基于出租车时序数据聚类的城市功能区识别与分析.pdf

第 卷第期 年 月山东科技大学学报(自然科学版)J o u r n a l o fS h a n d o n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y(N a t u r a lS c i e n c e)V o l N o O c t D O I:/j c n k i s d k j z k 文章编号:()基于出租车时序数据聚类的城市功能区识别与分析潘福全,夏家琪,宋夫才,杨晓霞,张丽霞,陈德启(青岛理工大学 机械与汽车工程学院,山东 青岛 ;青岛市交通规划设计院有限公司,山东 青岛 )摘要:为了从居民活动视角挖掘城市各区域的出行模式,识别其承担的城市功能,从静态功能和动态使用角度感知城市空间.基于出租车出行数据构建各区域单元的乘客上车、下车时间序列数据集,采用时间序列相似度度量方法和基于中心点的聚类算法对呈现不同出发、到达模式的单元进行分类.对同一单元的出发到达模式进行耦合分析,提取 种典型的出行组合模式,并根据其到离时序特征和空间分布特征将各单元划分为工业(产业)类、混合类、居住类、商业类、泛办公类种功能区.采用兴趣点(P O I)数据,引入P O I富集指数对功能区识别结果进行校验,对于校验通过的单元,进一步标定该单元的主导P O I类型,细化功能区识别结果.结果表明:市区、市郊、郊区主导功能类型不同,以市区为核心向外辐射,呈现办公、居住、工业的功能区分布层级结构.同一类型的功能区,由于所处地理区位不同,在到达时序特征上呈现较为明显的差异.关键词:出租车数据;兴趣点;时间序列;出行模式;城市功能区中图分类号:U 文献标志码:A收稿日期:基金项目:国家自然科学基金项目();山东省自然科学基金项目(Z R MG );教育部人文社会科学研究规划基金项目(Y J A Z H )作者简介:潘福全(),男,山东潍坊人,教授,博士,主要从事城市公共交通、交通大数据挖掘的研究E m a i l:f u q u a n p a n y e a h n e tI d e n t i f i c a t i o na n da n a l y s i so fu r b a nf u n c t i o n a l a r e a sb a s e do nt a x i t i m e s e r i e sd a t ac l u s t e r i n gP ANF u q u a n,X I AJ i a q i,S ONGF u c a i,YANGX i a o x i a,Z HANGL i x i a,CHE ND e q i(C o l l e g eo fM e c h a n i c a l a n dA u t o m o t i v eE n g i n e e r i n g,Q i n g d a oU n i v e r s i t yo fT e c h n o l o g y,Q i n g d a o ,C h i n a;Q i n g d a oT r a n s p o r t a t i o nP l a n n i n ga n dD e s i g nI n s t i t u t eC o L t d,Q i n g d a o ,C h i n a)A b s t r a c t:T oe x p l o r e t h e t r a v e l p a t t e r n so f v a r i o u su r b a na r e a s f r o mt h ep e r s p e c t i v eo f r e s i d e n t sa c t i v i t i e s,i d e n t i f yt h eu r b a nf u n c t i o n s t h e yu n d e r t a k e,a n ds e n s e t h eu r b a ns p a c e f r o mt h ep e r s p e c t i v eo f s t a t i c f u n c t i o n sa n dd y n a m i cu s e,t h i ss t u d yf i r s t c o n s t r u c t e dt h e t i m es e r i e