CN112784423A - 基于复杂网络的城市区域特征分析方法 - Google Patents

基于复杂网络的城市区域特征分析方法 Download PDF

Info

Publication number
CN112784423A
CN112784423A CN202110115945.8A CN202110115945A CN112784423A CN 112784423 A CN112784423 A CN 112784423A CN 202110115945 A CN202110115945 A CN 202110115945A CN 112784423 A CN112784423 A CN 112784423A
Authority
CN
China
Prior art keywords
grid
getting
correlation
grids
network
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
Application number
CN202110115945.8A
Other languages
English (en)
Inventor
魏志成
于娜
路佳玲
田多
李美暄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Normal University
Original Assignee
Hebei Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Normal University filed Critical Hebei Normal University
Priority to CN202110115945.8A priority Critical patent/CN112784423A/zh
Publication of CN112784423A publication Critical patent/CN112784423A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公布了一种基于复杂网络的城市区域特征分析方法，包括城市栅格划分、建立栅格网络、栅格聚类步骤。本发明通过计算栅格之间的相关性得到的栅格网络，再利用Louvain算法进行聚类得到新的城市聚类区域。本发明可以发现城市区域之间隐含的复杂关系，同时对规划城市区域、了解区域活跃模式以及认识城市区域功能提供了新的思路。

