陸妍玲,黃婭琦,王杰,黃露,趙毅,李景文*

(1.桂林理工大學(xué)測繪地理信息學(xué)院,桂林 541004;2.廣西生態(tài)時(shí)空大數(shù)據(jù)感知服務(wù)重點(diǎn)實(shí)驗(yàn)室,桂林 541004)

隨著大數(shù)據(jù)時(shí)代來臨與新興數(shù)字技術(shù)的迅速發(fā)展,人類的各種活動(dòng)特征及內(nèi)在機(jī)制為城市規(guī)劃建設(shè)以及交通政策提供了數(shù)據(jù)支撐[1]。通過泛在傳感器的使用被完整和系統(tǒng)地記錄下來并形成海量的時(shí)空軌跡數(shù)據(jù)[2]。海量時(shí)空軌跡數(shù)據(jù)隱含了豐富的城市信息[3]。時(shí)空軌跡數(shù)據(jù)作為研究城市人群的活動(dòng)規(guī)律及時(shí)空特征的主要數(shù)據(jù)來源,具有獲取成本低、數(shù)據(jù)量大、時(shí)空覆蓋范圍廣等優(yōu)點(diǎn)[4-5]。通過對(duì)出行軌跡數(shù)據(jù)進(jìn)行時(shí)空挖掘,能為城市規(guī)劃、交通設(shè)計(jì)、位置信息服務(wù)等應(yīng)用領(lǐng)域提供參考價(jià)值和現(xiàn)實(shí)意義。

外國學(xué)者在21世紀(jì)初對(duì)軌跡數(shù)據(jù)開展研究,最早是面向浮動(dòng)車的數(shù)據(jù)[6-7],隨著數(shù)據(jù)采集能力的提升以及定位設(shè)備的廣泛應(yīng)用,對(duì)時(shí)空軌跡進(jìn)行挖掘分析的數(shù)據(jù)形式更加多樣[8-9]。Brian等[10]通過評(píng)估游客出行方式對(duì)于公園和保護(hù)區(qū)環(huán)境的影響,以此保護(hù)生物多樣性,并提供優(yōu)質(zhì)的游客體驗(yàn)機(jī)會(huì)。Anu等[11]通過研究在愛沙尼亞收集到的移動(dòng)定位數(shù)據(jù),發(fā)現(xiàn)空間流動(dòng)性隨年齡增長而呈現(xiàn)出線性下降的趨勢,揭示了空間流動(dòng)性規(guī)律。在中國,主要是以出租車數(shù)據(jù)為數(shù)據(jù)源提取熱點(diǎn)區(qū)域,并對(duì)出行需求或交通狀態(tài)進(jìn)行分析和預(yù)測[12-14]。秦昆等[15]對(duì)武漢市的出租車軌跡數(shù)據(jù)進(jìn)行預(yù)處理后,利用基于時(shí)空數(shù)據(jù)場的聚類方法提取城市交通熱點(diǎn)區(qū)域,并分析出行時(shí)空特征。王侃等[16]提出基于時(shí)空軌跡的熱點(diǎn)區(qū)域提取算法(TSTHE),對(duì)1 100條卡車軌跡進(jìn)行熱點(diǎn)區(qū)域提取,該方法改進(jìn)了傳統(tǒng)的軌跡算法中相似性度量單一和聚類簇?cái)?shù)難確定的問題。Zhang等[17]通過聚合具有網(wǎng)絡(luò)驅(qū)動(dòng)的海量手機(jī)數(shù)據(jù),揭示了蕪湖市人群的移動(dòng)模式,發(fā)現(xiàn)蕪湖市的人類活動(dòng)高度集中在交通分析區(qū)(TAZ)層面。焦萍等[18]利用西安的出租車訂單提取軌跡數(shù)據(jù),對(duì)城市居民出行需求區(qū)域進(jìn)行分析,挖掘其時(shí)空分布特征,對(duì)城市公共交通規(guī)劃等提供一定借鑒。