sd a t as e t so fb o a r d i n ga n da l i g h t i n g f o r e a c hb l o c ku n i tb a s e do nt a x it r a v e ld a t a T h eu n i t sp r e s e n t i n gd i f f e r e n td e p a r t u r ea n da r r i v a lp a t t e r n s w e r ec l a s s i f i e db yu s i n gt i m es e r i e ss i m i l a r i t ym e a s u r em e t h o da n dP AMc l u s t e r i n ga l g o r i t h mT h ed e p a r t u r e a r r i v a lp a t t e r n so ft h es a m eu n i t sw e r ec o u p l e da n d t y p i c a l t r a v e l c o m b i n a t i o np a t t e r n sw e r ee x t r a c t e d A c c o r d i n gt ot h ec h a r a c t e r i s t i c so f t h e i ra r r i v a l d e p a r t u r e t i m es e r i e sa n dt h e i rs p a t i a ld i s t r i b u t i o n,t h eu n i t sw e r ed i v i d e di n t of i v ef u n c t i o n a la r e a s:i n d u s t r i a l,m i x e d,r e s i d e n t i a l,c o mm e r c i a l,a n dp a n o f f i c e T h e f u n c t i o n a l a r e a i d e n t i f i c a t i o nr e s u l t sw e r ev e r i f i e db yu s i n gP O I(p o i n to f i n t e r e s t)d a t aa n dP O I e n r i c h m e n t i n d e x F o r t h o s eu n i t s t h a tp a s s e dt h ev e r i f i c a t i o n,t h e i rd o m i n a n tP O It y p ew a sf u r t h e rc a l i b r a t e dt or e f i n et h ei d e n t i f i c a t i o nr e s u l t so ft h ef u n c t i o n a la r e a s T h er e s u l t ss h o wt h a tt h eu r b a n,s u b u r b a n,a n de x u r b a na r e a sh a v ed i f f e r e n td o m i n a n t f u n c t i o nt y p e s,w h i c hr a d i a t eo u t w a r dw i t hu r b a na r e aa s t h ec o r e,a n dt a k eo nt h eh i e r a r c h i c a ls t r u c t u r eo fo f f i c e,r e s i d e n t i a la n di n d u s t r i a l f u n c t i o n a la r e a s T h es a m et y p eo ff u n c t i o n a la r e a s,d u et ot h e i r d i f f e r e n t g e o g r a p h i c a ll o c a t i o n s,s h o w s m o r e o b v i o u s d i f f e