分析基于社区的旅游热点的出租车乘客检测

文摘

智能城市研究的一个重要内容是研究城市居民的活动轨迹,挖掘热点地区和空间交互模式不同的居民的活动,并清楚地了解城市居民的旅游规则的活动。本研究使用社区检测分析出租车乘客的旅行热点基于出租车上车和下车数据,结合土地利用多源信息,比如,在南京的主要城市。研究显示,为目的的旅行,模块化和各向异性的乘客被捡起的社区和下降呈正相关,在早晚高峰时间和在其他时间负相关。根据群落结构,上车和下车点达成重要聚合在社区内,和社区之间的交互也透露。基于土地利用的类型,乘客的旅行活动增加,旅游热点城市空间形成群集。比较验证后,这项研究的结果是准确、可靠,可以为城市规划和交通管理提供参考。

1。介绍

随着信息技术的迅速发展,空间分析由数据驱动力量地理信息科学将面临新的挑战。此外,视觉分析结合地理计算大大提高人们的能力我新知识(1]。一方面,移动信息收集技术基于全球定位系统已变得更加成熟;另一方面,流动空间与城市居民的活动为主要载体已成为更广泛的(2]。虽然地理信息科学的内涵没有改变,它的内容和形式更加丰富。因此,打破传统的城市空间研究模型的关键是发现城市居民活动的法律。

时空分析基于居民活动的同质性可以解释个体的影响居民在城市空间的行为,以及不同个体之间的行为可以反映出他们限制城市空间和展示他们的差异(3]。因此,作为哈维和汉4)提出了地理数据挖掘和知识发现的概念,学者们继续探索知识在最近几十年,和地理经历了从实证范式转变为系统仿真范式,然后一个数据驱动模式(5]。早期研究城市居民的行为模式的活动主要集中在提取居民活动分和这些点的相关分析。例如,维罗索et al。6]研究了强关联模式的居民的活动地点,啊哈et al。7研究了时差和居民活动的空间分布。最近的研究主要集中在城市热点识别功能区域,城市可达性分析,城市边界划分,多中心评估,等。例如,朔尔茨et al。8)研究城市居民的行为模式和城市的时间和空间发展热点,和崔et al。9)研究城市居民区的可访问性和获得住宅的分布区域。钟等。10)研究的整体空间结构变化的中心城市边界,和黄等。11)研究城市交通和行人活动的影响。两层细粒度网络,郭et al。12研究不同城市道路网络的结构和开发相应的数据集。Hamedmoghadam et al。13]研究了位移指数个人旅行的粒度来简化集体行为模式。此外,还有在城市规划和环境安全评价相关研究。例如,郑et al。14]研究了交叉连接之间的城市规划的特点和出租车驾驶,和吴et al。15]研究了城市道路交通事故时间和空间模式。

总之,早期的研究模型在其范围相对狭窄,只考虑居民的活动,但忽略了城市空间的特点。近年来,研究已成为相对富裕,主要根据城市规划,是基于分析居民的历史活动,如行为模式。里程碑式的研究成果是GN算法(16)和纽曼快速算法(17),这两个典型社区检测算法。这些可以充分揭示了不同的居民活动,空间格局,潜在因素对决策的影响。此外,秦et al。18]研究了交通网络节点的强度和重量边缘基于城市热点的网络交互特征。

的运动轨迹是一种多源传感器数据已被研究人员广泛采用。通过运动轨迹,居民的旅游模式可以更清楚地理解活动,活动的热点,可以提炼出更准确的说,和居民运动的原因进行了分析。在南京移动轨迹的研究主要包括徐et al。19),他发现在南京交通热点集聚的空间分布特点从环境到中心;杨et al。20.),发现南京公共交通系统级联故障拥堵的特点;金和徐(21),显示交通流量在不同等级的道路网络的关键节点在南京有明显的层次结构特征。因此,本研究旨在用乘客上车和下车点从出租车运动轨迹提取探索出租车乘客的旅行规则,分析出租车上车和下车的时间和空间模式的社区,建立旅客旅行活动指标基于社区检测(16),结合数据的分级道路和感兴趣的点,探索的时间和空间特征出租车客运旅游热点,并检查时空特征的形成的原因。