Description

基于复杂网络的城市区域特征分析方法
技术领域
本发明涉及一种城市区域特征分析方法，尤其涉及一种基于复杂网络的城市区域特征分析方法，属于城市区域聚类技术领域。
背景技术
城市区域与人类的生活息息相关，城市区域是人类赖以生活的载体。随着工业化进程和城市化进程不断的加快，城市区域之间的关系也在发生着变化，形成了相互协调、相互制约的局面。
城市区域关系可以利用城市区域的相关数据进行分析。滴滴是中国最大的打车服务公司，也是世界上最大的按需打车服务平台之一。随着创新运输服务的增加，滴滴打车服务与传统的出租车服务相比更具竞争力，以往的研究发现，打车服务的出行比例占中国所有出行方式的5.5％，比传统的出行方式高1.7％。滴滴打车服务占乘车旅行总数的85.7％，其他服务占剩余的14.3％，因此，滴滴打车可以作为实际出行的代表，滴滴出行数据可用于城市地区分类研究。这成为城市区域分析的新的数据来源。
因此，需要研究利用滴滴出行数据构建城市区域联系网络，进而分析城市区域特征的方法。
发明内容
本发明要解决的技术问题是提供一种基于复杂网络的城市区域特征分析方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于复杂网络的城市区域特征分析方法，包括以下步骤：
步骤1：建立栅格网络：按照经度和纬度将城市区域划分为一个以上栅格；以栅格为节点，边用于连接不同的栅格，建立无向图作为栅格网络；
步骤2：计算栅格网络中边的权重：边的权重为其连接的两个栅格的相关性；所述相关性计算可以根据区域行为、区域活跃模式或区域功能指标计算；
步骤3：栅格聚类：对栅格网络进行聚类；
步骤4：判断是否需要下一级划分，如果是转向步骤5，否则结束；
步骤5：选择所述步骤3聚类结果中的一类作为下一级划分区域，将其划分为1个以上栅格，以栅格为节点，建立无向图；转向步骤2。
进一步所述步骤3利用Louvain算法对栅格网络进行聚类。
更进一步，所述步骤2中根据区域行为指标计算相关性的计算方法为：
步骤2-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2-2：栅格属性计算：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，并计算栅格i和栅格j之间的区域行为相关性ABI：
Figure BDA0002920456050000021
其中，Cc(i,j)为栅格i和栅格j之间的紧密相关性，Ct(i,j)为栅格i和栅格j之间的皮尔森相关性；
栅格i和栅格j之间的紧密相关性的计算方法为：
Figure BDA0002920456050000031
其中，
Figure BDA0002920456050000032
1≤k≤ni,fij为从栅格i出发到栅格j的频次；max(fik)取fik的最大值；
Figure BDA0002920456050000033
1≤k≤ni，tij为从栅格i出发到栅格j花费的时间代价，所述时间代价为百度地图爬取的栅格i中心点到栅格j中心点路程消耗时间；ni为栅格i出发到达的栅格总数；
所述栅格i和栅格j之间的皮尔森相关性的计算方法为：
Ct(i,j)＝Pearson(Oi *,Oj *) (3)
其中，Oi *是Oi对应的一维矩阵，Oi为栅格i的输出矩阵，大小为(n-2)×24，n是所有下车的栅格数，(n-2)是删除栅格i和栅格j之后的栅格数；Oj *是Oj对应的一维矩阵，Oj为栅格j的输出矩阵，大小也为(n-2)×24。
更进一步，所述步骤2中根据区域活跃模式指标计算相关性的计算方法为：
步骤2A-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2A-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域活跃模式相关性AAPI：
AAPI＝Pearson(li,lj) (4)
其中，li是描述每小时从栅格i上车和下车次数总和变化的列表,lj是描述每小时从栅格j上车和下车次数总和变化的列表。
更进一步，所述步骤2中根据区域功能指标计算相关性的计算方法为：
步骤2B-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2B-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域功能相关性AFI：
AFI＝Pearson(l′i,l′j) (5)
其中，l′i是描述每小时从栅格i上车和下车次数差值变化的列表，l′j是描述每小时从栅格j上车和下车次数差值变化的列表。
更进一步，所述步骤3利用Louvain算法对栅格网络进行聚类时社区大小参数为默认值。
采用上述技术方案所取得的技术效果在于：
1、本发明可以对城市进行栅格化，并可以利用框架下的任意一个指标计算栅格之间的相关性，然后得到对应的区域行为、区域活跃模式和区域功能三种不同含义的栅格网络；
2、本发明在运用Louvain算法对网络进行聚类时，不需要进行参数调整，减少了人为因素，提高了城市区域聚类的准确性。
附图说明
图1是本发明的流程图；
图2是石家庄行政划分图；
图3是本发明实施例的聚类结果。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，一种基于复杂网络的城市区域特征分析方法，包括以下步骤：
步骤1：建立栅格网络：按照经度和纬度将城市区域划分为一个以上栅格；以栅格为节点，边用于连接不同的栅格，建立无向图作为栅格网络；
