留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多源数据的城市功能区识别及相互作用分析

谷岩岩 焦利民 董婷 王艳东 许刚

谷岩岩, 焦利民, 董婷, 王艳东, 许刚. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报 ● 信息科学版, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
引用本文: 谷岩岩, 焦利民, 董婷, 王艳东, 许刚. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报 ● 信息科学版, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
GU Yanyan, JIAO Limin, DONG Ting, WANG Yandong, XU Gang. Spatial Distribution and Interaction Analysis of Urban Functional Areas Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
Citation: GU Yanyan, JIAO Limin, DONG Ting, WANG Yandong, XU Gang. Spatial Distribution and Interaction Analysis of Urban Functional Areas Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192

基于多源数据的城市功能区识别及相互作用分析

doi: 10.13203/j.whugis20160192
基金项目: 

国家自然科学基金 41571385

国家自然科学基金 41271399

测绘地理信息公益性行业科研专项经费 201512015

国家重点研发计划 2016YFB0501400

详细信息
    作者简介:

    谷岩岩, 博士生, 主要从事城市大数据挖掘与城市功能区空间结构。yyg@whu.edu.cn

    通讯作者: 焦利民, 博士, 教授。lmjiao027@163.com
  • 中图分类号: P208

Spatial Distribution and Interaction Analysis of Urban Functional Areas Based on Multi-source Data

Funds: 

The National Natural Science Foundation of China 41571385

The National Natural Science Foundation of China 41271399

China Special Fund for Surveying, Mapping and Geoinformation Research in the Public Interest 201512015

the National Key Research and Development Program of China 2016YFB0501400

More Information
    Author Bio:

    GU Yanyan, PhD candidate, specializes in spatial data mining and urban spatial structure. E-mail: yyg@whu.edu.cn

    Corresponding author: JIAO Limin, PhD, professor. E-mail:lmjiao027@163.com
  • 摘要: 随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点(points of interest,POI)进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强(39.4%),说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。
  • 图  1  核密度估计

    Figure  1.  Kernel Density Estimation

    图  2  重尾打断分类法规则

    Figure  2.  Illustration of the Head/Tail Division Rule

    图  3  办公POI点密度的重尾分布

    Figure  3.  A Heavy-Tailed Distribution of the Office POI Density

    图  4  出租车O/D点空间分布

    Figure  4.  Spatial Distribution of Taxi O/DPoints

    图  5  基于重尾打断分类法的城市功能区层次结构量化

    Figure  5.  Quantitative of Urban Functional Hierarchical Structure by Head/Tail Breaks

    图  6  基于核密度聚类法的城市功能区空间分布

    Figure  6.  Spatial Distribution of Urban Functional Areas by Kernel Density Estimation

    图  7  典型城市功能区O/D点吸引的空间分布

    Figure  7.  Spatial Distribution of O/D Density in Urban Functional Areas

    图  8  典型城市功能区O/D点吸引的密度分布

    Figure  8.  Density Distribution of O/D Points Attracted by Urban Functional Areas

    图  9  出租车O/D点时间分布

    Figure  9.  Temporal Variations of Taxi O/D Points

    图  10  典型城市功能区相互吸引O/D点的时间分布

    Figure  10.  Temporal Variations of Urban Functional Areas Interaction on O/D Points

    表  1  办公POI点密度的重尾打断分类

    Table  1.   Head/Tail Breaks for the Office POI Density

    街区网格数 网格点密度均值 头部网格数 尾部网格数 头部网格数占比/% 尾部网格数占比/%
    870 189 222 648 25.5 74.5
    222 581 60 162 27 73
    60 1 279 14 46 23.3 76.7
    14 2 803 4 10 28.6 71.4
    4 5 166 1 3 25 75
    下载: 导出CSV

    表  2  兴趣点分类

    Table  2.   Category of POIs

    序号 一级分类 二级分类 比例/%
    1 居住 商务住宅,住宅区,别墅 22.9
    2 公共服务 科教文化服务,生活服务,政府机构,体育休闲,医疗保健,公共设施 13
    3 商业 餐饮服务,购物服务,金融保险,汽车服务,生活服务,住宿服务,物流 43.6
    4 办公 商务写字楼,商务住宅 14
    5 交通 道路附属设施,地名地址信息,交通服务设施 5.5
    6 绿地与广场 旅游景点,公园广场 1
    下载: 导出CSV

    表  3  4个时间段典型城市功能区相互吸引O/D点的比例

    Table  3.   Proportion of Urban Functional Areas Interaction on O/D Points in Four Periods

