[发明专利]一种基于多子空间模型的城市功能区识别方法

说明书

本发明公开了一种基于多子空间模型的城市功能区识别方法，包括以下步骤：获取研究区域内出租车轨迹数据和签到数据；构建面向分区基于到访目的的时序特征矩阵C；输入时序特征矩阵C至稀疏子空间聚类算法，计算获得地理单元和城市功能区的对应关系；获得每个功能区的显著特征地点，进而识别每个功能区的主要功能。本发明方法本发明利用地理大数据提供的人类活动信息，基于多子空间的模型克服现有技术中存在的缺陷，能够更精确地识别城市功能区，并基于子空间的几何性质分析各功能区的独特度与丰度，为城市功能区的管理和发展提供了精细量化的指标指示。

技术领域

本发明属于地理空间信息识别技术领域，涉及城市地理信息的识别方法，具体涉及一种基于多子空间模型的城市功能区识别方法。

背景技术

城市空间结构是城市地理信息学的一个核心研究内容，也是人地关系的集中反映，因为城市空间在受人类活动的影响时又对人的生产和活动有影响，大到涉及城市规划，选址，小到出行、地点推荐。在城市空间结构分析中，城市功能区的分布是诸多因素影响下在地理空间中呈现的结果。

分析城市功能区的方法有很多，如社会调查，但是在获取数据上费时费力，且在分析时可能受主观因素的极大影响，最大的缺点是不能直接反映城市发展的关键因素——人类的活动。随着移动通讯、互联网和卫星定位技术的快速发展通过具备定位功能的移动设备产生的一系列电子足迹，这些电子足迹是城市居民活动的真实记录，使我们能够从人类活动的角度探索城市功能区。目前已有方法利用社交媒体签到数据，手机数据以及出租车轨迹数据，以检测城市功能区域。

在用于分析数据的模型上，已有技术还不够完善。一般步骤如下，首先，在处理地理空间大数据时，将人类活动时序特征信息映射至人工划分的地理单元上后，使得每个地理单元都可以由向量表达，信息由此存储在一个高维的向量空间中。然后，他们通过一些算法如奇异值分解、潜在语义分析、潜在狄利克雷等分析方法对这些地理单元进行特征表达。最后，通过地理单元在特征表达上地相似性进行聚类，每一个聚类结果代表一个功能区，由此得到城市功能区的分布。然而，这些模型存在如下不足。

第一，在特征表达的过程中，部分算法先对特征做出严格的假设，如样本仅具有一组特征或服从同样的分布。因样本经过特征表达后，便会从一个高维空间降至一个低维子空间中，这些算法都可称为单子空间算法。单子空间算法严格的假设便于获得特征模式，且根据样本和特征之间的关系进行聚类即可获得功能区分布，但如果样本信息所占的权重较小，在特征表达后将会被边缘化，从而导致聚类结果不准确。并且功能区之间存在特征差异，使用同一组特征不能简洁精确地描述每一个功能区。当数据过大，特征模式过于复杂时，单子空间模型对特征模式的假设将会限制特征的挖掘。所以它们无法处理更为复杂的数据。

第二，这些模型忽略向量空间的几何意义。子空间的几何属性与城市功能区的特征是相关的，已有技术忽略了对此的探讨和考虑。

发明内容

有鉴于此，本发明的目的在于提供一种基于多子空间模型的城市功能区识别方法，本发明利用地理大数据提供的人类活动信息，基于多子空间的模型克服现有技术中存在的缺陷，能够更精确地识别城市功能区。

本发明的目的是这样实现的，一种基于多子空间模型的城市功能区识别方法，包括以下步骤：

步骤1，获取研究区域内出租车轨迹数据和签到数据；

步骤2，构建面向分区基于到访目的的时序特征矩阵C；

步骤3，输入时序特征矩阵C至稀疏子空间聚类算法，计算获得地理单元和城市功能区的对应关系；

步骤4，获得每个功能区的显著特征地点，进而识别每个功能区的主要功能。

具体地，步骤2中所述的时序特征矩阵C的构建过程包括以下步骤：

步骤201，对所述的研究区域进行划分，得到N个地理单元；