見物見人
——時空大數據支持下的存量規劃方法論

段冰若 王 鵬 郝新華 蔡玉蘅 石 淼

?

見物見人
——時空大數據支持下的存量規劃方法論

段冰若 王 鵬 郝新華 蔡玉蘅 石 淼

相比于傳統的增量規劃，存量規劃中主要在產權本質、時間邏輯和空間處理尺度上有著本質的不同。因此，存量規劃對現有用地現狀和性質的精準刻畫提出了更高的要求。作為當前傳統的用地現狀分析圖在存量規劃中存在著地塊特征刻畫精度有限與用地分類維度過低等不足。對用地類型的混合、同種用地類型的規模、同一地塊的時間屬性等用地特征，傳統的現狀分析圖也難以進行描述。隨著互聯網LBS（Location-Based Service）服務的發展，越來越多LBS時空數據因其巨大的用戶基數和完善的時空地理信息，受到規劃師的關注。這些新的時空地理數據使得對用地功能和人口活動特征的詳細刻畫成為可能。使用互聯網某LBS平臺人口分時活動密度數據，疊加百度POI（Place of Interest），通過非監督分類和非負矩陣分解的方法，分別對北京市六環內的地塊尺度、500 m網格尺度和25 m點陣尺度進行用地功能的識別與分類。通過多維度分類結果的疊加，對研究區域的用地功能、人口時空活動特征進行深入刻畫，探討通過大數據進一步輔助存量規劃的用地功能研究方法。

AbstractCompared to the traditional incremental planning in China, inventory planning is different in the perspective of property, time and space. Thus, a higher demand for the depiction of existing space is needed in the inventory planning process. However, the depiction method used in incremental planning such as land use analysis map cannot fulfill this demand. With the prevalence of internet LBS (Location-Based Service) data, planners see a new opportunity to make a more detailed depiction of the existing space. This paper intends to use an LBS data of population density by hour, together with POI (Place of Interest) from Baidu. With the help of unsupervised learning algorithm, a detailed depiction of land use and population activity pattern will be presented, showing more opportunities for big data analysis in the current urban planning research.

存量規劃 | 機器學習 | 用地分類 | LBS數據

KeywordsInventory planning | Machine learning | Land use clustering | LBS data

0　引言

（1）存量規劃轉型與挑戰

隨著城市的不斷擴張與發展，城市中，尤其是城市中心區的用地功能混合度隨之增高。在傳統的用地分類中，城市的用地功能依照居住、商業、公共服務設施等，共分為2大類、9中類、14小類。然而傳統的用地分類方式已經難以描述功能日益復雜的城市用地。舊城區自下而上在地塊功能上的自然生長，通勤交通方式的變化等，向傳統的用地分類提出了諸多挑戰。在這一過程中，傳統用地難以實現對混合類用地功能的描述、同種用地類型規模的描述，以及對同一地塊時間屬性的描述。

另一方面，隨著越來越多的國內一線城市，由于其自身人口、交通、環境和資源的壓力，紛紛開始在其下一階段的城市規劃工作中融入了控制城市規模和外向擴張的內容，存量規劃和規劃轉型逐漸成為了國內城市發展所關注的焦點。2007年深圳市提出將城市總體規劃的戰略由增量規劃轉變為存量規劃，成為第一個將存量規劃作為其規劃思想的城市。最新一輪的上海市城市總體規劃中，也提出了“嚴守用地底線，實現建設用地零增長甚至負增長”的目標。類似的，北京市也在新一輪總規中提出“簡單規劃、瘦身健體”的規劃指導思想。相比于傳統的增量規劃，存量規劃對用地現狀和性質的精準刻畫提出了更高的要求和挑戰。存量規劃主要有以下3個不同點。第一，產權本質不同：在存量規劃中，涉及的權利關系更加復雜。這對現場及周邊環境的深入解讀提出了更高的要求。第二，時間邏輯不同：增量規劃是預期性的，著眼的是未來的利益分配，可以花費數月時間調研，并可伴隨規劃實施的過程逐步調整。而存量規劃的頻次將會顯著高于增量規劃，需要實時精確地了解現實矛盾，以及對受損方的影響。因此一旦對用地現狀理解出現偏差，就可能出現較大的負面影響。第三，空間處理尺度不同：存量規劃代表著由大規劃到小微規劃的轉變。由長遠的空間構想轉變為微處理、微設計、微更新。結構調整更加趨向精細化，在空間結構格局變化不大的情況下，通過用地結構的調整來改善城市的功能結構，為城市提供更好的發展環境[1]。由以上3點不同可以得出，當前存量規劃的主要任務之一即對用地現狀進行快速精準的描述與深入的刻畫。