    时间段 中关村 望京 西单 国贸
    望京 西单 国贸 中关村 总计 中关村 西单 国贸 望京 总计 中关村 望京 国贸 西单 总计 中关村 望京 西单 国贸 总计
    06:00~08:00 0.294 0.189 0.274 0.243 1 0.198 0.187 0.263 0.352 1 0.235 0.313 0.278 0.174 1 0.223 0.306 0.175 0.295 1
    11:00~13:00 0.206 0.197 0.372 0.226 1 0.217 0.189 0.368 0.226 1 0.217 0.224 0.367 0.192 1 0.254 0.21 0.175 0.361 1
    17:00~19:00 0.288 0.161 0.317 0.234 1 0.199 0.158 0.311 0.333 1 0.212 0.307 0.293 0.188 1 0.200 0.316 0.151 0.333 1
    21:00~23:00 0.242 0.150 0.402 0.206 1 0.185 0.138 0.412 0.264 1 0.183 0.263 0.389 0.165 1 0.187 0.255 0.15 0.408 1
    下载: 导出CSV
  • [1] Batty M. The Size, Scale, and Shape of Cities[J]. Science, 2008, 319(5864):769-771 doi:  10.1126/science.1151419
    [2] Jiao L, Liu Y. Analyzing the Spatial Autocorrelation of Regional Urban Datum Land Price[J]. Geo-spatial Information Science, 2012, 15(4):263-269 doi:  10.1080/10095020.2012.714103
    [3] 郑宇.城市计算概述[J].武汉大学学报·信息科学版, 2015, 40(1):1-13 http://ch.whu.edu.cn/CN/abstract/abstract3172.shtml

    Zheng Yu. Introduction to Urban Computing[J].Geomatics and Information Science of Wuhan University, 2015, 40(1):1-13 http://ch.whu.edu.cn/CN/abstract/abstract3172.shtml
    [4] 池娇, 焦利民, 董婷, 等.基于POI数据的城市功能区定量识别及其可视化[J].测绘地理信息, 2016, 41(2):68-73 http://www.cqvip.com/QK/93326X/201602/668486509.html

    Chi Jiao, Jiao Limin, Dong Ting, et al. Quantitative Identification and Visualization of Urban Functional Area Based on POI Data[J]. Journal of Geoma-tics, 2016, 41(2):68-73 http://www.cqvip.com/QK/93326X/201602/668486509.html
    [5] 张云菲, 杨必胜, 栾学晨.语义知识支持的城市POI与道路网集成方法[J].武汉大学学报·信息科学版, 2013, 38(10):1229-1233 http://ch.whu.edu.cn/CN/abstract/abstract2762.shtml

    Zhang Yunfei, Yang Bisheng, Luan Xuechen. Integrating Urban POI and Road Networks Based on Semantic Knowledge[J]. Geomatics and Information Science of Wuhan University, 2013, 38(10):1229-1233 http://ch.whu.edu.cn/CN/abstract/abstract2762.shtml
    [6] Long Y, Shen Z. Geospatial Analysis to Support Urban Planning in Beijing[M]. Beijing:Springer International Publishing, 2015
    [7] 蒋波涛, 王艳东, 叶信岳.使用点评数据探测城市商业服务设施的发展规律[J].测绘学报, 2015, 44(9):1022-1028 doi:  10.11947/j.AGCS.2015.20140556

    Jiang Botao, Wang Yandong, Ye Xinyue. Detecting Development Pattern of Urban Business Facilities Using Reviews Data[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(9):1022-1028 doi:  10.11947/j.AGCS.2015.20140556
    [8] 李德仁, 姚远, 邵振峰.智慧城市中的大数据[J].武汉大学学报·信息科学版, 2014, 39(6):631-640 http://ch.whu.edu.cn/CN/abstract/abstract2999.shtml

    Li Deren, Yao Yuan, Shao Zhenfeng. Big Data in Smart City[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):631-640 http://ch.whu.edu.cn/CN/abstract/abstract2999.shtml
    [9] Liu Y, Wang F, Xiao Y, et al. Urban Land Uses and Traffic 'Source-Sink Areas':Evidence from GPS-enabled Taxi Data in Shanghai[J]. Landscape and Urban Planning, 2012, 106(1):73-87 doi:  10.1016/j.landurbplan.2012.02.012
    [10] Yuan J, Zheng Y, Xie X. Discovering Regions of Different Functions in a City Using Human Mobility and POIs[C]. The 18th ACM SIGKDD Interna-tional Conference on Knowledge Discovery and Data Mining, New York, USA, 2012
    [11] 周素红, 郝新华, 柳林.多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J].地理学报, 2015, 69(12):1810-1820 http://www.cqvip.com/QK/90059X/201412/663525091.html

