城市兴趣点(Point of Interest,POI)数据主要是指涵盖城市交通设施、餐饮设施、学校、风景名胜区等具有地理实体的城市设施的位置与属性信息。基于POI数据,通过数据重分类与赋值,将上海城市空间分为绿色基础设施辐射区、道路与交通服务...城市兴趣点(Point of Interest,POI)数据主要是指涵盖城市交通设施、餐饮设施、学校、风景名胜区等具有地理实体的城市设施的位置与属性信息。基于POI数据,通过数据重分类与赋值,将上海城市空间分为绿色基础设施辐射区、道路与交通服务区、公共服务设施区、居住区、商业区、工业区六大类,分别研究现有不同分类下城市功能辐射程度与范围,并在此基础上从横向6类空间之间与纵向绿地建设深度2个角度评价上海绿地空间结构。并基于用地现状图对功能区识别图进行验证,结果表明,基于POI数据的城市用地识别与绿地评价图准确度较高、分类更为细致,具有实际应用价值。展开更多
近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(...近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(Point-of-Interest)推荐系统带来了巨大的发展机遇.但是如何建模这些上下文信息对POI推荐的影响并将它们有效地融合成为了一大难点,另外用户签到数据的稀疏性也为POI推荐带来巨大的挑战.为了克服上述挑战,该文提出了一个基于矩阵分解的上下文感知POI推荐模型.具体地,该文从多个方面建模用户的签到行为,除了利用用户的签到数据,还考虑了POI的地理位置对用户签到行为的影响,用户更愿意访问那些距离近并且符合自身偏好的POI.另外,为了进一步缓解签到数据的稀疏性,该文还利用了用户社交网络数据和POI类别信息.最后,该文提出了一个通用的矩阵分解模型,它能有效地融合上述上下文信息,并且具有良好的可扩展性和较低的时间复杂度.在两个真实的LBSN数据集上的实验结果表明,该文提出的方法在推荐的准确性上远优于当前流行的POI推荐算法.展开更多
地图用户兴趣点(POI)数据能够反映微观尺度上城市系统中的人类活动。利用2015年夏季Landsat 8遥感影像提取了南京市地表温度和主要土地覆盖类型,利用空间与非空间多元回归模型在2、5、10 km 3个尺度上研究了地表温度与同期POI密度及植...地图用户兴趣点(POI)数据能够反映微观尺度上城市系统中的人类活动。利用2015年夏季Landsat 8遥感影像提取了南京市地表温度和主要土地覆盖类型,利用空间与非空间多元回归模型在2、5、10 km 3个尺度上研究了地表温度与同期POI密度及植被和水体盖度的相关性,并利用方差分解技术定量区分人类活动因子(POI密度)及生态基础设施(植被和水体盖度)对城市热场的相对重要性。结果表明,在3个观测尺度上,POI密度与地表温度均存在极显著的正相关(P<0.001),且相关性随观测尺度的增大而升高。植被和水体均具有显著的降温效应,水体盖度与地表温度的相关性仅在2 km尺度上显著,在5 km和10km尺度上其降温效应不再显著。方差分解结果表明,人类活动因子和生态基础设施对地表温度的独立解释率为1.6%—15%,而二者共同解释率达到了40%—70%。研究表明POI作为城市功能节点可以综合反映城市中人类活动的热源强度,在城市热场空间格局研究中是一种可与遥感数据互补的有用数据源。展开更多
城市化的发展往往伴随着城市中心结构体系的变化,大数据研究兴起为城市空间结构发展研究带来了新思路。本文以长沙市中心六区为研究区域,针对现有基于POI(point of interest)大数据研究城市中心体系中存在的一些问题,引入了CRITIC算法,...城市化的发展往往伴随着城市中心结构体系的变化,大数据研究兴起为城市空间结构发展研究带来了新思路。本文以长沙市中心六区为研究区域,针对现有基于POI(point of interest)大数据研究城市中心体系中存在的一些问题,引入了CRITIC算法,在通过核密度分析分别识别各类功能服务热点区域和聚集态势基础上对分析结果的相关性进行了探讨,并基于客观权重下综合功能中心分析结果与多种边界提取方法识别城市中心结构体系与中心边界范围。为相关问题解决提供了新思路的同时有以下几点结论:(1)长沙市中心六区发展呈明显的多中心发展模式和多等级圈层结构体系,自然山水分隔和政府规划引导下形成了"一江两岸"综合发展的发展格局。(2)各职能类型的城市中心分布特征存在较大差异,规划内的城市副中心与组团发展中心已初具规模。(3)传统中心城区比起外围城区功能混合度高,发展聚集度更高,中心边界范围更广,等级圈层结构体系反映了城市多中心发展起步还未完全成熟,多措并举加强副中心与组团中心的发展应作为政府下一阶段工作的着力点。展开更多
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PO...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。展开更多
