论文部分内容阅读
摘要：随着信息化的发展和数据源的增多，越来越多的大数据被应用于城市规划研究中，但由于大多数数据具有难获取，不易分析等特点，使得相关的技术方法在实际项目中运用较少。本文采用较易获得POI数据对成都市五城区的空间布局进行聚类分析，描绘各类功能分布，并提取城市空间结构，用POI的城市规划研究能够提供一种新的方法和角度对城市进行认知，在城市规划前期帮助、中期分析、后期跟踪等方面有一定的应用前景[1]。
关键词：POI数据;成都市五城区;空间布局;聚类分析
1.引言
随着信息化的发展和大数据时代的到来，城市规划研究中不再满足于传统数据的分析应用，运用大数据进行的城市分析逐渐增多，主要集中在手机信令、微博数据、出租车、地铁或公交车刷卡数据等，从城市人群的动态分布反映真实的城市运行状态。龙赢等[2]（2012）利用公交刷卡数据，对北京市公交持卡人的居住地、就业地和通勤出行的识别结果在公交站点和交通分析小区（TAZ）尺度上进行汇总。陈映雪等[3]（2014）以南京为例，借助新浪微博获取海量签到数据，从居民活动这一社会化的视角，再探究旧有的城市空间功能组织方式。钮心毅等[4]（2014）以上海中心城为例，提出了利用手机定位数据识别城市空间结构的方法，并对上海市手机用户密度、城市公共中心等级职能、功能区进行识别。这些研究对大数据在城市研究中的运用进行了尝试，提供了更多新的技术方法。但由于以上研究的数据获得门槛较高，在城市规划实际工作中应用较少。
本文以成都市的部分POI 数据为支撑，采用聚类算法，借助ArcGIS 软件，全面对成都市五城区的总体及各行业空间布局进行研究，以克服传统官方数据的弊端，拓宽了城市空间格局研究的视野;提炼数据的特征，以期为更多种类的大数据在城市规划中的实际应用提供思路与借鉴。
2.研究方法与数据来源
2.1 研究区概况
2017年8月31日举行的“成都国家中心城市产业发展大会”上，成都打破圈层结构，将中心城区范围扩大至原一二圈层的11个行政区加高新区、天府新区，形成“老中心城区+郊区新城”的空间层次。将成都市城区大致划分为三个类别：老中心城区（主城五区）、功能经济区、新中心城区。本文选取老中心城区，即锦江区、青羊区、金牛区、武侯区、成华区五城区为研究对象，具有相对丰富健全的公共服务空间，具有较大的研究价值。
2.2 数据来源
POl数据泛指一切可以被抽象为点的地理实体，尤其是与人们生活密切相关的设施，是电子地图上的某个地标，并包含经纬度、地址、名称、类型等属性信息。电子地图中每一个地名、建筑、公园、学校、医院、公司、商场等都是一个兴趣点。本研究参照相关文献分析、《城市居住区规划设计规范》GB 50180-93（2016年版）以及居民的日常需求，将生活设施分为七类，分别是餐饮、交通设施服务、科教文化服务、生活服务、体育休闲服务、医疗保健服务、政府机构机关及社会团体。本研究通过城市数据团获得成都市生活设施POI数据，每条POI数据至少包括名称、经度、纬度、地址等4个属性信息。经过去重、纠偏与空间匹配，得到生活设施现状数据量共114726条
2.3 研究方法
2.3.1 方法原理
K-means 算法属于聚类方法中一种典型的划分方法，以数据划分的类别数作为数据聚类的依据，同类间相似性高，不同类间相似度低。K-means 算法的基本假设为：对于一个簇，选出一个中心点，使簇中的所有点到该中心点的距离小于到其他簇中心的距离。给定一组n个样本X，將其分成K个不相交的簇C，每个簇由样本均值uj描述，即使同一簇内和平方最小。[5]
2.3.2 基于自适应迭代的聚类方法
本文提出的空间聚类方法包括3个步骤：①对位置数据进行预处理;②利用聚类分析探索空间分布;③根据聚类结果分析空间分布特征。具体操作为：将poi数据导入Arcgis中，进行坐标转换，并筛选数据，再将关联到地图中划分为562个渔网格。最后进行聚类分析，并配合相关性进行整体特征分析。
3.空间布局分析
3.1数据格网化
基于十五分钟生活圈的原理，即居民十五分钟步行可达范围约为一平方公里，将成都市五城区范围划分为562个渔网格，再将poi数据关联到渔网格上。并基于此开展后续分析。
3.2迭代聚类分析
由于格网数据在空间具有连续性，可通过聚类分析探索格网的空间分布模式，以反映格网属性在空间的分布规律。为了使K-means 算法的聚类结果能更真实反映聚类特征的空间划分，以下式中目标函数为迭代依据，将聚类数K作为自适应参数，迭代确定聚类中心数。自适应迭代聚类的思想为：假设数据集合为（x1，x2，…，xn），每个xi为多维的向量，K-means聚类的目的是在给定分类组数k（k ≤ n） 的条件下，将原始数据分成k 类：S={S1，S2，…，Sk}，K-means所要最小化的目标函数为：
式中，n为样本数;xn为第n个样本;μk为第k个中心点。将样本分为k类，若第n个样本点属于第k类，则rnk=1 ;若第n个样本点不属于第k类，则rnk=0.
