(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210897175.1 (22)申请日 2022.07.28 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 黄建中　刘雨晗　胡刚钰　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种利用多源数据分类和识别城市非通勤 出行的方法 (57)摘要 本发明是一种利用多源数据分类和识别城 市非通勤出行的方法， 构建了完整的分类和识别 城市游憩、 休闲消费和生活服务三类非通勤出行 的框架与方法， 解决或者至少部分现有技术方法 识别对象单一， 识别精确不够的技术问题。 将LBS 数据密度聚类识别方法与POI数据挖掘相结合， 通过判断停留点位置所在的城市用地功能来分 类非通勤行为。 本发明方法为分类和识别非通勤 行为提供了科学的操作路径， 有助于拓宽居民出 行研究视角， 具有良好的研究前 景。 权利要求书3页 说明书9页 附图4页 CN 115130618 A 2022.09.30 CN 115130618 A 1.一种利用多源数据分类和识别城市非通勤出 行的方法， 其特 征在于， 包括以下步骤： S1利用城市开源地理信息数据， 通过数据预处理得到城市功能网格和研究所用POI数 据； S2叠加城市功能网格和P OI数据， 计算不同类型P OI数据在分析网格内的频数密度和类 型比例， 得到城市网格功能识别结果； S3利用城市AOI数据和城市人民政府公开的城市高等级公共服务设施名单进行功能校 核， 利用误差矩阵和人工目视法进行识别结果检验； S4通过明确到达点(D点)在城市功能网格中的位置来分类城市非通勤行为， 进行城市 游憩出行、 休闲消费出 行和生活服 务出行三类非通勤出 行的识别。 2.根据权利要求1所述的识别方法， 其特 征在于， S1具体包括： S1.1： 分析单元处理， 根据 LBS数据精度明确研究粒度， 叠加土地利用数据， 剔除非建设 用地上的网格单 元格， 得到基础城市网格数据； S1.2： POI数据清洗， 包括数据剔除、 补全、 去重和数据重分类处 理； S1.3： POI数据加权， 利用认知度和面积为POI数据进行权重赋值， 采用层次分析法 (AHP)， 通过问卷调 查的方式获得POI数据大类和中类的公众认知度权重， 选取相关用地及 设施分类标准和统计数据对POI数据进行面积加权； S1.4： POI数据核密度分析， 将POI的参考用地面积作为确定核密度分析带宽的参考因 素， 实现POI影响扩散 。 3.根据权利要求1所述的识别方法， 其特 征在于， S1.2具体包括： S1.2.1： 去除不存在独立建设用地且市民认知程度较低的POI数据， 筛选出属性缺失的 数据进行补全， 对经纬度或名称完全一 致的数据进行去重处 理； S1.2.2： POI数据重分类依据参考 《城市用地分类与规划建设用地标准》 (GB50137 ‑ 2011)、 适用于GIS操作的分类方法和居民出行调查报告， 将POI归纳为居住生活、 产业社区、 公共服务、 商业消费、 公园绿地、 基础设施六大类， 分别对应通勤行为、 生活服务行为、 休闲 消费行为、 游憩行为和其 他行为。 4.根据权利要求1所述的识别方法， 其特 征在于， S1.3具体包括： S1.3.1： 采用层 次分析法(AHP)， 通过问卷调查的方式获得POI数据大类和中类 的公众 认知度权 重； S1.3.2： 对公共认知度权 重进行标准化处理： 其中， max为中类POI的最大值， min为中类POI的最小值， xij为第i类第j 项权重， xij′为标 准化后的新 值； S1.3.3： 选取相关用地及设施分类标准和统计数据作为用地 面积加权的参 考值。 5.根据权利要求1所述的识别方法， 其特 征在于， S2具体包括： S2.1： 计算 不同大类POI数据的频 数密度： 其中， Fi指分析网格内第i种大类POI数量占该类用地POI总量的频数密度， i为大类POI，权　利　要　求　书 1/3 页 2 CN 115130618 A 2ni指分析网格内第i种类型POI数据个数， Ni指第i种POI总数； S2.2： 计算城市功能网格中个大类POI数据的类型比例来识别城市网格功能： 其中， Fi指分析网格内第i种大类POI数量占该类用地POI总量的频数密度， i为大类POI， Ci为第i种大类POI的频 数密度占网格单 元内所有类型的POI频 数密度比例； S2.3： 根据城市功能网格频数密度和类型比例的计算结果， 判定城市单一功能区和混 合功能区； 网格中某类POI数据的Ci值≥50％时， 即确定该分析网格为单一功能区， 其主导 功能就由该类POI数据确定； 当分析网格内某类POI数据的Ci值＜50％时， 即将此分析网格 确定为混合功能 区； S2.4： 若网格判定为混合功能 区， 则进一 步细化城市网格粒度。 6.根据权利要求1所述的识别方法， 其特 征在于， S3具体包括： S3.1： 利用城市AOI数据和官方高等级公共服务设施名单进行来进一步校核城市网格 功能识别结果， 得到城市大 型服务设施与场地覆盖的功能网格； S3.2： 利用ENVI建立误差矩阵， 并通过网络电子地图进行人工目视验证， 对城市功能网 格的分类精度进行检验。 7.根据权利要求1所述的识别方法， 其特 征在于， S3.1具体包括： S3.1.1： 利用AOI数据中的绿地及开敞空间面、 商业设施面和公共建筑面来校核识别结 果； 剔除设施分类与AOI面数据类型不符 的网格单元， 剔除占地面积过小(设施最小占地面 积按网格单 元精度确定)的场地与设施对应的网格； S3.1.2： 利用城市人民政府相关网站提供的高等级公共服务设施名单来校核识别结 果； 通过批量调用百度地图API来反推 设施点空间位置， 具体操作路径 为“申请秘钥 ‑构造经 纬度获取函数 ‑根据设施地址获取设施点经纬度坐标 ”。 8.根据权利要求1所述的识别方法， 其特 征在于， S3.2具体包括： S3.2.1： 利用城市高分辨率的影像图， 以及地图中所显示的地名、 地物等属性信息， 分 别在各大类功能网格中随机均匀的选取60个网格作为校验样本； 利用ENVI建立误差矩阵， 并计算Kap pa系数和总体精度指标： 其中， K为Kappa系数， Po为预测的准确率， Pc为偶然一致性， r为矩阵行的数量； xii为沿着 对角线上的类型组合的数量； xi+为行i的总观测数； x+i为列的总的观测数量， N为单元格的 总数量； S3.2.2： 选取各大类城市功能网格典型片区的识别结果与真实地物信息进行人工目视 比对。 9.根据权利要求1所述的识别方法， 其特 征在于， S4具体包括：权　利　要　求　书 2/3 页 3 CN 115130618 A 3