由于傳統用地分類描述方法的局限性，互聯網大數據成為了另一種解決問題的途徑。隨著智能終端的大范圍普及和互聯網LBS （Location-Based Service）服務的日益完善，越來越多的LBS時空數據因其覆蓋用戶廣、時空信息完善，走進了城市研究者的視野。其分布顆粒度細、覆蓋時間廣、可按需抓取的特點，使得使用該類分時人口時空地理數據刻畫用地功能、反映人口活動特征成為可能。

本文擬使用互聯網某LBS平臺人口分時活動密度數據，疊加百度POI（Place of Interest）數據，通過非監督分類和非負矩陣分解的方法，分別對北京市六環內的地塊尺度、500 m網格尺度和25 m點陣尺度進行用地功能識別與分類。通過多維度的分類結果疊加，對研究區域的用地功能、人口時空活動特征進行深入刻畫，探討可以進一步輔助存量規劃的用地功能研究方法。本章第二部分將對使用分時人口數據進行的研究進行總結回顧。第一章將對研究方法進行具體介紹，包括對數據、方法論和研究尺度進行詳細解釋。第二章將對研究結果進行分層分析。第三章將對全文進行總結，并對下一步研究做出展望。

（2）研究現狀

目前應用較多的用地識別方式是從地理學角度通過衛星遙感測定判定用地性質。Halder等人就通過蟻群算法對衛星照片中的建設用地與非建設用地進行了識別[2]。隨著識別方法的改進，通過衛星照片也能對生態用地以及工業用地進行較為精準的識別[3]。近年來基于地圖服務產生的大數據POI（Point of Interests）也逐漸被應用于用地的識別。王芳等人就通過POI數據對由城市路網劃分的功能單位進行識別，通過聚類分析將傳統意義上的商業區細化為飲食文化型商業區、專營型商業區等5個功能類型[4]。該類數據本身自帶的地點用途分類能夠輔助分析人員對用地本身功能的多樣性及復合性進行精細化的描述。然而不論是衛星遙感還是POI識別都只能測定出城市的物理空間屬性，而隨著存量規劃的興起，規劃師正逐漸關注用地的復合屬性。實體尺度的建筑空間的規模、用途、性質以及社會活動尺度上的就業、住房、通勤等都是在進行用地描述時需要關注的重點。在深圳存量規劃的城市發展評估指標體系中既加入了傳統規劃中土地利用、市政、交通、公服設施等指標，又引入了用于描述社會屬性的人口、就業、住房等指標。從存量規劃的角度來看，用地本身的屬性其實是實體物理空間與社會活動空間相互作用的產物。

分時人口數據，一般指帶有時間信息的人口統計數據，在與地理坐標結合時能夠用于描述用地的社會空間活動。常用的分時人口數據來源有手機信令數據[5]，出租車OD數據[6]，公交刷卡數據[7]，社交媒體簽到數據等。相比于規劃常用的統計公報、普查或年鑒數據，分時數據的統計口徑能夠通過數據處理細化到城市地塊的規模或者匯總為一個單一的城市指標。由于分時數據多為實時采集的數據，所以也具備了實時進行地塊屬性評判的潛在能力。裘煒毅等人就利用手機信令數據對上海市張江高科技園區及莘莊工業區的職住分布進行了研究[8]。雖然兩用地周邊都有居住用地的布局配置，但是通過手機信令數據生成出行鏈并對用戶OD點的識別能夠判斷出張江高科技園區的職住比略低于莘莊工業區的職住比，顯示高科技園區周邊的居住用地從社會屬性上并未較好地為園區職工提供住房。