图3-2为自适应迭代的聚类评价结果。聚类数为3时，聚类精度为82.05%，达到最大值;而后随着聚类数的变大，聚类精度大幅降低。以聚类精度最大为最优准则，将聚类数定为3。
3.3 聚类结果空间分布分析
图3- 3描述的是各类聚类结果的空间分布，由图可知，第一类格网数最多。第二类格网数最少，且根据分布情况能清晰的看到公共服务设施在整体上呈现中心聚集，向四周发散的单中心特点。
通过对各类POI进行相关性分析，探索同一类中聚类特征与各类POI 之间的关系，并采用spss计算得到各类POI之间相关系数均为0.7以上，具有相关性。且这表明在聚类区域内，某一类POI的数目与其他具有显著的正相关性，利用某一类公共服务设施能探测不同种类的POI在空间上的大致分布情况。因此，结合格网中空间特征的聚类方法，有利于探索人们行为活动在城市空间中的规律。
4 结语
本文结合POI 数据和位置数据，采用聚类方法挖掘了公共服务设施空间分布特征信息。首先，通过聚类方法探索各类POI在空间的聚类模式;然后，探索各类POI之间的相关关系，以反映POI在城市生活中的吸引程度，为城市布局的合理规划提供帮助。然而，该方法只考虑单一时间段的POI情况，没有考虑随着时间变化各类POI在空间中分分布变化情况，对数据的时空挖掘还不够深。且在对现有数据进行分析时，还不够深入。
参考文献
[1]索超， 丁志刚. POI在城市规划研究中的应用探索[C]// 新常态：传承与变革——2015中国城市规划年会论文集（04城市规划新技术应用）. 2015.
[2]龙赢，张宇，崔承印.利用公交刷卡数据分析北京职住关系和职勤出行[J].地理学报，2012，10（67）：1339-1352.
[3]陈映雪，甄峰.基于居民活动数据的城市空间功能组织再探究—以南京市为例[J].城市规划学刊，2014，（05）：72-78.
[4]钮心毅，丁亮，宋小冬.基于手机数据识别上海中心城区的城市空结构[J].城市规划学刊，2014， （06）： 61-67.
[5]刘辉， 黄新， 王京晶. 基于位置数据和POI的聚类方法[J]. 地理空间信息， 2017， 15（11）：46-49.
基金项目：成都市哲学社会科学规划项目，项目题目：基于大数据的成都市公共空间发展均衡性问题研究，项目编号：2018R53
关键词：POI数据;成都市五城区;空间布局;聚类分析
1.引言
随着信息化的发展和大数据时代的到来，城市规划研究中不再满足于传统数据的分析应用，运用大数据进行的城市分析逐渐增多，主要集中在手机信令、微博数据、出租车、地铁或公交车刷卡数据等，从城市人群的动态分布反映真实的城市运行状态。龙赢等[2]（2012）利用公交刷卡数据，对北京市公交持卡人的居住地、就业地和通勤出行的识别结果在公交站点和交通分析小区（TAZ）尺度上进行汇总。陈映雪等[3]（2014）以南京为例，借助新浪微博获取海量签到数据，从居民活动这一社会化的视角，再探究旧有的城市空间功能组织方式。钮心毅等[4]（2014）以上海中心城为例，提出了利用手机定位数据识别城市空间结构的方法，并对上海市手机用户密度、城市公共中心等级职能、功能区进行识别。这些研究对大数据在城市研究中的运用进行了尝试，提供了更多新的技术方法。但由于以上研究的数据获得门槛较高，在城市规划实际工作中应用较少。
本文以成都市的部分POI 数据为支撑，采用聚类算法，借助ArcGIS 软件，全面对成都市五城区的总体及各行业空间布局进行研究，以克服传统官方数据的弊端，拓宽了城市空间格局研究的视野;提炼数据的特征，以期为更多种类的大数据在城市规划中的实际应用提供思路与借鉴。
2.研究方法与数据来源
2.1 研究区概况
2017年8月31日举行的“成都国家中心城市产业发展大会”上，成都打破圈层结构，将中心城区范围扩大至原一二圈层的11个行政区加高新区、天府新区，形成“老中心城区+郊区新城”的空间层次。将成都市城区大致划分为三个类别：老中心城区（主城五区）、功能经济区、新中心城区。本文选取老中心城区，即锦江区、青羊区、金牛区、武侯区、成华区五城区为研究对象，具有相对丰富健全的公共服务空间，具有较大的研究价值。
2.2 数据来源