r e n c e si n山东科技大学学报(自然科学版)年第期c h a r a c t e r i s t i c so f a r r i v a l t i m es e q u e n c e K e yw o r d s:t a x i d a t a;p o i n to f i n t e r e s t;t i m es e r i e s;t r a v e lm o d e;u r b a nf u n c t i o n a l a r e a城市功能结构由城市空间各功能区的相对区位关系和分布形式所决定,是城市用地规划和居民对于城市空间实际使用情况共同作用的结果 .在土地存量更新的背景下,科学准确地识别各区域的城市功能,并掌握其一日之中到访活动的规律,从静态功能和动态使用两个角度感知城市空间,有利于更加精细化地制定城市更新和管理策略.传统的功能区识别研究较多从“地”角度出发,采用遥感影像或兴趣点(p o i n to f i n t e r e s t,P O I)等静态数据,对单元内各类地理要素进行识别和归类以确定其承担的城市功能.胡晓鸣等基于“空间影响力”二元权重标定模型,对单元内各类P O I数据进行加权赋值后评估其功能类型.G a o等基于各类P O I在空间上的共现规律,建立用地主题模型,对各地块单元的功能进行识别.此类方法可以识别各类功能区在地理上的分布,但其空间上的活动特征无法得知.随着手机信令数据、出租车轨迹数据 等具有丰富时空信息的居民活动数据的涌现,为从“人”的角度挖掘各研究单元上的居民活动模式,进而识别其城市功能带来了新的途径.彭正洪等利用手机信令数据,提取各单元内每小时的通话数量构建时间序列,采用余弦距离度量时间序列间的相似性,将具有共同通话时序模式的单元聚类并推测其城市功能.赵家瑶等运用出租车出行数据,采用谱聚类方法对出行时序模式相似的单元进行聚类,并依据时序曲线所呈现的活动特征对各单元的城市功能进行识别,将城市空间分为居住区、商住混合区、办公区等.此类方法不仅获得了各单元的活动特征,还对单元所承担的功能进行判定.但以往的研究 仅识别了功能区大类,未对识别的准确度进行校验,对于具体功能类型也有待进一步精细化地标定.此外,由于未对识别结果进行定量化的分析,不能清晰呈现城市不同区域功能类型分布和出行时序特征的差异.综上,本研究首先采用规则网格将研究区域划分为多个基础单元,基于出租车上、下客数据构建各单元的出行量时序曲线;其次,采用时序曲线相似度度量和聚类算法分别挖掘各单元的出发、到达时序模式;再次,将同一单元的出发、到达模式耦合以判定其城市功能,计算各网格单元的P O I富集指数以校验和标定其功能类型;最后,在分区视角下对青岛市区、市郊区、郊区的功能类型和出行时序模式的差异进行总结.研究结果对于辨识城市功能区的分布及其动态使用情况具有一定的理论和实践价值.研究区域与数据预处理 研究区域与单元划分以青岛市个市辖区作为研究范围,如图(a)所示,包括市南区、市北区个核心区域(市区),李沧区、崂山区、黄岛开发区个次级区域(市郊),城阳区、黄岛胶南片区个发展相对独立的城市外围区域(郊区).进行城市功能区的研究,首先需要将城市划分成若干基础研究单元.为使得各单元内城市功能突出,应尽量精细划分研究单元但又不能因划分过小导致缺乏足够出租车上下客数据,本研究借鉴L i u等对研究单元划分的经验,以 m为边长将研究区域划分为 个正六边形网格单元并对每个单元赋予唯一编号,如图(b)所示.数据预处理选取青岛市 年月 日个工作日出租车订单数据,每条订单数据包含的字段用一个维元组表示:上车经纬度,下车经纬度,上车时间,下车时间,行驶里程,平均速度,剔除起讫点位于研究范围外、行驶速度异常、字段缺失的数据后,共得到有效数据 条.为提取各单元的出行特征需要构建各单元的出行时间序列数据集.利用订单数据中“上车经纬度”“上车时间”字段构建上车时间表,“下车经纬度”“下车时间”字段构建下车时刻表.为避免单日出行流量具有稀疏性和随机性,剔除日期属性,保留时间属性,以h为时间间隔,将各研究单元个工作日内各时段的上客量分别累加至天,构建该单元的上车时间序列数据集.用Six,x,xt,x 表示i单元乘客上潘福全等:基于出租车时序数据聚类的城市功能区识别与分析车时间序列数据集,xt表示个工作日内(t)(t)时段的乘客上车总量.