綜合以上分析,中外學(xué)者針對(duì)時(shí)空軌跡數(shù)據(jù)的研究在社會(huì)建設(shè)中已經(jīng)有了廣泛的應(yīng)用,但研究多集中在利用各類GPS軌跡數(shù)據(jù)對(duì)某個(gè)地區(qū)進(jìn)行一個(gè)尺度的研究,研究范圍較單一,缺少多空間尺度融合下的時(shí)空軌跡研究。鑒于此,以廣東為研究區(qū)域,基于出行軌跡數(shù)據(jù)聚類算法提取熱點(diǎn)區(qū)域,通過軌跡時(shí)間分布特征、空間分布特征與熱點(diǎn)等級(jí)變化特征等多空間尺度融合進(jìn)行數(shù)據(jù)挖掘,在此基礎(chǔ)上進(jìn)行城市人類活動(dòng)出行等特征分析。本研究為深入分析城市內(nèi)部結(jié)構(gòu)特征的研究提供了新的視野。

1 研究區(qū)域與研究數(shù)據(jù)

廣東省位于20°09′N～25°31′N和109°45′E～117°20′E,陸地面積為17.97×104km2,海岸線總長13 870 km,地處中國華南沿海,廣東省下轄21個(gè)地級(jí)市。根據(jù)國家統(tǒng)計(jì)局公布的數(shù)據(jù)顯示,2021年廣東全省總?cè)丝诩s為1.26億人,位居全國第一。廣東省城市內(nèi)部空間結(jié)構(gòu)復(fù)雜多元,道路網(wǎng)絡(luò)覆蓋范圍廣,建設(shè)用地類型多樣全面,適用于出行軌跡活動(dòng)熱點(diǎn)研究以及潛在規(guī)律的挖掘。研究區(qū)域如圖1所示。

圖1 研究區(qū)域(廣東省)Fig.1 Study area(Guangdong Province)

研究數(shù)據(jù)來源于社交媒體騰訊用戶密度(Tencent user density,TUD)數(shù)據(jù)集。獲取了中國34個(gè)行政區(qū)TUD數(shù)據(jù),日期為2021年4月28日,采樣時(shí)間間隔為30 min,將數(shù)據(jù)劃分為48個(gè)時(shí)段。并利用Pandas庫篩選出8:00、12:00、18:00的用戶定位數(shù)據(jù),數(shù)據(jù)行數(shù)總計(jì)約56萬行,數(shù)據(jù)內(nèi)容包括經(jīng)度、緯度和定位次數(shù)3個(gè)屬性。

同時(shí),研究數(shù)據(jù)包括來源于高德地圖開發(fā)平臺(tái)的地圖興趣點(diǎn)(point of interest,POI)數(shù)據(jù),時(shí)間為2021年3月,共計(jì)5 778 750條記錄,包括名稱、經(jīng)緯度、地址、類別和所屬區(qū)域等信息,共17個(gè)大類和若干個(gè)中類。研究選取餐飲美食、商務(wù)住宅、旅游景點(diǎn)、酒店住宿、公司企業(yè)、交通設(shè)施六大類POI進(jìn)行處理分析,如圖2所示。

圖2 POI類別熱點(diǎn)圖Fig.2 POI category hot spot map

2 基于出行軌跡數(shù)據(jù)聚類的熱點(diǎn)區(qū)域提取

2.1 DBSCAN聚類算法

DBSCAN算法在密度聚類中得到了較為廣泛的運(yùn)用,不僅能判別聚類簇之間的差異性,還能夠?qū)Τ鲂熊壽E數(shù)據(jù)的集群分布和空間特征進(jìn)行準(zhǔn)確分析[19]。其聚類思想是在給定數(shù)據(jù)集D上隨機(jī)抽取出對(duì)象點(diǎn)p,然后查詢p的鄰域半徑Eps內(nèi)的對(duì)象個(gè)數(shù),若所含個(gè)數(shù)大于核心點(diǎn)閾值Minpts,則創(chuàng)建一個(gè)以p作為核心對(duì)象的聚類簇。p聚簇里的其他對(duì)象點(diǎn)作為第二次的查詢對(duì)象,依次對(duì)聚簇里的其他點(diǎn)進(jìn)行查詢迭代,尋找新的核心對(duì)象和聚類簇,直到?jīng)]有新點(diǎn)加入各聚簇即可結(jié)束。具體過程如下。

