识别功能区域基于呼叫细节记录和兴趣点数据

抽象

随着近年来大数据的出现，大数据挖掘的研究取得了显著进展，城市计算得到了快速发展。随着城市规划与管理的一体化，基于大数据的城市功能区识别成为迫切需要关注的问题。本文描述了通信活动强度的概念，它比通信活动数量或用户密度对识别UFAs更有意义。讨论了不同的地理区域细分对UFA识别精度的影响ķ- 用于动态呼叫详细记录数据和兴趣数据的静态点核密度估计技术的聚类方法是在流量分析区一级设立。北京的三环路以内区域为例导通，乌发的鉴定结果是定性和定量验证。在北京某地铁线的大客流的原因进行了分析。对于公园和风景名胜区获得最高的识别准确率，其次是居住区和办公区。总之，该方法提供了超过先前技术的识别精度，从而验证了该方法的可靠性显著的改善。

1.简介

在城市规划和管理的过程[1]，城市功能区的划分（UFAS）是一个基本步骤。UFAS的分布直接关系到决策的关于城市交通，资源管理，搬厂[2]。作为一个城市的发展，城市规划和管理变革的整合要求，需要一些动态调整，在城市规划程序。与此同时，随着城市交通拥堵的增加，以缓解拥堵这个以防止城市交通供给和需求造成的城市功能的布局不合理之间的不平衡是很重要的。但是，现有的城市规划和现实世界的城市发展之间存在一定的偏差。因此，迫切需要UFAS的准确和及时识别。此外，UFAS的鉴定为政策制定，资源分配，运输和企业发展[积极意义3]。当然，它也有炼未来交通需求管理的重要意义。

传统的城市土地利用分类的主要依据是问卷调查，这是费时，劳动强度大，和非排他性，不反映城市的实时结构[4]。然而，一些研究人员认为，大数据时代的到来意味着我们思维方式的改变[五-7]，因此，在规划大数据的应用是目前的研究热点[8]。还有一种认识，即构建基于大数据UFAS基本上是自我实现的。

近年来，许多研究都充分利用大数据的城市土地利用分类或UFA检测[9，10]。例如，已使用的区域的移动电话呼叫的数量来表示的城市功能特性[11]，并收集了兴趣点数据，以显示某一地区的土地用途[12，13]。但是，三度有挑战性的问题，必须在功能区映射到非常高分辨率的图像[前得到解决14]，即，空间单元，用于分析和分类的标准功能。

使用大量手机数据对UFAs进行了大量的研究，包括呼叫细节记录(CDR)数据库和基于位置的服务(LBS)数据库。一些研究也集中在使用大数据时的地理区域细分(GASs)的划分和选择。以前的CDR体积研究没有考虑气体的大小。此外，在CDR数据的应用中，缺乏包括土地利用属性的POIs等数据，在对结果的验证中也很少采用定性和定量相结合的方法。

本文描述了一组用于识别UFA数据驱动方法。我们认为上述因素全面，包括不同的气体大小，CDR数据的统计指标，含土地使用功能的数据源，并验证方法是定性和定量的影响。这项研究的目的是开发乌发识别可行的方法，从而实现可靠的决策对城市规划和交通规划及改善工程领域现有的大数据应用的使用率。

基于CDR数据和POI数据，提出的方法有以下贡献:首先，其大规模、长周期的特性意味着CDR数据可以用来记录公民的日常活动。提出了一种基于数据驱动的UFA识别方法，并指出日常活动强度对城市区域功能识别的贡献很大，而日常活动强度依赖于土地利用。其次，本研究表明，在构建CDR模型之前，必须同时考虑计算指标和GASs。GASs的大小对数值实验结果有显著影响，进而影响CDR数据的指标，如通信活动数量(NCA)、CAI和用户密度(UD)。第三，POI数据克服了CDR数据在土地利用特征分析中的不足。结合POI数据和CDR数据可以提高UFA识别的准确性。最后，以往的方法虽然多采用了定性验证，但也很少采用定量验证。

本文的结构安排如下。在接下来的部分，涉及到乌发识别相关的研究评述。新颖区域分类方法（盖斯，CDR数据模型，POI数据模型）和所需的数据源，然后在第呈现3。部分4描述了一个北京的案例研究，并进行了定性和定量的验证，并给出了结果和详细的讨论。最后,部分五为今后的研究提供一些结论和建议。