步骤2：计算栅格网络中边的权重：边的权重为其连接的两个栅格的相关性；所述相关性计算可以根据区域行为、区域活跃模式或区域功能指标计算；
步骤3：栅格聚类：对栅格网络进行聚类；
步骤4：判断是否需要下一级划分，如果是转向步骤5，否则结束；
步骤5：选择所述步骤3聚类结果中的一类作为下一级划分区域，将其划分为1个以上栅格，以栅格为节点，建立无向图；转向步骤2。
每次循环计算栅格网络中边的权重时，可以独立选择计算栅格相关性所依据的指标。
所述步骤3利用Louvain算法对栅格网络进行聚类。
所述步骤2中根据区域行为指标计算相关性的计算方法为：
步骤2-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2-2：栅格属性计算：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，并计算栅格i和栅格j之间的区域行为相关性ABI：
Figure BDA0002920456050000051
其中，Cc(i,j)为栅格i和栅格j之间的紧密相关性，Ct(i,j)为栅格i和栅格j之间的皮尔森相关性；
栅格i和栅格j之间的紧密相关性的计算方法为：
Figure BDA0002920456050000061
其中，
Figure BDA0002920456050000062
1≤k≤ni,fij为从栅格i出发到栅格j的频次；max(fik)取fik的最大值；
Figure BDA0002920456050000063
1≤k≤ni，tij为从栅格i出发到栅格j花费的时间代价，所述时间代价为百度地图爬取的栅格i中心点到栅格j中心点路程消耗时间；ni为栅格i出发到达的栅格总数；
皮尔森相关系数一种线性相关系数。它提供了对于变量取值范围不同的处理步骤，因此对于不同变量进行比较时，没有数值大小的影响，最后得到的相关性所衡量的是趋势的比较。本发明计算两个栅格的皮尔森相关性是调用的Python自带的统计函数库scipy.stats中相对应的pearsonr包。
所述栅格i和栅格j之间的皮尔森相关性的计算方法为：
Ct(i,j)＝Pearson(Oi *,Oj *) (3)
其中，Oi *是Oi对应的一维矩阵，Oi为栅格i的输出矩阵，大小为(n-2)×24，n是所有下车的栅格数，(n-2)是删除栅格i和栅格j之后的栅格数；Oj *是Oj对应的一维矩阵，Oj为栅格j的输出矩阵，大小也为(n-2)×24。
所述步骤2中根据区域活跃模式指标计算相关性的计算方法为：
步骤2A-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2A-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域活跃模式相关性AAPI：
AAPI＝Pearson(li,lj) (4)
其中，li是描述每小时从栅格i上车和下车次数总和变化的列表,lj是描述每小时从栅格j上车和下车次数总和变化的列表。
所述步骤2中根据区域功能指标计算相关性的计算方法为：
步骤2B-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2B-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域功能相关性AFI：
AFI＝Pearson(l′i,l′j) (5)
其中，l′i是描述每小时从栅格i上车和下车次数差值变化的列表，l′j是描述每小时从栅格j上车和下车次数差值变化的列表。
所述步骤3利用Louvain算法对栅格网络进行聚类时社区大小参数resolution为默认值。
根据地理经纬度，将城市划分成多个栅格，每一个栅格大小为1000×1000。划分后的数据包括上车纬度、上车经度、上车所属地块、下车纬度、下车经度、下车所属地块、订单设置的出发地、订单结束信息、订单发起时间、订单结束时间。
具体数据如下：
S1:37.597749 114.595091 2686 37.609610 114.615456 2872 S393|高邑县公路站 高邑县|飞跃台球俱乐2018-03-03 19:01:12 2018-03-03 19:17:00
S2:37.583335 114.609188 2503 37.605864 114.598578 2870 高邑县|大夫庄村 高邑县|高邑汽车站2018-03-03 13:04:43 2018-03-03 13:23:32
S3:37.642844 114.384020 3585 37.660159 114.378798 3952河北省石家庄市赞皇县金都华府(232省道西140米)赞皇县中医院-东门2018-03-03 07:59:47 2018-03-0308:08:13
划分完栅格之后，建立栅格网络；以栅格为节点，边用于连接不同的栅格，建立无向图作为栅格网络。
计算栅格网络中边的权重：边的权重为其连接的两个栅格的相关性。本实例中计算栅格之间相关性使用的是区域行为指标ABI。
利用Louvain算法对得到的栅格网络进行聚类，得到新的城市区域聚类结果。Louvain算法是一种基于多层次优化Modularity的算法，它的优点是快速、准确，被认为是性能最好的社区发现算法之一。运用python自带的Louvain包对得到的栅格网络进行聚类时，并没有对更改社区大小参数resolution做任何调整，用的是默认值1。聚类结果如图1所示。
表1
Figure BDA0002920456050000081