对建筑物进行建模与分析是智慧城市建设的重要任务之一。将城市中数量庞大的建筑物按功能分类,辅助认知城市内部空间结构,对政府部门开展人口估计,土地管理,城市规划等工作具有重要意义。本文以蕴含丰富语义信息的兴趣点(POI,Point of I...对建筑物进行建模与分析是智慧城市建设的重要任务之一。将城市中数量庞大的建筑物按功能分类,辅助认知城市内部空间结构,对政府部门开展人口估计,土地管理,城市规划等工作具有重要意义。本文以蕴含丰富语义信息的兴趣点(POI,Point of Interest)作为主要信息源,针对POI分布稀疏导致大量建筑物无法识别出功能的问题,改进了传统的城市功能区定量识别方法。该方法为建筑物内部及周边一定区域范围内的POI赋予反距离权重,通过计算不同类型POI的加权频数密度比例来识别建筑物功能类型。文中以北京市西四环中路附近5000多栋建筑物为例进行实验验证,实现了将目标区域内的建筑物按功能类型划分为居住、商业、公服和3种混合类型,识别率达93.04%,与人工判别的结果对比得出总体分类精度达91.18%。该方法采用易于获取的互联网POI数据,可以实现大范围建筑物功能类型的快速自动化识别,丰富了城市建筑模型语义属性,扩展了POI数据的应用范围。展开更多
文摘城市兴趣点(Point of Interest,POI)数据主要是指涵盖城市交通设施、餐饮设施、学校、风景名胜区等具有地理实体的城市设施的位置与属性信息。基于POI数据,通过数据重分类与赋值,将上海城市空间分为绿色基础设施辐射区、道路与交通服务区、公共服务设施区、居住区、商业区、工业区六大类,分别研究现有不同分类下城市功能辐射程度与范围,并在此基础上从横向6类空间之间与纵向绿地建设深度2个角度评价上海绿地空间结构。并基于用地现状图对功能区识别图进行验证,结果表明,基于POI数据的城市用地识别与绿地评价图准确度较高、分类更为细致,具有实际应用价值。
文摘近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(Point-of-Interest)推荐系统带来了巨大的发展机遇.但是如何建模这些上下文信息对POI推荐的影响并将它们有效地融合成为了一大难点,另外用户签到数据的稀疏性也为POI推荐带来巨大的挑战.为了克服上述挑战,该文提出了一个基于矩阵分解的上下文感知POI推荐模型.具体地,该文从多个方面建模用户的签到行为,除了利用用户的签到数据,还考虑了POI的地理位置对用户签到行为的影响,用户更愿意访问那些距离近并且符合自身偏好的POI.另外,为了进一步缓解签到数据的稀疏性,该文还利用了用户社交网络数据和POI类别信息.最后,该文提出了一个通用的矩阵分解模型,它能有效地融合上述上下文信息,并且具有良好的可扩展性和较低的时间复杂度.在两个真实的LBSN数据集上的实验结果表明,该文提出的方法在推荐的准确性上远优于当前流行的POI推荐算法.
文摘城市化的发展往往伴随着城市中心结构体系的变化,大数据研究兴起为城市空间结构发展研究带来了新思路。本文以长沙市中心六区为研究区域,针对现有基于POI(point of interest)大数据研究城市中心体系中存在的一些问题,引入了CRITIC算法,在通过核密度分析分别识别各类功能服务热点区域和聚集态势基础上对分析结果的相关性进行了探讨,并基于客观权重下综合功能中心分析结果与多种边界提取方法识别城市中心结构体系与中心边界范围。为相关问题解决提供了新思路的同时有以下几点结论:(1)长沙市中心六区发展呈明显的多中心发展模式和多等级圈层结构体系,自然山水分隔和政府规划引导下形成了"一江两岸"综合发展的发展格局。(2)各职能类型的城市中心分布特征存在较大差异,规划内的城市副中心与组团发展中心已初具规模。(3)传统中心城区比起外围城区功能混合度高,发展聚集度更高,中心边界范围更广,等级圈层结构体系反映了城市多中心发展起步还未完全成熟,多措并举加强副中心与组团中心的发展应作为政府下一阶段工作的着力点。
文摘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。
文摘对建筑物进行建模与分析是智慧城市建设的重要任务之一。将城市中数量庞大的建筑物按功能分类,辅助认知城市内部空间结构,对政府部门开展人口估计,土地管理,城市规划等工作具有重要意义。本文以蕴含丰富语义信息的兴趣点(POI,Point of Interest)作为主要信息源,针对POI分布稀疏导致大量建筑物无法识别出功能的问题,改进了传统的城市功能区定量识别方法。该方法为建筑物内部及周边一定区域范围内的POI赋予反距离权重,通过计算不同类型POI的加权频数密度比例来识别建筑物功能类型。文中以北京市西四环中路附近5000多栋建筑物为例进行实验验证,实现了将目标区域内的建筑物按功能类型划分为居住、商业、公服和3种混合类型,识别率达93.04%,与人工判别的结果对比得出总体分类精度达91.18%。该方法采用易于获取的互联网POI数据,可以实现大范围建筑物功能类型的快速自动化识别,丰富了城市建筑模型语义属性,扩展了POI数据的应用范围。
