041.城市要素时空同质性与异质性特征的发掘——以芝加哥交通系统为例.pdfVIP

城市要素时空同质性与异质性特征的发掘 ——以芝加哥交通系统为例 张志恒，路青，胡宝生 摘要：城市要素时空特征发掘是完成地块空间规划的基础前提。本研究以芝加哥交通系统为例尝试建立一 种时空异质性与同质性特征发掘的方法，实现对地铁、公交、出租车、共享单车四种交通方式的时空特征 分析。时间特征上，选择小波分析 （Wavelet analysis）以及时间序列可视化观察，完成不同要素的时间 变化周期提取，并对其时间特征进行对比分析。空间特征上，通过起止点分析 （OD分析）等方式以及网格 （500m×500m）精度下交通系统强度的空间分布，绘制以网格地理单元为对象的要素空间分布谱系图与距 离谱系图，通过对比揭示各类交通方式的强度分布特征，进而通过K-means聚类完成非监督分类，对区域 类各个空间单元的各交通表现特征进行聚类。结果表明：全年尺度下以天为粒度的时间同质性的强度从高 到低依次是地铁、公交、出租车、共享单车，四种交通方式中空间覆盖范围由大到小依次是公交、地铁、 出租车、共享单车，聚类结果将空间可划分为多种交通方式活动强度均较高的空间单元、多种交通方式均 较弱的空间单元、仅公交有一定程度覆盖的空间单元、公交与地铁等时间同质性强的交通方式覆盖的空间 单元、公交覆盖强度较强的空间单元、出租车与共享单车等时间异质性强 （周期性较弱）的空间单元7个 聚类簇。 关键词：城市要素时空特征，交通系统，小波分析，K-means聚类 1 引言 城市内要素研究范畴即包含物理空间中的要素如居住区、商业区等物理空间单元，同时 也包含信息等虚拟空间中的信息流、情感流。而不论在物理空间或虚拟空间中的要素，时空 特征是要素研究的重要属性，例如物理空间中城市用地规模或某一类型用地在时间上增长的 [1-3] [4] 规律 、虚拟空间中对城市突发性事件下人的情感随时间变迁研究 而随着以人工智能、数据技术的发展与成熟，人类对数据资源的挖掘能力也得到较大提 升，与之相对应的是，城市规划学界学者通过努力将数据技术、人工智能技术与城市规划融 [5-6] 合，开展理论研究与实践工作，构建人工智能、数据技术驱动城市规划技术发展的框架 ， 城市时空特征的研究深度因此而得以提升。学者们通过不同视角，基于不同数据资源完成城 [7-9] 市要素时空特征分析框架的组建，进行要素的时空特质的描绘 。而大数据在交通要素特 征的分析中，学者们对单一交通形式做了深入的工作，但比较缺乏对交通这一要素系统整体 上的分析，并在时间特征的周期性发掘欠缺，所以较难在空间单元进行精细化的综合考量。 本文尝试采用全样本的交通系统数据，进行一次时空特征的综合分析。 2 技术方法 本研究中要素在时间上的同质性体现为数量变化存在在一定时间尺度内的反复，即要素 变化存在周期性，时间上的异质性则主要体现在随着时间的变化，要素的增长变化态势存在 较大的差异，无明显周期性反复规律。空间上同质性表现为空间单元中要素的地理过程存在 较大的相似性，异质性则表现为空间单元上要素地理过程存在较大差异。 为完成要素周期变化的发现与提取，本研究选择采用小波分析法 （Wavelet analysis）进 行分析，小波分析分析是在Fourier 变换基础上发展起来的时频局部化分析方法，在自然科 学与经济学领域有较多的应用，对于分析多尺度、多层次、多分辨率问题能够得到令人满意 的结果，而对于时间上异质性的发掘，往往在时间序列数据可视化的基础上进行直接观察分 析，可得到较为满意的结果[11-14]。 图1 本研究提出的时空特征分析思路 空间同质性与异质性研究的基础是进行地理单元的确定，为实现空间的精细化描绘，本 研究选择通过网格化 （grid）的形式将芝加哥划分为2932 个500m×500m 网格作为研究的基 本单元。对于四类交通要素在空间分布强度的计算采用核密度 （kerneldensity）进行评估计 算，在完成全局密度估计的基础上进行重分类（本研究采用自然间断点法将