2。数据描述

南京位于江苏省西南部、中国。本文研究区选择包括南京的主要城市,包括鼓楼、玄武,Jianye,老家,和Yuhuatai,如图1。

在这项研究中使用的数据包括两部分的南京出租车轨迹数据集和特性。南京出租车轨迹数据的来源是Datatang (https://www.datatang.com从大约7800辆出租车),它包含数据的采样间隔30秒。连续三年同期的数据选择:1月25-31,2015;2月13 - 19,2016;和2月2 - 8,2017年。道路网络数据的来源是Tianditu (https://www.tianditu.gov.cn),一个国家地理信息公共服务平台,其中包含八种分级道路。考虑到出租车服务的本质、铁路、地铁、轻轨、高速铁路被排除在外。大约2400路部分分为国道,省道、县道、乡镇道路,和其他道路被用于分析。的兴趣点的数据源是百度POI (http://www.data-shop.net/tag/),包括土地使用的四种类型:商业用地、住宅用地、公共管理与公共服务用地,用地交通。总共大约26000的兴趣点选择。

3所示。方法

本研究利用ArcGIS对出租车进行地图匹配和地理编码预处理运动轨迹和南京城市的特征数据。道路网络地理数据库和道路网络拓扑地图创建使用复杂网络模型工具NetworkX地图道路的交叉点上。道路交叉口的抽象是一个复杂的网络节点,对应的路段被抽象为一个边缘,和社区检测是进行出租车上车和下车点。基于社区发现,旅客旅游活动指数,通过空间数据和热点挖掘实现。技术流程如图2。

3.1。社区检测

首先,基于对偶图的概念(22),路上被定义为广义节点和边组成的网络。 在哪里 代表任何道路部分,代表路段的总数,代表节点的数量包括在公路段,和代表边的数量包括在公路段。

道路是抽象为一个复杂网络,如图3:(a)是原始道路图,其中包含9路部分和14个节点;(b)是相应的原始图,节点代表各个路口,边代表道路部分节点之间;(c)是相应的对偶图,节点代表路部分和边缘代表道路的交叉关系部分。

图3 (c)用于抽象的道路网络和交叉口和道路部分表示为节点和边,分别。社区检测之前,保持点映射到公路网络,使用地图匹配技术特征的地理位置。抽象之后,道路网络不仅保留了地理位置信息,也描述了网络连接。道路网络的连通性变化与抽象网络中每个节点的中心度。提货点越多,节点的退出程度越高,越下降点,输入节点的程度越高。因此,当保持点道路网络的动态变化,它们聚合为集群根据贝叶斯规则,和社区建立代表社区居民的活动热点。

第二,我们定义保持点,对应的待点网络,并使用它作为一个单独的原子簇(23]。 在哪里 代表任何一对停留点,代表的数量保持点包含在候选数据集,代表了提货点的停留点,和代表一对的下车点停留点。

随后,保持点之间的距离根据欧几里得度量计算。以上述待点为例(下车点也是如此),最近的两个点是不断合并成同一集群,集群计算之间的距离根据平均距离测量: 在哪里和是集群的着力点在哪里和位于;和提货点包含在集群的数量吗和 分别;和集群之间的距离吗和 。 是增量矩阵,这是邻接矩阵存储集群内的节点和边。计算如下(24]: 在哪里连接的边缘,是总数量节点的程度吗 ,和节点的程度吗 。

与N网络节点,本研究中使用的算法的执行过程包括以下步骤:(1)初始化。治疗作为集群每个节点和设置增量矩阵 。(2)合并和更新。结合两个集群和有边连接的方式最大化 ,最大化使用贝叶斯法则,更新合并后的集群。(3)终止。继续合并和更新过程,直到没有集群,可以合并。

然后我们计算提货点的数量在每个集群作为我的信息量和信息的数量设置为重量根据贝叶斯规则,从而建立一个社区 在哪里意味着集群在社区中包含提货点,是在社区小点的总数。 意味着上升点聚集到社区,提货点 表示传感器的坐标点。是质量的中心坐标的社区 。

