共查询到17条相似文献，搜索用时 187 毫秒
1.
手机信令数据兼有时间信息和空间信息,是用于研究人口空间分布、城市空间特征较好的大数据。利用手机信令数据和乡镇区划数据,分类分乡镇分析提取不同口径用户数量及用户密度概率分布函数,北京市人口空间分布及其均衡性。研究发现：北京市人口分布呈现出由首都功能核心区向中心城区和新城扩散的态势,对于手机信令可分时段统计用户,呈现出人口密度分布并不平衡,中心城区和新城个别街道如卢沟桥街道、新桥街道、沙河地区等工作居住用户远超于其他乡镇街道,人口聚集明显;在职住方面,个别街道存在就业功能空间外溢,居住功能空间紧张的现象,职住用户分布不匹配现象。 相似文献
2.
针对城市人口时空分布研究中缺乏以精细地图数据为支撑的地理分析方法、不能真实反映人类活动目的等问题,提出了一种精细地图融合手机信令的方法。该方法以地图为智能底板,基于信令轨迹中的基站位置与精细地块的类型,通过空间计算和时间推理得到手机用户在每个时段的驻留地块以及驻留时长,建立基于精细地块的人口空间化模型;识别每个地块中的职住人口和短期到访人口,再汇总得到任意目标区域的实际服务人口总量及人群结构,分时段研究人口流动和聚集变化特征。经过验证,该方法提升了人口时空分布研究结果的真实性和实用性,弥补了手机基站定位与用户实际位置存在偏差且无法准确识别居民行为规律的不足,为城市人口精细化管理、重点区域人流监测与安全保障、优化公共资源配置等提供可靠的决策支撑。 相似文献
3.
手机信令数据被广泛应用于城市人群的动态特征分析,但其分析结果的不确定性尚不明确。因此,提出一种多源数据验证的不确定性分析方法。将从手机信令数据中提取的分布特征与多源数据进行对比,用人群代表性、转移覆盖率、聚集一致性3个指标评价分析结果的不确定性。并基于深圳市手机信令数据,选取了城市感知中人群分布、区域流动、热点识别3个典型城市动态特征,用人口网格分布、营运车辆GPS数据、高德兴趣点（point of interest,POI）等数据集对手机信令数据的分析结果进行验证,得出该区域手机信令数据分析结果的不确定性特征。 相似文献
4.
5.
6.
基于手机信令数据的用户轨迹行为分析已广泛应用于交通监测、城市管理、人口分析等多个业务领域。针对手机基站定位与用户实际位置存在偏差且驻留轨迹缺失语义信息的问题,本文提出了一种基于地理信息的手机信令数据用户定位方法。该方法首先构建面向轨迹分析的地理实体数据采集规范;然后对手机信令数据进行聚类,建立地理实体与基站的权重映射关系;最后使用时空推理及对轨迹的深度学习技术,将用户有效驻留轨迹点拟合至实际的地理实体,实现用户定位。验证结果表明,该方法提升了用户定位的准确度,为后续业务场景的应用提供了可靠的数据支撑。 相似文献
7.
8.
分析城市的职住特征能够为制定城市发展规划和解决城市交通问题提供重要的指导。本文以武汉市主城区为研究对象,依托宜出行大数据,通过对组团、街道和微观3个尺度的职住分布特征和职住平衡特征的分析,研究了武汉市主城区的职住特征。研究发现:①在组团尺度,各时段组团间的人口分布由中心向外围依次递减,与武汉市主城区圈层发展、组团布局的空间格局规律一致,各组团均处于职住平衡状态;②在街道尺度,主城区6558%的街道为职住相对平衡状态,少数街道存在职住失衡现象;③在微观尺度,结合地图与POI数据分析,工作时段人口集中于商业区与交通线路附近,休息时段人口相对均匀地分散于住宅区。以工作时段人口聚集热点为例,热点中心就业高度集中,存在就业导向的职住失衡,随着距离增加,职住分布趋于平衡。 相似文献
9.
10.
11.
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。 相似文献
12.
