基于区域表征学习的细粒度城市功能区域划分.pdf

摘要

基于区域表征学习的细粒度城市功能区域划分

在城市智能计算中，基于定位轨迹数据（GPS）和兴趣点数据（Pointsof

Interests,POI）的城市功能区域划分，可以为城市道路规划、智能交通调度和基

于位置的社区服务等多个方面提供有效支撑。然而，受限于城市区域的连通性、

兴趣点分布的聚集性以及轨迹与区域功能之间的弱相关性，现有研究通常仅能实

现行政区域级别的粗粒度划分，难以满足城市计算的需要。

本文在城市计算背景下，针对城市功能区域划分这一问题，提出基于时空数

据的细粒度城市功能区域划分方法，提出了一个先进的城市功能区域划分框架

（HrF-ZR），用于细粒度城市功能区划分算法，并提供了一种可解释的区域功能

注释方法，利用兴趣点（POI）数据分析区域内的功能组合，挖掘区域内部功能

的可解释性，本文的主要工作包含以下几个方面：

首先，爬取了长春市兴趣点数据、长春市路网数据。对城市区域数据和道路

数据进行筛选和划分，根据城市主干道路和主要路段将城市分割成细粒度的空间

子区域，为后续区域内功能表征和识别工作提供支撑；

其次，利用词嵌入方法（WordEmbedding），通过人群移动轨迹在各个区域

产生的停留事件，学习各个区域的静态嵌入表示，获取细粒度城市区域的静态特

征表示向量（ZoneEmbedding）。并且利用双层双向循环神经网络（BiLSTM）进

一步学习每个区域的功能表征，捕获连续出行轨迹中的动态出行目的，同时动态

调整各区域间的关联性，以获取最真实的城市区域的功能表征结果（Zone

Represenetation）；

然后，使用k-means聚类方法获得各个细粒度区域的功能分类，分析区域聚

类划分集群的功能组成，定制对细粒度自然区域标注实际功能含义的规则和标准：

基于区域内分布的POI等级、POI纯度以及各个区域间人群轨迹的访问频率，这

三个主要因素，标注每个区域集群的功能类别。同时，对标注的各类功能区域的

内部组成进行详细解析和验证；

之后，通过长春市真实的信令轨迹数据集和POI数据集进行实验和应用，首

先，通过对比使用相同区域表征算法（HrF-ZR）的粗细粒度区域划分实验结果，

验证细粒度城市区域划分的必要性。然后，通过将HrF-ZR方法与四种先进有效

的区域功能表征算法进行对比，并将所有的细粒度区域表征实验结果应用于区域

内人群流预测和基于区域增强的兴趣点推荐两个相关任务，验证HrF-ZR区域表

征结果的准确性和有效性；

最后，通过定量验证和定性验证的结果表明，本文提出的基于区域表征学习

的细粒度城市功能区域划分方法（HrF-ZR）可以达到最好的城市功能区域的细粒

度划分结果，并且对区域内的功能组成和分布提供合理的解释。

关键词：

城市智能计算，细粒度功能区，移动轨迹，区域表征，信令数据

Abstract

ExploringHigh-ResolutionFunctionalZoningwithSequential

TrajectoryEmbedding

Inurbanintelligentcomputing,urbanfunctionalareadivisionbasedonGPSand

poicanprovideeffectivesupportforurbanroadplanning,intelligenttrafficscheduling

andlocation-basedcommunityservices.However,duetotheconnectivityofurban

areas,theaggregationofdistributionofinterestpointsandtheweakcorrelationbetween

trajectoryandregionalfunctions,theexistingresearchcanonlyachievecoarse-grained

divisionofadministrativ