基于距离的城市功能同位分析方法及系统与流程

本发明涉及城市功能分区技术，尤其涉及一种基于距离的城市功能同位分析方法及系统。

背景技术：

1、随着城市化进程的快速推进，城市内部功能分区日益细化和复杂化。合理布局城市功能分区，优化城市空间结构，对于提升城市运行效率、改善居民生活质量具有重要意义。传统的城市功能空间组织研究主要依赖于人工经验和定性分析，存在主观性强、精度低等局限性。

2、现有技术中，已有一些利用数理统计和计算机技术进行城市功能空间组织分析的方法。例如，基于土地利用类型的空间聚类分析，通过对城市土地利用数据进行聚类，识别具有相似土地利用特征的区域，进而划分城市功能分区。再如，基于poi数据的功能分区方法，通过分析城市poi的空间分布特征，推断城市不同区域的主导功能。

3、然而，上述方法仍然存在一些不足。基于土地利用类型的分析方法难以精确刻画城市功能的空间异质性和混合特征；基于poi数据的方法虽然考虑了城市功能的语义信息，但忽略了不同功能区域之间的空间关联和相互作用。此外，现有方法普遍关注单一尺度的城市功能分区，缺乏对多尺度功能结构的刻画。

4、因此，亟需一种能够综合考虑城市功能语义、空间关联和多尺度特征的分析方法，以准确刻画城市内部复杂的功能结构和空间组织模式，为城市规划和管理提供精细化的空间决策支持。

技术实现思路

1、本发明实施例提供一种基于距离的城市功能同位分析方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，

3、提供一种基于距离的城市功能同位分析方法，包括：

4、获取待分析城市的poi地理兴趣点数据，所述poi数据包括poi的地理坐标信息和功能属性信息，基于获取的poi数据，计算每一个poi与其他poi之间的地理距离，得到城市poi距离矩阵；根据预设的距离阈值，将城市poi距离矩阵进行二值化处理，得到时空poi关联矩阵；基于时空poi关联矩阵应用改进的lesile-kronenfeld同位商算法计算poi点间的联系强度矩阵；

5、应用社区发现算法，基于poi点间的联系强度矩阵，将城市poi划分为多个社区，每个社区内的poi在地理位置上聚集；对于得到的每一个社区，统计其内部poi的功能属性信息，获得该社区的功能属性分布；

6、采用深度学习模型获取目标poi功能属性表示，基于目标poi功能属性表示构建poi关联图，根据预设的图神经网络模型对poi进行功能区的合并和调整，得到合并后的城市社区划分结果，以及每个社区的目标功能属性，完成基于距离的城市功能同位分析。

7、在一种可选的实施例中，

8、基于获取的poi数据，计算每一个poi与其他poi之间的地理距离，得到城市poi距离矩阵；根据预设的距离阈值，将城市poi距离矩阵进行二值化处理，得到时空poi关联矩阵，包括：

9、根据获取的poi数据中的时间戳信息，将时间轴划分为若干个时间窗口，每个时间窗口内的poi数据构成一个时间切片；对于每个时间切片，根据预设的距离阈值构建多层次poi关联矩阵，将距离矩阵进行二值化处理，得到反映不同距离尺度下poi空间关联强度的多层次poi关联矩阵；

10、对于每一对poi，基于其功能属性信息，通过相似度计算算法得到poi功能属性相似度矩阵，结合poi关联矩阵和poi功能属性相似度矩阵，得到语义关联矩阵；

11、通过加权平均算法整合多层次poi关联矩阵和语义关联矩阵，得到一组反映不同时间切片内poi综合关联强度的时间切片poi关联矩阵；

12、将得到的各个时间切片的poi关联矩阵按时间顺序进行拼接，得到时空poi关联矩阵，其中矩阵的行表示poi，列表示时间切片，矩阵元素表示对应poi在对应时间切片内与其他poi的综合关联强度。

