CN111507879A - 一种城市空间结构识别方法 - Google Patents
一种城市空间结构识别方法 Download PDFInfo
- Publication number
- CN111507879A CN111507879A CN202010296525.XA CN202010296525A CN111507879A CN 111507879 A CN111507879 A CN 111507879A CN 202010296525 A CN202010296525 A CN 202010296525A CN 111507879 A CN111507879 A CN 111507879A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- traffic
- urban
- travel
- 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 44
- 230000000694 effects Effects 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 40
- 238000011161 development Methods 0.000 abstract description 9
- 230000033764 rhythmic process Effects 0.000 abstract 1
- 238000003064 k means clustering Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于轨道交通技术领域,特别是涉及一种城市空间结构识别方法。目前关于城市活动空间结构研究不符合现今城市发展的节奏;在城市活动空间结构方面研究尚缺;与目前城市发展的现状不符;使聚类结果产生一些误差,甚至可能与实际不符。本申请提供了一种城市空间结构识别方法,所述方法包括:基于交通方式的出行数据进行出行OD数据的提取,并和交通小区进行空间匹配,获取基于交通小区的OD矩阵,作为模型输入的原始数据;构建基于交通小区OD数据进行不同交通方式需求分布的空间结构特征识别模型;对交通网络进行聚类分析,评估所述模型在活动空间识别方面的有效性及实用性。多角度分析城市活动空间层次结构,符合现如今出行现状。
Description
技术领域
本申请属于轨道交通技术领域,特别是涉及一种城市空间结构识别方法。
背景技术
随着城市的不断发展,城市内的结构日益复杂。尤其是近几年城市轨道交通凭借其运量大、速度快、准时性高、污染小、安全性等优势,在中国迎来了爆发式发展,已成为大中型城市中不可或缺的公共交通工具。截止2017年底,我国已有34个城市开通165条城市轨道交通运营线路,总里程高达5032.7公里,其中地铁3883.6公里,占比77.2%。如此大规模的建设活动,对城市的发展产生了不可估量的影响,尤其对城市内活动空间的影响更加巨大。地铁交通网络的加入,对城市结构的研究提出了新的方向和挑战。
城市活动空间结构的研究涉及到城市的方方面面,包括城市内的土地利用、人口分布,居民出行活动以及社会和经济活动等,正是因为城市空间结构的复杂性,在轨道交通的加入之后,因其运量大、速度快等特点对人们出行活动产生的吸引,使得其渗透到城市活动的各个方面,对城市网络结构的影响更加深入和复杂。因此如何精确掌握城市结构变化的特征,城市活动空间的结构层次成为至关重要的一步。
目前关于城市活动空间结构研究主要有以下几个问题:(1)大部分研究的基础数据是城市的人口分布和土地使用的数据,这些种类的数据不仅获取条件困难,耗时耗力,不利于研究人员的广泛使用,而且获取的数据具有明显的时间滞后性,不符合现今城市发展的节奏。(2)目前有关交通网络的研究主要集中于利用某一种交通网络的OD数据进行通勤和职住分析,在城市活动空间结构方面研究尚缺。(3)研究大多集中于一种交通方式,这与目前城市发展的现状不符。现如今城市出行网络一体化,人们出行活动不单单使用一种交通方式,建立起一个统一的出行链分析模型成为一个趋势。(4)目前的研究中一般使用K-Means聚类或基于密度的聚类方法(如DBSCAN),这些方法都有一些缺点,比如K-Means聚类需要提前确定数据的种类数,DBSCAN聚类需要预先设定一些参数,这些都使聚类结果产生一些误差,甚至可能与实际不符。
发明内容
1.要解决的技术问题
基于目前关于城市活动空间结构研究主要有以下几个问题:(1)大部分研究的基础数据是城市的人口分布和土地使用的数据,这些种类的数据不仅获取条件困难,耗时耗力,不利于研究人员的广泛使用,而且获取的数据具有明显的时间滞后性,不符合现今城市发展的节奏。(2)目前有关交通网络的研究主要集中于利用某一种交通网络的OD数据进行通勤和职住分析,在城市活动空间结构方面研究尚缺。(3)研究大多集中于一种交通方式,这与目前城市发展的现状不符。现如今城市出行网络一体化,人们出行活动不单单使用一种交通方式,建立起一个统一的出行链分析模型成为一个趋势。(4)目前的研究中一般使用K-Means聚类或基于密度的聚类方法(如DBSCAN),这些方法都有一些缺点,比如K-Means聚类需要提前确定数据的种类数,DBSCAN聚类需要预先设定一些参数,这些都使聚类结果产生一些误差,甚至可能与实际不符的问题,本申请提供了一种城市空间结构识别方法。