本研究中采用的分時人口數據相較于目前使用的手機信令、社交媒體數據、出租車、公交刷卡數據而言的優勢在于直接同需要分析的地塊人口密度變化掛鉤。不需要通過繁瑣的處理，通過生成軌跡鏈等方式進行二次統計。這保證了數據在未來用于實時評估用地狀況的運算中能夠大幅縮減運算時間。在數據精度方面，手機信令對基站的依賴程度巨大，平均精度在500 m×500 m左右。出租車、公交刷卡等數據更是受到了道路尺度的大幅限制。而主要依靠GPS提供定位的分時人口密度數據能夠提供精度達到25 m×25 m網格的細度數據，基本達到了建筑的分析尺度。此外該數據本身的獲取門檻較低，通過互聯網抓取技術就能持續獲取數據。綜上可知，新的數據環境和分析方法降低了數據獲取的難度和數據分析的技術門檻，因此，如何對當前環境下的數據加以運用，使規劃制訂與實施更能滿足城市運行的需要及市民生活的需求，則需要規劃師在提高自身數據研究技術的同時，對當前的數據環境進行進一步的思考。當前研究中，龍瀛等已對數據在規劃應用中的角色進行了系統的思考與梳理，提出了數據增強設計的概念。本文將從數據增強設計的概念出發，對人口密度數據進行深入挖掘，輔助存量規劃的進行[9]。

1　研究方法

1.1研究對象及研究數據

本次研究范圍為北京六環內區域。所采用的主數據源為互聯網某LBS產品的分時人口活動熱度數據。該數據的主要來源是該互聯網產品的桌面端和移動端APP的用戶使用過程中產生的過程數據。該服務通過采集桌面端的IP地址和移動端用戶主動產生的定位信息，計算每一位置每個時刻的人口統計。原始的數據包含3個字段，分別為數據采集點的坐標、日期和該小時的人口密度。其中，人口密度值已經過服務后臺預處理，與實際人口數量存在正相關的轉換關系。數據采集點的網格密度為25 m，點呈均勻點陣分布。目前筆者通過網絡爬蟲，采集了2015年7月30日至8月2日北京六環以內的數據，數據量在每小時230萬個點左右（圖1）。因抓取頻次的限制，個別郊區區塊存在數據缺失，但是并不影響對功能復雜的城市中心城區的分析。

圖1　原始數據點范圍

為保證該分時人口數據能夠較好地對不同類型的城市功能，尤其是混合功能進行深入解讀，在正式研究前，筆者對幾處熟知的特征地塊進行了預試研究。首先，筆者對同一主導功能的不同地塊的人口活動進行了橫向對比。筆者分別選擇了3種用地功能與人口活動特征截然不同的地塊，通過將地塊內的點數據匹配到地塊中，計算出每個地塊的分時人口熱度曲線。其中S代表周末，W代表工作日，后面的數字代表整點時間。

這3個地塊分別為市級活動中心西單大悅城、市級商業辦公中心金融街和市級綠地奧林匹克森林公園（圖2）。其中，西單大悅城的人口活動熱度在工作日和周末都較高，且一般于下午14至16點左右達到高峰。金融街則呈現出明顯的辦公特征，即工作日的人口活動熱度顯著高于休息日。而奧林匹克森林公園則相反，在周末吸引著更多的人前來活動。