輸入數(shù)據(jù)集D,Eps鄰域半徑,最小數(shù)目MinPts。

輸出生成的聚簇。

步驟1 Repeat。

步驟2 選擇數(shù)據(jù)集D中一個(gè)未作處理的樣本點(diǎn)并識(shí)別該點(diǎn)是否為核心對(duì)象。

步驟3 若該點(diǎn)為核心對(duì)象,且鄰域范圍內(nèi)的所有點(diǎn)個(gè)數(shù)大于Minpts,則創(chuàng)建聚類簇。

步驟4 若該點(diǎn)不是核心對(duì)象,則回到步驟2尋找新的核心對(duì)象和聚類簇;

步驟5 直到?jīng)]有新點(diǎn)加入各簇類即可結(jié)束。

由于DBSCAN算法是在核心對(duì)象的鄰域密度進(jìn)行迭代擴(kuò)展,因此對(duì)無規(guī)則形狀的聚類點(diǎn)來說,使用DBSCAN算法的聚類效果更好。且該算法還具有能有效地識(shí)別噪聲點(diǎn)、能識(shí)別任何形狀的簇類、聚類結(jié)果對(duì)遍歷順序幾乎沒有依賴性等優(yōu)點(diǎn)。

在參數(shù)選擇中,由于無需事先指定要?jiǎng)澐值念悢?shù),僅需要定義鄰域半徑(Eps)和核心點(diǎn)閾值(Minpts)這兩個(gè)參數(shù)。在參數(shù)Eps值一定時(shí),Minpts值太小會(huì)造成簇類太多,而且會(huì)把某些噪音點(diǎn)也歸入簇類進(jìn)而影響結(jié)果。相反,若Minpts值過大,則生成的簇類較少,同時(shí)也消除了很多非噪音點(diǎn),所含對(duì)象較小的簇類會(huì)被忽視。因此,Minpts要取合適值,以減少簇?cái)?shù)量和噪聲點(diǎn)的干擾。聚類樣本參數(shù)的選取質(zhì)量可通過輪廓系數(shù)來評(píng)價(jià),輪廓系數(shù)的計(jì)算公式為

(1)

(2)

式中:a(i)為樣本i與同簇中其他點(diǎn)之間的平均不相似度;b(i)為樣本i與其他簇之間的最小平均不相似度。

輪廓系數(shù)的值介于[-1,1],輪廓系數(shù)值與1相近時(shí),表示樣本劃分到的簇合理;輪廓系數(shù)值與-1相近時(shí),表示應(yīng)將樣本i歸到另一個(gè)簇中。通過迭代不同的Eps及Minpts,統(tǒng)計(jì)該類別狀態(tài),并計(jì)算輪廓系數(shù),經(jīng)過多次實(shí)驗(yàn)取值對(duì)比最終確定省級(jí)尺度樣本聚類的領(lǐng)域半徑為Eps=0.101,閾值為Minpts=12;市級(jí)尺度樣本數(shù)據(jù)聚類的領(lǐng)域半徑Eps=0.1,閾值為Minpts=11。

2.2 出行軌跡熱點(diǎn)提取及分類

核密度分析常被用來計(jì)算指定區(qū)域內(nèi)點(diǎn)、線要素測量值的單位密度,是估計(jì)非參數(shù)常用方法之一,可以直接反映連續(xù)區(qū)域離散測量值的分布情況。在核密度分析中,距離其核心要素越近,所獲得的相應(yīng)密度擴(kuò)張值也就越高。設(shè)x1,x2,…,xn為單元變量x的獨(dú)立同分布樣本點(diǎn),則核密度分析表達(dá)式為

(3)