2.技术方案
为了达到上述的目的,本申请提供了一种城市空间结构识别方法,所述方法包括如下步骤:
步骤1):基于交通方式的出行数据进行出行OD数据的提取,并和交通小区进行空间匹配,获取基于交通小区的OD矩阵,作为模型输入的原始数据;
步骤2):构建基于交通小区OD数据进行不同交通方式需求分布的空间结构特征识别模型;
步骤3):对交通网络进行聚类分析,评估所述模型在活动空间识别方面的有效性及实用性。
本申请提供的另一种实施方式为:所述步骤1)中交通方式的出行数据为4种,所述4种交通方式的出行数据包括共享单车数据、公交车刷卡数据、出租车数据和地铁刷卡数据。
本申请提供的另一种实施方式为:所述步骤1)中出行OD数据的提取包括对数据进行初步的筛选清洗,保留没有错误完整的数据。
本申请提供的另一种实施方式为:所述清洗规则为:①剔除字段缺失的记录,只保留字段完整的记录;
②剔除具有明显逻辑问题的数据;
③对于单车数据,剔除订单数据中出行时间大于6小时的记录;
④剔除订单数据中出行时间小于120秒的记录;
⑤删除单车出行距离小于0.1千米的数据;
⑥轨道交通刷卡数据删除临时卡数据。
本申请提供的另一种实施方式为:所述步骤2)中模型为聚类模型,所述聚类模型基于信息熵的Infomap算法。
本申请提供的另一种实施方式为:所述步骤3)中对交通网络进行聚类分析包括结合获取的空间距离数据,修正聚类模型;与原模型进行比较,分析空间距离在城市活动中的影响。
本申请提供的另一种实施方式为:所述步骤3)中对交通网络进行聚类分析包括基于北京市交通网络数据,以交通小区OD矩阵作为模型的输入,得到以交通小区为单位的聚类结果。
本申请提供的另一种实施方式为:还包括将所述聚类结果在gis中进行可视化。
本申请提供的另一种实施方式为:所述可视化结果包括共享单车模型结果、公交车模型结果、出租车模型结果和地铁模型结果。
本申请提供的另一种实施方式为:所述共享单车模型结果详细展示了共享单车网络的聚类特征,聚类社区密集,边界划分明显,社区聚类面积从城中心依次呈现递增趋势。
3.有益效果
与现有技术相比,本申请提供的一种城市空间结构识别方法的有益效果在于:
本申请提供的城市空间结构识别方法,基于城市网络中主流的四种公共交通方式(共享单车、公交、出租、地铁)产生的数据,进行社区组团识别,进而研究城市居民活动空间层次的方法。
本申请提供的城市空间结构识别方法,首先从城市内居民出行的角度出发,基于城市内的交通网络(共享单车、公交车、出租车、地铁)产生的数据为基础,构建了基于交通小区OD数据进行不同交通方式需求分布的空间结构特征识别模型,从出行需求的角度挖掘城市内的活动空间。模型采用了基于信息熵理论的Infomap算法,该原理相对于其他的社区划分算法具有更高的效率和精准度。模型同时考虑了空间距离的因素对聚类产生的影响,对模型进行了改进。并与原始模型进行比较,研究空间距离因素的影响程度,改变了目前城市结构研究中单一静态的特征,其他因素可以借鉴。最后对北京市的交通网络进行了聚类分析,用以评估该模型的在活动空间识别方面的有效性及实用性。
本申请提供的城市空间结构识别方法,多角度分析城市活动空间层次结构,符合现如今出行现状。
本申请提供的城市空间结构识别方法,为基于不同层次的交通出行结构,利用信息熵的原理探索城市交通出行层次结构的建模方法。
附图说明
图1是本申请的城市空间结构识别方法原理示意图;
图2是本申请的基于北京市六环内共享单车出行网络的组团划分结果示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
城市活动空间结构层次的研究涉及到的领域很多,也就衍生出许多的研究模型、研究方向和方法。一般认为,城市活动空间结构的研究起于Clark人口密度模型,该模型的研究思路是基于城市人口的分布进行研究。自Clark模型之后,大批有关城市结构的研究方法大量涌现,而随着交通大数据以及电子信息技术的发展,在城市结构的研究也发生了巨大的变化,从密度函数、回归模型的研究慢慢延伸到利用交通智能卡数据来识别城市的结构特征。近几年的研究还涉及到了手机数据,POI数据等。
在城市活动空间层次研究方面,龙瀛等人(2012)利用公交刷卡数据分析北京职住关系和通勤出行,结合公交出行方式,从人口就业分布的角度对城市结构特征进行了相关的研究。刘曦等人(2015)利用上海出租车数据建立复杂网络,通过社区组团划分建立了双层空间城市结构,并通过区分出行距离的长短,挖掘潜在的城市空间结构。黄伟力等人(2017)以兴趣点数据(POI)为切入点研究城市中、微观尺度下城帀的空间结构,包括城帀空间功能构成、空间分布特征及其聚散规律。中观尺度下研究兴趣点的分布可以识别行业聚集子区,进而划分城市功能分区;微观尺度下的研究主要集中于街角兴趣点的研究,因街角具有较强的局部聚集效应和中心引力,其兴趣点的分类分布体现出了明显的行业空间分布特征,也是城市结构研究的一个角度。
OD命令用途是以指定格式显示文件。