圖2　3種特征地塊對比

通過觀察尺度較大、地塊特征較為明顯的若干地塊后可以看出該分時人口密度在地塊上所表達的特征與趨勢已經能夠滿足用于機器學習的識別需求。為了進一步對數據質量與其所能反映的特征進行評估，筆者選取了一棟建筑中點層面的數據進行對比（圖3）。所選擇的是辦公建筑“百度大廈”。在研究中對大廈中不同區域的分時人口活動變化規律進行對比。從圖3可以看出，在百度大廈中，除1號點外，其余3點有著相似的曲線特征，即典型的辦公活動特征。由此可知，在同一建筑中的不同區域，因其空間使用功能的不同，所反映出的人口活動變化規律也大相徑庭。因此這些數據所反映的用地功能特征及精細程度，是傳統用地分析方法無法比擬的。

圖3　建筑內數據點對比

另外，為了更好地配合分時人口數據，對用地功能進行深入解讀，筆者使用了百度POI作為輔助數據源。通過百度地圖提供的API （Application Programming Interface，應用程序編程接口），筆者采集了2015年初北京市域范圍內的5大類、20小類約20萬個POI，涵蓋居住、商業、娛樂、公共服務設施、交通、綠地等內容。每個POI點包括唯一編號、POI名稱、坐標、一級分類、二級分類、用戶評價等字段（圖4）。

圖4　POI數據樣例

1.23層研究空間尺度匹配體系

觀察數據特征可知，在不同空間尺度中，分時人口數據所反映出的用地特征也有不同的側重。在傳統的地塊尺度中，數據能夠較好地體現出該地的人口活動規律，但是面對地塊內部的大型建筑，尤其是重要建筑節點時，地塊尺度則顯示了其自身分析尺度過大的缺陷。這時，更為精細的點陣尺度數據則可以對地塊內部的混合功能進行全方位的立體描述。與此同時，在郊區存在許多自身面積較大的地塊，此時再使用地塊尺度進行分析，則會因其包含太多數據而使分析結果過于籠統，難以滿足精細刻畫的需求。因此，將較大的地塊劃分為若干空間尺度較小的研究單元，可以對這些大尺度的地塊進行進一步的精細刻畫。

結合以上空間研究單元需求，筆者將整個研究單元分為3層空間尺度，分別進行數據匹配。3層空間尺度體系分別為原始地塊尺度（由路網分割）、500×500 m網格尺度，及25×25 m原始數據點陣尺度（圖5）。其中，原始地塊尺度對于多數空間單元能夠做到較好的描述，但是對于極大的郊區地塊和極小的內城地塊，其描述結果并不能很好地體現該空間所在的本身特征。因此，我們使用均分額500 m網格，對地塊尺度的描述進行補充說明。在點陣尺度，研究結果則會更多地傾向于對建筑尺度的對比，包括建筑內部的時空特征，以及建筑與地塊的時空關聯等。通過3層空間尺度體系的分門別類與描述，筆者對同一研究對象進行基于地塊、網格和內部點的多維立體描述，為存量規劃所需的深度精細刻畫提供理論支持。

圖5　空間匹配流程與結果

1.3非監督分類與矩陣分解在研究中的使用

由觀察數據可知，分時人口密度數據作為曲線類數據，其自身特點非常適合使用機器學習的方法進行非監督分類。筆者將數據整理為休息日的24小時分時人口數據與工作日的24小時分時人口數據，共48個時刻，結合20種不同類型POI的數量，對3層空間尺度的研究單元進行k-means聚類分析（圖6）。

圖6　機器學習流程

為了能夠確定k-means中k的取值，筆者在每組數據進行k-means分類之前均進行了silhouette檢驗，尋找每組合適的k值，保證在分類過程中，既不會出現因為k值過小而忽略某些特征，也不會出現因為k值過大使得多組分類結果高度重合的情況。

在使用k-means進行聚類時，為了分別對時間活動的趨勢規律和地塊人口活動規模進行進一步區分，筆者分別使用了歸一化的48個時刻數據和未歸一化的數據進行非監督學習，使分類結果更加詳細。在進行48個時刻的非監督分類同時，筆者也嘗試了使用非負矩陣分解（NMF）的方法，將每個研究單元48個時刻中的特征提取出來，在放大特征的基礎上進行非監督分類。

