【技术实现步骤摘要】
本专利技术属于空间信息，特别涉及一种基于改进pagerank和出行流向语义的城市中心识别方法。
技术介绍
1、在快速城镇化的背景下，随着城市扩张导致的人口流动大幅增加以及城市规划的引导，传统的单中心城市在达到一定规模后逐渐出现多中心现象。多中心城市空间结构的特点是城市内部存在着多个相对独立但相互联系的中心区域，每个中心区域都具有一定的吸引力和功能。识别城市多中心及其分布特征有助于深入了解城市发展现状和问题，为进一步优化城市规划和公共资源配置提供支撑。
2、传统的城市中心识别研究主要通过测度城市单元属性值，并将属性值明显高于周围单元的空间单元视为城市中心区域，主要有两类方法。一是根据城市内部各要素的空间形态进行识别，比如街道路网密集区[1]、城市建筑物密集区[2]、poi聚集区[3]或人口分布密度高值区[4]等。然而，该方法只关注要素的静态空间分布，而忽略了人的流动性，常导致城市中心的误判，如一些区域开发强度高但人类活动不足，人口密度高但空间交互不足，等等。由是催生了第二类方法，即根据城市单元之间的动态联系进行识别。该方法主要基于交通流[5-6]、人流[7]等数据构建城市网络，然后根据入度[5]、度[6-7]等常用的复杂网络节点重要度指标来测度节点的重要性，并通过空间聚类[6]、等值线树[5]、阈值设定[7]等方法识别城市中心。除了复杂网络节点的重要度指标，有学者将pagerank方法应用于城市网络，通过计算pagerank向量，进行城市道路节点的重要性排名[8]。受此启发，本文提出了一种改进pagerank识别城市中
3、现有技术的不足主要体现在：(1)传统的城市中心识别方法聚焦于城市单元的静态属性，如街道密度和开发强度，忽视了人的流动性对城市中心识别产生的影响，可能导致城市中心的误判。(2)基于城市单元之间的动态联系来识别城市中心通常使用入度、度等简单指标来衡量城市中心性，这类指标只关注单一的人流量特征，缺乏对城市单元多维特征的考虑。(3)将pagerank方法应用于城市出行网络存在一定的局限性，主要关注城市单元之间的出行联系，而忽略了出行距离和城市单元本身属性的影响，需要进一步改进。
技术实现思路
1、本专利技术的目的在于提供一种基于改进pagerank和出行流向语义的城市中心识别方法，该方法基于手机位置数据、城市poi数据和相同的空间研究单元，引入出行距离和出行语义多样性指数改进pagerank算法，测度城市单元重要性，以此为依据采用局部等值线树算法识别城市中心区域。
2、为实现上述目的，本专利技术的技术方案是：一种基于改进pagerank和出行流向语义的城市中心识别方法，包括：
3、(1)收集并预处理手机位置数据及城市poi数据；
4、(2)出行od和出行流向语义提取；
5、(3)引入出行距离和出行语义多样性指数改进pagerank，并测度城市单元重要性；
6、(4)基于局部等值线树的城市中心识别。
7、在本专利技术一实施例中，步骤(1)实现如下：
8、(1.1)手机数据预处理：剔除数据，包括：起点或终点在研究区外；存在重复值、缺失值和无效值；用户一天内轨迹点小于预设值或大于预设值；
9、(1.2)城市poi数据预处理：删除重复的数据记录，将火星坐标系转换为wgs84坐标系。
10、在本专利技术一实施例中，步骤(2)实现如下：
11、(2.1)停留点识别：将手机用户在预设距离范围内，停留时间超过预设时间的视为有效停留；
12、(2.2)出行od提取：将两个连续停留点之间的一段轨迹视为一条出行od；
13、(2.3)出行流向语义提取：计算每条出行的目的地区域内每个poi的访问概率，利用glove模型训练poi语料库，获取每条poi的语义特征向量，对目的地区域内语义特征向量进行聚类，并借助poi密度与富集指数标注出行流向语义。
14、在本专利技术一实施例中，步骤(3)实现如下：
15、(3.1)城市单元划分：将研究区划分为n个500m*500m的规则格网，作为的城市单元；
16、(3.2)出行有向图构建：将出行od数据匹配到城市单元上，基于出行流构建出行有向图；
17、(3.3)引入出行距离和出行语义多样性指数改进pagerank算法：基于出行流量和出行距离加权原始pagerank值的计算，并利用出行语义多样性指数处理pagerank算法中存在的“死胡同”节点问题；
18、(3.4)利用改进的pagerank算法测度城市单元的重要性。
19、在本专利技术一实施例中，步骤(4)实现如下：
20、(4.1)将城市单元的pagerank值视为地形表面，生成局部等值线；
21、(4.2)根据拓扑关系构造并简化等值线树；
22、(4.3)根据节点是否存在分之简化等值线树，将简化后的等值线树的叶子节点视为城市中心，父节点视为复合城市中心。
23、在本专利技术一实施例中，步骤(3)具体实现方式如下：
24、(a)出行有向图构建
25、将研究区划分为n个500m×500m的城市单元，城市居民出行看作是城市单元之间的一个有向图；每个城市单元都是有向图的一个节点，每次出行od点所在的城市单元的连线是有向图的一条边，用一条单向箭头表示节点之间的一个出行，节点之间的出行距离用节点之间的单元数表示，节点内部的出行距离设为最小值1；基于有向图，得到城市单元的邻接流量矩阵f＝(fij)n×n和邻接距离矩阵d＝(dij)n×n，其中fij表示从城市单元j到城市单元i的人流量，dij表示城市单元j到城市单元i的距离；
26、(b)基于流量和出行距离加权的pr值计算
27、根据pagerank算法，每个城市单元具有一个初始pagerank值即pr值，通过不断迭代计算达到pr值的稳定状态；在这个过程中，城市单元u的pr值取决于其所吸引的所有城市单元的pr值的加权和，如公式(1)所示：
28、
29、
30、式中：bu为被城市单元u吸引的所有城市单元的集合，w(v)为城市单元u对城市单元v的吸引力权重；fvu为从城市单元v到城市单元u的流量，fv为以城市单元v为起始点到所有城市单元的总流量；
31、进一步用城市单元之间的出行距离进行吸引力加权，则吸引力权重w(v)的计算公式为：
32、
33、式中：dvu为从城市单元v到城市单元u的出行距离，fvi为从城市单元v到bu中的第i个城市单元的流量，dvi为从城市单元v到bu中第i个城市单元的出行距离；
34、(c)基于出行语义处理pr值丢失问题
35、城市出行存在着“死胡同”问题，即在本文档来自技高网...
【技术保护点】
1.一种基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，包括：
2.根据权利要求1所述的基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，步骤(1)实现如下：
3.根据权利要求1所述的基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，步骤(2)实现如下：
4.根据权利要求1所述的基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，步骤(3)实现如下：
5.根据权利要求1所述的基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，步骤(4)实现如下：
6.根据权利要求1所述的基于改进PageRank和出行流向语义的城市中心识别方法，其特征在于，步骤(3)具体实现方式如下：
【技术特征摘要】
1.一种基于改进pagerank和出行流向语义的城市中心识别方法，其特征在于，包括：
2.根据权利要求1所述的基于改进pagerank和出行流向语义的城市中心识别方法，其特征在于，步骤(1)实现如下：
3.根据权利要求1所述的基于改进pagerank和出行流向语义的城市中心识别方法，其特征在于，步骤(2)实现如下：
4.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。