式(3)中:h為距離衰減閾值,即輸出帶寬,h表示距x處直線距離小于或等于h的所有空間對(duì)象的數(shù)目;k0為核函數(shù);xi為第i個(gè)核心對(duì)象所在位置。

圖3 熱點(diǎn)區(qū)域提取過程Fig.3 Extraction process of hot spots

研究數(shù)據(jù)源各個(gè)時(shí)間段提取的熱點(diǎn)區(qū)域如圖4所示。根據(jù)“自然斷點(diǎn)法”對(duì)以上熱點(diǎn)區(qū)域分為5個(gè)等級(jí),用不同顏色和大小將其可視化,每個(gè)顏色對(duì)應(yīng)一個(gè)等級(jí),等級(jí)越高表示出行活動(dòng)越弱,效果如圖5所示。

圖4 不同時(shí)間不同尺度提取的熱點(diǎn)區(qū)域Fig.4 Hot spots extracted at different times and scales

3 多空間尺度融合的城市活動(dòng)規(guī)律分析

尺度效應(yīng),即同一區(qū)域、同一時(shí)間、同一研究對(duì)象在某一尺度上呈現(xiàn)出的規(guī)律特征、性質(zhì)等,在另一個(gè)尺度上呈現(xiàn)出的結(jié)果可能相似也可能有差別。在地理空間中,任何地理實(shí)體呈現(xiàn)出的信息承載量都與尺度有關(guān),它們所展示的信息內(nèi)容因尺度而異。根據(jù)地理實(shí)體的屬性特征為其選擇合適的空間尺度來進(jìn)行描述,其結(jié)果才會(huì)具有研究價(jià)值,因此,選取不同省級(jí)與市級(jí)尺度融合下的出行軌跡數(shù)據(jù)對(duì)其進(jìn)行城市活動(dòng)時(shí)空分析。

3.1 城市活動(dòng)時(shí)間分布特征

基于DBSCAN聚類算法對(duì)出行軌跡數(shù)據(jù)分出大類簇,結(jié)合局部密度峰值計(jì)算,提取了不同時(shí)段、不同尺度下的出行熱點(diǎn)區(qū)域,將統(tǒng)計(jì)省級(jí)尺度、市級(jí)尺度的定位次數(shù)總和,以此分析在不同尺度下的出行時(shí)間分布特征,如圖6所示。圖6為市級(jí)尺度3個(gè)時(shí)段下的出行軌跡數(shù)據(jù)熱點(diǎn)區(qū)域分布。分析可知,在不同尺度下的時(shí)間分布特征如下。

(1)在8:00、12:00、18:00這3個(gè)時(shí)間段里,密集區(qū)域的熱點(diǎn)位置基本重合;強(qiáng)度較低的區(qū)域,熱點(diǎn)位置較分散。從城市熱點(diǎn)區(qū)域分布圖中得出東南地區(qū)3個(gè)時(shí)間段的熱點(diǎn)區(qū)域位置基本重合,西北地區(qū)3個(gè)時(shí)間段的熱點(diǎn)區(qū)域位置比較分散,重合度不高。說明不同時(shí)間粒度下,在聚集度高的區(qū)域活動(dòng)范圍比較穩(wěn)定,在聚集度低的區(qū)域活動(dòng)位置偏移大,且移動(dòng)方向沒有明顯規(guī)律。

(2)分別統(tǒng)計(jì)了省級(jí)尺度、市級(jí)尺度在8:00、12:00、18:00這3個(gè)時(shí)間段中的定位次數(shù)。省級(jí)尺度18:00的定位總次數(shù)為435 270次,市級(jí)尺度18:00的定位次數(shù)為28 796次,均遠(yuǎn)遠(yuǎn)高于8:00和12:00點(diǎn)的定位總次數(shù)。8:00、12:00、18:00分別處于早高峰、午高峰、晚高峰的時(shí)間段里,說明晚高峰是出行軌跡數(shù)據(jù)強(qiáng)度最大、最頻繁的時(shí)段。