2　研究結果

2.1地塊尺度研究結果

考慮到48個變量仍是一個很高的維度，而k-means聚類對高維度的聚類仍力度不足，為進一步降低數據的維度，本部分采用了非負矩陣分解（NMF）的方法，以歸一化之后的48個變量作為輸入，最終將變量降為4維，然后以降維之后的5個變量作為k-means聚類的輸入，經過實驗證明，降維之后再聚類的方法比直接聚類的方法所得精度更好。因此，地塊尺度的分類方法是，采用非負矩陣分解（NMF）的方法先對歸一化后的48個變量進行降維（降成5維），然后采用k-means聚類的方法對降維之后的5個變量進行聚類。多次試驗，進行silhouette檢驗，發現當分類類別數為9時，silhouette檢驗的得分最高，意味著k=9時，分類精度最高，因此，選擇k=9類作為最終的分類結果。

圖7　地塊尺度分類結果

圖7展示了地塊尺度分類的結果，地塊的類別根據各類別的曲線特征確定，同時抽樣選取已知功能的典型地塊。從地塊尺度分類結果圖可以看出，該方法對商務辦公、商業商務混合、商業識別度最高。能夠很好地識別出這3類對應的典型區域，如東二環的東直門—朝外一帶，財富中心，望京的商務樓集中區，豐臺總部基地，金融街及中關村辦公樓集中區等商務辦公區；南鑼鼓巷，王府井，西單，中關村購物中心等典型商業主導區域；復興門、建國門等商業商務混合區。此外，對游憩—公園、居住主導、商住混合—居住為主等功能的地塊也有較好的識別度。例如，奧林匹克森林公園、頤和園、圓明園、天壇公園、北海公園等公園均能分到一類（公園游憩類），但同時陶然亭公園、玉淵潭公園等則沒有能夠正確識別。居住主導類和商住混合—居住為主類別在空間分布上的明顯區別是居住主導類更具外圍性，且分布更多在南邊，而商住混合—居住為主類則更多分布在北邊，這與北京北部較南部發達的特征一致。而混合—居住主導，及其他兩類混合類則無法準確判斷類別，而實際上，這3類在五環內的地塊中所占比例非常小，可以說，總體上，本部分基于地塊尺度的地塊分類方法具有較高的精度。

除對典型的功能區能有較高的識別度之外，該分類對非典型功能區中精細地塊也能有較好的識別。以奧林匹克森林公園所在區域為例（圖8），這塊區域包括了居住、商業、辦公、游憩公園等多種類型，隨機抽取幾個地塊，觀察所識別的精度，結果如圖8所示。圖中，地塊1經過機器學習識別出來的結果是游憩公園類型，其所表現的曲線特征為周末人多、平時人少、高峰在下午14—17點的特征，與人們游憩娛樂的行為習慣一致，進一步對比百度地圖的結果，發現該地塊為奧林匹克森林公園南園所在地，為綠地類型用地；地塊2經過機器學習識別出來的結果是商務主導的用地，曲線特征為明顯的周末幾乎無人、平時人多、10—18點長高峰的特征，與人們工作的行為習慣一致，而在百度地圖中顯示該地塊為京東總部未搬遷之前的辦公所在地，為商務辦公用地類型；地塊3識別的結果是商業主導的用地類型，曲線表現為周末、平時略突出的雙高峰的特征，由于該購物中心為片區級購物中心，主要服務周邊居住、辦公的人群，因此商業特征相較商業中心不太明顯，但仍表現為商業主導的特征，而百度地圖上顯示該地塊為漂亮陽光廣場，為商業服務業用地類型，曲線、以及地圖上的實景展示均驗證了本部分所用分類方法在精細地塊尺度上具有較高的識別度。

