出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义。传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构。动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keogh距离和LB_Hust距离相继克服了DTW距离时间复杂度高和不对称的缺点。为了探究基于时间相似性度量的聚类算法在识别城市功能区方面的可行性,首先基于OpenStreetMap(OSM)路网数据获取研究单元,再通过滴滴订单数据提取上下车点、构建研究单元内的居民出行时间序列,然后利用PAM算法结合4种相似度度量方法进行聚类,最后结合兴趣点(POI)数据识别城市功能区,并对结果进行精度验证。结果表明,基于LB_Hust距离的PAM算法能有效挖掘高维时间序列数据,应用于城市功能区识别的精度高达86%,为应用时间序列数据进行城市研究提供了一种新的方法。     

利用轨迹数据提取城市居民出行时空分布特征

介绍了利用出租车轨迹数据提取城市居民出行时空分布特征的过程,包括利用数理统计的方法对出租车上下客事件基于时间进行特征分析;给出了一种融合核密度估计(KDE)与兴趣点(POI)分类的密度聚类算法,实现了出租车上下客热点区域的挖掘以及居民出行活动规律与城市功能区之间关系的发现.?研究表明:居民的出行活动特征在"工-休"日之...     

基于多源数据的城市功能区识别及相互作用分析

随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

利用出租车轨迹数据识别城市功能区

城市系统的复杂性使得利用出租车轨迹数据理解城市的功能区结构存在结构分区不合理、识别结果精度低及不可靠的问题。对于城市功能区研究单元划分问题,从出租车轨迹空间分布特征入手,提出了一种基于限制条件和轨迹中心线包裹的城市区域划分方法。对于功能区理解问题,针对娱乐地、工作地和居住地的出租车OD(上车点和下车点)时间分布特征,提出从娱乐区、居住区到工作区逐步进阶的功能区识别方法。分别构造了娱乐因子和居住因子对娱乐区和居住区进行提取;结合工作地出租车下车点时间分布特征,利用监督分类对工作地进行了提取。     

基于出租车GPS数据的城市居民出行时空分布研究

随着城市的快速发展,道路拥堵、打车难等问题越来越突出,严重影响了居民的出行效率和生活质量。出租车GPS数据,在一定程度上包含了部分居民出行行为的丰富信息。考虑到出租车载客事件发生于一维道路网络空间,本文提出对出租车上下客事件所在路段进行分析,得到不同时段居民出行的热门路段和区域,分析居民出行时空分布特征,有助于了解交通现状和居民出行需求,提高城市对居民出行活动的服务水平。     

出租车出行的居民活动区域与住宅价格的相关性

出租车数据能够反映居民出行的时空分布特征,与房价有密切关系。本文通过爬取链家网上公开的大连市房价数据,采用Kriging法对房价数据进行插值,生成大连市住宅价格分布图;通过获取出租车的乘降点数据,采用K-means法对乘降点数据进行聚类,得出居民出行区域的空间分布特征。通过对出租车乘降点空间分布数据与住宅价格数据的相关性进行分析,发现居民出行活动密集、频繁的区域,其周围的房价普遍偏高。实验结果表明房价与出租车数据呈正相关,对利用出租车数据研究房价具有重要意义。     

一种基于核距离的车辆轨迹点聚类方法

基于聚类算法进行车辆轨迹点信息提取与挖掘,在高精度车道信息提取与更新、道路拥堵时空分析与治理、用户出行线路规划与推荐等应用中具有重要意义。针对现有聚类算法的不足,提出基于核距离的车辆轨迹点聚类方法。首先给出车辆轨迹点的定义,分析车辆轨迹的几何特征和轨迹聚类的要求,然后基于核函数的概念,推导核距离的计算过程,提出核距离密度聚类算法,重定义密度聚类算法中核邻域、核心对象等概念,最后以郑州市出租车轨迹数据进行验证。实验表明,聚类算法在减少参数数量、结果沿道路中心线对称分布、降低计算时间、提取长类簇等方面具有显著优势,可以有效地实现有向轨迹点的聚类。     

