面向微博签到数据的城市社区结构挖掘
发布时间：2021-10-13 12:34
近年来,城市发展趋向区域化管理,为了得到贴近城市真实内部结构的区域划分方式,辅助城市规划决策,需要在以人为本的角度进行城市社区结构挖掘。基于2015年深圳市的微博签到数据,对现有城市社区结构挖掘研究中社区发现最小单元定义不合理、划分特征因子多为独立特征缺乏关联性等不足进行改良。经过有效数据筛选形成用户轨迹后,将Voronoi划分得到的泰森多边形作为社区发现的最小单元,保留划分对象重要程度的不同,并以此构建一张由特征签到POI点形成的城市内部交互网络。划分特征因子除了人群的主观迁徙外,还增加了空间邻近约束,通过REDCAP社区挖掘算法对构成的地理空间网络进行区域分割,确保了社区划分结构的完整性。最后选取模块度最大为0.5095时的划分结果,通过实地比对和POI类型分析,发现得到的7个子社区功能结构完整、且社区间差异明显,对于城市公共设施的完善和城市规划发展的区域划分方向具有重要参考意义。
【文章来源】：地理信息世界. 2019,26(04)
【文章页数】：6 页
【部分图文】：
研究区域划分的一般方式b路网划分bRoadnetworkdivisiona格网划分aGriddivision
点出度和入度的总和，得到的总度数即能代表每个节点的有效访问次数，被访问次数越多的POI点涉及到的用户数量更多，影响力也更大，因此实验中筛选出轨迹经过次数最多的369个节点作为特征POI点。对筛选出的特征POI点进行Voronoi划分，即可将研究区域划分为369个不规则泰森多边形，每个多边形中都包含一个代表该面状区域属性的节点，如图2所示。在划分出合适的最小社区单元后，除了原先单纯基于POI点的空间拓扑关系外，还能对面状对象增加邻接关系的空间约束，构建出一个空间邻接关系表，为后续空间聚类增加约束条件。图2研究区域经过V图划分所得最小研究单元Fig.2ThesmallestresearchunitinthestudyareadividedbytheVmap图3REDCAP算法流程图Fig.3REDCAPalgorithmflowchart将每个最小研究单元中的POI点与包含它们的泰森多边形连接，将原先节点与节点之间的轨迹连接转换为多边形与多边形之间的轨迹连接，每两个相连多边形之间的关联权重，由其所包含的相连节点数量决定，即连接两区域间的轨迹数量越多，两区域联系越紧密，并以此构建关联权重矩阵，作为空间聚类的主要约束条件。1.2社区结构挖掘本文采用郭殿升教授提出的一种动态约束的区域聚类与分割算法（REDCAP），REDCAP的完整算法流程如图3所示。与传统的社区发现算法不同，该算法在聚类过程中考虑了网络节点的空间邻近约束。算法分为两个阶段，第一个阶段用带邻近约束的凝聚式层次聚类算法（Agglomerative Hierarchical Clustering）来获取区域聚类层次树；第二阶段通过优化函数切割层次树得到地理连续的区域划分结果。为了构成区域层次树，REDCAP算法在单一连接（Single Linkage,SLK）、平均连接（Average Linkage,ALK）和完全连接（Complete Linkage,CL
用。在此基础上，为检验结果的准确性，结果的评估分为两个方面进行，其一是根据各个社区涵盖的POI属性，分析每个社区内部功能结构的组成关系；其二是通过将社区划分结果与深圳市行政区划相比较，分析实际人口迁移与传统区划是否契合。参照原始数据爬取分类表和《城市用地分类与规划建设用地标准》[18]，将原始的POI点共分为12类（见表1）。分析每个社区的POI功能构成，如图5所示，可以发现除了社区三POI数量普遍较高，剩余6个社区POI数量差距不大，占比较多的均为第4类餐饮类、第8类住宅区以及第11类著名景点。图4社区划分结果图Fig.4Communitydivisionresultmap图57个子社区内部POI功能结构Fig.5InternalPOIfunctionalstructureinsevensub-communities表1POI功能分类表Tab.1POIfunctionclassificationtable分类编码分类名称代表类型1未知分类不知名店铺等2交通枢纽公交站；地铁站；飞机场；火车站3便民设施医院；酒店；银行4餐饮餐厅；咖啡厅5娱乐KTV；酒吧；电影院6学校大学；中学；小学；各类教育机构7商业商场；专卖店；商业街8住宅区小区；居民楼9工业区产业园区；工厂10办公区办公楼；知名企业11景点世界之窗；民俗村12公园户外公园；运动场；城市广场别婉娟，等. 面向微博签到数据的城市社区结构挖掘
【参考文献】：
期刊论文
[1]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[2]利用POI数据的武汉城市功能区划分与识别[J]. 康雨豪,王玥瑶,夏竹君,池娇,焦利民,魏智威. 测绘地理信息. 2018(01)
[3]网络结构空间格局相似度分析——以1938～2014年北京市骨干交通网络为例[J]. 杨静,程昌秀,李晓岚,陈驰. 武汉大学学报(信息科学版). 2016(12)
[4]基于POI数据的城市生活便利度指数研究[J]. 崔真真,黄晓春,何莲娜,周志强. 地理信息世界. 2016(03)
