基于微博数据的居民时空行为特征分析

发布时间：2021-06-17 12:37

　　在经济发展和信息科技日益发展的今天,对大数据的研究越来越多,这其中尤以空间数据的需求最为强烈,而这些空间数据中社交媒体地理数据有着重要的影响与作用。有很多学者对这些数据进行分析来得到想要的结果,在这些研究中,城市居民出行的时空行为特征和城市的功能区分布即热点区域的发现对城市的规划以及居民的需求发挥着巨大作用。由于微博的用户对整体居民用户具有代表性,本文通过网页爬取技术获取新浪微博签到数据,并结合其他数据对北京市的热点区域进行探究并对北京市居民时空行为特征进行研究,针对这些问题,具体研究内容分如下:（1）网络数据采集与预处理。通过聚焦网络爬虫对新浪微博的签到数据进行爬取,之后对爬取下来的数据进行处理,预处理包括对多余数据的剔除以及对兴趣点POI的重分类,然后通过对比北京市POI样本数据和微博签到数据在北京市的分布情况来验证我们获取到的数据的正确性。（2）基于核密度分析的北京市热点区域发现。首先通过北京市POI样本数据在北京市的分布图来对北京市城市功能区进行划分,之后通过基于核密度分析的空间分析方法来进行北京市热力发现,通过热力图展示,最后发现北京市工作办公区、商业消费区和居住空间区这三个... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

技术路线图

图 2-1 划分聚类算法的工作流程（2）层次聚类算法层次聚类方法是将数据聚类成若干组并形成相应的树的一种聚类方法。它的特：呈现树型的层次结构；需要计算相似的度量矩阵；聚类过程是从底部到顶部的；

图2-2层次聚类算法的工作流程

【参考文献】：
期刊论文
[1]移动轨迹聚类方法研究综述[J]. 牟乃夏,徐玉静,张恒才,陈洁,张灵先,刘希亮.  测绘通报. 2018(01)
[2]基于POI数据的郑东新区服务业空间聚类研究[J]. 李江苏,梁燕,王晓蕊.  地理研究. 2018(01)
[3]基于空间聚类方法的京津冀城市群多层级空间结构研究[J]. 张珣,陈健璋,黄金川,于重重,陈秀新.  地理科学进展. 2017(11)
[4]基于POI数据的城市功能区识别方法研究[J]. 蒋云良,董墨萱,范婧,高少文,刘勇,马新强.  浙江师范大学学报(自然科学版). 2017(04)
[5]基于核密度和KML的溢油预报动态可视化设计与实现[J]. 王豹,王斌.  海洋预报. 2017(05)
[6]基于社会感知空间大数据的城市功能区识别方法探析[J]. 徐建刚,杨帆.  城市建筑. 2017(27)
[7]热力图在校园文化APP界面设计中的应用研究[J]. 陈慧,张则栋,蒋正清.  设计. 2017(15)
[8]基于位置签到数据的城市空间分析与可视化[J]. 陈冉,王海起,孟斌,桂丽,刘玉.  地理信息世界. 2017(03)
[9]我国城市用地分类的地方性探索[J]. 戚冬瑾,周剑云.  城市规划. 2017(05)
[10]采用密度空间聚类的散乱点云特征提取方法[J]. 张雨禾,耿国华,魏潇然,石晨晨,张顺利.  西安电子科技大学学报. 2017(02)

博士论文
[1]基于轨迹聚类的城市热点区域提取与分析方法研究[D]. 赵鹏祥.武汉大学 2015
[2]基于用户特征的社交网络数据挖掘研究[D]. 廉捷.北京交通大学 2014
[3]基于城市体系视角的中国城市土地利用变化研究[D]. 吕薇.西南大学 2013

硕士论文
[1]位置社交网络中基于签到数据的好友推荐系统研究[D]. 黄乙哲.西安电子科技大学 2017
[2]基于新浪微博签到的京津冀城市群居民活动时空特征及范围划界初探[D]. 韩华瑞.武汉大学 2017
[3]基于社交媒体地理数据挖掘的游客时空行为分析[D]. 王丽鲲.上海师范大学 2017
[4]京津冀城市群就业空间结构及集散趋势研究[D]. 宋鑫.华中师范大学 2017
[5]北京市居民出行方式选择研究[D]. 董超.北京交通大学 2017
[6]基于位置社交网络的用户行为建模与研究[D]. 郭昊.中国科学技术大学 2017
[7]基于Spark平台的空间数据挖掘DBSCAN聚类算法并行化研究[D]. 金都.电子科技大学 2017
[8]车流量热力图绘制系统[D]. 高峰.浙江大学 2017
[9]基于位置的社交网络中的POI推荐问题的研究[D]. Pakhomova Kristina.哈尔滨工业大学 2016
[10]社交网络用户位置服务算法研究及其应用[D]. 冉欢.重庆邮电大学 2016



本文编号：3235206