图研究区域与单元划分F i g S t u d ya r e aa n dp a r c e l d i v i s i o n P O I数据预处理P O I泛指一切可以抽象为点的地理实体,每条P O I具有名称、经纬度、所属类别等信息,特定类型的某种P O I或多种P O I在空间上的聚集可以表征特定的功能类型.本研究P O I数据为高德地图 年青岛市的全样本P O I数据,其数据分为餐饮服务、科教文化等 大类,中餐馆、学校等 中类.由于网络地图的P O I分类与城市功能划分标准不同,本研究以识别各单元主导功能类型为目的,遵循高能级设施与低能级设施区分的原则对原始数据进行重分类.例如,在原始数据中酒店住宿类含有家庭旅馆和星级酒店,但家庭旅馆等低能级设施往往与居住区相融合,星级酒店多分布于商业区.为采用酒店住宿指标准确识别商业区,保留星级酒店而剔除家庭旅馆.同理,采用医疗机构指标识别医疗功能区时,剔除村镇卫生院而仅保留二级以上综合医院等高能级设施.基于以上原则,将数据划分为 类,共 条,各类指标内容及选取目的如表所示.表P O I重分类表T a b l eR e c l a s s i f i c a t i o nr e s u l t so fP O Id a t aP O I类别数据内容选取目的P O I类别数据内容选取目的餐饮服务餐饮服务校验商业区工厂及产业园工厂、产业园区校验工业产业园区购物服务购物服务校验商业区公司企业公司企业校验泛办公类功能区或工业园区酒店住宿三星级及以上酒店校验商业区商业大厦商务写字楼校验泛办公类功能区夜间娱乐K T V、酒吧校验商业区医疗机构二级及以上综合医院校验泛办公类功能区生活服务生活服务校验居住区政府机构区县级以上政府机构校验泛办公类功能区住宅小区别墅、住宅小区校验居住区风景名胜风景名胜、公园绿地校验泛办公类功能区中小学校小学、中学校验居住区交通枢纽站火车站、汽车站、机场判定是否为交通枢纽站研究方法本研究以出租车出行数据和P O I数据为基础,建立动、静数据结合的功能区识别与校验模型.首先对研究区域进行单元划分,构建单元内乘客上、下车时间序列数据集;其次,结合时序曲线相似度度量方法,利用基于中心点的聚类算法(p a r t i t i o n i n ga r o u n dm e d o i d,P AM)对各单元进行聚类分析;再次,耦合各单元的出发、到达模式,提取典型的出发到达组合模式,结合各类功能区的活动经验识别其功能类型;最后,计算各山东科技大学学报(自然科学版)年第期单元的P O I富集指数校验识别结果,精细化标定功能类型.时间序列相似度度量方法常用的时间序列曲线相似度度量方法有欧氏距离法、动态时间规整法、相关系数法 等.基于相关系数的度量方法 以两条时间序列曲线用各节点增长率和增长方向作为相似性度量指标,能更好地判断其是否有相同的增长模式,是否在同一时刻出现出行峰值、低谷.由于同一类型的功能区域在同一时段出行量的增长趋势和方向多具一致性,该方法与本研究依据出行模式对单元进行分类并识别功能区的目标契合,故采用相关系数法度量时序曲线的相似度.两条时序曲线间的相关系数算法见式():C Si,Sj()txtSi()ytSj()t(xtSi)t(ytSj).()式中:C(Si,Sj)表示i单元与j单元时间序列曲线的相关系数,Si表示i单元时间序列各时刻出行量的均值,Sj表示与Si相异的j单元时间序列各时刻出行量的均值.C(Si,Sj),当两条时序曲线在各时刻增长速率和方向越接近取值越大;当速率一致,方向越相反时取值越小;互不相关时取值为.基于两条时序曲线的相似度,采用一个单调递减函数计算其相异性距离.通过计算各条曲线间相异性距离,构建相异性距离矩阵.时序曲线间相异性距离为:DC(Si,Sj)(C(Si,Sj)(C(Si,Sj).()式中:DC(Si,Sj)表示两条时序曲线之间的距离,值取 .相似度越高的两条曲线,其相关系数越大,相异性距离越小.相关系数C Si,Sj()与相异性距离平方的对照情况如图所示.当两条时序曲线相似时,相异性距离取值较小;不相似时,相异性距离取值较大,但保持在一个合理的范围内.图相异性距离的平方与时序相关系数的对应关系F i g C o r r e s p o n d e n c eb e t w e e nt h es q u a r eo f t h ed i s s i m i l a r i t yd i s t a n c ea n dt h e t i m e s e r i e sc o r r e l a t i o nc o e f f i c i e n t 时间序列聚类与参数确定方法相异性距离矩阵的构建,将寻找出行时序模式相似单元问题转化为在一个相异性矩阵中寻找相似性最大的聚类簇问题.