当空间数据遇上机器学习城的颜值有了新的度量方法.DOC

当空间数据遇上机器学习，城市的颜值有了新的度量方法 HYPERLINK   当空间数据遇上机器学习，城市的颜值有了新的度量方法 每个人都生活在必定的空间，城市的各项公共服务设施也须要占据必定的空间。通过对这些空间数据的挖掘和分析，我们能够比以往更科学、更清楚地观察我们所在的城市。 把机器学习应用到空间数据挖掘 我们公司主要做的是空间数据挖掘，在国内外，类似的公司目前并不是很多。后背要提到的很多案例，图表颜色看起来花花绿绿的，其实都是基于我们自身的产品和琢磨做出来的。 下面这张图算是我们的代表性产品之一，这张图的左上角区域是它的地图区域，左下角区域的折线图反映的是一些数值、特征值，右侧则是测试参数的设置、提交运算的区域。 固然我们用了很多机器学习算法或者空间挖掘的一些算法，但是你会发现，操作起来还是非常简单的。 有人会问我们的数据来源是哪里? 我们和各种数据提供商有紧密亲密合作，有20多个大类、1000多个小类的POI兴趣点。除此之外，我们还获得了一些人口迁徙、房地产、企业等各类数据。 在进入具体的案例分析前，须要指出的是，这些案例都是基于城市各维度做的一些分析，而在这其中，机器学习扮演着严重的作用。结合具体的一个个案例，让大师对空间数据挖掘有一个更清楚的认识，这也是我今天要分享的主题。 HYPERLINK /baoshangongye3309.html改性钛基负载石墨烯光催化剂及其在电厂烟气与室内空气污染 全天 案例一：通过机器学习给城市“画像” 先看下面这张图： 在这张图中，我们通过各种POI兴趣点的数据，当空间数据遇上机器学习城市的颜值有了新的度量方法宝山工业。用可视化来形容城市用地情况。图中的各个分类其实我们都提早选好了参数，再利用机器学习自动分类。然后再选好用哪些维度来给城市“画像”。 从图中不妨看到哪些区域是休闲娱乐休闲功能比较集中的地方、哪些是居住比较集中的地方、哪些是混合型的地方，以及能看出哪里是工厂、工业集聚区。通过这样分类，我们不妨快速了解这些???地的分布情况。 接着再看第二张图。 这张图是基于上一张图的数据，我们做了更进一步的聚类，你会发现城市里边的用地情况显得更加清楚一些。 我固然没有去过南昌，但是通过这张图我不妨很容易诀别出来哪里是老城区，哪里是新城区，哪里是边缘的工业用地区，哪里可能是新作战的居住区等等。 案例二：发现北上广深地铁站范畴的画风 HYPERLINK /baoshangongye3500.html上海嘉定丰庄附近哪有好的会计培训学校？零基础速成会计班！ 可能前面两张图因为涉及到具体的业务应用场景，对于非土地琢磨行业的人来说可能相对较难理解。但下面这个例子会更好理解一些。 我们异样用机器学习的算法，通过POI兴趣点数据来识别一下北上广深四个城市的地铁站周边500米的情况。相比看 宝山工业 不妨看到，北上广深四个城市的差异还是非常鲜明的。 比如说北京，一眼望去，绿色的圆点较多，这代表的是其范畴公共服务设施比较集中。这些公共服务设施包括政府机关办公地点、图书馆、文化场馆等等。 再看上海，蓝色的圆点比较多，这指的是地铁站范畴各种居住小区较多。 而广州，红色和紫色的圆点更多，这指的是地铁站周边娱乐休闲类场所更多。从这些地铁站出来，更容易找到吃喝玩乐的地方。 深圳，则算是比较平衡的，不同颜色的分布并没有一个鲜明的特征。 HYPERLINK /baoshangongye3163.html宝山工业 案例三：从公共交通扩张看一座城市的“生长” 前面介绍的都是城市中的土天时用情况分析，接上去讲一讲交通等城市公共服务设施的情况。 这里以武汉市为例，下图不妨看到2014年到2017年它的轨道站点数量增长非常快。 再来看公交站点的情况：从2014年的接近3000个到2016年3500多个，一直到2017年有将近5000个了。 然后我们把轨道交通的站点和公共交通的站点，聚合到城市用地上，这不妨看做是公共交通的便利度评价目标，不妨看出这几年武汉市的公共交通便利度确实发生了很大变化。 紧接着，我们再通过机器学习方法，琢磨武汉市的公共服务设施的分布变化。见下面两张图： HYPERLINK /baoshangongye1165.html/baoshangongye1165.html 从这两张图我们不妨看到，从2014年到2017年，随着公共交通便利度的不增增加，武汉市的土天时用的混合程度也发生了大批变化。历来可能没有那么多P