圖8　奧林匹克森林公園區域地塊識別功能、對應曲線、實際功能

雖然在典型功能及精細地塊尺度上都能有較好的分類結果，但仍存在部分識別效果的比例，如前文所述陶然亭公園、玉淵潭公園等無法與其他公園分為一類，故宮、景山公園等被分成了商業主導類型等，這些均屬于不恰當的類別劃分。說明單一從人類活動的特征推測用地功能在功能更加混合的用地上區分度不夠，且小地塊的人類活動數量會對異常事件有敏感的反應，導致分類結果的誤差，后續還得結合POI數據和人類活動的數據，共同判斷地塊的用地功能。值得一提的是，本部分所談商業主導、居住主導、商務主導等各用地功能，均是指承載更多人類活動的功能，而不單純是從地塊中的占地面積來判斷。要掌握用地的運行狀況，人的活動實際是一個更合理的角度。此外，地塊的數據去除了道路、廣場，而這兩者本身也承載人類重要活動，是一類重要的用地類型，而基于地塊的用地功能無法進行識別，也是遺憾之一。

2.2網格尺度研究結果

為了更好地體現500 m網格的特點，彌補郊區大地塊中分類精度的不足，網格尺度分別對POI數據、歸一化后的48個小時的分時人口曲線數據和原始曲線數據進行了空間匹配。通過POI的分類結果輔助判斷用地的主導功能。歸一化曲線的分類結果對時間活動特征進行強化描述。原始曲線分類結果則側重描述各網格內的人口活動規模。通過3類數據分類結果的疊加，可以對單一網格進行更為立體的解讀。

在使用k-means進行分類前，通過Silhouette檢驗，得知3組數據潛在的理想k值，即分組組數均為5組。在非監督分類后，通過觀察每組數據的不同分組的統計學特征，研究可以結合網格對應的實際地塊對分組結果進行合理解釋。

在POI分組中（圖9），分組依據主要為不同種類POI的比重。5類分組結果分別為商業商務綜合地塊、交通服務富集地塊、商業混合地塊、市級活動中心，及居住企業學校地塊。從分組結果可以得知，POI的分組結果更偏重對商業的描述，而對居住及公共服務功能的描述則略有不足。而這也是由POI自身為商業導航的性質所決定的。因此，使用分時人口數據分類結果進行疊加在這里顯得更有必要。

圖9　POI分類內結果分析

在未歸一化的原始曲線的分類結果中，分類依據主要是人口活動規模。人口活動規模由低到高共分為5類。對于歸一化的曲線，其分類結果主要體現了地塊的職住特性與工作日和休息日的特征差異。分類結果的職住性質分別從純工作場所類到職住平衡類再到居住娛樂類共分5類。而在此分類方法中無法完好區分的居住和娛樂則可由POI的分類結果進行很好的彌補（圖10）。

圖10　分時人口密度分類結果

通過將3種分類方法的分類結果進行疊加，排除不存在及特征重復的組合，共得到11類用地功能分類。通過與已知特征的地塊進行比對，可以發現該用地功能分類的結果能夠較好地對研究范圍內的500 m網格進行功能區分，并且區分結果可以進行較好的解釋。以筆者較為熟悉的五道口地區為例（圖11），在該區域內，用地功能混合度較高、類型較為多樣化。既有以商業辦公為主的華聯，以教學為主的各大高校，也有類似華清嘉園這類混合度較高、功能較為多樣化的住宅區。從分類結果上，筆者發現該尺度分類方法對學校的識別效果較好，區域內的北大、清華、北語等學校均可以被較好地識別。華清嘉園等小區則被識別為商務中心類型，與其小區內數量眾多的小公司及周邊繁華的餐飲零售業的現狀相契合。各研究院所及清華科技園所在地塊在該分類方法中也可以被較好地識別出來，呈現出與學校和零售商業截然不同的分類結果。

2.3點陣尺度研究結果

點陣尺度的研究目的是為了通過將原始點陣數據的48小時分時曲線數據進行聚類分析，對地塊內部的人口活動熱點及特征進行精細區分與刻畫，對地塊內部的地塊性質主導因素進行識別，發現地塊熱點。