最后,社区评估根据模块化的程度 : 在哪里是网络中边的数量。将值0或1;如果 ,有一个上升点之间的边缘和 ;否则,没有优势;和度的上升点和 ; 和是社区的重心上升点在哪里和所在地。只有当 , 。的值范围是 ;值越大,越明显的社区结构。

3.2。构建客运旅游活动的一个指标

基于社区的检测结果,点设置为乘客旅行活动 ,在哪里出租车乘客上车的坐标点,下降点的坐标,重心坐标的提货点所属社区,然后呢重心坐标的下车点所属的社区。因此,包含有三种情况,十字路口,和分离的社区,在乘客委员会和下降点所属,如图4。

如图4,社区是提货点的中心和半径是 ;下车点社区的中心和半径是 ;和最小的圆中心包含社区是提货点和半径是 。之间没有互动社区和下降点提货点社区图中的白色区域所示,当一个上车点社区和下车点之间的交互社区的阴影区域图。

出站的旅客旅行活动指数是一个组合访问热和到来访问热(25),用1 h的单位时间采样和1公里为计算单位的距离,定义为 ;计算如下: 在哪里之间的距离是出租车乘客上车和下车点,是最小的圆的半径包含提货点的社区,表示所有提货点包含在社区,提货点表示所有下降点包含在下车点社区。是一个概率密度函数来描述提货点之间的距离和所属社区的重心;代表了概率密度估计从提货点提货点社区,即旅客出境旅游的普及活动;表示的概率密度估计下降点的下降点社区,也就是说,乘客到达旅游的普及活动。

鉴于节点,可以有最多 边,和一个随机网络可以通过随机选择从这些边缘的边缘。显然,总共随机图,每个都有相同的概率。当节点的连接概率超过临界概率 ,每一个随机图连接。因此,一个随机图与节点和连接概率 满足

社区的上车和下车点由相应的上车和下车点,什么时候 ,随机网络是完全连接,形成一个封闭的网络,没有孤立节点。换句话说,不属于社会的提货点下降点,和下降点不属于社会的提货点,即 和 。当 ,随机网络有一个树结构,还有分支节点属于其他连接的子图,也就是说, 或 。

因为乘客并不一定局限于移动在某些成对的社区,标准差椭圆法(26)是用来衡量旅客活动的空间分布特征和旅客的互动社区的旅游活动点评估根据各向异性率,也就是说,一个椭圆。区域下的各向异性率越高,方向性和有目的的旅客在社区的活动。各向异性率α计算如下: 在哪里椭圆的长轴的长度是和是椭圆的短轴的长度。

4所示。结果和分析

4.1。旅客旅行活动的时空特征

采用一个小时为单位时间间隔总结乘客上车和下车点记录在周出租车轨迹数据包含在数据分析部分2),如图5。

从图可以看出5出租车乘客上下车的数量是一致的跨天的一周,有波动在一天的不同时刻。白天高于夜间,有一个在早上高峰时间显著增加。此外,也有一定的增加晚高峰时段。因此,出租车乘客旅行展示更多的日间活动,减少夜间活动,和频繁的活动在早晚高峰时间。

以一小时为单位时间间隔,平均模块化和各向异性率社区的出租车乘客捡起,并在2015年下降,2016年和2017年在图所示6。

从图可以看出6在早晚高峰时段,模块化是相对较高的,各向异性率曲线比较陡峭。模块化增加时,各向异性率也增加。在其他时期,模块化相对较低,各向异性率曲线相对平坦。模块化减少时,各向异性率增加。这表明出租车乘客的社区结构的上车和下车点变得更紧密的目的乘客的旅行增加。例如,在早上高峰时间,乘客旅行主要从家到办公室;在晚上高峰时间,乘客旅行主要从办公室到家里;在其他时期,居民活动是影响旅游动机的差异,从而表现出随机性。

清楚地反映居民的差异旅游活动在不同的时间,早上高峰时间是8:00-9:00,工作时间13:00-14:00,晚上高峰时间18:00-19:00,和休息时间22:00-23:00。我们可以进行社区检测的点出租车乘客下车,如图7。

