[发明专利]一种基于拓扑分析的地理大数据空间潜模式分析方法

说明书

本发明公开了一种基于拓扑分析的地理大数据空间潜模式分析方法，包括步骤：获取城市路网数据，得到街道网络图；使用城市交通网络统计指标、规则度特征和拓扑特征对所述街道网络图进行特征描述；计算拓扑特征之间的基尼系数；使用规则度特征将城市划分为单纯形；使用拓扑映射器作为特征的拓扑结构可视化工具，对单纯形进行识别并转换为由复形，将复形聚类成组；将聚类后的城市与对应城市的经济发展指标相结合进行相关性分析。本发明所提取的结构从整体上反映了各个城市路网的规则性，发现了潜在子结构，结合城市GDP总量信息，发现其结构划分与城市经济水平和地理区位因素相关。

技术领域

本发明属于测绘技术领域，尤其涉及一种基于拓扑分析的地理大数据空间潜模式分析方法。

背景技术

近年来，随着信息通讯技术的发展以及各种传感器和定位技术的普及,产生了大量具有时空标记、能够描述个体行为的空间大数据，包括手机定位数据、出租车数据、共享自行车数据、公交智能卡数据、社交网络数据、视频大数据等，为分析和理解城市结构的动态、人类活动时空规律以及定量理解社会经济环境提供了巨大的机会。这些具有地理属性的大数据兴起，也对时空大数据的空间挖掘能力提出了新的诉求。丰富时空数据分析方法，将有助于理解、应对进而解决空间与时间上更为复杂的自然地理格局和过程耦合问题，满足国家可持续发展需求，服务于社会决策和智慧城市的建设。

近年来，来自不同领域的学者对不同类型的时空数据进行了大量研究，其中包括计算机科学、地理学、和复杂性科学等交叉领域。他们试图挖掘海量群体的时空行为模式，并建立合适的解释性模型，得到地理学研究中的新见解。然而，大数据具有高维、高噪声、动态性、多模态等特征，数据量不断增长且具有复杂性，使用传统数据分析方法分析大数据会存在一定的局限性。

其一是数据分析的方法上，方法本身的和方法使用上的具有局限性。这些方法以统计分析为基础，需要对数据做出一些基本假设如数据满足正态分布。或者主要从数据“表面”的统计量出发，通过参数设计，获得关于对于人类行为规律与模式的认知，而没有从数据隐藏的基本结构出发，这种方法原理上可能存在先天的缺陷。在方法使用上，满足如果数据不满足这种分布和假设或者其分布不明确的情况下，这些方法得不到很好的效果。其二，目前的研究聚焦于问题的差异性，而缺乏深入研究问题的普适性。对不同类型的数据的共性和内在结构进行分析与表征的研究较少。

不论是地理现象或者群体的时空行为，这些复杂的模式背后存在一些隐藏的基本结构，而非仅仅是表面上的统计性质。从数学的角度来看，这个过程本质就是寻找高维数据背后的低维结构。时空大数据不仅有其“地理坐标”，还具有“特征坐标”，当描述时空大数据的特征坐标越来越多，高维数据的处理变得不可避免，而高维信息处理的关键在于找到嵌入在其中的低维流形结构。因此需要将三维坐标的概念更加泛化到一般的非欧空间或者流形空间。洞察数据潜在流形的结构与背后“形状”有助于更好地理解数据。如何从数据的隐藏结构和内在特性出发，理解地理现象、人类活动行为及其运行规律，从大数据背后挖掘可学习的潜空间特征，是目前时空大数据研究领域的重要问题之一。

复杂的网络方法为交通网络的研究提供了可靠的视角和有效的方法。交通网络通常被建模为复杂的网络结构，即图结构。其中节点代表交叉点和死角，边代表链接它们的街道线段。在空间上将这些边嵌入图中，这些边具有长度和方向两个重要属性。有向图能够表示实际交通流量的方向(例如单向街道上的车辆交通)，但无向图通过与街道段对应1：1建模，更好地模拟了城市形态。

时空大数据一般经过连续且离散化采样提取并收集存储，因而能够将时空大数据看作是空间上有相关关系的时间序列集合，即时空序列。对时空序列的建模、分析及预测称为时空序列模式分析。在时空序列分析框架中，时空序列聚类是理解数据内在特性的重要方法。

回顾城市交通数据相关研究，从描述城市空间结构的城市交通网络分析，能够发现，对于城市街道进行复杂网络建模已经提出了很多特征和指标。但如何对多高维特征空间进行描述和分析，并且寻找到其低维的内蕴结构，还缺少一种有效的分析方法，且目前对中国范围内城市的交通网络的空间方向和顺序的研究还较少。