2.文献评论

土地用途分类和UFA识别的研究一直是地理信息领域的重要课题[15-17]。然而，卫星遥感数据与其他传统检测方法存在收集周期长、成本高、内在功能差异表征差等缺点。几位学者18，19)已经研究了土地利用分类模型，但是它们的准确性因输入数据的不同而有很大差异。为了克服这些限制，移动电话数据被用来探索城市的空间结构[20.]。的基础上，移动电话数据在城市活动时空变化的结果可以使用热力学图[被显示21]。这为大数据在城市计算中的广泛应用开辟了道路[22-26]。例如Croce等人[27]使用浮动汽车数据(FCD)进行分区和制图，而Alonso等人[28]利用大量的交通观测数据来估计交通控制规则对宏观交通网络基础图的影响。Croce等人[29]综合交通模型，以尝试在交通运输和能源大数据与电动汽车设计的运输服务。

CDR数据使用全球定位系统的辅助定位功能[30.，可以分析人群活动或人类活动模式。一篇文献综述研究了使用手机数据跟踪旅行行为[31]。人口活动及人类活动模式与城市土地用途及UFAs密切相关[32]，允许城市功能类型从“人类”的通过CDR数据的角度来区分。当然，还有一直在土地利用大数据的应用还有很多研究，例如，从环传感器业务数据。28]，智能卡数据（SCD）[24]，FCD数据[27]，及GPS数据[33]。

就业空间，并在纽约的郊区城镇人口的通勤范围是由在不同时期使用CDR数据[分析34]。意大利蒙扎和布里安扎省的城市活动也进行了动态分析，使用不同时间间隔的手机通话量、短信量和移动交换中心用户数[11]。然而，一些专家提到密度对CDR数据应用的影响大于体积[35]。Iounousse利用基于卫星数据的无监督聚类确定了一个城市的土地使用情况[36]。

在盖斯而言，其规模从建筑到行政区域[不同37]。此外，GASs可能不能代表城市的一个完整区域[38]。城市交通规划机构。此外，研究人员进行了表明在CDR应用的流量分析区域（TAZs）的意义实验和提供有益的建议[39]。

UFA识别通常使用聚类方法[24，36，38，40，41]或语义模型[9，15，31，42]。语义模型可以实现层次识别，但忽略了物体的形状和大小，这对识别结果有很大的影响。此外，错误的分类对象也会导致不正确的结果，而UFAs之间的相关性对整体分类有很大的影响。聚类方法可以克服这些缺点;此外，该聚类方法对个体具有自适应能力，能够快速、准确地获得结果。以往的研究缺乏对GASs和定量验证的讨论，导致识别结果不准确，在使用CDR数据时，现有方法中静态数据的结合不足。在本研究中，对不明飞行物进行鉴定ķ对已转换为GASs CAIs的动态CDR数据采用-means聚类模型，对基于TAZs的静态POI数据采用核密度估计(kernel density estimation, KDE)。另外，在UFA识别的验证中，采用了基于百度静态高分辨率影像地图数据和野外调查数据的定性和定量分析。

3.方法

3.1。数据源

3.1.1。CDR数据

该案例研究覆盖了北京三环内159公里的区域²。本文描述的研究是利用从6月1日至30日北京CDR数据进行的，从我们的研究团队和中国移动通信集团有限公司北京分公司结果进行战略合作项目获得2015年这些数据，该数据有严格的隐私保护（删除私人信息），并使用保护的权利。该研究包括3198个移动通信基站，具有880个宏蜂窝站和2318个微孔站。这涉及大约494万用户日常和100730000个日常记录的平均值。的CDR数据格式和实例列于表1。

3.1.2。POI数据

该POI数据指的是可以抽象为点的所有地理实体。该POI数据来自北京电子地图在2015年提取（见表2）。

3.1.3。百度高分辨率图像（BHRI）地图数据

在本文中使用的BHRI地图数据可以被发现在https://map.baidu.com并向公众开放。

3.2。盖斯的讨论

五种不同的盖斯是从以前的研究，即光栅层[收集43]，沃罗诺伊层[41，44]，道路网络分割层[33]，TAZ层[24]，管理层[6]。上UFAS的识别不同盖斯的影响示于表讨论3。