3.2 城市活動(dòng)空間分布特征

基于熱點(diǎn)區(qū)域提取結(jié)果,將每個(gè)區(qū)域所擁有的熱點(diǎn)區(qū)域個(gè)數(shù)進(jìn)行統(tǒng)計(jì),對(duì)區(qū)域進(jìn)行分級(jí)并進(jìn)行可視化,如圖7(a)～圖7(c)所示,以此獲得出行軌跡數(shù)據(jù)在不同尺度下的空間分布特征。省級(jí)尺度區(qū)域分級(jí)標(biāo)準(zhǔn):擁有10個(gè)以下的熱點(diǎn)區(qū)域省份劃分為一級(jí)行政區(qū);擁有11～20個(gè)熱點(diǎn)區(qū)域的省份劃分為二級(jí)行政區(qū);擁有20個(gè)以上的熱點(diǎn)區(qū)域省份劃分為三級(jí)行政區(qū)。市級(jí)尺度區(qū)域劃分標(biāo)準(zhǔn):擁有7個(gè)以下的熱點(diǎn)區(qū)域地級(jí)市劃分為一級(jí)地級(jí)市;擁有8～15個(gè)熱點(diǎn)區(qū)域的地級(jí)市劃分為二級(jí)地級(jí)市;擁有15個(gè)以上的熱點(diǎn)區(qū)域地級(jí)市劃分為三級(jí)地級(jí)市。

圖7 不同尺度空間分布特征Fig.7 Spatial distribution characteristics at different scales

可見,不同時(shí)間粒度之間的同一行政區(qū)的出行密度有所區(qū)別。圖7(a)～圖7(c)可以看出,每個(gè)等級(jí)的行政區(qū)在不同時(shí)間粒度下,雖然并未出現(xiàn)行政區(qū)等級(jí)跨越現(xiàn)象。但結(jié)合圖7(d)、圖7(e)的熱點(diǎn)區(qū)域個(gè)數(shù)統(tǒng)計(jì)圖,可以看出,省級(jí)尺度行政區(qū)、市級(jí)尺度行政區(qū)在3個(gè)時(shí)間段內(nèi),同一行政區(qū)出行密度是有所區(qū)別的,小部分行政區(qū)熱點(diǎn)區(qū)域個(gè)數(shù)沒有浮動(dòng);大部分熱點(diǎn)區(qū)域個(gè)數(shù)均有浮動(dòng),且浮動(dòng)值較小。因此,從大尺度空間分布看,出行軌跡數(shù)據(jù)區(qū)域范圍是相對(duì)穩(wěn)定的。

同時(shí),各等級(jí)行政區(qū)分布呈現(xiàn)階梯狀分布。無論是省級(jí)尺度還是市級(jí)尺度,行政區(qū)等級(jí)都是依階梯狀逐步排列的。該情況發(fā)生的原因是:由于中國地勢東高西低,呈階梯狀分布,且氣候干燥,戈壁沙漠廣布、降水少、風(fēng)沙多、生態(tài)脆弱,社會(huì)城市化以及適宜人類居住指數(shù)較低,因此導(dǎo)致內(nèi)蒙古自治區(qū)、新疆維吾爾自治區(qū)、西藏自治區(qū)出現(xiàn)了地廣人稀且居民大散居的現(xiàn)象,所以這3個(gè)地區(qū)的熱點(diǎn)區(qū)域個(gè)數(shù)較多。中部及東南地區(qū)平原和丘陵較多,且社會(huì)城市化較高,人類聚集程度較高,因此這些地區(qū)的行政區(qū)熱點(diǎn)區(qū)域個(gè)數(shù)較少。市級(jí)尺度的廣東省地勢北高南低,城市化程度也由北向南逐步升高,因此,廣東省也出現(xiàn)了地級(jí)市等級(jí)呈現(xiàn)階梯狀分布。

