城市社会群体与住宅空间的聚类与匹配程度的分析方法技术

本发明专利技术公开了一种城市社会群体与住宅空间的聚类与匹配程度的分析方法，属于数据处理技术领域，具体包括：获取多源异构城市数据；提取社会群体属性数据和住宅空间属性数据；采用数据挖掘技术从社会群体属性数据中提取第一属性，并结合主成分分析和K均值得到社会群体类型与分异格局；采用数据挖掘技术从住宅属性数据中提取第二属性，并结合主成分分析和K均值得到住宅空间类型与分异格局；对不同类型社会群体在不同类型住宅的分布进行可视表达，利用桑基图可视呈现居住社会

【技术实现步骤摘要】
城市社会群体与住宅空间的聚类与匹配程度的分析方法


[0001]本专利技术涉及数据处理
，尤其涉及一种城市社会群体与住宅空间的聚类与匹配程度的分析方法。

技术介绍

[0002]目前，城市社会阶层和居住空间不断被解构和重构，社会群体和物质空间的不断异质嬗变、杂糅组合与相互作用，构成城市居住分异的社会
‑
空间复杂面相与耦合过程。传统实证研究主要依托人口普查数据和以街道为空间单元的“社会区”分析，因对于社会群体与住宅空间的相互作用与耦合关系关注不够，不能更好反映新时期大城市内部多变复杂、多元异质、多维互动的居住分异现象。可见，亟需一种高效且适应性强的城市社会群体与住宅空间的聚类与匹配程度的分析方法。

