基于签到数据的城市功能区识别研究

1、主题：3. 数据挖掘与知识发现基于签到数据的城市功能区识别研究宁鹏飞 ，万幼，沈怡然，任福武汉大学资源与环境科学学院，武汉，430079，摘要：城市功能区是城市空间发展变化的动力，由于其地域结构合理性会影响着城市的经济和社会发展，识别城市内部功能区的空间分布结构，对城市结构优化，城市资源配置，以及城市发展规划等方面有着重要的意义。本文以深圳市为例，抓取新浪微博用户2015 年在其区域内的位置签到数据，经有效数据筛选清洗后，结合城市用地分类与规划建设用地标准、新浪微博平台分类标准及居民出行目的等实际情况，将原始位置签到 POI 数据分为居住、办公、商业、公共、交通、绿地

2、、工业共七大类。在确定最优的输入参数后，对点要素进行空间多密度聚类（OPTICS），实现了不拘泥于传统行政区划或规则格网单元的城市空间自组织形态的功能区域。进一步，通过构建POI 数据模型，即综合用户签到频率、POI 数量比例、以及土地利用混合程度等多个方面对各功能分区的城市主体功能进行识别。通过与深圳市总体规划（20102020）中的城市布局结构规划及各组团分区规划，以及高德地图的地理信息进行对比，对其识别结果进行分析验证。研究表明：该方法的聚类结果大体吻合深圳市“三轴两带多中心”的城市空间布局基本骨架，同时基本能识别各大功能分区主体功能，以及具有明显特征的功能区。关键词: POI；功能区；

3、微博签到数据；深圳1 绪论1.1 研究背景近年来，国内外学者通过结合城市居民活动数据（GPS 数据，公交车数据，LBS 数据等）与 POI 进行城市功能区划分的研究。如 Yuan et al.1借鉴自然语言处理中主题POI 数据构建的城市功能区识别模型（DZoF）和聚类分析方法，在交通分析区尺度上较好地展现了北京市的功能区域的空间分布。王波等 3借助新浪微博，通过引入位置服务大数据，以南京市为例，从时间、空间、活动三个方面分析了城市活动空间的动态变化，并在掌握变化规律的基础上通过聚类分析对城市活动区域进行划分。近年结合大数据的城市功能区识别研究多是将规则网格单元，和基于路网划分的地块等作为城市

4、功能区的基础研究单元，且多从用户活动和 POI 类别上构造语义模型而进行聚类识别分析，而将POI 间的空间的相关性融合进来分析识别的研究较少。1.2 研究方法故本文将尝试综合了POI 的语义和空间信息以及用户活动信息来进行城市功能区的识别。以深圳市为例，抓取 2015 年的新浪微博用户在其区域内的位置签到数据，经数据清洗后，结合城市用地分类与规划建设用地标准、新浪微博平台分类标准及居民出行目的等实际情况，将位置签到 POI 数据分为居住、办公、商业、公共、交通、绿地、工业共七大类。在确定最优的输入参数后，对 POI 点要素进行空间多密度聚类（OPTICS4），实现了不同于传统行政区划或规则格网

5、单元的城市空间自组织形态的功能区域。进一步，结合用户签到频率、POI 数量比例、以及土地利用混合程度5等方面的信息来构建 POI 模型，对各功能分区的城市主体功能进行识别。识别结果通过与深圳市总体规划（20102020）中的城市布局结构规划及各组团分区规划，以及高德地图的地理信息等进行对比，对其识别结果进行分析验证。1.3 实验结果该方法的聚类识别结果（如下图 1）所示，识别结果大体吻合深圳市“三轴两带多中心”的城市空间布局基本骨架。即以“福田罗湖南山”中心城区为核心，以西部“前海航空城沙井松岗”、中部“福田龙华光明新城”、东部“罗湖布吉横岗龙岗坪山新城”三条发展轴和南、北两条发展带为基本骨架

6、。由此，印证了 OPTICS 算法在城市功能空间结构识别方面的可行性与准确性。大体吻合深圳市“三轴两带多中心”的城市空间布局基本骨架，同时基本能识别各大功能分区主体功能，以及具有明显特征的功能区。图 1 POI 空间聚类与深圳市总体规划叠合图参考文献:1 Yuan J, Zheng Y, Xie X. Discovering regions of different functions in a city using humanmobility and POIsC/Proceedings of the 18th ACM SIGKDD internationa l conference onKn

7、owledge discovery and data mining. ACM, 2012: 186-194.2 Long Y, Shen Z. Discovering Functiona l Zones Using Bus Smart Card Data and Points ofInterest in BeijingM/Geospatia l Ana lysis to Support Urban Planning in Beijing. Cham:Springer International Publishing, 2015:193-217.3 王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究J. 地理科学, 2015,35(2):151-160.4 Ankerst M, Breunig M M, Kriege l H P, et al. OPTICS: ordering points to identify theclustering structureC/ACM Sigmod Record. ACM, 1999, 28(2): 49-60.5 Long Y, Liu X. Automated identification and characterization o