从表讨论3中，TAZ层似乎具有在UFA识别方面的若干优点。有北京的三环路内235个TAZs。

3.3。CDR数据模型

与其他方法相比，集群具有许多优点，如操作简单，结果迅速输出，并把重点放在个人的能力。该ķ-means聚类方法被广泛用于聚类基于人类活动数据UFA识别分析。因此，ķ本研究采用-means聚类方法对CDR数据进行处理。由于人在工作日和周末的旅行特征有所不同[45]，这些周期分别进行分析，这是用于识别UFAS的非常有益的。此外，国家版权局，蔡，和UD也都在CDR数据模型中考虑。

3.3.1。数的定义

在我们的CDR数据模型中使用了以下项目(见表)4）：（1）气体的CAIs：在一天的固定时间间隔作出或在某种气体接收到气体覆盖的区域呼叫的数量的比值（2）GAS的服务台：在某种气体的用户的数量的在一天的固定时间间隔到气体覆盖的面积的比例（3）Matrix of NCAs, CAIs, and UDs: the distributions of NCA, CAI, and UD in each GAS at a 5 min time slot of the day, expressed as ， ，和 ，在哪里denotes the 5 min time slot, （4）每种气体的签名：NCA矩阵，CAI矩阵，和矩阵UD，这表明某UFA的聚合结果，表示为 ， ， ，  = {Monday, Tuesday, Wednesday, Thursday, Friday},={星期六，星期日}，和 。

3.3.2。指数计算

（1）矩阵用户的数字： 在哪里 用户数量矩阵是在th气体; 为气体的数量;表示每月的每一天( 在本文中）;为某一气体中移动通信基站的数量; 的用户数量ñ第GAS连接到C该系统是一种新型的移动通信基站th 5 min interval of day 。（2）矩阵通信的数字： 在哪里 通讯号码矩阵是在th气体; 表示在通信的数ñ第GAS连接到该系统是一种新型的移动通信基站th 5 min interval of day 。（3）GASs的面积:面积统计主要使用ArcGIS来确定ñ第GAS区域被称为 。本文不讨论具体的统计操作。（4）平均值计算：(一)在盖斯普通用户的数字： 在哪里表示平日或周末在盖斯平均用户数的矩阵; ，其中1表示工作日，2表示周末。(b)盖斯的平均通信号码： 在哪里表示在工作日或周末盖斯平均通信号的矩阵。（5）强度计算: 在哪里表示的CAIs的矩阵和服务台，分别和是的面积日GAS（公里²）。（6）签名计算:(一)NCA签名: (b)CAI的签名: (c)UD的签名: 在哪里是基于NCA、CAI和UD的GASs在工作日或周末的签名。签名用SPSS计算。

3.3.3。聚类分析

无监督聚类技术要求预先知道聚类的数量。在…情况下ķ-表示，最优聚类数取决于是否需要紧密聚类或良好的分离。验证方法[46可以用来选择一个更好的值ķ。

聚类有效性指标为簇内距离与簇间距离的比值。理想的分类会使簇内距离最小，簇间距离最大，因此效度指标的值越小，分类越好。聚类有效性指数计算如下: 在哪里和表示群集内和簇间的距离;是有效性索引;是由质心定义的集合属于群签名 ; 表示的签名，如 ， ，和 ;和 。

数字1表示不同值下的聚类结果ķ。以下可以推断：（1）CAI数据的有效性值比NCA和UD数据，其表示基于的CAIs导致大的群集内的距离和小簇间距离的聚类分析的小。这意味着更好的聚类结果，并证明了气的大小对识别的城市功能的显著影响。（2）UD和NCA数据不提供良好的结果，这表明该NCA或服务台可能没有那么大的聚类结果作为的CAIs，其可以广义地辨别CDR数据的机制产生影响。有许多情况，其中通信基站被触发，包括主动触发和触发被动，跨区域的触发，以及通断开关。在实践中，可能会有结果有很大的偏差，如果交流活动被忽略。（3）不同的ķ值产生不同的VI值。最小的值由CAI数据给出ķ= 6。因此，结合城市功能类型和我国标准的相关研究[47]，五个单UFAS（住宅，商业，公园和风景，办公，教育等领域），加上混合区在本文的考虑。

3.4。POI型号

3.4.1。POI数据处理

该POI数据进行分类建模。首先，无关功能鉴定任何POI数据中除去，例如，公共汽车站数据，出口和入口数据，以及其他的POI数据。然后几个兴趣点是按照中国标准[重新分类47]。在这项研究中，学校POI数据分为大学，高中，初中，小学和中学和幼儿园。被允许居住区，包括一些公共设施，如小学，幼儿园，和便利店。此外，写字楼，政府机关，以及停车场办公楼被归类为办公区。商业领域被超市和商场，酒店和餐馆区分。的POI数据的处理结果呈现在表五。

3.4.2。POI型号

一般来说，非参数估计，这是不受整体参数，是用于确定概率密度的最广泛使用的方法。此外，它可以适用于任何样品分析。KDE是未知的概率密度函数非参数估计方法。因此，该POI数据模型使用KDE。该计算可以被表示为如下： 在哪里是在空间位置的函数KDE小号;是距离衰减阈值;距离小于或等于的元素个数从位置 ; 是样品元件;和是空间加权函数。

KDE函数中的两个关键参数是和 。不同的平均权重必须选择一定时，可以选择函数。统一函数对研究范围内的所有点给予相同的权重;三角函数呈线性递减趋势;Epanechnikov函数是相对缓慢的;高斯函数没有边界，允许给所有点分配权重。本研究对高斯核函数的KDE采用自适应带宽[48]，因为这确保更好的收敛性和光滑比固定带宽KDE功能。

3.5。识别程序

识别过程在图中所示2。首先，基于CDR数据，我们计算的指数计算所需的参数。其次，CDR聚类结果的特性进行了分析，包括工作日和周末特征，峰值，峰值的强度和峰值的分布的数量;这使得出行行为和公众意识被理解。第三，根据POI数据的聚类，将UFA鉴定结果被修改。第四，验证使用BHRI数据，现场数据，和识别索引进行。最后，我们得到的最终结果乌发。

4.案例研究与探讨

4.1。结果和讨论

识别UFAS，POI数据的聚类结果显示在图3和4。的居民出行行为和公众认知的特点，现在介绍给解释签名。基于图UFA识别3进行了讨论。

集群1:该集群的主要特征是工作日CAI非常高，在08:00-11:00和14:00-16:00集中出现明显的双峰。上午的CAI大于下午的CAI。此外，在18:00 - 21:00之间仍有一定数量的CAIs，说明这段时间仍有部分人在工作。该集群的CAIs在周末低于工作日，可能是由于在周末加班的结果。但是，CAI的值在16:00开始下降，在17:00之后非常低，这说明周末的工作比工作日更加灵活，员工可以提前离开办公室。基于此分析，我们认为cluster 1代表办公区域。

第2组：该组的特点是一个事实，即在周末的CAIs比那些平日更高，且有平日没有双峰。与此相反，有一个从15:00活动高峰至17:00在周末，这表明人们在这些领域使用他们的手机联系的朋友，同路人，或驱动程序来安排自己的回家之旅。在图的POI结果相结合图4（a），我们可以推断这是公园和景区的标志。

第3组：这个集群具有明显的特征是在工作日和周末的CAI值相对较低。此外，还有平日比在周末更高的CAIs双峰。然而，没有双峰在周末发生。这可以通过在家里工作的工作日和午饭后睡午觉的居民进行解释。与此相反，谁在享受他们的休闲时间的人不需要休息的一个特定时期。该re are around 500 calls/km²平日，这可能是邀请朋友或客户去吃饭。因此，这些盖斯很可能是居民区。

第4组：在这组中，显着双峰左侧出现，并且具有在工作日比在周末更高的值。然而，在的CAIs两个工作日和周末都没有特别高。平日和周末的趋势是在19:00之后相似，强度值仅为一天一夜，这说明它是在这里生活和工作的主要是年轻人之间略有不同。总之，这种安排的建议大学和高中。随着图的POI数据的帮助4 (b)我们可以坚定地得出结论，这些都是教育等领域。

聚类5:第五类聚类工作日与周末强度略有差异，工作日有双峰。此外，周末早上8点到晚上9点的高污染持续时间更长。虽然21:00后的CAI值在工作日和周末都有所下降，但在这段时间内，CAI值的数量和持续时间都要比工作日更强、更长。所有这些特征更有可能出现在商业领域。

集群6:由于工作日的CAI值最低，而周末的CAI值几乎最高(尽管有很大的波动)，因此无法准确汇总该集群，特别是在周末。同时，没有任何旅游行为或人类活动可以完全解释这一模式。因此，该区域被标记为混合区域。

通过SPSS计算得到的每个签名的聚类成员在GIS中显示，UFA识别结果的空间分布如图所示五。

根据图中的UFA识别结果五几个可以得出结论。首先，居住区有选择职业的高密度和分布广泛。然而，公园和风景名胜区的分布相对集中。其次，大多数地铁1号线的南盖斯是居民区;相比之下，教育等领域在很大程度上是位于地铁1号线以北，这可能会导致潮汐交通状况。其结果是，在南北地铁线路（例如，地铁线路4和5）的客流是非常高的。三，办公区主要分布四周，地铁线路6以及对这些地铁线路1。这地方显著的交通压力之间，客流时空分布特征为重日均客运量第四，园区的集中分布，使风光的地区，特别是在城市中心区，带来了更大的向心交通压力，城市交通运营和管理。这种现象是在节假日和周末尤其显着。

4.2。结果验证

要检查结果的准确性，定性和定量验证应用基于识别结果，现场调查结果，并BHRI地图数据。以下是该分析认为是典型盖斯：天坛公园，金融街，北京理工大学（BIT），方庄地区，前门大街，与北京南站。

4.2.1。准备定性的验证

在定性验证方面，我们考虑了一些典型的GASs和实地调查数据，以及BHRI地图。表中讨论了这六个集群的表示6。

4.2.2。定量分析

在所提出的方法的定量分析，约占总面积的8.5％的混合区域被忽略，因为多于一个官能组分存在。对于具有唯一的功能结果的那些区域，所述识别索引被定义为通过该功能覆盖到气体的整个区域的面积的比率。这在图示意性示出6。当然，该指数可以被用来表示识别的准确性。实际功能区域使用实地调查结果和BHRI映射计算，和各气体的区域由GIS计算。识别索引的计算如下： 在哪里为集群类型， ; 是类型的识别索引 ; 是簇的实际功能区域（公里²）;和是的气体的区域，其中坐落(公里²）。

商业区的最低识别指数为63.16%，高于以往研究的整体准确率[49，50]。城市规划和管理的动态需求可以如果识别指数为60％以上满足[50]。结果均在60%以上，因此识别具有重要的实际意义。平均鉴定指数为78.30%，远高于以往研究的平均值，说明本研究取得了很大的进展。

如表7所示，公园和风景名胜区的有96.00％，最高的识别指标。这可以通过以下事实盖斯或TAZs被认为是当这些功能被划分进行说明;此外，它显示识别城市功能之前，选择合理的盖斯的意义。

下一个最高的识别指数值由居住区和办公区给出。的多类型住宅设施（例如，幼儿园，药店和便利店）的兴趣点在识别居民区非常有帮助。此外，也有非常高的的CAIs在办公区域，所以可以实现令人印象深刻的鉴定指标。

教育领域和商业领域具有较低的识别索引值。这可以通过许多酒店为参会者和部门围绕教育区学校工作人员进行解释;同样，复杂的土地利用接近商业地区，人们来来去去，但不要停留时间过长，从而影响CAIs在一定程度上。

5.结论和未来工作

城市规划和管理的一体化趋势要求对用武资源进行动态识别。然而，在以往的研究中，GASs的选择对UFAs的识别有着不可忽视的影响。本研究提出了CDR的三个指标，并选取CAI概念作为研究的重点。此外，POI数据对识别不明飞行物非常有帮助。因此,ķ- 用于CDR数据和POI数据的KDE方法集群分别是北京的三环路内适用于该地区。值得注意的是，所提出的方法可以与其它的信息，如SCD数据或博客组合使用检入数据，它包含POI数据。在最后的乌发鉴定结果，发现公园，风景名胜区是最准确的。平均识别指数为78.30左右％，远高于在以前的研究更高。

研究结果有助于城市的动态管理和规划。值得注意的是，在一个案例研究中，所提出的方法并没有应用到整个城市。但是在未来对UFA识别的研究中还需要考虑城市规划理论和相关规划数据。进一步的研究可以集中在大数据挖掘新技术的应用上，如深度学习和机器学习，为规划和管理的整合提供可靠的信息。

数据可用性

用来支持这项研究的结果的数据是可用的，请相应的作者。

泄露

这份手稿摘要交通运输研究委员会第98届年会之前提出。

的利益冲突

作者宣称，有兴趣就本文发表任何冲突。

致谢

感谢国家重点研发项目(2017YFC0803903和2016YFE0206800)、河南省交通运输技术项目(2017Z8)、北京市自然科学基金(no. 0803903和2016YFE0206800)对本研究的资助。北京市自然科学基金重点项目(编号:L181001);北京市交通委员会科技项目(201825-HNBJ2)、北京市科委科技项目(Z191100002519002)。

参考

1. “利用多源数据和结构化模型对城市结构类型的分类”，国立台湾大学土木工程学研究所硕士论文联合城市遥感事件的程序（JURSE），IEEE，瑞士洛桑，2015年3月。视图:出版商的网站|谷歌学术
2. h . Heiden, W. Heldens, S. Roessner, K. Segl, T. Esch, and A. Mueller，“利用高光谱遥感和高度信息的城市结构类型表征”，硕士论文。景观与城市规划卷。105，没有。4，第361-375，2012。视图:出版商的网站|谷歌学术
3. H.设备与供应，L.许，T. S.布达和D.奥沙利文，“用于在城市检测功能区域时空聚类方法，”在与人工智能工具第28届国际会议论文集（ICTAI），第370-377，IEEE，圣何塞，CA，USA，2016年11月。视图:出版商的网站|谷歌学术
4. 《土地使用和旅行行为:效用理论和活动基础理论视角下的预期效应》，王建民、王建民、王建民，“土地使用和旅行行为:效用理论和活动基础理论视角下的预期效应”。环境与规划B：规划与设计卷。32，没有。1，第33-46，2016。视图:出版商的网站|谷歌学术
5. 姜，“社评:大数据时代的空间异质性、规模、数据特征与可持续交通”，国际期刊地理信息的卷。7，P。5，2018。视图:出版商的网站|谷歌学术
6. B.江，“地理空间分析需要不同的思维方式：空间异质性的问题，”GeoJournal第80卷，no。1, 2015年第1 - 13页。视图:出版商的网站|谷歌学术
7. P. Bonnel和M. A. Munizaga，“交通调查方法——大数据时代面临新旧挑战”，运输研究Procedia卷。32，第1-15，2018。视图:出版商的网站|谷歌学术
8. G. D. D'Angeac，大数据：下一个前沿的创新，竞争和生产力，麦肯锡公司，纽约，美国，2011年。
9. S. A.里奥斯和R.穆尼奥斯，“使用主题模型的手机数据的土地使用检测:智利圣地亚哥案例，”计算机，环境与城市系统卷。61，第39-48，2017年。视图:出版商的网站|谷歌学术
10. G.重新Calegari，E.卡利诺，D.佩罗尼，和我Celino，“过滤和窗口领土土地利用分类移动流量时间序列”计算机通信，第95卷，第15-28页，2016。视图:出版商的网站|谷歌学术
11. F. Manfredini, P. Pucci, P. Tagliolato，“为城市分析和规划系统地使用多种手机网络数据，”城市科技杂志卷。21，没有。2，第39-59，2014。视图:出版商的网站|谷歌学术
12. F.肖夏，M.比内蒂，M.芸香，S.耶瓦和E.迪Sciascio，“A框架和在OpenStreetMap的POI的语义标注的工具，”Procedia，社会和行为科学卷。111，第1192至01年，2014。视图:出版商的网站|谷歌学术
13. 十周，刘J.，A. G. O.叶青，杨Y.，和W.李，“在使用手机的定位数据和兴趣点数据识别活动中心的不确定地理环境的问题，”在在地理信息科学进展，施普林格，瑞士Cham，2015年。视图:出版商的网站|谷歌学术
14. 张x，杜s，“场景分解的线性狄利克雷混合模型:分析城市功能分区的应用”，环境遥感卷。169，第37-49，2015年。视图:出版商的网站|谷歌学术
15. 张欣欣，杜s，王q，“基于VHR卫星影像和POI数据的城市功能区层次语义认知”，ISPRS杂志摄影测量与遥感的卷。132，第170-184，2017。视图:出版商的网站|谷歌学术
16. X. Zhang和S.杜，“学习个性尺度城镇土地覆盖制图具有非常高分辨率的卫星图像，”环境遥感卷。178，第172-190 2016。视图:出版商的网站|谷歌学术
17. Q.王，唐S.，陈X.，和L.王，“土地利用分类遥感多项Logistic回归”，在交通研究委员会第94届年会会议记录，华盛顿特区，美国，​​2015年1月。视图:谷歌学术
18. 李涛，吴，孙，高中，“土地利用与交通网络设计的集成协同演化模型”，网络与空间经济学，第16卷，第579-603页，2016。视图:出版商的网站|谷歌学术
19. T.李，孙H.，J.武，Z.高，Y.-e.Ge和R.丁“在运输和土地利用互动均衡框架优化城市快速路系统”Transportmetrica答：交通运输科学卷。15，没有。2，第1247至1277年，2019。视图:出版商的网站|谷歌学术
20. R.果酸和U。马克，“基于位置的服务，新的规划和公共管理的挑战？”期货第37卷，no。第547-561页，2005。视图:出版商的网站|谷歌学术
21. C.拉蒂，D.法国人，R. M. Pulselli和S.威廉姆斯，“移动景观：使用来自手机城市分析位置数据，”环境与规划B：规划与设计卷。33，没有。5，第727-748，2006年。视图:出版商的网站|谷歌学术
22. 苏达曼托(B. N. Sudarmanto, M. Chikaraishi, a . Fujiwara, J. Zhang, L. Gang)，“探讨雅加达城市中类似出租车的辅助交通服务的票价变化:多层次分析”，载于会议交通运输研究委员会第91届年会论文集2012年1月，美国华盛顿。视图:谷歌学术
23. T.胡，杨J.，L. Xuecao和P.贡“映射利用陆地卫星影像和开放的社交数据城市土地利用，”遥感， 2016年第8卷第2页。视图:出版商的网站|谷歌学术
24. 韩华、余欣华、龙，“利用公交智能卡数据和北京旅游景点探索功能区”，2015，https://arxiv.org/abs/1503.03131。视图:谷歌学术
25. 十，程，李W.，F.佳，杨D.和Z段，“分析使用手机数据人类活动方式：在中国上海金和新镇为例，”在交通研究委员会第92届年会会议记录2013年1月，美国华盛顿。视图:谷歌学术
26. A. Blei，K.川村，M. Javanmardi，和A. Mohammadian，“评价方法，用于估计与GPS行程的调查数据车辆行驶里程，”运输研究记录:运输研究委员会期刊卷。2495，没有。1，第112-120，2015。视图:出版商的网站|谷歌学术
27. 克罗齐，MUSOLINO，Rindone和Vitetta，“交通运输系统模型和大数据：分区，并与传统的调查，FCD和GIS图形的建筑，”国际地理信息杂志卷。8，没有。4，P。187，2019。视图:出版商的网站|谷歌学术
28. B.阿隆索，A。伊韦亚斯，G. MUSOLINO，C. Rindone和A. Vitetta，“网络宏观的基本图上的流量控制调节的影响：真实数据的统计分析，”交通研究A部分：政策与实践卷。126，第136-151，2019。视图:出版商的网站|谷歌学术
29. A.一十字，G MUSOLINO，C. Rindone和A. Vitetta，“可持续移动性和能源资源：运输服务，电动汽车的定量评估，”可再生能源和可持续能源点评卷。113，文章ID 109236，2019。视图:出版商的网站|谷歌学术
30. J. C. Herrera, D. B. Work, R. Herring, X. Ban, Q. Jacobson, A. M. Bayen，“通过gps手机获得的交通数据评估:移动世纪现场实验”，运输研究部分C：新兴技术第18卷，no。4，第568-583页，2010。视图:出版商的网站|谷歌学术
31. J.王X.香港，A拉希姆，F霞，A托尔巴和Z.铝Makhadmeh，“IS2Fun：标识使用大规模的城市数据的地铁站功能，”IEEE访问，第5卷，第27103-27113页，2017。视图:出版商的网站|谷歌学术
32. S. Phithakkitnukoon，T. Horanont，G. D.洛伦佐，R.柴，和C.拉蒂，“活动感知图谱：使用移动电话数据识别人类日常活动模式”，在人类行为的理解，施普林格，德国柏林，2010年。视图:出版商的网站|谷歌学术
33. F. 0100“由全球定位系统（GPS）在sigomre地区摩托车出租车的轨迹映射农村公路网络，夏亚郡，肯尼亚，”国际地理信息杂志卷。7，没有。8，P。309，2018。视图:出版商的网站|谷歌学术
34. A. Furno, M. Fiore, R. Stanica, C. Ziemlicki, Z. Smoreda，“十个城市的故事:城市地区移动交通特征的描述”，IEEE交易在移动计算第16卷，no。10，第2692至2696年，2017年。视图:出版商的网站|谷歌学术