本研究采用P AM算法对矩阵进行聚类,与K均值算法相比,该算法的结果受簇中噪声值影响较小,且更能突出波形的特征.对于聚类个数K的确定同时考虑聚类目的和聚类效果.从聚类目的角度看,至少应该将早高峰、日间、晚高峰、夜间时段出现出行峰值的单元划分至不同的类中,同时考虑到有些单元因功能混合,在两个时段乃至三个时段均出现出行峰值,这些单元数量足够多时,应划分为另一类.聚类效果采用C a l i n s k i H a r a b a s z伪F统计量 度量,伪F统计量是全局中心点的平方误差与聚类中心点平方误差的比值.伪F统计量的值越大,聚类组间差异越大,组内差异越小,各类代表性曲线之间的差异越明显,但每个聚类内部各曲线与该聚类的代表性曲线越相似.功能区识别与校验方法 出发到达模式耦合识别承担特定功能的区域在出发和到达特征方面往往具有相关性,如居住区常在早上出现出发高峰,在傍晚或夜间出现到达高峰.以出发模式聚类结果为基础,统计对应的各类到达模式所占比例,每一种出发模式对应一种或两种主要到达模式,提取主要的出发到达组合模式,分析其出发到达时间序列特征与空间分布特潘福全等:基于出租车时序数据聚类的城市功能区识别与分析征,并结合各类功能区的出行规律,对呈现不同出发到达模式单元所承担的城市功能进行识别.功能区验证基于出行活动特征可对各单元的城市功能进行判定,采用P O I数据对识别结果进行校验,提高结果可信度.本研究采用P O I富集指数,提取各类单元的主要P O I特征验证功能区识别结果,对于验证通过的单元,进一步明确其主导功能类型.首先,计算每个单元每类P O I的密度频数(f r e q u e n c yd e n s i t y,F D)Fp qNp qAp.()式中:Fp q为第p单元第q类P O I的密度频数,Np q为第p单元第q类P O I的个数,Ap为第p单元的面积.然后,为消除各类P O I在数量级之间的差异对主导P O I类别的提取造成影响,引入P O I富集指数(c o n c e n t r a t i o nf a c t o r s,C F)的概念,表征某类P O I在某地块单元上的聚集程度.某类P O I在该单元上越聚集,其在该单元上的密度频数越高,与该类P O I在所有单元上密度频数均值的比值越大,即富集指数越大,聚集效应越突出.P O I富集指数计算式为:Cp qFp qFq.()式中:Cp q是第p单元第q类P O I的富集指数,Fq是第q类P O I在所有单元上的密度频数均值.最后,选取各单元富集指数最高和次高的P O I类型对该单元的功能类型进行验证.当最高或次高的P O I类型与该单元的功能吻合时,即视为验证通过,并采用该类型P O I作为主导P O I对该单元进行标定.最高、次高的P O I类型均与该单元的功能不一致时,验证不通过,主导P O I类型标定为验证不通过.出行模式聚类结果 出发到达模式最佳聚类数确定按照“数据预处理时间序列数据集构建时序曲线相似度度量出行模式聚类”的处理流程,对上车和下车时间序列数据集分别进行聚类分析.综合考虑聚类目的和聚类效果统计量,采用迭代方式寻找最佳聚类数,聚类数K从 依次迭代.当K时,依据出行高峰出现的时刻,将上车时间序列数据集划分为早高峰、日间双峰、晚高峰、夜间高峰、日间双峰夜间高峰等种出行模式;当K时,增加早高峰日间双峰出行模式;当K时,晚高峰出行模式被划至两个聚类中,属于K值过大的情况.从高峰时刻的划分结果看,K较为合适.同时,从伪F统计量角度看,如图(a)所示,K时,统计量值为 ,K时,统计量值为 ,两者相差较小.综合高峰时刻划分表现和伪F统计量值,取出发模式最佳聚类数为.图伪F统计量随聚类个数的变化F i g C h a n g eo fp s e u d o Fs t a t i s t i c sw i t ht h en u m b e ro f c l u s t e r s山东科技大学学报(自然科学版)年第期同理对下车时间序列数据集进行划分,当K时,划分为早高峰、日间双峰、晚高峰、夜间高峰种出行模式;当K时,日间双峰被划分至两个聚类中,属于K值过大的情况.