[5]基于北京公交刷卡数据和兴趣点的功能区识别[J]. 韩昊英,于翔,龙瀛. 城市规划. 2016(06)
[6]对我国LBS发展有关问题的思考和几点建议[J]. 贾丹. 地理信息世界. 2012(06)
[7]加权Voronoi图在城镇经济区划分中的应用——以十堰市为例[J]. 刘爱华,谢正观. 地理与地理信息科学. 2011(04)
本文编号：3434675
【文章来源】：地理信息世界. 2019,26(04)
【文章页数】：6 页
【部分图文】：
研究区域划分的一般方式b路网划分bRoadnetworkdivisiona格网划分aGriddivision
点出度和入度的总和，得到的总度数即能代表每个节点的有效访问次数，被访问次数越多的POI点涉及到的用户数量更多，影响力也更大，因此实验中筛选出轨迹经过次数最多的369个节点作为特征POI点。对筛选出的特征POI点进行Voronoi划分，即可将研究区域划分为369个不规则泰森多边形，每个多边形中都包含一个代表该面状区域属性的节点，如图2所示。在划分出合适的最小社区单元后，除了原先单纯基于POI点的空间拓扑关系外，还能对面状对象增加邻接关系的空间约束，构建出一个空间邻接关系表，为后续空间聚类增加约束条件。图2研究区域经过V图划分所得最小研究单元Fig.2ThesmallestresearchunitinthestudyareadividedbytheVmap图3REDCAP算法流程图Fig.3REDCAPalgorithmflowchart将每个最小研究单元中的POI点与包含它们的泰森多边形连接，将原先节点与节点之间的轨迹连接转换为多边形与多边形之间的轨迹连接，每两个相连多边形之间的关联权重，由其所包含的相连节点数量决定，即连接两区域间的轨迹数量越多，两区域联系越紧密，并以此构建关联权重矩阵，作为空间聚类的主要约束条件。1.2社区结构挖掘本文采用郭殿升教授提出的一种动态约束的区域聚类与分割算法（REDCAP），REDCAP的完整算法流程如图3所示。与传统的社区发现算法不同，该算法在聚类过程中考虑了网络节点的空间邻近约束。算法分为两个阶段，第一个阶段用带邻近约束的凝聚式层次聚类算法（Agglomerative Hierarchical Clustering）来获取区域聚类层次树；第二阶段通过优化函数切割层次树得到地理连续的区域划分结果。为了构成区域层次树，REDCAP算法在单一连接（Single Linkage,SLK）、平均连接（Average Linkage,ALK）和完全连接（Complete Linkage,CL
用。在此基础上，为检验结果的准确性，结果的评估分为两个方面进行，其一是根据各个社区涵盖的POI属性，分析每个社区内部功能结构的组成关系；其二是通过将社区划分结果与深圳市行政区划相比较，分析实际人口迁移与传统区划是否契合。参照原始数据爬取分类表和《城市用地分类与规划建设用地标准》[18]，将原始的POI点共分为12类（见表1）。分析每个社区的POI功能构成，如图5所示，可以发现除了社区三POI数量普遍较高，剩余6个社区POI数量差距不大，占比较多的均为第4类餐饮类、第8类住宅区以及第11类著名景点。图4社区划分结果图Fig.4Communitydivisionresultmap图57个子社区内部POI功能结构Fig.5InternalPOIfunctionalstructureinsevensub-communities表1POI功能分类表Tab.1POIfunctionclassificationtable分类编码分类名称代表类型1未知分类不知名店铺等2交通枢纽公交站；地铁站；飞机场；火车站3便民设施医院；酒店；银行4餐饮餐厅；咖啡厅5娱乐KTV；酒吧；电影院6学校大学；中学；小学；各类教育机构7商业商场；专卖店；商业街8住宅区小区；居民楼9工业区产业园区；工厂10办公区办公楼；知名企业11景点世界之窗；民俗村12公园户外公园；运动场；城市广场别婉娟，等. 面向微博签到数据的城市社区结构挖掘
【参考文献】：
期刊论文
[1]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[2]利用POI数据的武汉城市功能区划分与识别[J]. 康雨豪,王玥瑶,夏竹君,池娇,焦利民,魏智威. 测绘地理信息. 2018(01)
[3]网络结构空间格局相似度分析——以1938～2014年北京市骨干交通网络为例[J]. 杨静,程昌秀,李晓岚,陈驰. 武汉大学学报(信息科学版). 2016(12)
[4]基于POI数据的城市生活便利度指数研究[J]. 崔真真,黄晓春,何莲娜,周志强. 地理信息世界. 2016(03)
[5]基于北京公交刷卡数据和兴趣点的功能区识别[J]. 韩昊英,于翔,龙瀛. 城市规划. 2016(06)
[6]对我国LBS发展有关问题的思考和几点建议[J]. 贾丹. 地理信息世界. 2012(06)
[7]加权Voronoi图在城镇经济区划分中的应用——以十堰市为例[J]. 刘爱华,谢正观. 地理与地理信息科学. 2011(04)
本文编号：3434675
本文链接：https://www.wllwen.com/guanlilunwen/shequguanli/3434675.html
