日进行聚类分析。

在步骤五七中，工作性区域的人均停留时间会较长，因为人群在工作时间不会频繁更换工作区域，一般固定在一个地方，因此聚类结果偏向8h一侧，同时在周末的时候，工作性区域的人流量会显著减少；娱乐休闲性区域的人均停留时长不会太长，因为人群一般不会固定在一个地方休闲娱乐很长时间，因此聚类结果远离8h一侧，同时在周末的时候，娱乐休闲区域的人流量会显著增多。

在本部分优选实施例中，在步骤六中，所述重新定义所得区域考察时段，包括以下步骤：

步骤六一、获取近三到五年体育中心选址所在城市其他大型体育建筑的人流量统计数据，包括年份和用户登记进入的时间；

步骤六二、以半小时为基本单位，划分并统计一天内每半小时进入体育建筑的人数；

步骤六三、分析上述数据，获取一最小连续时间段，该连续时间段满足所统计人数占该日统计总人数80％及以上；

步骤六四：获取上述时间段的众数，并将所述众数作为重新定义的区域考察时段。

具体的，半小时为基本单位指的是选择像9:00—9：30这样的整区间，并以此类推划分时间段，而不是选择像9：14—9:44这样的非整区间。整区间方便时段的划分以及众数时段的选择，对于后续步骤中人均停留时间的计算也更简单和简洁。

在本部分优选实施例中，在步骤七中，具体包括以下步骤：

步骤七一、按照重新定义的时段分别计算所选取区域的日均人流量a和人均停留时长b，其中，人均停留时长计算方法参照步骤六中所述方法；

步骤七二、对所得数据分别进行离差标准化处理，将数据结果映射到[0,1]区间，计算公式如下、

其中，a_i、b_i是步骤七一所得数据，A_i、B_i是离差标准化所得数据，公式中1≤j≤n，a_j代表a₁～a_n这n个数中的任意一个，所有的a_j组成的集合就是日均人流量a的取值集合，也就是步骤七一中计算所得数据的集合。b_j同理。；

步骤七三、对标准化后的数据按照公式C_i＝A_i+B_i分别进行求和，并将结果导入ArcGis软件中赋值给对应的基站，在此基础上利用核密度估计方法得到选区热力图，即栅格数据。

具体的，标准化处理后的日均人流量和人均停留时长数据并没有对其再进行权重的分析，而只是对它们进行了同等权重的相加，在这里，本方法认为日均人流量和人均停留时长没有必要也不便对其再进行权重的分析，认为它们对于一个地区的活力反映具有同等重要的地位。

在本部分优选实施例中，在步骤八中，所述城市地形数据包括历史文化建筑和建筑群、大型公共建筑、城市重大基础设施、城市道路边界、山体林地河流湖泊等生态敏感区和自然保护区。

具体的，其中，历史文化建筑和建筑群是指那些政府公布的具有一定保护价值，能够反映历史风貌和地方特色、具有一定文物价值或建筑价值的建筑和建筑群，例如军事建筑、宫殿、宗教或祭祀和园林建筑等。大型公共建筑是指单栋建筑面积在20000㎡以上且采用中央空调的公共建筑，一般有办公建筑、商业建筑、旅游建筑、科教文卫建筑和交通建筑等。

在本部分优选实施例中，在步骤九中，所述影响体育中心选址的要素包括：

人源：人流量和人的停留时长；周边状况：包括场地预留发展空间、区域交通状况、周边人工、人文和自然环境等；城乡规划要求：包括城市总体规划中的城市发展方向和公共设施布局规划以及城市详细规划中的土地使用性质和使用强度的控制指标。

在本部分优选实施例中，在步骤十一中，对所得区域进行优化，包括：优化矩阵选择结果的形状，根据实际情况调整选址用地边界形状；扩充选址总面积，为体育中心的未来发展留有余地。

具体的，矩阵的选择结果是规整的，由几列几排的栅格组成，但是体育中心的用地并不一定是规整的或者是方正的地块，因此要结合实际情况对矩阵选择结果的形状进行优化，以更符合实际建设的需要。同时，矩阵所代表的面积只是体育中心建设所需最小的用地面积，还需要对其进行扩充，留有一定建设余地，以满足体育中心未来的发展需要。

Claims (8)