同时,如图(b)所示,K比K所取的伪F统计量高,故综合判定,取到达模式最佳聚类数为.依据最佳聚类数,按出发模式将所有单元分为类,命名为出发模式O O.同理,按到达模式将所有单元分为类,命名为到达模式D D.出发模式聚类结果各类出发模式的空间分布和时序特征如图、图所示.图各类出发模式的空间分布图F i g S p a t i a l d i s t r i b u t i o nm a po fv a r i o u sd e p a r t u r ep a t t e r n s图各类出发模式的时序曲线图F i g T i m es e r i e sc u r v e so fv a r i o u sd e p a r t u r ep a t t e r n s潘福全等:基于出租车时序数据聚类的城市功能区识别与分析O:主要分布在郊区,有且仅在:出现出发高峰,峰值较其他时段突出,为典型的晚高峰出行模式.O:市区和郊区的核心区均有分布,在日间出现两个出发次高峰,最高峰出现于:,为日间双峰模式和夜间高峰模式的叠加.O:多分布在市区,:出现出发高峰,维持较高流量,在:出现一个较小的次高峰,可视为早高峰模式与日间双峰出行模式的叠加.O:主要分布在市郊,仅在:呈现出发高峰,此后出行流量均处于较低水平,为典型的早高峰出行模式.O:在市区和市郊的核心区均有零散的分布,其全时段流量均较大,但在:点达到出行高峰,较其他时段峰值特征明显,为夜间高峰模式.O:主要分布于市区且沿青岛海岸线分布较多,:出行流量均较大,仅在:出现低谷,为典型的日间双峰出行模式.到达模式聚类结果各类到达模式的空间分布和时序特征如图、图所示.图各类到达模式的空间分布图F i g S p a t i a l d i s t r i b u t i o nm a po f e a c ha r r i v a lp a t t e r nD:主要分布于市区非核心区域,自:开始出现较多到达量,并随着时间递增,直至:达到顶峰,为夜间高峰模式.D:市区核心区分布较多,到达量在:和:出现双高峰,为日间双峰模式.D:主要分布于郊区,:出现到达高峰,此后到达量逐渐降低,为早高峰模式.D:主要分布于郊区,自:均有少量到达,在:出现到达高峰,为晚高峰模式.图各类到达模式的时序曲线图F i g T i m es e r i e sc u r v e so f e a c ha r r i v a l p a t t e r n山东科技大学学报(自然科学版)年第期城市功能区识别与分析 出发到达模式耦合识别城市功能区按出发模式将所有单元划分为类,按到达模式划分为类.统计每种出发模式对应的种到达模式的比例,结果如表所示.其中,每类出发模式对应一类或两类主要的到达模式(占比超过),提取较为典型的出发到达组合模式共计 种,分析其出发到达时间序列特征与空间分布特征,并结合各类功能区的出行规律,对呈现不同出发到达模式的地块单元的城市功能进行识别,结果如图所示.表每类出发模式对应的到达模式占比T a b l eP e r c e n t a g eo f a r r i v a lm o d e sc o r r e s p o n d i n gt oe a c ht y p eo fd e p a r t u r em o d e到达模式出发模式数量(比例/)O O O O O O D ()()()()()()D ()()()()()()D ()()()()()()D ()()()()()()合计 ()()()()()()图基于出发到达模式耦合的城市功能区识别结果F i g R e s u l t so fu r b a nf u n c t i o n a l a r e a i d e n t i f i c a t i o nb a s e do nd e p a r t u r e a r r i v a lp a t t e r nc o u p l i n g 工业(产业园区)O D:该类模式主要分布于郊区且呈现组团特征,其时序特征如图所示.在:出现到达高峰,:出现驶离高峰,其他时段流量较少.根据其地处郊区且在上班时间集中到达、下班时间集中离开的特征,将该类出行模式的单元识别为工业(产业)园区.