城市居民出行O/D时空分布特征的轨迹数据提取

为了利用轨迹数据提取城市居民出行特征,该文首先从出租车全球定位系统(GPS)轨迹数据中提取上下客事件,利用数理统计的方法对其时间分布特征进行研究;继而针对城市内数据不均匀分布的特性,提出了一种基于OPTICS聚类的改进方法,通过将原始聚类结果进行局部密度峰值的计算,实现了出租车上下客事件热点区域中心的进一步提取。最后,以成都市为实证对象,结合成都市电子地图及用地布局规划图探讨了居民出行时空特征与城市空间结构的相互关系,并对其成因做出了简要的分析,证明了该文所提出方法的有效性。实验结果表明:居民在工作日和休息日的出行特征呈现出明显的差异,且受到城市功能区域分化的影响。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

使用时序出租车轨迹识别多层次城市功能结构

地理时空大数据被广泛用于城市功能结构识别，其中功能层次性的研究对于系统理解城市功能的结构特征和分布形态具有重大意义，但相关研究仍处于空缺状态。基于时序出租车出行数据和感兴趣点数据描述居民出行模式，结合动态时间规整和K-MEDOIDS聚类算法识别城市的功能属性和空间结构。研究结果表明，广州市中心城区的城市功能具有明显的层次性。随着层次细致程度的提升，其功能属性由"职-住"二元结构向"职-住-休"三元结构发展；其空间结构符合环状圈层构造，功能由外围的居住游憩向中心的商业休闲过渡，并在不同的圈层上呈现出各自的功能倾向。这为城市规划人员系统理解城市功能的属性变化和结构特征提供了有效的参考价值。     

一种城市公共自行车接驳地铁出行的时空可视化分析方法

公共自行车是城市轨道交通的重要接驳方式。为了更加清晰、直观地展示公共自行车接驳地铁出行的时空特征，本文提出了一种公共自行车租赁点接驳地铁出行客流量的时空可视化分析方法。该方法首先将地铁客流与公共自行车的IC卡数据进行预处理与时序分析，初步分析了两者之间的时序相似性；通过对地铁客流的时间聚类进行分析，得到了3种类型的出行日；然后分别对各类型出行日的相关性计算结果进行了特征可视化与空间信息可视化，实现对公共自行车接驳地铁出行时空特征的综合分析；最后运用该方法以北京市西城区宣武门地铁站为例，对该站合理范围内的公共自行车接驳地铁出行情况进行了时空可视化分析。结果表明，对地铁客流与公共自行车IC卡数据的融合可视化分析可更加全面、动态地掌握城市公共自行车接驳地铁出行的时空分布情况，该方法可为城市轨道交通站点处公共自行车租赁点的规划及建设提供量化依据。     

地理空间数据结合手机信令等多源数据刻画城市居民出行特征

本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。     

利用时序手机通话数据识别城市用地功能

城市土地利用是人的活动与城市物质空间交互所表现出的综合结果,因此人的活动与城市土地利用功能密切相关;具有不同时间段人的活动的空间聚集与分散规律的区域,其所属的社会功能属性亦不相同。随着大数据时代的到来,以居民手机数据为代表的基于位置的服务数据（local basic service,LBS）大量出现,使得实现时空全覆盖和精细化地监测城市人的活动成为可能。因此,利用手机数据的优势,能够实现从人的角度来区分识别城市用地功能类型。利用手机通话详单数据（call detail records,CDRs）提取面向地块尺度的居民通话聚合时序特征,提出了一种城市土地利用类型谱聚类识别方法。以武汉市为例进行实验分析,结果表明,该方法识别城市土地利用的平均精度为54.6%,为探知城市土地利用空间分布提供了一个有效的方法。     

城市人口时空分布估计研究进展EI北大核心CSCD

城市人口是构成城市的社会主体,是城市发展中最为活跃的因素。城市人口时空分布是城市管理需要掌握的重要信息。正确、精细化的城市人口分布数据对于城市运行与规划、城市经济发展和人民生活具有极为重要的意义,因此城市人口时空分布估计是城市地理学需要解决和研究的热点问题之一。本文以城市人口时空分布估计的关键点为核心,从以下几个方面展开综述:①空间分布单元划分方法,即城市人口分布的空间划分方式;②主要的模型和方法,从模型思想发展过程和估计对象的角度总结了6类方法并进行详细阐述;③估计结果在城市发展中的主要应用。在此基础上,本文指出了目前人口时空分布研究在空间单元构建、建模数据、建模思想和结果验证上存在的问题,同时探讨了未来的研究方向。