13、在一种可选的实施例中，

14、通过相似度计算算法得到poi功能属性相似度矩阵，结合poi关联矩阵和poi功能属性相似度矩阵，得到语义关联矩阵，包括：

15、语义关联矩阵计算公式如下：

16、

17、其中，表示语义关联矩阵，i表示第i个时间切片，j表示距离尺度。(p，q)表示一对poi，表示在第i个时间切片和第j个距离尺度下的poi关联矩阵，si表示在第i个时间切片的poi功能属性相似度矩阵；

18、时间切片poi关联矩阵的计算公式如下：

19、

20、其中，ri表示时间切片poi关联矩阵，m表示第m种距离尺度，ωj表示第j个距离尺度下poi关联矩阵的权重，vj表示第j个距离尺度下语义关联矩阵的权重。

21、在一种可选的实施例中，

22、应用社区发现算法，基于时空poi关联矩阵，将城市poi划分为多个社区，每个社区内的poi在地理位置上聚集；对于得到的每一个社区，统计其内部poi的功能属性信息，获得该社区的功能属性分布，包括：

23、基于时空poi关联矩阵，根据不同的距离阈值，构建多层次poi关联网络，对多层次poi关联网络应用多层次社区发现算法，识别出跨层次的社区结构；构建地理空间邻接矩阵，在社区发现算法中引入地理空间邻接矩阵作为约束条件，对每个社区的边界进行优化和平滑处理，将城市poi划分为多个社区；

24、使用空间聚类算法对社区的poi进行空间聚类和边界优化，得到社区优化边界，计算社区内poi的地理坐标均值和标准差，判断poi在空间上的聚集程度；

25、利用核密度估计算法，识别高密度的poi聚集区域，统计社区内不同功能类型poi的数量和占比，识别社区的主导功能和功能混合特征，得到每一个社区的功能属性分布。

26、在一种可选的实施例中，

27、在社区发现算法中引入地理空间邻接矩阵作为约束条件，对每个社区的边界进行优化和平滑处理，包括：

28、引入地理空间约束条件后的多层次社区发现算法目标函数如下：

29、

30、其中，l表示poi关联网络的层数，s表示第s个poi，t表示第t个poi，l表示第l层poi关联网络，n表示poi的数量，表示第l层poi关联网络的邻接矩阵，表示在第l层网络中，第s个poi和第t个poi属于同一社区的概率，表示第s个poi在第l层网络中的边缘概率分布，表示第t个poi在第l层网络中的边缘概率分布，λ表示地理空间约束项的权重系数，sst表示地理空间邻接矩阵，表示第i个poi在第l层网络中的社区归属向量；

31、使用空间聚类算法对社区的poi进行空间聚类和边界优化，得到规则和紧凑的社区边界，计算社区内poi的地理坐标均值和标准差，判断poi在空间上的聚集程度，包括：

32、对于每个社区，计算其内部poi的地理坐标均值和标准差，利用空间聚类函数，判断poi在空间上的聚集程度，计算公式如下：

33、

34、其中，kk(r)社区内poi的空间聚集程度表示，ck表示社区，|ck|表示社区ck内poi的数量，pti(·)表示指数函数，μk表示表示社区ck内poi的密度。

35、在一种可选的实施例中，

36、采用深度学习模型获取目标poi功能属性表示，基于目标poi功能属性表示构建poi关联图，根据预设的图神经网络模型对poi进行功能区的合并和调整，得到合并后的城市社区划分结果，以及每个社区的目标功能属性，完成基于距离的城市功能同位分析，包括：

37、采用卷积神经网络和长短期记忆网络分别对文本和图像数据进行特征提取，通过注意力机制融合文本和图像特征，自动学习不同模态特征的重要性权重，得到目标poi功能属性表示；

38、基于目标poi功能属性表示和poi的地理坐标信息，构建poi关联图，将每个poi视为图中的节点，根据每个poi之间的地理距离和功能属性相似度构建边，并将poi的属性信息作为poi节点的初始特征；