潘福全等:基于出租车时序数据聚类的城市功能区识别与分析图O D _工业(产业)园区出发到达时序曲线图F i g O D _I n d u s t r i a l p a r kd e p a r t u r e a r r i v a l t i m es e r i e sc u r v e 混合类功能区O D:该类模式主要分布在市区和郊区的核心区域,其 时序特征如 图(a)所 示.从:开始出现一定出发量,说明该区具有居住属性,:出发、到达流量均较高,表明 可 能 同 时 存 在 一 定 的 商 业 办 公 区.:出 现 到 达 流 量 的 高 峰,并 在:出现驶离流量的高峰,这与商业区的出行特征较为相似:居民在工作日晚上下班后到达商业区进行餐饮、购物等消费活动,持续h后离开.因此,将呈现该类出行模式的单元识别为商业属性较强的商业、居住和办公混合功能区(偏郊区).O D:该类模式主要分布在市区和市郊,其时序特征如图(b)所示.:为出发高峰,:为到达高峰,符合居住区昼出夜归的出行规律.同时,其在日间时段也有一定出发与到达量,说明该单元存在一定量的商业或办公活动.故将呈现该类出行模式的单元识别为居住属性较强的商业和居住混合功能区(偏市区).O D:该类模式在市郊和郊区均有分布,且郊区较多,其时序特征如图(c)所示.:为出发高峰,与O D 模式夜间到达量出现高峰不同,该类单元在:出现到达高峰,此后未有大量驶离流量,说明该高峰多为居民返回居住区.同时,日间也存在一定的到离量.因此,将呈现该类出行模式的单元识别为居住属性较强的商业和居住混合功能区(偏郊区).图 混合功能区出发到达时序曲线图F i g M i x e df u n c t i o n a l a r e ad e p a r t u r e a r r i v a l t i m es e r i e sc u r v e 居住区O D:该类模式主要分布在市郊、郊区,其时序特征如图(a)所示.在:为出发高峰,:为到达高峰,具有强烈的居住属性,且由于日间其他时段到达和离开流量均较少,说明该区域内的商业、办公类活动较少.故将呈现该类出行模式的单元识别为居住区(偏市郊).O D:该类模式主要分布在郊区,其时序特征如图(b)所示.在:为出发高峰,与O D 模式不同的是,该区域在:出现到达高峰,符合居住区昼出夜归的规律,故将呈现该类出行模式的单元识别为居住区(偏郊区).山东科技大学学报(自然科学版)年第期图 居住区出发到达时序曲线图F i g R e s i d e n c ed e p a r t u r e a r r i v a l t i m es e r i e sc u r v e 商业区O D:该类模式在市区分布较多,在郊区核心区也有少量分布,其时序特征如图(a)所示.自:开始出现较多到达量,在:出现到达高峰,且在:出现驶离高峰.夜间到达量大可能是居民返回居住区休憩或前往夜间经济活跃的商业区消费所致,但同时晚上驶离量也出现高峰,这与商业区的到离特征更为接近.故将呈现该类出行模式的单元识别为夜间经济发达的商业区.O D:该类模式在市区和郊区核心区分布较多,其时序特征如图(b)所示.在:出现到达高峰,且在:出现驶离高峰.这与购物中心类商业区的到离特征较为一致:居民在晚高峰时段到达商场,在商场结束营业后驶离.故将呈现该类出行模式的单元识别为购物中心类商业区.图 商业区出发到达时序曲线图F i g C o mm e r c i a l a r e ad e p a r t u r e a r r i v a l t i m es e r i e sc u r v e 泛办公类功能区O D:该类模式主要分布在市区核心区,其时序特征如图(a)所示.:出发流量均较大;到达曲线在:和:呈现双高峰,该类模式在工作时段集中到达、离开的特征与办公区、事务性出行目的地(政府机构、医院)、景区的到离特征一致,故将呈现该类出行模式的单元识别为泛办公类功能区(偏市区).O D:该类模式主要分布在市郊、郊区,其时序特征如图(b)所示.出发量多集中在工作时段,于O D 模式相比,下午时段并未出现到达高峰,仅在:存在较多到达量,故推测为泛办公类功能区(偏郊区).潘福全等:基于出租车时序数据聚类的城市功能区识别与分析图 泛办公类功能区出发到达时序曲线图F i g P a n o f f i c e f u n c t i o n a l a r e ad e p a r t u r e a r r i v a l t i m es e r i e sc u r v e 功能区识别结果验证与主导P O I类型标定基于出发到达组合模式将城市划分为:工业(产业)园区、混合功能区、商业区、居住区、泛办公类功能区,但基于出行模式仅能识别功能大类,其识别结果需采用异源数据进行校验和进一步地细化.