    Zhou Suhong, Hao Xinhua, Liu Lin. Validation of Spatial Decay Law Caused by Urban Commercial Center's Mutual Attraction in Polycentric City:Spatio-Temporal Data Mining of Floating Cars' GPS Data in Shenzhen[J].Acta Geographica Sinica, 2015, 69(12):1810-1820 http://www.cqvip.com/QK/90059X/201412/663525091.html
    [12] 王汉东, 乐阳, 李宇光, 等.城市商业服务设施吸引力的空间相关性分析[J].武汉大学学报·信息科学版, 2011, 36(9):1102-1106 http://ch.whu.edu.cn/CN/abstract/abstract653.shtml

    Wang Handong, Yue Yang, Li Yuguang, et al. Spatial Correlation Analysis of Attractiveness of Commercial Facilities[J]. Geomatics and Information Science of Wuhan University, 2011, 36(9):1102-1106 http://ch.whu.edu.cn/CN/abstract/abstract653.shtml
    [13] Krosche J, Boll S. The xPOI Concept[C]. First International Workshop on Location and Context Awareness, Oberpfaffenhofen, Germany, 2005
    [14] 彭明军.利用层次空间推理进行城市空间信息多级网格划分[J].武汉大学学报·信息科学版, 2010, 35(9):1112-1115 http://ch.whu.edu.cn/CN/abstract/abstract1053.shtml

    Peng Mingjun. Division of Urban Spatial Information Multi-grid Based on Hierarchical Spatial Reasoning[J].Geomatics and Information Science of Wuhan University, 2010, 35(9):1112-1115 http://ch.whu.edu.cn/CN/abstract/abstract1053.shtml
    [15] 禹文豪, 艾廷华, 杨敏, 等.利用核密度与空间自相关进行城市设施兴趣点分布热点探测[J].武汉大学学报·信息科学版, 2016, 41(2):221-227 http://ch.whu.edu.cn/CN/abstract/abstract3459.shtml

    Yu Wenhao, Ai Tinghua, Yang Min, et al. Detecting "Hot Spots" of Facility POIs Based on Kernel Density Estimation and Spatial Autocorrelation Technique[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2):221-227 http://ch.whu.edu.cn/CN/abstract/abstract3459.shtml
    [16] Jiang B. Head/Tail Breaks:A New Classification Scheme for Data with a Heavy-Tailed Distribution[J].The Professional Geographer, 2013, 65(3):482-494 doi:  10.1080/00330124.2012.700499
    [17] 中华人民共和国住房和城乡建设部. GB50137-2011城市用地分类与规划建设用地标准[S]. 北京: 中国建筑工业出版社, 2011

    Ministry of Housing and Urban-Rural Development of the People's Republic of China. GB50137-2011 Code for Urban Land Use Classes and Standards of Planning Construction Land[S]. Beijing: China Architecture & Building Press, 2011
    [18] 张景秋, 贾磊, 孟斌.北京城市办公活动空间集聚区研究[J].地理研究, 2010, 29(4):675-682 doi:  10.13249/j.cnki.sgs.2015.02.151