最后,從省級(jí)尺度不同時(shí)間段的時(shí)空分布特征中可以得出:一級(jí)省級(jí)行政區(qū)主要分布在中國東南沿海,二級(jí)省級(jí)行政區(qū)分布在中國中部和東北部,三級(jí)行政區(qū)分布在中國西北部,各級(jí)省級(jí)行政區(qū)的分布相對(duì)聚集。三級(jí)省級(jí)行政區(qū)從低等級(jí)到高等級(jí)的階梯狀分布。說明東南地區(qū)的出行密集,人口密度大;西北地區(qū)的出行相對(duì)離散,人口密度小。從圖7(a)～圖7(c)可以看出,一級(jí)市級(jí)行政區(qū)主要分布在珠江入口處的城市,二級(jí)市級(jí)行政區(qū)主要分布在一級(jí)行政區(qū)的周圍,三級(jí)行政區(qū)主要分布在二級(jí)行政區(qū)的周圍。由此可見,市級(jí)尺度的行政區(qū)尺度也呈現(xiàn)出以階梯式聚集分布。說明廣東省珠江入口處城市的出行活動(dòng)密集,人口密度大;靠近內(nèi)陸的城市出行活動(dòng)相對(duì)離散,人口密度小。

3.3 城市活動(dòng)熱點(diǎn)分布特征

結(jié)合熱點(diǎn)區(qū)域等級(jí)圖,獲得每個(gè)行政區(qū)熱點(diǎn)區(qū)域等級(jí)并進(jìn)行可視化。由于在3個(gè)時(shí)段內(nèi),行政區(qū)并未出現(xiàn)跨級(jí),因此只需選取18:00這個(gè)時(shí)刻的省級(jí)尺度和市級(jí)尺度研究區(qū)進(jìn)行分析。具體如圖8所示。

圖8 熱點(diǎn)分布特征示意Fig.8 Illustration of hot spot distribution characteristics

圖8(a)、圖8(b)分別為市級(jí)尺度熱點(diǎn)等級(jí)分布和統(tǒng)計(jì)情況,圖8(c)為省級(jí)尺度熱點(diǎn)等級(jí)統(tǒng)計(jì)情況,分析可知分布特征如下。

(1)熱點(diǎn)區(qū)域等級(jí)個(gè)數(shù)隨等級(jí)的升高而增加。等級(jí)為1的熱點(diǎn)區(qū)域個(gè)數(shù)最少,等級(jí)為5的熱點(diǎn)區(qū)域個(gè)數(shù)最多。結(jié)合省級(jí)尺度的行政區(qū)分析中發(fā)現(xiàn),東南地區(qū)的行政區(qū)擁有的熱點(diǎn)區(qū)域個(gè)數(shù)少,但熱點(diǎn)區(qū)域熱度值高;西北地區(qū)的行政區(qū)擁有的熱點(diǎn)區(qū)域個(gè)數(shù)多,但熱點(diǎn)區(qū)域熱度值低。再次證明了中國東南地區(qū)的出行活動(dòng)密集,人口密度大;西北地區(qū)的出行活動(dòng)相對(duì)離散,人口密度小。市級(jí)尺度的行政區(qū)分析中發(fā)現(xiàn),廣東省珠江入口處的行政區(qū)擁有的熱點(diǎn)區(qū)域個(gè)數(shù)少,但熱點(diǎn)區(qū)域熱度值高;靠近內(nèi)陸的行政區(qū)擁有的熱點(diǎn)區(qū)域個(gè)數(shù)多,但熱點(diǎn)區(qū)域熱度值低。說明廣東省珠江入口處城市的出行活動(dòng)密集,人口密度大;靠近內(nèi)陸的城市出行活動(dòng)相對(duì)離散,人口密度小。

(2)熱點(diǎn)區(qū)域等級(jí)越高,變化越明顯。等級(jí)5的熱點(diǎn)區(qū)域個(gè)數(shù)最多,分布的行政區(qū)也最多,波動(dòng)較大;等級(jí)4、等級(jí)3、等級(jí)2隨著熱點(diǎn)等級(jí)降低,分布的行政區(qū)逐漸變少,波動(dòng)逐漸變小;直到熱點(diǎn)等級(jí)降低到等級(jí)1的熱點(diǎn)區(qū)域,可以看到此級(jí)的熱點(diǎn)個(gè)數(shù)最少,分布的行政區(qū)最少。熱點(diǎn)等級(jí)越高代表熱點(diǎn)值越低,因此可以說明在低熱度的熱點(diǎn)區(qū)域出行活動(dòng)不穩(wěn)定,在高熱度的熱點(diǎn)區(qū)域出行活動(dòng)比較穩(wěn)定。