Claims (6)

1.一种基于复杂网络的城市区域特征分析方法，其特征在于：包括以下步骤：
步骤1：建立栅格网络：按照经度和纬度将城市区域划分为一个以上栅格；以栅格为节点，边用于连接不同的栅格，建立无向图作为栅格网络；
步骤2：计算栅格网络中边的权重：边的权重为其连接的两个栅格的相关性；所述相关性计算可以根据区域行为、区域活跃模式或区域功能指标计算；
步骤3：栅格聚类：对栅格网络进行聚类；
步骤4：判断是否需要下一级划分，如果是转向步骤5，否则结束；
步骤5：选择所述步骤3聚类结果中的一类作为下一级划分区域，将其划分为1个以上栅格，以栅格为节点，建立无向图；转向步骤2。
2.根据权利要求1所述的基于复杂网络的城市区域特征分析方法，其特征在于：所述步骤3利用Louvain算法对栅格网络进行聚类。
3.根据权利要求1所述的基于复杂网络的城市区域特征分析方法，其特征在于：根据区域行为指标计算相关性的计算方法为：
步骤2-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2-2：栅格属性计算：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，并计算栅格i和栅格j之间的区域行为相关性ABI：
Figure FDA0002920456040000021
其中，Cc(i，j)为栅格i和栅格j之间的紧密相关性，Ct(i，j)为栅格i和栅格j之间的皮尔森相关性；
栅格i和栅格j之间的紧密相关性的计算方法为：
Figure FDA0002920456040000022
其中，
Figure FDA0002920456040000023
fij为从栅格i出发到栅格j的频次；max(fik)取fik的最大值；
Figure FDA0002920456040000024
tij为从栅格i出发到栅格j花费的时间代价，所述时间代价为百度地图爬取的栅格i中心点到栅格j中心点路程消耗时间；ni为栅格i出发到达的栅格总数；
所述栅格i和栅格j之间的皮尔森相关性的计算方法为：
Ct(i，j)＝Pearson(Oi *，Oj *) (3)
其中，Oi *是Oi对应的一维矩阵，Oi为栅格i的输出矩阵，大小为(n-2)×24，n是所有下车的栅格数，(n-2)是删除栅格i和栅格j之后的栅格数；Oj *是Oj对应的一维矩阵，Oj为栅格j的输出矩阵，大小也为(n-2)×24。
4.根据权利要求1所述的基于复杂网络的城市区域特征分析方法，其特征在于：所述步骤2中根据区域活跃模式指标计算相关性的计算方法为：
步骤2A-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2A-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域活跃模式相关性AAPI：
AAPI＝Pearson(li，lj) (4)
其中，li是描述每小时从栅格i上车和下车次数总和变化的列表，lj是描述每小时从栅格j上车和下车次数总和变化的列表。
5.根据权利要求1所述的基于复杂网络的城市区域特征分析方法，其特征在于：所述步骤2中根据区域功能指标计算相关性的计算方法为：
步骤2B-1：采集数据：所述数据包括匿名ID、上车经度、上车纬度、下车经度、下车纬度、订单发起时间、订单结束时间；
步骤2B-2：根据所述数据和所述步骤1划分的栅格，确定各条数据的起始栅格和终止栅格，计算栅格i和栅格j之间的区域功能相关性AFI：
AFI＝Pearson(l′i，l′j) (5)
其中，l′i是描述每小时从栅格i上车和下车次数差值变化的列表，l′j是描述每小时从栅格j上车和下车次数差值变化的列表。
6.根据权利要求2所述的基于复杂网络的城市区域特征分析方法，其特征在于：利用Louvain算法对栅格网络进行聚类时社区大小参数为固定值。
CN202110115945.8A 2021-01-28 2021-01-28 基于复杂网络的城市区域特征分析方法 Pending CN112784423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110115945.8A CN112784423A (zh) 2021-01-28 2021-01-28 基于复杂网络的城市区域特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110115945.8A CN112784423A (zh) 2021-01-28 2021-01-28 基于复杂网络的城市区域特征分析方法

Publications (1)

Publication Number Publication Date
CN112784423A true CN112784423A (zh) 2021-05-11

Family

ID=75759239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110115945.8A Pending CN112784423A (zh) 2021-01-28 2021-01-28 基于复杂网络的城市区域特征分析方法

Country Status (1)