    Zhang Jingqiu, Jia Lei, Meng Bin. A Study on Office Activities Cluster in Beijing City[J]. Geographical Research, 2010, 29(4):675-682 doi:  10.13249/j.cnki.sgs.2015.02.151
  • [1] 张嘉琪, 杜开虎, 任书良, 王瑞凡, 关庆锋, 陈文辉, 姚尧.  多源空间大数据场景下的家装品牌线下广告选址 . 武汉大学学报 ● 信息科学版, 2022, 47(9): 1406-1415. doi: 10.13203/j.whugis20190468
    [2] 季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊.  出租车出行的空间不平等及其与人口结构的关联 . 武汉大学学报 ● 信息科学版, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
    [3] 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉.  融合多源时空大数据感知城市动态 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
    [4] 方志祥, 黄守倩, 苏荣祥, 肖和平.  高速公路多源数据融合下的层次拥堵区间探测方法 . 武汉大学学报 ● 信息科学版, 2020, 45(5): 682-690. doi: 10.13203/j.whugis20190117
    [5] 杨腊梅, 贾永红.  利用多源数据确定季节性咸水湖湿地自然边界的方法 . 武汉大学学报 ● 信息科学版, 2020, 45(3): 419-425. doi: 10.13203/j.whugis20180207
    [6] 姚尧, 张亚涛, 关庆锋, 麦可, 张金宝.  使用时序出租车轨迹识别多层次城市功能结构 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 875-884. doi: 10.13203/j.whugis20170111
    [7] 贾涛, 李琦, 马楚, 李雨芊.  武汉市出租车轨迹二氧化碳排放的时空模式分析 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1115-1123. doi: 10.13203/j.whugis20170334
    [8] 魏雪梅.  多源数据支持下的森林地上生物量估算方法 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
    [9] 龚希, 陈占龙, 谢忠.  出租车轨迹数据的地域间移动模式分析 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1595-1602. doi: 10.13203/j.whugis20170035
    [10] 李伟, 陈毓芬, 李萌, 钱凌韬, 方潇.  基于情境的POI个性化推荐方法研究 . 武汉大学学报 ● 信息科学版, 2015, 40(6): 829-833. doi: 10.13203/j.whugis20130657
    [11] 常晓猛, 乐阳, 李清泉, 陈碧宇, 萧世伦, 涂伟.  利用位置的虚拟社交网络地理骨干网提取 . 武汉大学学报 ● 信息科学版, 2014, 39(6): 706-710. doi: 10.13203/j.whugis20140105
    [12] 李宁, 张立华, 田震, 彭认灿.  一种基于多源数据的沿岸低潮面模型构建方法 . 武汉大学学报 ● 信息科学版, 2014, 39(5): 611-615. doi: 10.13203/j.whugis20120137
    [13] 李宁, 田震, 张立华, 彭认灿.  一种改进的潮滩数字高程模型构建方法 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1178-1183.
    [14] 张云菲, 杨必胜, 栾学晨.  语义知识支持的城市POI与道路网集成方法 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1229-1233.
    [15] 武雪玲, 任福, 牛瑞卿.  多源数据支持下的三峡库区滑坡灾害空间智能预测 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 963-968.
    [16] 虞昌彬, 胡乔, 任福, 杜清运.  利用B/S架构的POI信息组织方法及可视化策略研究 . 武汉大学学报 ● 信息科学版, 2012, 37(2): 233-236.
    [17] 王汉东, 乐阳, 李宇光, 黄玲.  城市商业服务设施吸引力的空间相关性分析 . 武汉大学学报 ● 信息科学版, 2011, 36(9): 1102-1106.
    [18] 李连营, 许小兰, 吴中恒, 周祖浩.  多源导航电子地图数据融合更新方法研究 . 武汉大学学报 ● 信息科学版, 2008, 33(4): 409-412.
    [19] 李安平, 翟仁健, 殷吉崇, 朱丽, 齐林君.  顾及空间结构关系的居民地自动合并方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): -. doi: 10.13203/j.whugis20210731
    [20] 程朋根, 岳琛, 朱欣焰.  多源数据支持下的城市生态环境评价及其与人类活动关系的研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200382
  • 加载中
图(10) / 表(3)
计量
  • 文章访问数:  2719
  • HTML全文浏览量:  222
  • PDF下载量:  648
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-05
  • 刊出日期:  2018-07-05

基于多源数据的城市功能区识别及相互作用分析

doi: 10.13203/j.whugis20160192
    基金项目:

    国家自然科学基金 41571385

    国家自然科学基金 41271399

    测绘地理信息公益性行业科研专项经费 201512015

    国家重点研发计划 2016YFB0501400

    作者简介:

    谷岩岩, 博士生, 主要从事城市大数据挖掘与城市功能区空间结构。yyg@whu.edu.cn

    通讯作者: 焦利民, 博士, 教授。lmjiao027@163.com
  • 中图分类号: P208

摘要: 随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点(points of interest,POI)进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强(39.4%),说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。

English Abstract

谷岩岩, 焦利民, 董婷, 王艳东, 许刚. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报 ● 信息科学版, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
引用本文: 谷岩岩, 焦利民, 董婷, 王艳东, 许刚. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报 ● 信息科学版, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
GU Yanyan, JIAO Limin, DONG Ting, WANG Yandong, XU Gang. Spatial Distribution and Interaction Analysis of Urban Functional Areas Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
Citation: GU Yanyan, JIAO Limin, DONG Ting, WANG Yandong, XU Gang. Spatial Distribution and Interaction Analysis of Urban Functional Areas Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1113-1121. doi: 10.13203/j.whugis20160192
  • 城市作为一个复杂系统,在其发展过程中逐渐形成了居住、办公和商业等不同功能区,识别城市不同功能区并研究其空间分布特征和相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义[1-3]。传统的城市功能区识别与研究大多采用土地利用现状图、问卷调查等数据,功能区划分结果的准确性受到主观因素限制。地理信息技术的发展使城市积累了海量静态及动态城市大数据,这为城市空间结构的研究提供了新视角。

    城市静态数据主要包括街道、建筑物及兴趣点(points of interest, POI)。POI是介绍城市各功能单元的基本信息,已被用于城市空间结构的研究[4-5]。Long等基于POI和城市公交卡数据构建了城市功能区识别模型, 以识别北京市不同功能区的空间分布[6]。蒋波涛等基于商业设施POI与道路交通网络,揭示了商业服务设施的位置、数量与顾客满意度之间的关系[7]