采用计算各单元P O I富集指数的方法,对每一个单元所识别的功能区类型进行检验,各地块单元的综合识别验证率为 ,各类功能区匹配结果如表所示.其中,工业(产业)园区(O D)的识别准确度达 ,该类功能区地块单元内功能较单一,出行特征明显,识别效果最佳;泛办公类功能区(O D、O D)的识别准确度较高,分别为 、,并通过主导P O I类型对该类功能区的功能类型进一步划分为政府、医疗、办公、风景名胜;商业区(O D、O D)及商业主导的混合类功能区(O D)识别准确度为 、;具有居住属性的用地(O D、O D、O D、O D)功能区识别结果与富集P O I类型匹配度为 、,居住用地中生活、购物、餐饮、住宅小区等P O I往往按照一定比例组合出现,但各类P O I的特征并不突出,造成采用居住类指标评价识别结果时匹配度较低的情况.表功能区识别结果与主导P O I匹配度T a b l eM a t c h i n go f f u n c t i o n a l a r e a i d e n t i f i c a t i o nr e s u l t sw i t ht h ed o m i n a n tP O I出行模式主导P O I类型(数量)准确度/识别不通过/O D 政府机构(),医疗机构(),商业大厦(),交通枢纽站(),公司企业(),风景名胜()O D 政府机构(),医疗机构(),商业大厦(),交通枢纽站(),公司企业(),风景名胜()O D 交通枢纽站(),公司企业(),工厂产业园区()O D 夜间经济(),酒店住宿(),购物服务(),餐饮服务()O D 夜间经济(),酒店住宿(),交通枢纽站(),餐饮服务()O D 夜间经济(),酒店住宿(),交通枢纽站(),餐饮服务()O D 住宅小区(),学校(),生活服务()O D 住宅小区(),学校(),生活服务()O D 住宅小区(),学校(),生活服务()O D 住宅小区(),学校(),生活服务()山东科技大学学报(自然科学版)年第期 分区视角下功能区分布与出行时序模式分异对校验后的功能区识别结果分区域统计,从区域功能类型分异和时序特征分异两个角度对识别结果进行解读.市区、市郊、郊区功能类型分异市区、市郊、郊区的主导功能类型分异明显.如图 所示,在市区,沿着海岸线形成了医疗、风景名胜、商业大厦连绵的泛办公类功能区组团;而在郊区和市郊,泛办公类功能区分布较少且离散.在市郊,分布了大量的居住区;在郊区,相较于市区和市郊,工业(产业)园区的比例大幅提高.表也表明市区、市郊、郊区功能具有分层现象,在市区,泛办公类功能区占比总计 ;在市郊,具有居住类属性的功能区总计 ;在郊区,工业(产业)园区类占 ,而在市郊该类用地占比为 ,市区则为.图 主导P O I类型标定下的各类功能区分布图F i g D i s t r i b u t i o no f f u n c t i o n a l a r e a su n d e r t h ed o m i n a n tP O I t y p ec a l i b r a t i o n 市区、市郊、郊区到达时序模式分异由于地理位置不同,同类功能区的活动时序特征也存在一定差异.市区、市郊的居住区多在:出现到达高峰,而有许多郊区的居住区在:就出现到达高峰.如表所示,呈现O D 和O D 出行模式的单元都被判定为居住区,前者在为夜间到达模式(D)后者为晚高峰到达模式(D),在市区两者的比例为,市郊为,郊区则为 .相对于郊区,市区的夜间经济更活跃,导致这种到达时序上的差异.同样,市区泛办公类功能区在:、:两个时段都出现到达高峰,而郊区有大量的泛办公类功能区在下午并未出现到达高峰.如表所示,呈现O D 和O D 出行模式的单元都被判定为泛办公类功能区,前者为日间双峰到达模式(D),后者为早高峰到达模式(D),在市区两者的比例为 ,而在郊区的比例为 .潘福全等:基于出租车时序数据聚类的城市功能区识别与分析表市区、郊区、市郊各类城市功能区的数量及比例T a b l eN u m b e ra n dp r o p o r t i o no fv a r i o u s t y p e so fu r b a nf u n c t i o n a l a r e a s i