39、根据预设的图神经网络模型，采用聚类算法对poi节点的初始特征进行社区划分，并根据划分结果对poi进行功能区的合并和调整，得到城市功能区划分结果，以及每个社区的目标功能属性，完成基于距离的城市功能同位分析。

40、在一种可选的实施例中，

41、根据预设的图神经网络模型，采用聚类算法对poi节点的初始特征进行社区划分，并根据划分结果对poi进行功能区的合并和调整，包括：

42、根据预设的图神经网络模型，对poi关联图进行编码，学习节点的嵌入表示并进行更新；

43、基于更新后的节点的嵌入表示，采用聚类算法对节点进行社区划分，根据划分结果对poi进行功能区的合并和调整，得到最终的城市功能区划分结果。

44、在一种可选的实施方式中，

45、所述方法还包括：

46、依据poi的业务属性及元数据，将其初步归类至基础功能类别；

47、运用机器学习及专家系统，在基础功能类别的基础上进一步细分功能子类，通过分析poi的名称和频次特征，进一步进行功能定位；

48、基于所确定的基础功能类别，通过多尺度同位商计算引擎计算出同位商值；

49、根据所述同位商值，构建城市功能同位网络图，其中节点代表不同功能类型的poi，边的权重对应同位商值，体现功能间的相互影响和依赖；

50、根据社区检测算法，自动识别并划分功能集群，揭示城市功能空间结构的模块化特性；

51、提供可交互的可视化界面，展示功能集群的分布格局。

52、本发明实施例的第二方面，

53、提供一种基于距离的城市功能同位分析系统，包括：

54、第一单元，用于获取待分析城市的poi地理兴趣点数据，所述poi数据包括poi的地理坐标信息和功能属性信息，基于获取的poi数据，计算每一个poi与其他poi之间的地理距离，得到城市poi距离矩阵；根据预设的距离阈值，将城市poi距离矩阵进行二值化处理，得到时空poi关联矩阵；基于时空poi关联矩阵应用改进的lesile-kronenfeld同位商算法计算poi点间的联系强度矩阵；

55、第二单元，用于应用社区发现算法，基于poi点间的联系强度矩阵，将城市poi划分为多个社区，每个社区内的poi在地理位置上聚集；对于得到的每一个社区，统计其内部poi的功能属性信息，获得该社区的功能属性分布；

56、第三单元，用于采用深度学习模型获取目标poi功能属性表示，基于目标poi功能属性表示构建poi关联图，根据预设的图神经网络模型对poi进行功能区的合并和调整，得到合并后的城市社区划分结果，以及每个社区的目标功能属性，完成基于距离的城市功能同位分析。

57、本发明实施例的第三方面，

58、提供一种电子设备，包括：

59、处理器；

60、用于存储处理器可执行指令的存储器；

61、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

62、本发明实施例的第四方面，

63、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

64、在本实施例中，通过获取城市poi数据，并计算poi之间的地理距离，构建时空poi关联矩阵，可以准确刻画城市不同区域poi的空间分布特征和相互关联关系。进一步应用社区发现算法对poi进行聚类划分，能够识别出在地理位置上聚集的poi功能区，揭示城市功能布局的空间分异规律。在对城市poi进行社区划分的基础上，统计每个社区内部poi的功能属性分布，可以深入分析城市不同区域的功能语义特征。采用深度学习模型学习poi功能属性表示，能够从海量异构的poi数据中提取高层次的功能语义信息，增强城市功能分析的语义理解能力。基于poi功能属性表示构建poi关联图，利用图神经网络模型对poi进行功能区的合并和调整，能够充分考虑不同功能区之间的空间关联和交互作用，克服传统方法忽略功能区相互影响的局限性，提高城市功能分析的综合性和准确性。通过设定不同的距离阈值和社区划分参数，可以在多个空间尺度上对城市功能进行分析。大幅提升城市功能分析的精度、全面性和实用性，为优化城市空间结构、提升城市治理水平提供重要的技术支撑。