圖11　疊加結果分析

在Silhouette檢驗后，k-means分類中的k取值確定為15。不同于地塊尺度與網格尺度，點陣尺度的分類結果所主要表達的是根據曲線的特征及規模反映出地塊中建筑的外輪廓和建筑中的不同功能。以西二旗為例（圖12），點陣尺度的分類結果很好地體現了西二旗地鐵站及百度大廈區域的高人口活動熱度。高人口活動熱度的點均落入建筑內部，25 m的點陣精度也保證了其可以對建筑外輪廓進行較好的勾勒與反映。與此同時，也可以通過對比分類結果的方法，對不同建筑的人口規模及活動特征進行區分。

圖12　點陣分類結果局部

另一方面，通過對分時人口數進行疊加，可以在點陣尺度對以人口密度為基礎的三維空間進行進一步刻畫與可視化表達（圖13）。由此圖可以判斷，百度大廈是該地區人口活動的絕對熱點，其規模甚至遠大于西二旗地鐵站。同時，百度大廈北側的聯想研究院則是該地塊另一人口活動熱度較高的區域。

圖13　點陣分類三維刻畫

3　總結

分時人口密度數據為城市定量研究數據源選擇提供了全新的視角。其自身特征決定了在刻畫城市用地功能上，有著其他數據無法取代的優勢。同時，在結合POI等其他輔助數據源配合時，分時人口密度數據可以對城市中的混合功能進行較好的辨認與區分，幫助研究者與規劃人員發現傳統研究方法所無法發現的城市特征。在3層空間尺度下，該數據也能夠對不同尺度的城市功能特征進行詮釋，對同一研究對象進行多維立體描述，保證分類結果的精準和有效性。

總體而言，分時人口密度數據解決了在規模、規律和功能3個方面的認知過程中產生的問題。首先，在規模識別上，該數據可以對分時人口規模進行深度刻畫，達到對同種功能不同級別的識別，解決傳統分析方法中對不同規模的居住區、商業區分類過程中遇到的困難。第二，在活動規律識別上，分時人口密度打破了傳統分析方法中單一結果、缺乏時間維度的構造，對同一地塊不同時間段的特征進行了有效的反映，對地塊人口活動規律的單日內變化、工作日與周末的差異進行了突出表達。第三，在城市功能認知上，結合POI的約束，分時人口數據可以發現傳統用地分類中無法刻畫的隱藏屬性，如小區里的公司。

但是在城市定量研究中，分時人口密度也有著其自身的不足與局限性。該數據最大的局限性在于，由于數據是經過點陣進行采集的，點陣的數據中并不包括單一用戶的行為信息。這也意味著，對于用戶的時空軌跡，使用此種數據無法進行分析。在大規模遷徙和行為路線選擇研究方面，該數據無法提供有效支持與幫助。

本研究通過使用非監督分類的方法對城市用地進行人口活動特征與功能上的重新劃分，其主要貢獻包括3點。第一，為建成環境使用后評價提供了新的途徑與思路，超越傳統評估方法中訪談、問卷的小樣本與局限性，為調研提供更為多元化的視角。第二，為研究城市功能歷史轉變提供了可能。傳統調研方法對于歷史數據的獲取和反饋能力相對有限。而本方法可以通過個性化抓取，選擇需要的時間與地理范圍，對研究對象進行分類描述與刻畫。第三，研究尺度更為精細，在小微尺度上的數據分析為更多的小尺度空間研究提供了可能，也滿足了存量規劃的自身需求。在人流擁堵點識別、建筑與地塊的微觀聯系上，都有著可供挖掘的潛力。

通過此次研究，筆者了解到該數據與方法在存量規劃中的應用潛力。在下一研究階段中，通過完善該方法，可以對更為宏觀和熱點的規劃問題進行挖掘與分析。例如研發可供非首都核心功能疏解評估的人口規模監測模式、京津冀協同發展中重點對接單位和區塊的用地人口特征變化分析等。課題組也將對分析方法進行進一步完善，通過該方法對城市的運行狀況進行常態化監測，在發現規劃問題的同時，對規劃進行精確輔助。

References

[1]鄒兵. 增量規劃，存量規劃與政策規劃[J]. 城市規[9]劃，2013（2）：35-37. ZOU Bing. Increment planning, inventory planning and policy planning[J]. Urban Planning, 2013(2): 35-37.