技术实现思路

[0003]有鉴于此，本专利技术公开了一种城市社会群体与住宅空间的聚类与匹配程度的分析方法，至少部分解决现有技术中存在归纳效率和适应性较差的问题。
[0004]本专利技术公开了一种城市社会群体与住宅空间的聚类与匹配程度的分析方法，包括：
[0005]获取多源异构城市数据，其中，所述多源异构城市数据包括手机画像数据数据、社区属性数据、城市路网数据和兴趣点数据；
[0006]根据所述手机画像数据获得社会群体属性，并根据所述住宅属性数据、所述城市路网数据和所述兴趣点数据提取住宅空间属性数据；
[0007]采用数据挖掘技术从所述社会群体属性数据中获得第一属性，并结合主成分分析和K均值得到社会群体类型与分异格局，其中，所述第一属性包括年龄、性别、职业和消费能力；
[0008]采用数据挖掘技术从所述住宅空间属性数据中提取第二属性，并结合主成分分析和K均值得到住宅空间类型与分异格局，其中，所述第二属性包括小区价格、社区属性、区位交通和周边配套；
[0009]采用可视化方法对不同类型社会群体在不同类型住宅的分布进行可视表达，利用桑基图可视呈现居住社会
‑
空间匹配程度。
[0010]根据本专利技术的一种具体实现方式，所述获取多源异构城市数据的步骤，包括：
[0011]将数据智能服务平台提供的手机用户画像数据作为所述手机画像数据；
[0012]将居住小区的社区属性和周边环境特征作为所述住宅属性数据；
[0013]将城市路网选择提供的矢量数据作为所述城市路网数据；
[0014]将导航软件的兴趣点位数据作为所述兴趣点数据；
[0015]将所述手机画像数据、所述住宅属性数据、所述城市路网数据和所述兴趣点数据形成所述多源异构城市数据。
[0016]根据本专利技术的一种具体实现方式，所述基于所述根据所述手机画像数据获得社会群体属性的步骤，包括：
[0017]基于所述手机画像数据获得用户位置、属性画像、行为画像和消费画像，进而获得预设尺寸的社会群体属性数据。
[0018]根据本专利技术的一种具体实现方式，所述根据所述住宅属性数据、所述城市路网数据和所述兴趣点数据提取住宅空间属性数据的步骤，包括：
[0019]基于所述社区属性数据、城市路网数据和所述兴趣点数据获得小区价格、社区属性，采用计算可达性方法提取区位交通和周边配套，进而提取居住小区尺度的住宅空间属性数据。
[0020]根据本专利技术的一种具体实现方式，所述采用数据挖掘技术从所述社会群体属性数据中获得第一属性，并结合主成分分析和K均值得到社会群体类型与分异格局的步骤，包括：
[0021]通过将年龄、性别、职业、家庭和消费属性的预设数量的指标进行降维和空间聚类分析得到群体空间分异与聚类结果。
[0022]根据本专利技术的一种具体实现方式，所述采用数据挖掘技术从所述住宅属性数据中提取第二属性，并结合主成分分析和K均值得到住宅空间类型与分异格局的步骤，包括：
[0023]通过将所述小区价格、所述社区属性、所述区位交通和所述周边配套的预设数量的指标进行降维和空间聚类分析得到住宅空间分异与聚类结果。
[0024]根据本专利技术的一种具体实现方式，所述通过将所述小区价格、所述社区属性、所述区位交通和所述周边配套的预设数量的指标进行降维和空间聚类分析得到住宅空间分异与聚类结果的步骤，包括：
[0025]根据所述小区价格、所述社区属性、所述区位交通和所述周边配套建立多个小区对应的多维矩阵，并对所述多维矩阵进行降维得到所述住宅空间分异；
[0026]利用K
‑
Means算法对所述小区价格、所述社区属性、所述区位交通和所述周边配套进行聚类，得到所述聚类结果。
[0027]根据本专利技术的一种具体实现方式，所述根据所述小区价格、所述社区属性、所述区位交通和所述周边配套建立多个小区对应的多维矩阵，并对所述多维矩阵进行降维得到所述住宅空间分异的步骤，包括：
[0028]计算样本均值；
[0029]根据样本均值计算协方差矩阵；
[0030]基于奇异值分解所述协方差矩阵，得到特征值和特征向量，并选择特征值最大的多个特征所对应的特征向量组成的矩阵作为所述住宅空间分异。
[0031]根据本专利技术的一种具体实现方式，所述利用K
‑
Means算法对所述小区价格、所述社区属性、所述区位交通和所述周边配套进行聚类，得到所述聚类结果的步骤，包括：
[0032]将多个小区划分为平方误差最小的K个簇；
[0033]利用启发式的迭代方式求解每个簇的均值向量，完成聚类并得到所述聚类结果。
[0034]本专利技术中的城市社会群体与住宅空间的聚类与匹配程度的分析方案，包括：获取多源异构城市数据，其中，所述多源异构城市数据包括手机画像数据数据、社区属性数据、城市路网数据和兴趣点数据；根据所述手机画像数据获得社会群体属性，并根据所述住宅
属性数据、所述城市路网数据和所述兴趣点数据提取住宅空间属性数据；采用数据挖掘技术从所述社会群体属性数据中获得第一属性，并结合主成分分析和K均值得到社会群体类型与分异格局，其中，所述第一属性包括年龄、性别、职业和消费能力等社会特征数据；采用数据挖掘技术从所述住宅空间属性数据中提取第二属性，并结合主成分分析和K均值得到住宅空间类型与分异格局，其中，所述第二属性包括小区价格、社区属性、区位交通和周边配套；采用可视化方法对不同类型社会群体在不同类型住宅的分布进行可视表达，利用桑基图可视呈现居住社会
‑
空间匹配程度。
[0035]本专利技术的有益效果为：通过本专利技术的方案，基于多源异构城市数据提取群体属性数据和住宅属性数据，从社会维度和空间维度分析大城市居住社会
‑
空间分异格局和耦合模式，采用数据驱动的研究方式，借助数据挖掘、主成分分析、k均值和可视化等常用可视分析方法，科学归纳和全面阐释城市居住社会空间分异格局和耦合模式。
附图说明
[0036]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市社会群体与住宅空间的聚类与匹配程度的分析方法，其特征在于，包括：获取多源异构城市数据，其中，所述多源异构城市数据包括手机画像数据数据、住宅属性数据、城市路网数据和兴趣点数据；根据所述手机画像数据获得社会群体属性，并根据所述住宅属性数据、所述城市路网数据和所述兴趣点数据提取住宅空间属性数据；采用数据挖掘技术从所述社会群体属性数据中获得第一属性，并结合主成分分析和K均值得到社会群体类型与分异格局，其中，所述第一属性包括年龄、性别、职业和消费能力；采用数据挖掘技术从所述住宅空间属性数据中提取第二属性，并结合主成分分析和K均值得到住宅空间类型与分异格局，其中，所述第二属性包括小区价格、社区属性、区位交通和周边配套；采用可视化方法对不同类型社会群体在不同类型住宅的分布进行可视表达，利用桑基图可视呈现居住社会
‑
空间匹配程度。2.根据权利要求1所述的方法，其特征在于,所述获取多源异构城市数据的步骤，包括：将数据智能服务平台提供的手机用户画像数据作为所述手机画像数据；将居住小区的社区属性和周边环境特征作为所述住宅属性数据；将城市路网选择提供的矢量数据作为所述城市路网数据；将导航软件的兴趣点位数据作为所述兴趣点数据；将所述手机画像数据、所述社区属性数据、所述城市路网数据和所述兴趣点数据形成所述多源异构城市数据。3.根据权利要求1所述的方法，其特征在于,所述基于所述根据所述手机画像数据获得社会群体属性的步骤，包括：基于所述手机画像数据获得用户位置、属性画像、行为画像和消费画像，进而获得预设尺寸的社会群体属性数据。4.根据权利要求1所述的方法，其特征在于,所述根据所述住宅属性数据、所述城市路网数据和所述兴趣点数据提取住宅空间属性数据的步骤，包括：基于所述社区属性数据、城市路网数据和所述兴趣点数据获得小区价格、社区属性，采用计算可达性方法提取区位交通和周边配套，进而提取居住小区尺度的住宅空间属性数据。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：刘丽艳，黄琴诗，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：