    移动定位技术的广泛应用产生了海量的动态城市大数据,包括出租车数据、手机数据等[8]。国内外学者使用出租车轨迹数据,基于模型构建、密度聚类等方法开展了城市功能区识别及相互作用研究。在城市功能区识别方面, Liu等、Yuan等通过构建模型分析和验证了城市不同区域的功能划分[9-10],其中Liu等使用分类树方法验证了城市功能区识别结果的准确性为83.5%。在城市不同功能区相互作用方面,周素红等使用核密度方法对深圳市浮动车数据进行时空挖掘,分析和验证了双商业中心的交通吸引规律[11]。王汉东等利用武汉市出租车轨迹数据,根据商业服务设施的空间可达性,分析了其空间分布特征及空间相关性[12]

    在传统的城市功能区研究中,由于数据原因,对城市内部功能区空间范围界定和相互作用关系研究时,选取的空间尺度一般较大且以定性研究为主。城市功能区划分也可由遥感影像实现,但数据处理成本高,时效性差[13]。使用多源数据识别城市功能区及其相互作用规律,可以更加准确地把握城市内部的动态变化,为城市功能区的研究提供参考。

    本文研究基于多源数据(POI和出租车轨迹数据),从“动”、“静”两个角度定量探究了城市功能区空间分布及其相互作用关系。对POI数据进行合理分类, 聚类得到城市功能区的分布,结合出租车轨迹数据,分析了城市功能区相互作用的强度和方向。

    • 街区作为城市形态结构、城市功能、城市管理及城市认知的基本单元,是城市规划中的重要元素之一,也是构成居民生活和城市环境的基本单元[14],进行街区尺度研究具有重要意义。城市道路网将城市划分为街区网格,因此选择街区作为城市功能区识别的基本空间单元。

      根据北京道路网数据,将研究区域划分为870个街区网格,相比于500 m×500 m等不同尺度的规则网格,由道路网建立的街区网格对城市功能区的划分更符合实际情况。

    • 核密度聚类法是地理空间数据挖掘的重要方法和工具,能够表达POI点的分布模式、分布密度等特征,同时顾及地理学第一定律的区位影响,比其他常用的点密度计算表达方法(如样方密度、基于Voronoi图密度)占优[15]。核密度估计如图 1所示。

      图  1  核密度估计

      Figure 1.  Kernel Density Estimation

      核密度聚类法的计算方程可以表示为:

      $$ f\left( x \right) = \frac{1}{{{\rm{ \mathsf{ π} }}{r^2}}}\sum\limits_{i = 1}^n {k(\frac{{{S_i}-x}}{r})} $$ (1)

      式中,f(x)为空间位置点x的核密度计算函数;r为核密度估计的搜索半径;n为与点x的距离小于或等于r的所有点数;Si-x表示点Si与点x之间的距离;k(·)函数表示空间权重核函数。

      核密度有两个关键参量:空间权重核函数k(·)和搜索半径rk(·)的选择对密度分析的影响较小,因为该参量均基于距离衰减效应,即密度值在远离核心要素过程中不断降低,直至与核心的网络距离达到阈值r时核密度值降为0。搜索半径r的设定往往根据POI数据情况和应用环境而定,可能的影响因素包括分析尺度、POI点的离散程度等。本文研究中核密度聚类结果网格大小为250 m×250 m,搜索半径r为2 100 m。

    • 重尾打断分类法(head/tail breaks)由Jiang提出[16],该方法基于齐普夫定律及二分法思想,将数据分为高频率和低频率,并专注于数据中的低频率数据,可以更自然地表现各类型POI数据的等级结构并量化数据的层次结构。

      重尾分布中,高频率值数据占所有数据的主要部分,而低频率值数据占少数,通常表现为幂函数和正态分布函数。重尾打断分类法将所有数据依据算术平均值分为两部分,选择头部(高于平均值的部分)并继续迭代过程,直到头部的数据不再是重尾分布。所有数据中出现频率最低等级为1,频率第二低等级为2,以此类推。重尾打断分类法规则如图 2所示。

      图  2  重尾打断分类法规则

      Figure 2.  Illustration of the Head/Tail Division Rule

      例如:北京市办公POI点密度表现为重尾分布,如图 3所示,横坐标代表街区网格数,纵坐标代表POI点密度。

      图  3  办公POI点密度的重尾分布

      Figure 3.  A Heavy-Tailed Distribution of the Office POI Density

      对办公POI点密度依据重尾打断分类法规则进行分类,其中点密度最大值为8 354.43,最小值为0,平均值为188.89,分类结果如表 1所示, 则办公类型POI点密度可分成6类:[0, 189]、[190, 581]、[582, 1 279]、[1 280, 2 803]、[2 804, 5 166]、[5 167, 8 355]。