[2]Halder A, Ghosh A, Ghosh S. Supervised and unsupervised land-use map generation from remotely sensed images using ant based systems[J]. Applied Soft Computing Journal, 2011, 11(8): 5770-5781.

[3]梁松. 城市規劃動態監管衛星遙感關鍵技術研究[D]. 北京：中國礦業大學博士學位論文，2010. LIANG Song. Study on the key technology of satellite remote sensing for urban planning dynamic supervising[D]. Beijing: The Dessertation for Doctoral Degree of China University of Mining and Technology, 2010.

[4]王芳，高曉路，許澤寧. 基于街區尺度的城市商業區識別與分類及其空間分布格局——以北京為例[J]. 地理研究，2015，34（6）：1125-1134. WANG Fang, GAO Xiaolu, XU Zening. Identification and classification of urban commercial districts at Block Scale[J]. Geographical Research, 2015,34(6): 1125-1134.

[5]王德，王燦，謝棟燦，等. 基于手機信令數據的上海市不同等級商業中心商圈的比較——以南京東路、五角場、鞍山路為例[J]. 城市規劃學刊，2015（3）：50-60. WANG De, WANG Can, XIE Dongcan, et al. Comparison of retail trade areas of retail centers with different hierarchical levels: a case study of East Nanjing Road, Wujiaochang, Anshan Road in Shanghai[J]. Urban Planning Forum, 2015(3): 50-60.

[6]張曉亮，陳智宏，劉冬梅，等. 一種基于多源數據的出租車分布預測方法研究[J]. 道路交通與安全，2015（1）：47-51. ZHANG Xiaoliang, CHEN Zhihong, LIU Dongmei, et al. A taxi travel forecasting method based on multi-source data[J]. Road Traffic and Safety, 2015(1): 47-51.

[7]龍瀛，張宇，崔承印. 利用公交刷卡數據分析北京職住關系和通勤出行[J]. 地理學報，2012，67 （10）：1339-1352. LONG Ying, ZHANG Yu, CUI Chengyin. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012, 67(10): 1339-1352.

[8]裘煒毅，劉杰. 手機大數據視角下的工業區職住平衡分析方法[C]//中國城市規劃年會論文集：城市規劃新技術應用. 北京：中國建筑工業出版社，2015. QIU Weiyi, LIU Jie. Industrial job-housing balance in the perspective of mobile phone big data[C]// China Annual Urban Planning Forum Proceedings. Beijing: China Architecture & Building Press, 2015.龍瀛，沈堯. 數據增強設計——新數據環境下的規劃設計回應與改變[J]. 上海城市規劃，2015 （2）：81-87. LONG Ying, SHEN Yao. Data augmented design: urban planning and design in the new data environment[J]. Shanghai Urban Planning Review, 2015(2): 81-87.

City Sensing: An Inventory Planning Tool Based on Spatial-temporal Big Data

1673-8985（2016）03-0009-08 中圖分類號TU981 文獻標識碼A

段冰若

北京清華同衡規劃設計研究院有限公司技術創新中心

規劃師，碩士

王 鵬

北京清華同衡規劃設計研究院有限公司技術創新中心

副主任，高級工程師，碩士

郝新華

北京清華同衡規劃設計研究院有限公司技術創新中心

規劃師，碩士

蔡玉蘅

北京清華同衡規劃設計研究院有限公司技術創新中心

規劃師，碩士

石 淼

北京清華同衡規劃設計研究院有限公司技術創新中心

數據分析師，碩士