常见的文件为文本文件和二进制文件。此命令主要用来查看保存在二进制文件中的值。比如,程序可能输出大量的数据记录,每个数据是一个单精度浮点数。这些数据记录存放在一个文件中,如果想查看下这个数据,这时候OD命令就派上用场了。
参见图1~2,本申请提供一种城市空间结构识别方法,所述方法包括如下步骤:
步骤1):基于交通方式的出行数据进行出行OD数据的提取,并和交通小区进行空间匹配,获取基于交通小区的OD矩阵,作为模型输入的原始数据;
步骤2):构建基于交通小区OD数据进行不同交通方式需求分布的空间结构特征识别模型;
步骤3):对交通网络进行聚类分析,评估所述模型在活动空间识别方面的有效性及实用性。
第一,对四种交通大数据进行筛选提取处理,获取出行的OD分布及空间距离。第二,基于信息熵的理论进行OD数据的组团划分,该理论的依据是通过对网络中流动的信息进行编码来获取组团的结构,组团划分的本质就是让网络中所有信息流的编码最短,即为最有效的划分思路。第三,结合获取的空间距离数据,修正聚类模型。与原模型进行比较,分析空间距离在城市活动中的影响。最后,根据案例研究的结果,分析城市活动空间的层次结构,用以指导城市交通网络的资源调配,帮助城市进行合理的规划。
进一步地,所述步骤1)中交通方式的出行数据为4种,所述4种交通方式的出行数据包括共享单车数据、公交车刷卡数据、出租车数据和地铁刷卡数据。本申请使用的数据选取天气晴朗,无雾霾的某一工作日,包括北京市六环内的共享单车数据、公交车刷卡数据、出租车数据以及地铁刷卡数据。
进一步地,所述步骤1)中出行OD数据的提取包括对数据进行初步的筛选清洗,保留没有错误完整的数据。
进一步地,所述清洗规则为:①剔除字段缺失的记录,只保留字段完整的记录;
②剔除具有明显逻辑问题的数据;比如上车时间晚于下车时间等;
③对于单车数据,剔除订单数据中出行时间大于6小时的记录;正常的共享单车出行时间在半个小时之内,有个别数据明显远大于正常骑行时间,也不符合本申请的研究范围;
④考虑单车出行时间大于2分钟,因此剔除订单数据中出行时间小于120秒的记录;;
⑤删除单车出行距离小于0.1千米的数据;
⑥轨道交通刷卡数据删除临时卡数据。
进一步地,所述步骤2)中模型为聚类模型,所述聚类模型基于信息熵的Infomap算法。
本申请采用的模型是基于信息熵的原理,模型理论是Rosvall和Axelsson于2009年提出,作者称之为the Map Equation,核心思想是,好的社区划分要令网络上流的平均描述长度最短。他们认为,分析有向加权网络的一个好的视角是观察某类实体(货币、能量、信息)在网络上的流动,即使没有实体流动的数据,我们也可以根据网络的基本结构来推测随机游走粒子的轨迹,然后对得到的“平均流”进行信息编码。对“平均流”的描述长度最短的编码机制,就对应着对社区的一种最有效划分。
总结以上理论的公式表达如下:
L(M):模块划分M的每步描述长度,是描述随机漫步者每步代码平均长度的下界。
H(Q):索引码本中码字的频率加权平均长度。使用模块码本的相对速率的熵度量了理论上可能的最小平均码字长度。
H(Pi):模组码本i中码字的频率加权平均长度。随机漫步者退出模组i并访问模组i中的每个节点的相对速率的熵,测量了理论上可能的最小平均码字长度。
进一步地,所述步骤3)中对交通网络进行聚类分析包括结合获取的空间距离数据,修正聚类模型;与原模型进行比较,分析空间距离在城市活动中的影响。
进一步地,所述步骤3)中所述对交通网络进行聚类分析包括基于北京市交通网络数据,以交通小区OD矩阵作为模型的输入,得到以交通小区为单位的聚类结果。
进一步地,还包括将所述聚类结果在gis中进行可视化。
进一步地,所述可视化结果包括共享单车模型结果、公交车模型结果、出租车模型结果和地铁模型结果。
进一步地,所述共享单车模型结果详细展示了共享单车网络的聚类特征,聚类社区密集,边界划分明显,社区聚类面积从城中心依次呈现递增趋势。
本申请基于北京市交通网络数据,以交通小区OD矩阵作为模型的输入,得到以交通小区为单位的聚类结果。因模型输出的数据不方便对聚类结果进行详细的分析,所以将聚类的结果在gis中进行可视化,得到的结果见图2。
共享单车模型结果表明:共享单车主要集中在五环内活动。共享单车在四环内的出行量远远大于五环及五环外的出行量。共享单车集中区在3-5公里范围内,通常围绕一个城市功能区,例如中关村。因为在近距离的出行中,单车是最便捷的出行方式。作为解决最后一公里的接驳***通工具,共享单车高度活跃的地区通常是围绕高客流量的轨道站点实现的。
公交车模型结果表明:公交网络组团的城市空间结构可大致分为9个组团。第一,图中交通小区聚类分布的宏观结构特征反映出城市区划及土地利用现状对公交需求分布的影响。第二,公交聚类的扇形结构说明了城市主要的通勤模式为向心模式。第三,这种聚类模型还可以识别出城市内的极端通勤区域(如回龙观、大兴和通州等),这也是城市内交通规划的重点区域。对公交引入距离因素进行模型聚类研究,可以在原本的结构上更加细化其内部的结构特征,对于微观结构的研究具有一定的价值。同时还能为这些组团内部线路的优化提出改进的方向。
出租车模型结果说明:出租车网络的城市结构基本呈现单一组团分布。这种聚类方式说明城区及附近交通小区之间的出行规律相似,连接密切。这反映了出租车的接驳距离相对更远。
