顾及兴趣点潜在上下文关系的城市功能区识别

P208; 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...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 49; no. 7; pp. 907 - 920
Main Authors 陈占龙, 周路林, 禹文豪, 吴亮, 谢忠
Format Journal Article
LanguageChinese
Published 中国地质大学(武汉)地理与信息工程学院 ,湖北武汉,430074 01.07.2020
Subjects
上下文关系
兴趣点
城市功能区识别
空间共位模式
北京
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2020.20190315

Cover

More Information
Summary:P208; 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.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2020.20190315