POl数据泛指一切可以被抽象为点的地理实体，尤其是与人们生活密切相关的设施，是电子地图上的某个地标，并包含经纬度、地址、名称、类型等属性信息。电子地图中每一个地名、建筑、公园、学校、医院、公司、商场等都是一个兴趣点。本研究参照相关文献分析、《城市居住区规划设计规范》GB 50180-93（2016年版）以及居民的日常需求，将生活设施分为七类，分别是餐饮、交通设施服务、科教文化服务、生活服务、体育休闲服务、医疗保健服务、政府机构机关及社会团体。本研究通过城市数据团获得成都市生活设施POI数据，每条POI数据至少包括名称、经度、纬度、地址等4个属性信息。经过去重、纠偏与空间匹配，得到生活设施现状数据量共114726条
2.3 研究方法
2.3.1 方法原理
K-means 算法属于聚类方法中一种典型的划分方法，以数据划分的类别数作为数据聚类的依据，同类间相似性高，不同类间相似度低。K-means 算法的基本假设为：对于一个簇，选出一个中心点，使簇中的所有点到该中心点的距离小于到其他簇中心的距离。给定一组n个样本X，將其分成K个不相交的簇C，每个簇由样本均值uj描述，即使同一簇内和平方最小。[5]
2.3.2 基于自适应迭代的聚类方法
本文提出的空间聚类方法包括3个步骤：①对位置数据进行预处理;②利用聚类分析探索空间分布;③根据聚类结果分析空间分布特征。具体操作为：将poi数据导入Arcgis中，进行坐标转换，并筛选数据，再将关联到地图中划分为562个渔网格。最后进行聚类分析，并配合相关性进行整体特征分析。
3.空间布局分析
3.1数据格网化
基于十五分钟生活圈的原理，即居民十五分钟步行可达范围约为一平方公里，将成都市五城区范围划分为562个渔网格，再将poi数据关联到渔网格上。并基于此开展后续分析。
3.2迭代聚类分析
由于格网数据在空间具有连续性，可通过聚类分析探索格网的空间分布模式，以反映格网属性在空间的分布规律。为了使K-means 算法的聚类结果能更真实反映聚类特征的空间划分，以下式中目标函数为迭代依据，将聚类数K作为自适应参数，迭代确定聚类中心数。自适应迭代聚类的思想为：假设数据集合为（x1，x2，…，xn），每个xi为多维的向量，K-means聚类的目的是在给定分类组数k（k ≤ n） 的条件下，将原始数据分成k 类：S={S1，S2，…，Sk}，K-means所要最小化的目标函数为：
式中，n为样本数;xn为第n个样本;μk为第k个中心点。将样本分为k类，若第n个样本点属于第k类，则rnk=1 ;若第n个样本点不属于第k类，则rnk=0.
图3-2为自适应迭代的聚类评价结果。聚类数为3时，聚类精度为82.05%，达到最大值;而后随着聚类数的变大，聚类精度大幅降低。以聚类精度最大为最优准则，将聚类数定为3。
3.3 聚类结果空间分布分析
图3- 3描述的是各类聚类结果的空间分布，由图可知，第一类格网数最多。第二类格网数最少，且根据分布情况能清晰的看到公共服务设施在整体上呈现中心聚集，向四周发散的单中心特点。
通过对各类POI进行相关性分析，探索同一类中聚类特征与各类POI 之间的关系，并采用spss计算得到各类POI之间相关系数均为0.7以上，具有相关性。且这表明在聚类区域内，某一类POI的数目与其他具有显著的正相关性，利用某一类公共服务设施能探测不同种类的POI在空间上的大致分布情况。因此，结合格网中空间特征的聚类方法，有利于探索人们行为活动在城市空间中的规律。
4 结语
本文结合POI 数据和位置数据，采用聚类方法挖掘了公共服务设施空间分布特征信息。首先，通过聚类方法探索各类POI在空间的聚类模式;然后，探索各类POI之间的相关关系，以反映POI在城市生活中的吸引程度，为城市布局的合理规划提供帮助。然而，该方法只考虑单一时间段的POI情况，没有考虑随着时间变化各类POI在空间中分分布变化情况，对数据的时空挖掘还不够深。且在对现有数据进行分析时，还不够深入。
参考文献
[1]索超， 丁志刚. POI在城市规划研究中的应用探索[C]// 新常态：传承与变革——2015中国城市规划年会论文集（04城市规划新技术应用）. 2015.
[2]龙赢，张宇，崔承印.利用公交刷卡数据分析北京职住关系和职勤出行[J].地理学报，2012，10（67）：1339-1352.
[3]陈映雪，甄峰.基于居民活动数据的城市空间功能组织再探究—以南京市为例[J].城市规划学刊，2014，（05）：72-78.
[4]钮心毅，丁亮，宋小冬.基于手机数据识别上海中心城区的城市空结构[J].城市规划学刊，2014， （06）： 61-67.
[5]刘辉， 黄新， 王京晶. 基于位置数据和POI的聚类方法[J]. 地理空间信息， 2017， 15（11）：46-49.
基金项目：成都市哲学社会科学规划项目，项目题目：基于大数据的成都市公共空间发展均衡性问题研究，项目编号：2018R53