1.一种基于手机信令数据的体育中心选址方法，其特征在于，所述方法包括如下步骤：

步骤一、获取手机信令数据、基站点经纬度数据和城市小区边界数据；

步骤二、对步骤一中的三种数据进行清洗，利用主成分分析法对数据进行降维处理；

步骤三、利用人的行为特征将行为简化为居住、工作和娱乐休闲三大类，并划定工作和娱乐休闲行为的考察时间段，为早上九点到下午五点八个小时；

步骤四、求解出各基站的覆盖区域，利用基站点和城市小区边界数据识别出居住属性的基站区域；

步骤五、利用层次聚类算法对剩余基站区域的考察时段进行分析，区别出工作与娱乐休闲两类基站区域，并选取出娱乐休闲属性的基站区域；

步骤六、根据选址所在城市大型体育建筑客流情况重新定义步骤五中选取出的娱乐休闲属性的基站区域的考察时段；

步骤七、在考察时段内计算各区域的日均人流量和人均停留时长，并对结果进行标准化处理，在此基础上利用核密度估计方法得到选区热力图；

步骤八、利用城市地形数据对选区热力图进行差集处理，得到修正后的结果；

步骤九、选取影响体育中心选址的要素建立指标体系，利用层次分析法确定影响要素的权重，利用加权求和计算每一栅格的得分；

步骤十、将体育中心所需用地面积转化为栅格集合，利用卷积算法求解出最优区域；

步骤十一、对所得区域进行优化。

2.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤四中，利用基站点和城市小区边界数据识别出居住属性的基站区域，包括以下步骤：

步骤一一、将基站点和城市小区边界数据导入ArcGis软件中；

步骤一二、在ArcGis软件中，利用泰森多边形算法求解出基站的覆盖区域；

步骤一三、在基站的覆盖区域中，提取出基站点位于小区边界范围内的基站，然后获得该基站服务区域面积和该基站范围内小区总面积，计算小区总面积占该基站服务区域面积的比例，将大于等于70％的基站选出，该基站覆盖区域即所定义的居住属性的基站区域。

3.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤五中，所述利用层次聚类算法对剩余基站区域的考察时段进行分析，包括以下步骤：

步骤五一、定义某人在考察时间段内在A基站服务区域内总停留时间T_A计算规则：获取某人首次在A基站区域内的手机信令发生时间t_a1和进入下一基站B的手机信令发生时间t_b1，两个时间点之差Δt₁即为某人首次在A基站的停留时间，然后依次计算下一次在A基站停留的时间Δt₂，Δt₃......则所要计算的总停留时间

步骤五二、计算各基站服务区域内的人均停留时长，取值区间为(0，8)，单位为小时；

步骤五三、根据欧式距离公式

和步骤五二所得各基站服务区域内的人均停留时长计算创建各基站点人均停留时长的欧氏距离矩阵；步骤二所获得数据为一维数据，因而y值为零，将欧式距离公式简化为

步骤五四、根据欧式距离矩阵获得最高相似度的两个基站点，并将所述两个基站点组合，然后再次计算其他数据点之间的距离；组合点与其他点的距离，采用组合中各点与其他点距离的均值；

步骤五五、重复步骤五四的操作，并得到更多的组合数据点，计算组合数据点之间的距离采用Average Linkage的计算方法；

步骤五六、重复步骤五五的操作，并最终得到两个类别的聚类结果，以周一到周五五个工作日为一个周期，获得连续五天的聚类结果；

步骤五七、分析上述结果并统计区域每日的人流总量，将工作日人均停留时长较长、周末人均停留时长变短和工作日人流量较多、周末人流量变少的类别定义为工作性类别；将工作日人均停留时长较短、周末人均停留时长变长和工作日人流量较少、周末人流量变多的类别定义为娱乐休闲性类别。

4.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤六中，所述重新定义所得区域考察时段，包括以下步骤：

步骤六一、获取近三到五年体育中心选址所在城市其他大型体育建筑的人流量统计数据，包括年份和用户登记进入的时间；

步骤六二、以半小时为基本单位，划分并统计一天内每半小时进入体育建筑的人数；

步骤六三、分析上述数据，获取一最小连续时间段，该连续时间段满足所统计人数占该日统计总人数80％及以上；

步骤六四：获取上述时间段的众数，并将所述众数作为重新定义的区域考察时段。

5.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤七中，具体包括以下步骤：

步骤七一、按照重新定义的时段分别计算所选取区域的日均人流量a和人均停留时长b；

步骤七二、对所得数据分别进行离差标准化处理，将数据结果映射到[0,1]区间，计算公式如下、

其中，a_i、b_i是步骤七一所得数据，A_i、B_i是离差标准化所得数据；

步骤七三、对标准化后的数据按照公式C_i＝A_i+B_i分别进行求和，并将结果导入ArcGis软件中赋值给对应的基站，在此基础上利用核密度估计方法得到选区热力图，即栅格数据。

6.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤八中，所述城市地形数据包括历史文化建筑和建筑群、大型公共建筑、城市重大基础设施、城市道路边界或山体林地河流湖泊。

7.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤九中，所述影响体育中心选址的要素包括：

人源：人流量和人的停留时长；周边状况：包括场地预留发展空间、区域交通状况、周边人工和人文和自然环境；城乡规划要求：包括城市总体规划中的城市发展方向和公共设施布局规划以及城市详细规划中的土地使用性质和使用强度的控制指标。

8.根据权利要求1所述的一种基于手机信令数据的体育中心选址方法，其特征在于，

在步骤十一中，对所得区域进行优化，包括：优化矩阵选择结果的形状和扩充选址总面积。

Images