时空大数据支持下的存量规划方法论

日期:2020-08-15 15:29:10 作者:guest 浏览: 查看评论 加入收藏

时空大数据支持下的存量规划方法论

  本文使用互联网某LBS(Location-BasedService)平台人口分时活动密度数据,叠加百度POI(PlaceofInterest),通过非监督分类和非负矩阵分解的方法,分别对北京市六环内的地块尺度、500m网格尺度和25m点阵尺度进行用地功能的识别与分类。通过多维度分类结果的叠加,对研究区域的用地功能、人口时空活动特征进行深入刻画,探讨通过大数据进一步辅助存量规划的用地功能研究方法。

  1研究方法

  1.1研究对象及研究数据

  本次研究范围为北京六环内区域。采用的主数据源为互联网某LBS产品的分时人口活动热度数据,是该互联网产品的桌面端和移动端APP用户使用过程中产生的过程数据。原始的数据包含3个字段,分别为数据采集点的坐标、日期和该小时的人口密度。数据采集点的网格密度为25m,呈均匀点阵分布。目前笔者通过网络爬虫,采集了2015年7月30日至8月2日北京六环以内的数据,数据量在每小时230万个点左右。时空大数据支持下的存量规划方法论

原始数据点范围

  另外,为了对用地功能进行深入解读,笔者使用百度POI作为辅助数据源。通过百度地图提供的API(ApplicationProgrammingInterface,应用程序编程接口),笔者采集了2015年初北京市域范围内约20万个POI,涵盖居住、商业、娱乐、公共服务设施、交通、绿地等内容。每个POI点包括唯一编号、POI名称、坐标、一级分类、二级分类、用户评价等字段。

  1.23层研究空间尺度匹配体系

  在不同空间尺度中,分时人口数据所反映出的用地特征也有不同的侧重。

  笔者将整个研究单元分为3层空间尺度:原始地块尺度、500×500m网格尺度、25×25m原始数据点阵尺度,分别进行数据匹配。其中,原始地块尺度对于多数空间单元能够做到较好的描述,但是对于极大的郊区地块和极小的内城地块,其描述结果并不能体现该空间所在的本身特征。因此,使用均分额500m网格对地块尺度的描述进行补充说明。点阵尺度研究结果则会更多地用于建筑尺度的对比,包括建筑内部的时空特征,以及建筑与地块的时空关联等。

  通过3层空间尺度体系的分门别类与描述,笔者对同一研究对象进行基于地块、网格和内部点的多维立体描述,为存量规划所需的深度精细刻画提供理论支持。

时空大数据支持下的存量规划方法论

  空间匹配流程与结果 上一页1 234 下一页

留言与评论(共有 0 条评论)
   
验证码: