基于位置签到及POI数据的城市热点区域时空特征研究
发布时间：2021-12-10 00:49
随着互联网的高速发展、智能移动设备的普及、定位系统的广泛应用,基于位置服务的应用程序越来越多,用户数量得到了质的飞跃。智能移动设备的用户数量日益庞大,他们使用位置服务存储自己的位置信息或与位置相应的信息,最终聚集了海量的用户位置数据。用数据挖掘的方法探索海量的签到数据,可以得出研究对象的聚集点、对象分布、城市热点等基本信息,再用空间分析的方法探索签到数据与道路、POI(Point of Interest兴趣点)的关系,探索城市的发展现状、时空分布特征,为城市智慧化的设计、城市资源的合理分配提供理论的依据。本文采用Python的Scrapy框架爬取新浪微博签到数据,提出了以最短路径为基础的DBSCAN聚类算法,研究基于位置签到及POI的济南市热点区域时空特征,主要的研究内容和成果如下:(1)研究了新浪微博用户签到数据的获取方法。现如今,由于Python的Scrapy框架开源、免费使用等特点,被广泛用于网络数据的获取。我们可以分析获取的数据各个字段的意义,并用Python编写程序做适当的处理,再用爬虫程序获得微博POI并写入Oracle中,将用户发布的微博与POI相连接,形成POI签到数据...
【文章来源】： 山东理工大学山东省
【文章页数】：66 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容
第二章 研究区概况和数据获取及处理
2.1 研究区概况
2.1.1 自然地理概况
2.1.2 社会经济概况
2.1.3 济南市签到用户现状
2.2 研究数据采集
2.2.1 基于微博API的数据获取
2.2.2 基于Scrapy框架的数据获取
2.3 研究数据解析
2.3.1 研究数据分析
2.3.2 地理位置获取
2.3.3 研究数据处理
2.4 相关概念
2.4.1 Python语言
2.4.2 地理信息系统
2.4.3 聚类分析
2.4.4 缓冲区分析
2.4.5 核密度分析
2.5 本章小结
第三章 基于最短路径的DBSCAN聚类算法
3.1 聚类分析
3.1.1 聚类分析基本概念
3.1.2 相似性
3.1.3 距离
3.1.4 聚类方法分类
3.2 DBSCAN聚类算法
3.2.1 基本定义
3.2.2 主要思想
3.2.3 DBSCAN聚类算法
3.3 基于最短路径的DBSCAN聚类算法
3.3.1 网络数据集
3.3.2 网络分析类型—路径分析
3.3.3 ArcEngine中的路径分析
3.4 本章小结
第四章 实验与分析
4.1 签到数据再处理
4.2 空间自相关性
4.2.1 概念
4.2.2 实验数据的空间自相关性
4.3 基于最短路径的DBSCAN算法实现
4.3.1 数据聚类分析
4.3.2 热点区域聚类分析
4.4 标准差椭圆分析
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
在读期间发表的论文
致谢
【参考文献】：
期刊论文
[1]2017,济南城市结构这样变 [J]. 王冉. 走向世界. 2017(03)
[2]基于微博大数据的西安国内游客日内时间分布模式研究 [J]. 唐佳,李君轶. 人文地理. 2016(03)
[3]利用核密度与空间自相关进行城市设施兴趣点分布热点探测 [J]. 禹文豪,艾廷华,杨敏,刘纪平. 武汉大学学报(信息科学版). 2016(02)
[4]设施POI分布热点分析的网络核密度估计方法 [J]. 禹文豪,艾廷华,刘鹏程,何亚坤. 测绘学报. 2015(12)
[5]Point-of-Interest Recommendation in LocationBased Social Networks with Personalized Geo-Social Influence [J]. HUANG Liwei,MA Yutao,LIU Yanbo. 中国通信. 2015(12)
[6]地理社交网络位置推荐 [J]. 景宁,王跃华,钟志农,吴烨. 国防科技大学学报. 2015(05)
[7]基于微博签到数据的景区旅游活动时空行为特征研究——以南京钟山风景名胜区为例 [J]. 张子昂,黄震方,靳诚,关健,曹芳东. 地理与地理信息科学. 2015(04)
[8]基于签到数据的城市活动时空间动态变化及区划研究 [J]. 王波,甄峰,张浩. 地理科学. 2015(02)
[9]大数据在智慧城市研究与规划中的应用 [J]. 甄峰,秦萧. 国际城市规划. 2014(06)
[10]基于位置签到数据的城市分层地标提取 [J]. 王明,胡庆武,李清泉,秦龙焜. 计算机学报. 2016(02)
博士论文
[1]基于位置签到数据的城市地标提取与商圏挖掘研究[D]. 王明.武汉大学. 2015
[2]基于位置社交网络的数据挖掘[D]. 连德富.中国科学技术大学. 2014
[3]社会化媒体中若干时空相关的推荐问题研究[D]. 阴红志.北京大学. 2014
硕士论文
[1]基于LBSN签到数据的用户行为预测与兴趣点推荐[D]. 王凯慈.南京邮电大学. 2016
[2]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
[3]基于社交环境和时空数据的个性化位置推荐研究[D]. 栗恒.重庆大学. 2016
