排序方式： 共有5条查询结果，搜索用时 0 毫秒
1
1.
目的 建立传统元胞自动机(CA)模型时,如果样本数量不足,模拟效果往往非常不理想。提出了多源领域知识迁移CA模型,利用多个已有的旧样本数据集来帮助建立新的CA模型,并选取广东省深圳市作为试验区验证了其有效性。试验结果表明,该模型在新样本数量不足的情况下能够明显改善模拟效果,并且有效减小产生负迁移现象的风险。 相似文献
2.
基于互联网房产数据的住宅容积率多尺度时空特征——以广州市为例 总被引：2，自引：0，他引：2
基于网络爬虫技术获取房产时空数据,结合时间序列和空间自相关分析方法,在“小区—街道—区级”多尺度上探索广州市住宅容积率时空模式与演化规律。结果表明：① 近三十年广州市居住空间呈现中心城区集聚开发—向南、北方向近郊区拓展—往南、北、东方向远郊区外扩的演变过程,容积率呈现波动式增长态势。② 随着房地产的快速发展,住宅容积率逐渐呈现显著的空间自相关特征,体现了住宅开发与规划有序性的提高。③ 区级尺度上容积率呈现较强的自相关性,越秀区与天河区为HH集聚区,从化区为LL集聚区。街道尺度上容积率呈现出显著的空间不均衡性,区位交通条件较好的街道成为容积率HH集聚区,而LL集聚区主要分布于生态旅游重镇。 相似文献
3.
准确刻画精细化尺度下的城市房租空间格局，对于研究城市居住行为、提高城市规划合理性十分重要。文章提出了一种基于互联网房租数据作为可靠数据源的城市房租空间格局制图方法。以深圳市作为研究区，通过广泛采集开放平台中用户发布的租房信息，绘制社区行政区尺度的房租空间分布图。房租空间制图涉及到对于没有样本数据区域平均房租的评估，因此，选取一系列与房租相关的房产属性、房屋区位及配套设施的评价指标，采用前馈神经网络技术构建评估模型。以2015年深圳市的住宅租赁市场作为研究对象，通过对结果的分析，以及与权威部门发布的统计数据进行比较，表明此方法能够有效地绘制社区尺度下城市房租的空间分布，模型预测结果的误差（%RMSE）为13.87%。所使用的互联网房租数据、POIs数据及前馈神经网络的建模工具均是开源的，而且所提出的方法论具有普适性，能够应用于其他研究区的房租空间格局制图，具有实践意义。 相似文献
4.
以广州市为例,基于NPP/VIIRS夜间灯光、土地利用、POI（Points of Interest）等自然地理和社会经济因素,构建了人口空间化指标体系,采用主成分赋权法确定人口分布权重,利用GIS技术对人口统计数据进行了空间化处理。结果显示：综合考虑了自然地理和社会经济因素的人口空间化结果与真实的人口空间格局相吻合,空间分辨率为30 m,且相对误差绝对值＜25%的乡镇有62个,所占比例为36.47%;而不加POI数据得到的人口空间化结果,相对绝对值＜25%的乡镇有33个,所占比例约为20%,精度明显降低。结果表明：1）综合考虑NPP/VIIRS夜间灯光、土地利用、POI等自然地理和社会经济因素,有助于实现精度较高的人口空间化结果;2）将能够反映微观细节信息的POI数据引入人口空间化研究,扩展了人口空间化的数据源,并且可以提高人口空间化结果的精度。 相似文献
5.
1