Country Link
CN (1) CN112784423A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079148A (zh) * 2023-10-17 2023-11-17 腾讯科技（深圳）有限公司 城市功能区的识别方法、装置、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2897088A1 (en) * 2014-01-16 2015-07-22 Fundació Privada Barcelona Digital Centre Tecnologic Method and apparatus for optimum spatial clustering
CN106503714A (zh) * 2016-10-11 2017-03-15 湖州师范学院 一种基于兴趣点数据识别城市功能区的方法
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法
CN109614458A (zh) * 2018-12-20 2019-04-12 中国人民解放军战略支援部队信息工程大学 基于导航数据的城市社区结构挖掘方法与装置
CN109740957A (zh) * 2019-01-11 2019-05-10 江苏省城市规划设计研究院 一种城市交通网络节点分类方法
CN109949574A (zh) * 2018-05-18 2019-06-28 中山大学 一种数据驱动的城市路网交通小区多级划分方法
US20200336400A1 (en) * 2019-04-22 2020-10-22 Oath Inc. Efficient Density Based Geo Clustering

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2897088A1 (en) * 2014-01-16 2015-07-22 Fundació Privada Barcelona Digital Centre Tecnologic Method and apparatus for optimum spatial clustering
CN106503714A (zh) * 2016-10-11 2017-03-15 湖州师范学院 一种基于兴趣点数据识别城市功能区的方法
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法
CN109949574A (zh) * 2018-05-18 2019-06-28 中山大学 一种数据驱动的城市路网交通小区多级划分方法
CN109614458A (zh) * 2018-12-20 2019-04-12 中国人民解放军战略支援部队信息工程大学 基于导航数据的城市社区结构挖掘方法与装置
CN109740957A (zh) * 2019-01-11 2019-05-10 江苏省城市规划设计研究院 一种城市交通网络节点分类方法
US20200336400A1 (en) * 2019-04-22 2020-10-22 Oath Inc. Efficient Density Based Geo Clustering

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079148A (zh) * 2023-10-17 2023-11-17 腾讯科技（深圳）有限公司 城市功能区的识别方法、装置、设备和介质
CN117079148B (zh) * 2023-10-17 2024-01-05 腾讯科技（深圳）有限公司 城市功能区的识别方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN109743683B (zh) 一种采用深度学习融合网络模型确定手机用户位置的方法
CN108181607B (zh) 基于指纹库的定位方法、装置及计算机可读存储介质
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及***
CN103889051B (zh) 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法
CN108282860A (zh) 数据处理方法及装置
US20120220274A1 (en) Position information analysis device and position information analysis method
CN104320795A (zh) 一种多维度的无线网络健康度评估方法
CN110134865B (zh) 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台
CN112506972B (zh) 用户常驻区域定位方法、装置、电子设备以及存储介质
CN114926098B (zh) 基于移动定位数据的城乡生活圈快速划定方法及其***
CN112738729B (zh) 一种用手机信令数据判别探亲返乡游客的方法及***
CN111881243A (zh) 一种出租车轨迹热点区域分析方法及***
CN115082250B (zh) 个体移动与生态空间的网络关系分析方法、装置及终端
Shinkuma et al. Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning
CN113256405B (zh) 欺诈用户集中区域的预测方法、装置、设备及存储介质
CN112784423A (zh) 基于复杂网络的城市区域特征分析方法
CN109064750B (zh) 城市路网交通估计方法及***
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN112101132A (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
Ferreira et al. Dynamic Identification of Stop Locations from GPS Trajectories Based on Their Temporal and Spatial Characteristics
CN113947123B (zh) 人员轨迹识别方法、***、存储介质和设备
KR102241221B1 (ko) 관심 지역공간의 세분화 장치 및 방법
CN112529311B (zh) 一种基于图卷积分析的道路流量预测方法和装置
CN114565031A (zh) 基于经纬度的车队识别方法、装置及计算机设备
CN114254250A (zh) 一种考虑时空非平稳性的网约车出行需求预测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210511