      表 1  办公POI点密度的重尾打断分类

      Table 1.  Head/Tail Breaks for the Office POI Density

      街区网格数 网格点密度均值 头部网格数 尾部网格数 头部网格数占比/% 尾部网格数占比/%
      870 189 222 648 25.5 74.5
      222 581 60 162 27 73
      60 1 279 14 46 23.3 76.7
      14 2 803 4 10 28.6 71.4
      4 5 166 1 3 25 75
    • 按照《北京市主体功能区规划》的思路,将北京市国土空间确定为4类功能区:首都功能核心区、城市功能拓展区、城市发展新区和生态涵养发展区。本文研究选取北京五环内主城区为研究区域,主要包括首都功能核心区和部分城市功能拓展区。首都功能核心区包括东城和西城,该区域发挥了行政、商业、金融房产和科教文化功能;城市功能拓展区主要涵盖中关村科技园区核心区、奥林匹克中心区等重要功能区,拓展经济服务功能,推进科技创新与高新技术产业发展。

    • POI数据来自于北京市2012年高德地图数据,将原始数据进行坐标纠偏和地址匹配,共得到北京市1 065 421条POI数据,其中研究区域包含641 984条POI数据。POI数据是具有地理标识的空间特征物,也是空间大数据分析的基础性数据,包含经纬度坐标、地址、名称、类型和所属行政区等多个属性。

      随着建筑运输与制造业搬出北京主城区,城市中心区主要以生产服务、科教服务、金融服务及公共服务等功能为主。同时参考2011年最新版城市用地分类与规划建设用地标准[17],将研究区域内原始POI数据分成居住POI、商业POI、绿地与广场POI、办公POI、公共服务POI、交通POI共6类。具体分类见表 2

      表 2  兴趣点分类

      Table 2.  Category of POIs

      序号 一级分类 二级分类 比例/%
      1 居住 商务住宅,住宅区,别墅 22.9
      2 公共服务 科教文化服务,生活服务,政府机构,体育休闲,医疗保健,公共设施 13
      3 商业 餐饮服务,购物服务,金融保险,汽车服务,生活服务,住宿服务,物流 43.6
      4 办公 商务写字楼,商务住宅 14
      5 交通 道路附属设施,地名地址信息,交通服务设施 5.5
      6 绿地与广场 旅游景点,公园广场 1
    • 出租车作为居民多种出行方式中的一种,反映出城市内部空间结构的动态规律。以北京市2012年11月的4 000辆出租车所产生的轨迹数据为原始数据,数据记录间隔为10 s,由于数据信号接收时会受到高层筑物和桥梁等遮挡,实际获取的数据间隔时间并不均匀。对原始轨迹数据进行停靠点的提取来消除噪声并剔除行驶中间点,载客状态有0和1,分别代表空载和载客。使用Python脚本语言对原始数据筛选出乘客上下出租车的位置点,当出租车载客状态的相邻两点由0变为1时,即由空车状态变为载客状态时即为上车点(记为O点),反之则为下车点(记为D点),即O/D点。

      图 4展示了4 000辆出租车30 d所有O/D点在研究区域的空间分布,根据出租车轨迹数据,可以确定乘客每次出行O/D点的位置。每一条出行记录都可以用一个向量来表示:

      $$ ({x_o}, {y_o}, {t_o}) \to ({x_d}, {y_d}, {t_d}) $$ (2)

      图  4  出租车O/D点空间分布

      Figure 4.  Spatial Distribution of Taxi O/DPoints

      式中,xy表示经纬度坐标;to表示O点时间;td表示D点时间,并构成一个O/D点对。通过对原始轨迹数据进行O/D点的提取,共提取出3 025 711条O/D点对(n=3 025 711), 可表示为:

      $$ {S_o} = \{ ({x_{o1}}, {y_{o1}}, {t_{o1}}) \ldots ({x_{on}}, {y_{on}}, {t_{on}})\} $$ (3)
      $$ {S_d} = \{ ({x_{d1}}, {y_{d1}}, {t_{d1}}) \ldots ({x_{dn}}, {y_{dn}}, {t_{dn}})\} $$ (4)

      式中,So表示O点点集;Sd表示D点点集,且SoSd中的点一一对应。所有的O/D点对构成的北京市居民乘坐出租车出行记录形成了一个表现城市内部动态变化的代表性样本。

