基于POI數據的成都市五城區空間聚類研究

曾月

摘要：隨著信息化的發展和數據源的增多，越來越多的大數據被應用于城市規劃研究中，但由于大多數數據具有難獲取，不易分析等特點，使得相關的技術方法在實際項目中運用較少。本文采用較易獲得POI數據對成都市五城區的空間布局進行聚類分析，描繪各類功能分布，并提取城市空間結構，用POI的城市規劃研究能夠提供一種新的方法和角度對城市進行認知，在城市規劃前期幫助、中期分析、后期跟蹤等方面有一定的應用前景[1]。

關鍵詞：POI數據;成都市五城區;空間布局;聚類分析

1.引言

隨著信息化的發展和大數據時代的到來，城市規劃研究中不再滿足于傳統數據的分析應用，運用大數據進行的城市分析逐漸增多，主要集中在手機信令、微博數據、出租車、地鐵或公交車刷卡數據等，從城市人群的動態分布反映真實的城市運行狀態。龍贏等[2]（2012）利用公交刷卡數據，對北京市公交持卡人的居住地、就業地和通勤出行的識別結果在公交站點和交通分析小區（TAZ）尺度上進行匯總。陳映雪等[3]（2014）以南京為例，借助新浪微博獲取海量簽到數據，從居民活動這一社會化的視角，再探究舊有的城市空間功能組織方式。鈕心毅等[4]（2014）以上海中心城為例，提出了利用手機定位數據識別城市空間結構的方法，并對上海市手機用戶密度、城市公共中心等級職能、功能區進行識別。這些研究對大數據在城市研究中的運用進行了嘗試，提供了更多新的技術方法。但由于以上研究的數據獲得門檻較高，在城市規劃實際工作中應用較少。

本文以成都市的部分POI 數據為支撐，采用聚類算法，借助ArcGIS 軟件，全面對成都市五城區的總體及各行業空間布局進行研究，以克服傳統官方數據的弊端，拓寬了城市空間格局研究的視野;提煉數據的特征，以期為更多種類的大數據在城市規劃中的實際應用提供思路與借鑒。

2.研究方法與數據來源

2.1 研究區概況

2017年8月31日舉行的“成都國家中心城市產業發展大會”上，成都打破圈層結構，將中心城區范圍擴大至原一二圈層的11個行政區加高新區、天府新區，形成“老中心城區+郊區新城”的空間層次。將成都市城區大致劃分為三個類別：老中心城區（主城五區）、功能經濟區、新中心城區。本文選取老中心城區，即錦江區、青羊區、金牛區、武侯區、成華區五城區為研究對象，具有相對豐富健全的公共服務空間，具有較大的研究價值。

2.2 數據來源

POl數據泛指一切可以被抽象為點的地理實體，尤其是與人們生活密切相關的設施，是電子地圖上的某個地標，并包含經緯度、地址、名稱、類型等屬性信息。電子地圖中每一個地名、建筑、公園、學校、醫院、公司、商場等都是一個興趣點。本研究參照相關文獻分析、《城市居住區規劃設計規范》GB 50180-93（2016年版）以及居民的日常需求，將生活設施分為七類，分別是餐飲、交通設施服務、科教文化服務、生活服務、體育休閑服務、醫療保健服務、政府機構機關及社會團體。本研究通過城市數據團獲得成都市生活設施POI數據，每條POI數據至少包括名稱、經度、緯度、地址等4個屬性信息。經過去重、糾偏與空間匹配，得到生活設施現狀數據量共114726條

2.3 研究方法

2.3.1 方法原理

K-means 算法屬于聚類方法中一種典型的劃分方法，以數據劃分的類別數作為數據聚類的依據，同類間相似性高，不同類間相似度低。K-means 算法的基本假設為：對于一個簇，選出一個中心點，使簇中的所有點到該中心點的距離小于到其他簇中心的距離。給定一組n個樣本X，將其分成K個不相交的簇C，每個簇由樣本均值uj描述，即使同一簇內和平方最小。[5]

本文提出的空間聚類方法包括3個步驟：①對位置數據進行預處理;②利用聚類分析探索空間分布;③根據聚類結果分析空間分布特征。具體操作為：將poi數據導入Arcgis中，進行坐標轉換，并篩選數據，再將關聯到地圖中劃分為562個漁網格。最后進行聚類分析，并配合相關性進行整體特征分析。

3.空間布局分析

3.1數據格網化

基于十五分鐘生活圈的原理，即居民十五分鐘步行可達范圍約為一平方公里，將成都市五城區范圍劃分為562個漁網格，再將poi數據關聯到漁網格上。并基于此開展后續分析。

3.2迭代聚類分析

由于格網數據在空間具有連續性，可通過聚類分析探索格網的空間分布模式，以反映格網屬性在空間的分布規律。為了使K-means 算法的聚類結果能更真實反映聚類特征的空間劃分，以下式中目標函數為迭代依據，將聚類數K作為自適應參數，迭代確定聚類中心數。自適應迭代聚類的思想為：假設數據集合為（x1，x2，…，xn），每個xi為多維的向量，K-means聚類的目的是在給定分類組數k（k ≤ n） 的條件下，將原始數據分成k 類：S={S1，S2，…，Sk}，K-means所要最小化的目標函數為：

式中，n為樣本數;xn為第n個樣本;μk為第k個中心點。將樣本分為k類，若第n個樣本點屬于第k類，則rnk=1 ;若第n個樣本點不屬于第k類，則rnk=0.

3.3 聚類結果空間分布分析

通過對各類POI進行相關性分析，探索同一類中聚類特征與各類POI 之間的關系，并采用spss計算得到各類POI之間相關系數均為0.7以上，具有相關性。且這表明在聚類區域內，某一類POI的數目與其他具有顯著的正相關性，利用某一類公共服務設施能探測不同種類的POI在空間上的大致分布情況。因此，結合格網中空間特征的聚類方法，有利于探索人們行為活動在城市空間中的規律。

本文結合POI 數據和位置數據，采用聚類方法挖掘了公共服務設施空間分布特征信息。首先，通過聚類方法探索各類POI在空間的聚類模式;然后，探索各類POI之間的相關關系，以反映POI在城市生活中的吸引程度，為城市布局的合理規劃提供幫助。然而，該方法只考慮單一時間段的POI情況，沒有考慮隨著時間變化各類POI在空間中分分布變化情況，對數據的時空挖掘還不夠深。且在對現有數據進行分析時，還不夠深入。

參考文獻

[1]索超， 丁志剛. POI在城市規劃研究中的應用探索[C]// 新常態：傳承與變革——2015中國城市規劃年會論文集（04城市規劃新技術應用）. 2015.

[2]龍贏，張宇，崔承印.利用公交刷卡數據分析北京職住關系和職勤出行[J].地理學報，2012，10（67）：1339-1352.

[3]陳映雪，甄峰.基于居民活動數據的城市空間功能組織再探究—以南京市為例[J].城市規劃學刊，2014，（05）：72-78.

[4]鈕心毅，丁亮，宋小冬.基于手機數據識別上海中心城區的城市空結構[J].城市規劃學刊，2014， （06）： 61-67.

[5]劉輝， 黃新， 王京晶. 基于位置數據和POI的聚類方法[J]. 地理空間信息， 2017， 15（11）：46-49.

基金項目：成都市哲學社會科學規劃項目，項目題目：基于大數據的成都市公共空間發展均衡性問題研究，項目編號：2018R53