地铁模型结果说明:轨道交通作为一种大运量、集中式的交通方式,对于交通分析区(TAZ)并不是全覆盖的,轨道交通枢纽的节点性非常明显。由于轨道交通大运量及远距离的接驳范围,数据中反映出各个交通小区之间的出行活动和频率较高,表现出城市空间单一组团特征。
从模型到案例可以看出,本申请正好弥补了现如今该研究板块的空缺,模型正好解决了目前主流聚类模型中的缺点,并以城市内交通出行作为切入点,涉及到城市中主要的四种方式,基本涵盖了城市内交通出行的各个方面,为城市内空间层次结构的研究提供了一个思路。在本申请的基础上,可以研究不同因素对交通结构产生的影响,,从不同角度解读城市出行结构的各个形态,用以指导交通资源调配、城市规划都有一定的意义。
本申请从最终的模型输出结果分析可知,具有一定的可行性。结果较其他研究方案更加全面,模型在大数据处理分析上效率更高,准确性良好,填补了利用多源交通数据探索城市空间结构这一空白。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种城市空间结构识别方法,其特征在于:所述方法包括如下步骤:
步骤1):基于交通方式的出行数据进行出行OD数据的提取,并和交通小区进行空间匹配,获取基于交通小区的OD矩阵,作为模型输入的原始数据;
步骤2):构建基于交通小区OD数据进行不同交通方式需求分布的空间结构特征识别模型;
步骤3):对交通网络进行聚类分析,评估所述模型在活动空间识别方面的有效性及实用性。
2.如权利要求1所述的城市空间结构识别方法,其特征在于:所述步骤1)中交通方式的出行数据为4种,所述4种交通方式的出行数据包括共享单车数据、公交车刷卡数据、出租车数据和地铁刷卡数据。
3.如权利要求1所述的城市空间结构识别方法,其特征在于:所述步骤1)中出行OD数据的提取包括对数据进行初步的筛选清洗,保留没有错误完整的数据。
4.如权利要求3所述的城市空间结构识别方法,其特征在于:所述清洗规则为:①剔除字段缺失的记录,只保留字段完整的记录;
②剔除具有明显逻辑问题的数据;
③对于单车数据,剔除订单数据中出行时间大于6小时的记录;
④剔除订单数据中出行时间小于120秒的记录;
⑤删除单车出行距离小于0.1千米的数据;
⑥轨道交通刷卡数据删除临时卡数据。
5.如权利要求1所述的城市空间结构识别方法,其特征在于:所述步骤2)中模型为聚类模型,所述聚类模型基于信息熵的Infomap算法。
6.如权利要求1所述的城市空间结构识别方法,其特征在于:所述步骤3)中对交通网络进行聚类分析包括结合获取的空间距离数据,修正聚类模型;与原模型进行比较,分析空间距离在城市活动中的影响。
7.如权利要求6所述的城市空间结构识别方法,其特征在于:所述步骤3)中所述对交通网络进行聚类分析包括基于北京市交通网络数据,以交通小区OD矩阵作为模型的输入,得到以交通小区为单位的聚类结果。
8.如权利要求7所述的城市空间结构识别方法,其特征在于:还包括将所述聚类结果在gis中进行可视化。
9.如权利要求8所述的城市空间结构识别方法,其特征在于:所述可视化结果包括共享单车模型结果、公交车模型结果、出租车模型结果和地铁模型结果。
10.如权利要求9所述的城市空间结构识别方法,其特征在于:所述共享单车模型结果详细展示了共享单车网络的聚类特征,聚类社区密集,边界划分明显,社区聚类面积从城中心依次呈现递增趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296525.XA CN111507879A (zh) | 2020-04-15 | 2020-04-15 | 一种城市空间结构识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296525.XA CN111507879A (zh) | 2020-04-15 | 2020-04-15 | 一种城市空间结构识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507879A true CN111507879A (zh) | 2020-08-07 |
Family
ID=71876095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010296525.XA Pending CN111507879A (zh) | 2020-04-15 | 2020-04-15 | 一种城市空间结构识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507879A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及*** |
CN112288048A (zh) * | 2020-12-28 | 2021-01-29 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
CN113096377A (zh) * | 2021-02-18 | 2021-07-09 | 西南交通大学 | 一种基于城市异质性的车辆合乘规划方法 |