[4]基于位置服务的隐私保护研究[D]. 林少聪.福建师范大学. 2015
[5]基于众源地理数据的上海市旅游目的地关注度研究[D]. 沈霖.上海师范大学. 2015
[6]基于用户签到数据的行为分析及预测研究[D]. 宋杨.北京邮电大学. 2015
[7]基于位置服务数据的城市活动空间研究[D]. 王波.南京大学. 2013
[8]基于地理位置的社交网络潜在用户和位置推荐模型研究[D]. 朱荣鑫.南京邮电大学. 2013
本文编号：3531609
【文章来源】： 山东理工大学山东省
【文章页数】：66 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容
第二章 研究区概况和数据获取及处理
2.1 研究区概况
2.1.1 自然地理概况
2.1.2 社会经济概况
2.1.3 济南市签到用户现状
2.2 研究数据采集
2.2.1 基于微博API的数据获取
2.2.2 基于Scrapy框架的数据获取
2.3 研究数据解析
2.3.1 研究数据分析
2.3.2 地理位置获取
2.3.3 研究数据处理
2.4 相关概念
2.4.1 Python语言
2.4.2 地理信息系统
2.4.3 聚类分析
2.4.4 缓冲区分析
2.4.5 核密度分析
2.5 本章小结
第三章 基于最短路径的DBSCAN聚类算法
3.1 聚类分析
3.1.1 聚类分析基本概念
3.1.2 相似性
3.1.3 距离
3.1.4 聚类方法分类
3.2 DBSCAN聚类算法
3.2.1 基本定义
3.2.2 主要思想
3.2.3 DBSCAN聚类算法
3.3 基于最短路径的DBSCAN聚类算法
3.3.1 网络数据集
3.3.2 网络分析类型—路径分析
3.3.3 ArcEngine中的路径分析
3.4 本章小结
第四章 实验与分析
4.1 签到数据再处理
4.2 空间自相关性
4.2.1 概念
4.2.2 实验数据的空间自相关性
4.3 基于最短路径的DBSCAN算法实现
4.3.1 数据聚类分析
4.3.2 热点区域聚类分析
4.4 标准差椭圆分析
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
在读期间发表的论文
致谢
【参考文献】：
期刊论文
[1]2017,济南城市结构这样变 [J]. 王冉. 走向世界. 2017(03)
[2]基于微博大数据的西安国内游客日内时间分布模式研究 [J]. 唐佳,李君轶. 人文地理. 2016(03)
[3]利用核密度与空间自相关进行城市设施兴趣点分布热点探测 [J]. 禹文豪,艾廷华,杨敏,刘纪平. 武汉大学学报(信息科学版). 2016(02)
[4]设施POI分布热点分析的网络核密度估计方法 [J]. 禹文豪,艾廷华,刘鹏程,何亚坤. 测绘学报. 2015(12)
[5]Point-of-Interest Recommendation in LocationBased Social Networks with Personalized Geo-Social Influence [J]. HUANG Liwei,MA Yutao,LIU Yanbo. 中国通信. 2015(12)
[6]地理社交网络位置推荐 [J]. 景宁,王跃华,钟志农,吴烨. 国防科技大学学报. 2015(05)
[7]基于微博签到数据的景区旅游活动时空行为特征研究——以南京钟山风景名胜区为例 [J]. 张子昂,黄震方,靳诚,关健,曹芳东. 地理与地理信息科学. 2015(04)
[8]基于签到数据的城市活动时空间动态变化及区划研究 [J]. 王波,甄峰,张浩. 地理科学. 2015(02)
[9]大数据在智慧城市研究与规划中的应用 [J]. 甄峰,秦萧. 国际城市规划. 2014(06)
[10]基于位置签到数据的城市分层地标提取 [J]. 王明,胡庆武,李清泉,秦龙焜. 计算机学报. 2016(02)
博士论文
[1]基于位置签到数据的城市地标提取与商圏挖掘研究[D]. 王明.武汉大学. 2015
[2]基于位置社交网络的数据挖掘[D]. 连德富.中国科学技术大学. 2014
[3]社会化媒体中若干时空相关的推荐问题研究[D]. 阴红志.北京大学. 2014
硕士论文
[1]基于LBSN签到数据的用户行为预测与兴趣点推荐[D]. 王凯慈.南京邮电大学. 2016
[2]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
[3]基于社交环境和时空数据的个性化位置推荐研究[D]. 栗恒.重庆大学. 2016
[4]基于位置服务的隐私保护研究[D]. 林少聪.福建师范大学. 2015
[5]基于众源地理数据的上海市旅游目的地关注度研究[D]. 沈霖.上海师范大学. 2015
[6]基于用户签到数据的行为分析及预测研究[D]. 宋杨.北京邮电大学. 2015
[7]基于位置服务数据的城市活动空间研究[D]. 王波.南京大学. 2013
[8]基于地理位置的社交网络潜在用户和位置推荐模型研究[D]. 朱荣鑫.南京邮电大学. 2013
本文编号：3531609
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3531609.html