本文以武汉市主城区为研究对象,首先基于手机信令的居民出行OD数据识别商业中心的势力范围和腹地,并分析了研究区商业中心的空间特征;然后构建了影响腹地规模的指标体系;最后通过熵权法对影响因子赋权,计算得到各商业中心的综合水平。研究结果表明:①研究区商业中心呈多核心分布特征,其影响范围沿地铁分布,长江对其具有明显分隔作用;②POI多样性与商业中心腹地规模有较强相关性(0.879 8),商业中心吸引力更多取决于其服务水平和交通发达程度;③汉街和街道口虽为区级商业中心,但由于位置较好、交通便捷,仍是附近居民消费、游憩的首选。 相似文献
13.
14.
城市空间运行的出租车产生大量的OD数据,数据的时序呈现周期性特点,客观反映人们的出行行为模式,本文采用谱聚类算法对北京五环区域内各空间单元的出行特征及其相似性进行探究。由于空间单元的时空行为特征受空间邻域和功能区划的影响,研究添加邻域因子和功能区因子以改进时间序列的相似性度量方法,从而实现时间序列谱聚类算法的空间和功能区拓展,进而增加人们对不同时空条件下出行行为特征的了解,以便对不同空间单元提供差异性服务,如不同时段公交的发车频次、动态调整商场营业时间、不同时空环境出租车候车点的实时变换、调控和优化不同区域服务保障等,将有助于降低城市能耗,更加合理地利用资源,也有助于居民实现智慧生活。 相似文献
15.
随着科技的迅速发展,地理空间数据已经成为人们日常生活中的一部分,城市POI数据则是涵盖城市公共基础设施属性信息与位置信息的大型地理空间数据。针对现阶段对城市POI数据利用程度不充分的问题,本文运用密度分析、热点分析以及服务范围分析等方法研究大连金普新区城市POI数据的空间分布特征。结果表明:大连金普新区城市POI数据呈现"二区八带多点"的分布格局,金石滩街道、中长街道、先进街道以及大李家街道医疗、教育、娱乐设施较为完善,且远离工厂,比较宜居。本研究可为市民生活、工作、学习、娱乐提供参考,也可为城市发展、管理维护提供服务。 相似文献
16.
Population mobility patterns are important for understanding a city's rhythms. With the widespread use of mobile phones, population-based trajectories can be utilized to explore such mobility patterns. However, to protect personal privacy, mobile phone data must be de-identified by data aggregation within each spatiotemporal unit. In data acquired from mobile phones, population mobility features are still implicit in the spatiotemporally aggregated grid data. In this study, based on image-processing techniques, a two-step 3D gradient method is adopted to extract the movement features. The first step is to estimate the initial movement pattern in each spatiotemporal grid, and then to estimate the accumulated movement pattern within a time period around a geographical grid. This method can be applied adaptively to multi-scale spatiotemporal grid data. Using geospatial visualization methods, estimated motion characteristics such as velocity and flow direction can be made intuitive and integrated with other multiscale geospatial data. Furthermore, the correlation between the population mobility pattern and demographic characteristics, such as gender and age groups, can be analyzed with intuitive visualization. The implication of the visualization results can be used for understanding the human dynamics in a city, which can be beneficial for urban planning, transportation management, and socioeconomic development. 相似文献
17.
Mapping hourly dynamics of urban population using trajectories reconstructed from mobile phone records 总被引：2，自引：0，他引：2 
下载免费PDF全文
下载免费PDF全文 Understanding the spatiotemporal dynamics of urban population is crucial for addressing a wide range of urban planning and management issues. Aggregated geospatial big data have been widely used to quantitatively estimate population distribution at fine spatial scales over a given time period. However, it is still a challenge to estimate population density at a fine temporal resolution over a large geographical space, mainly due to the temporal asynchrony of population movement and the challenges to acquiring a complete individual movement record. In this article, we propose a method to estimate hourly population density by examining the time‐series individual trajectories, which were reconstructed from call detail records using BP neural networks. We first used BP neural networks to predict the positions of mobile phone users at an hourly interval and then estimated the hourly population density using log‐linear regression at the cell tower level. The estimated population density is linearly correlated with population census data at the sub‐district level. Trajectory clustering results show five distinct diurnal dynamic patterns of population movement in the study area, revealing spatially explicit characteristics of the diurnal commuting flows, though the driving forces of the flows need further investigation. 相似文献