CN116362422A (zh) * | 2023-05-31 | 2023-06-30 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
-
2020
- 2020-04-15 CN CN202010296525.XA patent/CN111507879A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
Non-Patent Citations (4)
Title |
---|
冯健,周一星: "中国城市内部空间结构研究进展与展望" * |
徐晓伟;杜一;周园春;: "基于多源出行数据的居民行为模式分析方法" * |
杜华兵;陈金川;刘铮;: "交通影响分析中出行结构指标研究――以北京市为例" * |
黄丽平: ""基于轨迹数据的城市交通网络监控方法研究"" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及*** |
CN112184088B (zh) * | 2020-11-12 | 2022-05-17 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及*** |
CN112288048A (zh) * | 2020-12-28 | 2021-01-29 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
CN112288048B (zh) * | 2020-12-28 | 2021-03-26 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
CN113096377A (zh) * | 2021-02-18 | 2021-07-09 | 西南交通大学 | 一种基于城市异质性的车辆合乘规划方法 |
CN113096377B (zh) * | 2021-02-18 | 2022-07-29 | 西南交通大学 | 一种基于城市异质性的车辆合乘规划方法 |
CN116362422A (zh) * | 2023-05-31 | 2023-06-30 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
CN116362422B (zh) * | 2023-05-31 | 2023-08-08 | 清华大学 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507879A (zh) | 一种城市空间结构识别方法 | |
CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN104318758B (zh) | 基于多层次多模式的公交线网规划方法 | |
CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN110377807B (zh) | 城市群功能联系与空间格局分析方法及*** | |
CN106157624B (zh) | 基于交通定位数据的多粒度道路分流可视分析方法 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
CN115879737A (zh) | 一种基于密度和出入度平衡聚类的共享单车站点选址方法 | |
CN109325614B (zh) | 一种基于gis的汽车站选址方法 | |
CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及*** | |
CN108304470A (zh) | 一种基于ArcGIS的城市地铁路径规划方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN109558978B (zh) | 基于出行距离的区域交通方式划分方法 | |
Feng et al. | Construction rules of urban rail transit network based on complex network eigenvalue | |
CN115345354A (zh) | 基于超图深度网络的城市多方式交通超网络态势预测方法 | |
CN115206104A (zh) | 一种基于手机信令数据的城市居民交通出行方式识别方法 | |
CN113870559A (zh) | 一种基于大数据车联网的交通流量计算方法 | |
CN112183597A (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
CN111833229A (zh) | 一种基于地铁依赖度的出行行为时空分析方法及装置 | |
Jia | Study on evaluation model of traffic superiority degree in Yunnan Province |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200807 |