    • 随着北京城市和区域内部产业结构不断优化升级,以生产服务为核心的第三产业成为了北京经济快速增长的主要动力,办公空间成为城市功能区的一个重要支持,同时也是现代城市空间格局构建的核心影响因子[18]。依据《北京市主体功能区规划》,研究区域内部主要城市功能包括商业、金融房产和科教文化等功能,同时考虑北京居民日常通勤及社会经济活动,本文主要选取商业、办公和居住3种功能区进行研究。

      根据道路网将研究区域分为街区网格,计算每个街区网格内的POI点密度,采用重尾打断分类法识别城市功能区的层次等级结构,提取各类型功能区中心街区,结果如图 5所示。由图 5可以得到,商业POI数据分类结果的第一、二类可以识别中关村(A)、西单(B)、东单(C)和国贸(D);燕东园(E)、安慧里(F)、望京(G)、四惠(H)、同仁园(I)等居住区可由居住类型POI点分类结果识别;办公类型POI点分类第一类可识别中关村(J)和国贸(K)两个高新产业区。

      图  5  基于重尾打断分类法的城市功能区层次结构量化

      Figure 5.  Quantitative of Urban Functional Hierarchical Structure by Head/Tail Breaks

      为了提取城市功能区空间分布范围,使用核密度聚类法对商业、办公和居住3种POI类型聚类,功能区空间分布识别结果如图 6所示。图 6表示各类型POI数据的核密度聚类结果,由此可以划分3种城市功能区的空间分布范围。

      图  6  基于核密度聚类法的城市功能区空间分布

      Figure 6.  Spatial Distribution of Urban Functional Areas by Kernel Density Estimation

      重尾打断分类法可以识别出中关村、望京、西单和国贸4个典型城市功能区对应的街区网格,核密度聚类法则能够识别出4个典型城市功能区的空间分布范围。运用重尾打断分类法和核密度聚类法识别城市功能区的结果与实际情况相符。

    • 在识别出不同城市功能区层次结构及空间分布的基础上,选取中关村、望京、西单和国贸作为典型城市功能区。根据提取的出租车O/D点数据,统计落在各个典型城市功能区的O/D点,构建O/D点对模型,并从时空角度分析其相互作用关系。

    • 统计中关村、西单、国贸、望京4个典型城市功能区O/D点吸引的点密度, 并对结果进行核密度聚类分析(图 7),分别以这4个典型城市功能区为中心,以500 m为间隔,在研究区域生成同心圆缓冲区,计算落在每个缓冲区单位面积内的O/D点数,得到典型城市功能区O/D点吸引的密度分布(图 8),以此来分析典型城市功能区交通吸引的空间分布。

      图  7  典型城市功能区O/D点吸引的空间分布

      Figure 7.  Spatial Distribution of O/D Density in Urban Functional Areas

      图  8  典型城市功能区O/D点吸引的密度分布

      Figure 8.  Density Distribution of O/D Points Attracted by Urban Functional Areas

      总体上,4个典型功能区相互之间有较强的吸引力,互为出租车O/D点的主要来源区域,但同时也存在空间差异。以居住为主的望京功能区对自身出租车O/D点的吸引力较弱,国贸和中关村对望京的引力较强;西单和国贸两个商业中心之间相互吸引出租车,O/D点热点区域分布相似,均集中在以商业中心为核心的三环内,且密度级总体上由热点区域中心往外扩散;在数量上,国贸吸引出租车的数量超过西单,西单的核密度最高值约为国贸的一半。

      理论上,城市功能区相互吸引力大小随着距离的增大,衰减越慢。3个商业中心吸引O/D点的密度曲线均在15 km距离内逐渐衰减。居住区望京在4 km、9.5 km和12.5 km处出现了3次高峰,正好符合3个商业中心与望京区域几何中心的距离。西单在距离10 km处点密度逐渐降为0,同时也表明居民乘坐出租车出行距离平均为10 km,一般不超过20 km。这与人们心理上可以承受的出行时间和空间距离以及出租车出行方式的选择偏好有一定的关系。

    • 为了分析典型城市功能区吸引出租车O/D点的时间特征,以1 h为间隔,将30 d分为720 h,分别统计每小时所有出租车的O/D点的数量, 结果如图 9所示,可知O点和D点的时间分布曲线十分相似,并能明显地识别出30个周期(30 d)。

      图  9  出租车O/D点时间分布

      Figure 9.  Temporal Variations of Taxi O/D Points

      根据出租车O/D点周期性规律,将所有数据按小时分为24个时间段,分别对4个城市典型功能区统计每个时间段的相互吸引的O/D点数。图 10(a)~10(d)展示了中关村、望京、西单及国贸4个典型城市功能区在时间上相互吸引出租车O/D点的分布。

