排序方式： 共有15条查询结果，搜索用时 62 毫秒
1.
2.
大数据正在改变捕捉和分析人类活动与行为的方式。多种新兴数据渠道不断涌现,为旅游领域研究提供了大量具有潜在应用价值的数据,克服了传统旅游研究中普遍存在的数据不足问题。本文以地理大数据的研究前沿为基础,明晰地理大数据在旅游领域人类旅游活动、旅游地理环境、旅游人地关系3个方面的理论支撑重点,梳理人类旅游活动/行为数据（UGC、设备数据、交易数据）和旅游地理环境数据（POI、客观环境数据）等地理大数据在旅游领域的创新应用,探讨地理大数据在理论研究更新、多源数据融合、分析方法突破3个方面的挑战和展望,为旅游领域时空认知、理论支撑、建模方法、分析框架等方面研究的深入开展提供一定参考。研究建议在理论上需要将科学研究范式标准化系统化,结合不同的事件和场景创造基于“过程-结构-机制”的中国旅游地理解释体系;数据上需要向大数据与其他数据的互补结合转变;分析技术需要向提高分析方法自适应性、涉入旅游现象特殊性变量的方向转变。 相似文献
3.
4.
悬臂排桩支护结构空间变形分析 总被引：9，自引：2，他引：7
以矩形基坑悬臂排桩支护结构为研究对象,通过分析现场实测数据和数值计算,归纳出了冠梁和支护桩的空间变形模式,建立了整个支护系统的能量表达式。利用最小势能原理,推导了基坑中部桩顶最大位移的解析解,分析了各主要支护参数对该位移的影响。研究结果表明,桩顶最大位移随坡顶超载和桩间距的增大基本呈线性增大趋势;当嵌固深度系数逐渐增大时,桩顶最大位移也逐渐增大,但趋势渐缓;基坑长度对其影响也较大,当基坑长度超过一定数值后,最大位移值趋于稳定。最后利用所得的研究成果对某基坑进行了验证,并与现场实测结果进行了对比,计算结果能够满足工程要求。 相似文献
5.
针对传统基于遥感影像的地表覆盖分类方法普遍存在的生产周期长、成本高、自动化程度低等问题，提出了一种完全利用兴趣点（point of interest，POI）数据进行地表覆盖自动化分类的方法。首先应用潜在狄利克雷分布主题计算模型，从POI数据的文本信息中挖掘出与地表覆盖类型相关的主题类型和分布概率；然后基于POI文本的主题分布，运用支持向量机分类算法构建地表覆盖分类模型；最后以遥感影像地表覆盖分类结果为依据，采用随机抽样的方式对所提方法进行验证。结果表明，该方法能够较好地区分人造地表和非人造地表，且整体分类精度超过80%，可作为传统遥感影像分类的辅助手段，满足地表覆盖快速分类的制图需求。 相似文献
6.
随着北京2022年冬奥会及冬残奥会的成功举办,“三亿人参与冰雪运动”成为现实,有效带动了中国滑雪场建设和发展。后冬奥时代,如何推动中国滑雪场从量升到质变成为重要议题。为有效回答从“量”到“质”转变的问题,需针对滑雪场构建科学合理的综合评价体系。基于空间活力概念,从场所、活动和人的交互联系出发,提出滑雪场吸引力、滑雪活动活跃度和滑雪者体验感3项测度指标,采用层次分析法和熵权法构建复合视角下的滑雪场空间活力评价体系和框架;利用统计、位置、客流、用户评分等多源数据,通过时间序列波动率模型、核密度分析、可达性计算模型和信息熵等方法分析中国滑雪场空间活力特征。结果表明：(1)中国滑雪场吸引力、滑雪活动活跃度、滑雪者体验感空间分异特征明显,分别呈现京冀和广东省“双核”引领、北高南低、东高西低的分布特征;(2)中国滑雪场空间活力呈高值集聚,低值分散的空间分异特征,其中高活力滑雪场主要集中在北京-张家口、吉林省、新疆阿勒泰三大区域,而低活力滑雪场呈全国分散性分布;(3)中国滑雪场平均空间活力位列前五的省/直辖市为北京市、河北省、广东省、吉林省和辽宁省,而江苏省、安徽省、江西省、浙江省和湖北省的滑雪场平... 相似文献
7.
旅游流是社会网络关系的一种地域表现形式,国家(地区)之间旅游流网络中心度的差异可以被理解为国家(地区)之间一种不对称的社会活动相互作用关系。面对当前研究中存在的旅游流网络中心度刻画指标不清晰、时空规律不精确、影响因素不明朗等问题,本研究构建了5个网络中心度指标,并据此分析了全球各个国家(地区)入境旅游流总体特征与空间演化规律,识别了主要地理因素对旅游流规模的影响程度变化。结果发现:2004—2019年全球入境旅游流规模增长近一倍,亚洲地区之间旅游流规模快速提升;全球大多数国家(地区)旅游影响力、向心力和辐射力提升,中国各项旅游流网络中心度指标的提升速度均处于世界前列;多数中心度指标之间显著相关,其中约束力和辐射力与其他指标相关程度较低;地理邻近性对旅游流规模有显著且稳定的影响,人口规模不仅与亲和力等指标显著相关,并且对旅游流规模的影响程度在时间序列中显著提升。研究结果体现了中国入境旅游在全球旅游流网络结构中的持续向好态势和巨大发展潜力。 相似文献
8.
基于POI数据的北京市商业中心识别与空间格局探究 总被引：1，自引：0，他引：1
商业中心是城市空间结构的重要组成部分,传统商业中心识别主要借助统计资料和经济普查数据,耗时耗力且更新频率较低;以POI(兴趣点)数据为代表的众源地理数据为城市商业中心识别提供了新思路。本文以北京市801478条商业POI数据为基础,根据商业职能定义将其分为生活类、休闲娱乐类、公共服务类、金融商务类和汽车相关类,运用核密度法识别不同职能的商业中心,结合Getis-Ord G_i~*统计量详细探究中心城区商业空间格局。结果表明:(1)北京市商业格局呈现圈层式结构,沿交通干道向外发展;(2)不同类型的商业中心存在显著的空间分异特征,生活与公共服务中心高度向心集中,金融商务和汽车相关中心多分布于城市功能拓展区,休闲娱乐中心为多组团式离散分布;(3)中心城区生活类商业职能完备,北部区域商业密度高于南部区域。 相似文献
10.