(3)為了更進(jìn)一步驗(yàn)證在多空間尺度下探究出行軌跡數(shù)據(jù)分析的可行性,省級(jí)尺度研究以胡煥庸線為參照,市級(jí)尺度研究以選取的六類POI熱力圖為參照。胡煥庸線北起黑龍江璦琿,南至云南騰沖。胡煥庸線以東是人口稠密地區(qū),人口基數(shù)較大,勞動(dòng)力充足,交通、航運(yùn)、基建等有一定的基礎(chǔ)。胡煥庸線以西是人口稀疏區(qū)域,地廣人稀,交通不便,基礎(chǔ)建設(shè)難度高。得出的東南地區(qū)與西北地區(qū)差異與其一致,符合實(shí)際情況。

(4)通過核密度分析得出廣東省餐飲美食、商務(wù)住宅、旅游景點(diǎn)、酒店住宿、公司企業(yè)、交通設(shè)施六大類與出行活動(dòng)最密切相關(guān)的POI熱力圖對(duì)比,六大類POI熱度最高的區(qū)域都處于珠江入口處的廣州市、深圳市、東莞市?？梢?實(shí)驗(yàn)結(jié)果得出的廣東省超級(jí)熱點(diǎn)區(qū)域位于廣州市、深圳市,與POI的實(shí)際情況符合,證明本文方法研究人類軌跡規(guī)律具有可行性。

綜上,采用基于密度的DBSCAN聚類算法與局部密度峰值法研究出行軌跡數(shù)據(jù)的時(shí)空分布特征。這與軌跡數(shù)據(jù)中常用的K-means算法相比,該算法主要優(yōu)勢在于可以對(duì)抗噪聲,能準(zhǔn)確判別任意形狀簇,而且聚類速度快,不需制定簇的個(gè)數(shù)就能找到離群點(diǎn)。但選擇的參數(shù)對(duì)聚類結(jié)果有較大影響,且當(dāng)數(shù)據(jù)離散分布時(shí)會(huì)被劃分為多個(gè)類,這是算法的不足之處。因此,如何在數(shù)據(jù)離散分布時(shí),提升聚類精度將是下一步工作主要解決的問題。

4 結(jié)論

時(shí)空大數(shù)據(jù)近年來成為研究人類日?；顒?dòng)和城市內(nèi)部結(jié)構(gòu)的一種新方式。針對(duì)軌跡數(shù)據(jù)挖掘過程中研究范圍單一,以及缺少多空間尺度研究等問題,提出基于多空間尺度融合方法,深入分析不同時(shí)間粒度和不同空間尺度下人類出行軌跡的時(shí)空分布特征?；诙嗫臻g尺度融合方法研究出行軌跡規(guī)律,挖掘出更具有普適性和更深層面的出行軌跡時(shí)空特征;為利用時(shí)空大數(shù)據(jù)進(jìn)行相關(guān)研究提供了一種可以借鑒的方法。由于使用的TUD數(shù)據(jù)精度較低,在省級(jí)和市級(jí)尺度下分析人類活動(dòng)特征具有良好的效果,但在研究區(qū)縣級(jí)以下等小尺度上還存在一定的局限性。因此,下一步可通過融合新浪微博簽到數(shù)據(jù)、Twitter數(shù)據(jù)等多源時(shí)空大數(shù)據(jù)來提高數(shù)據(jù)挖掘的精度,這有利于在小空間尺度中展開出行時(shí)空變化特征的研究,能夠更精準(zhǔn)地揭示出行活動(dòng)中隱含的時(shí)空軌跡信息。