35. M. R.维埃拉，五弗里亚斯 - 马丁内斯，N.奥利弗和E.弗里亚斯 - 马丁内斯，“定性从移动电话呼叫数据密集的城市地区：发现和社会动态，”在在社交计算的第二次国际会议论文集，IEEE，明尼阿波利斯，明尼苏达，美国，2010年8月。视图:出版商的网站|谷歌学术
36. J. Iounousse, S. Er-Raki, A. El Motassadeq, H. Chehouani，“利用概率神经网络的无监督方法从多时间卫星图像进行土地利用分类，”应用软计算卷。30，第1-13，2015。视图:出版商的网站|谷歌学术
37. G.潘，G.齐，吴Z.，D.张某和S.李，“使用GPS出租车痕迹的土地利用分类”IEEE交易智能交通系统，第14卷，no。1，第113-123页，2013。视图:出版商的网站|谷歌学术
38. G.齐，李X.，S.李，P.刚，王Z.和D张，在“从大型出租车的行为衡量城市地区的社会功能”普适计算和通信研讨会国际会议的会议记录，IEEE，西雅图，华盛顿，美国，2011年3月。视图:出版商的网站|谷歌学术
39. H.东，吴米，十丁等人，“根据从移动电话基站的大数据流量的区域划分，”运输研究部分C：新兴技术《中国日报》，第58卷，第278-291页，2015。视图:出版商的网站|谷歌学术
40. J. L.图勒，M.乌尔姆，D.鲍尔和M. C.冈萨雷斯，“从移动电话活动推断土地使用，”在在ACM SIGKDD国际研讨会的城市计算，UrbComp'12诉讼中国北京，2012年8月。视图:出版商的网站|谷歌学术
41. V.索托和E. Frias-Martinez，“使用手机记录的自动土地使用识别”，刊于第三届ACM国际研讨会的MobiArch，HotPlanet'11诉讼2011年6月，美国纽约。视图:谷歌学术
42. 郑元元、谢欣华，“利用人力资源和社会资源，探索城市的不同功能区域”，刊于《人力资源与社会资源研究》在ACM SIGKDD国际会议知识发现和数据挖掘，KDD'12诉讼中国北京，2012年8月。视图:出版商的网站|谷歌学术
43. M.维罗索，S. Phithakkitnukoon，和C.盒饭，“使用出租车痕迹城市迁移率的研究，”在在与普适计算ACM第13届国际会议同时在国际研讨会上的轨迹数据挖掘和分析（TDM）的诉讼2011年9月，中国北京。视图:出版商的网站|谷歌学术
44. E. Graells-加里多，O. Peredo，和J.加西亚，“传感城市图案与天线映射：圣地亚哥的情况下，智利，”传感器第16卷，no。7，第1098页，2016。视图:出版商的网站|谷歌学术
45. “利用电子地图上的兴趣点数据预测中转站乘车流量”，中华人民大学交通科学与工程研究所硕士论文在交通运输研究委员会第93届会议的论文集2014年1月，美国华盛顿。视图:谷歌学术
46. R. H.图里和R. Siddheswar“在K-均值群集聚类和在彩色图像分割应用程序的数目的测定方法”中第四届国际会议在模式识别和数字技术的进步诉讼，印度加尔各答，1999年7月。视图:谷歌学术
47. 中国建筑工业出版社，Gb 50137-2011《城市土地利用分类规范和开发用地规划标准》，中国建筑工业出版社，北京，中国，2011。
48. “地理环境:利用地理、社会和分类的相关性来提出兴趣点的建议”，周志洋，台北第38届国际ACM SIGIR信息检索研究与发展会议论文集- SIGIR ' 15，ACM，智利圣地亚哥，2015年8月。视图:出版商的网站|谷歌学术
49. T.裴，S. Sobolevsky，C.拉蒂等人，“一种新的洞察土地用途分类基于聚集的移动电话的数据，”国外医学地理信息科学卷。28，没有。9，第1988年至2007年，2014。视图:出版商的网站|谷歌学术
50. S.胡和王L.，“自动遥感城市土地利用分类”国际遥感杂志卷。34，没有。3，第790-803，2013。视图:出版商的网站|谷歌学术

版权

版权所有©2020广元等人。这是下发布的开放式访问文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。