      图  10  典型城市功能区相互吸引O/D点的时间分布

      Figure 10.  Temporal Variations of Urban Functional Areas Interaction on O/D Points

      在此基础上,分别统计06:00~08:00、11:00~13:00、17:00~19:00和21:00~23:00这4个时间段典型城市功能区吸引O/D点的比例(表 3),其中中关村4个时间段的均值为0.227(即表示中关村内居民乘坐出租车出行,其目的地仍是中关村的概率为22.7%),望京的均值为0.294,西单的均值为0.180,国贸的均值为0.349。

      表 3  4个时间段典型城市功能区相互吸引O/D点的比例

      Table 3.  Proportion of Urban Functional Areas Interaction on O/D Points in Four Periods

      时间段 中关村 望京 西单 国贸
      望京 西单 国贸 中关村 总计 中关村 西单 国贸 望京 总计 中关村 望京 国贸 西单 总计 中关村 望京 西单 国贸 总计
      06:00~08:00 0.294 0.189 0.274 0.243 1 0.198 0.187 0.263 0.352 1 0.235 0.313 0.278 0.174 1 0.223 0.306 0.175 0.295 1
      11:00~13:00 0.206 0.197 0.372 0.226 1 0.217 0.189 0.368 0.226 1 0.217 0.224 0.367 0.192 1 0.254 0.21 0.175 0.361 1
      17:00~19:00 0.288 0.161 0.317 0.234 1 0.199 0.158 0.311 0.333 1 0.212 0.307 0.293 0.188 1 0.200 0.316 0.151 0.333 1
      21:00~23:00 0.242 0.150 0.402 0.206 1 0.185 0.138 0.412 0.264 1 0.183 0.263 0.389 0.165 1 0.187 0.255 0.15 0.408 1

      以每个功能区比例的均值为阈值,大于均值表示较强吸引力,小于均值表示较弱吸引力。总体上,可得到西单对其他3个功能区吸引力较强,而国贸对自身吸引力较强。从4个时间段来看,由中关村出发,以国贸为主要目的地集中在时间段8:00~16:00(图 10(a))。上午6:00~9:00,以居住为主的城市功能区望京为中关村、西单及国贸的主要来源地;下午17:00至晚上23:00,望京同时也为这3个商业中心的主要目的地,这在一定程度上反映了望京居民的日常通勤规律(图 10(a)10(c)10(d))。3个商业中心与望京存在一定的相互作用关系,根据距离的远近,国贸对望京的吸引力明显强于西单和中关村,是望京的主要目的地和来源地,符合了传统地理空间衰减规律(图 10(b))。中关村和国贸这两个商业中心存在较强的互通活动,即从一个商业中心到达另一个商业中心的活动。总体上,两个商业中心的O/D点吸引总量从上午8:00开始逐步增加,到12:00左右吸引量达到最高峰值,随后其相互吸引量存在一定程度的下降,但依然高于中关村,18:00以后继续回升,并在晚上22:00达到新的峰值,符合居民在商业中心购物等活动的时空规律(图 10(c))。

      分析典型城市功能区交通吸引相互作用的时空规律特征,得到以下结论:①国贸是一个以商业为主的混合城市功能区,城市功能完善齐全,对自身的引力较强,对周围的引力随着距离的增加而减弱;②国贸和中关村分别作为东西城区主要的核心商业圈,交通吸引互通活动强;③望京作为以居住功能为主的城市社区,居民乘坐出租车通勤特征明显,3个商业中心对其都具有吸引力,距离最近的国贸对其吸引力最强。

    • 本文基于POI数据使用核密度聚类法和重尾打断分类法识别城市功能区,定量分析城市空间结构,识别结果与实际相符。通过从原始海量出租车轨迹数据中提取O/D点对,可得到典型城市功能区吸引出租车O/D点空间分布、时空关系的规律,并基于出租车O/D点吸引量分析各个典型城市功能区之间的相互作用关系,进一步验证了利用POI数据识别城市功能区的准确性。

      POI数据作为城市各功能单元的基本信息,在城市功能区研究方面得到了广泛应用。本文只考虑了POI的数量,并没有兼顾其等级,后续研究会根据建筑面积和公众认知度来对各类POI点赋予相应的权重值,以更好地识别城市功能区,且大数据背景下可为城市空间结构理论的研究提供更丰富、更详细的数据源。

      对城市空间相互作用理论的研究,不仅可以为城市规划、城市影响空间、城市经济区划分以及行政区划调整提供理论基础,而且对交通物流分析、复合城市功能区的选址、环境变化分析等也具有一定的指导作用。

参考文献 (18)

目录

    /

    返回文章
    返回