它可以看到从图7这期间8:00-9:00,相应的社区的上车和下车点是分开的,期间和13:00-14:00,相应的社区的上车和下车点主要是相交的。pick-and-drop点,如社区1号(图所示7 (b)),主要是聚集在东南部的鼓楼、宣武区西南以西的老家,东北Jianye区域。18:期间00-19:00,相应的社区的上车和下车点主要是分开的。在22:00-23:00(图7 (d)),相应的社区的上车和下车点主要是包容。上车和下车点所示社区1号主要集中在宣武区的西北部和上车和下车点所示社区2号主要是集中在Jianye。在东北,上车和下车点所示社区5号Yuhuatai主要集中在东北,上车和下车点所示社区6号主要集中在鼓楼的中间。

这表明,在同一时期,旅客旅游活动影响旅行的目的,显示相同的行为模式在同一个社区,明显的空间聚类和不同群体之间的差异。

总之,旅客旅游活动时间分布的特点,表现出更多的日间和夜间活动和频繁的高峰时间在早上和晚上。旅客旅游活动空间分布的特征显示集中的城市中心和分散的外围地区。影响旅游和社区结构的目的,旅客旅游活动行为以同样的方式在同一时间在同一个社区,还有同时不同社区之间的互动。

4.2。旅客旅游热点分析

以8:00-9:00时期作为一个例子,我们考虑的最小圆的半径社区,包括上车和下车点,聚合距离,出站访问热和到来访问热乘客的旅行活动的指标。相应的社区划分根据第一等分,聚合和上车和下车点提取热点。此外,上车和下车点在相应的社区聚合根据去年等分提取冷点,如图8。

从图可以清楚地观察到8访问前的等分的提货点分布在社区4号,和下降点的等分访问之前大多分布在社区1号:东南的鼓楼、宣武区西南以西的老家,东北Jianye, Yuhuatai北部。这些是邻近地区的主要城市中心,和上车或下车点在等分后访问访问热量和热量被随机分布。因此,可以得出结论,旅客旅游热点集中或分散的旅客旅行活动增加或减少。

徐et al。19]表明,热点在南京有一个空间分布特性的集群环境的中心和莫兰的我在聚类中心值是负的。旅客旅行的热点提取本研究与之前的研究结果一致,可以找到当地和更明显的空间集聚基于社区发现上车和下车点。

将从8:00 - 9:00为例,平均访问热量和平均访问统计计算热5分级道路部分:国道,省道,县公路、乡镇公路,和其他道路,如表所示1。

从表可以看出1平均访问人气下令从高到低是乡镇公路、省道、其他道路、县道和国家公路。平均访问人气从高到低是国道,订购其他道路、城镇和村庄道路、县道和省道。

通过搜索数据库,我们发现代表较高的道路部分对外访问分级道路雨润大街,Fengqi路,Jiajiang桥,浸塑安路,Caodu巷;路Fengwu代表部分较低的海外访问,滨江路,江山街Chuanjiang街,厚德做人的道路。代表道路部分到达更高的访问是振兴之路,Shuangtang路,江山街Xiaofenqiao, Fanjiatang。代表部分较低的到来访问Fengwu路,Moxiang路立交桥,南京长江隧道,灵隐路,Kuitou巷。这表明客运旅游活动是密切相关的交通功能由分级道路。高速公路的主要功能是使连续的交通,主干道路是使运输、二级主干道路是使分配流量,和分支道路是使服务在当地区域。

杨的研究(20.)显示,有级联故障和拥堵的交通系统南京。旅游条件的人在一个不平衡的道路网络负载sub-road网络的耦合影响。分级道路客运旅游活动的结果在这个研究与研究的结论一致。

以8:00-9:00时期为例,基于居民走考虑,上车和下车点的中心圆半径300米的范围,涵盖商业用地、住宅用地、公共管理和公共服务的土地,土地和运输。出站访问平均热量和平均到达访问热计算大约30类型的土地使用涉及26000的兴趣点,如表所示2。

从表可以看出2最高的土地利用类型平均出站访问热量城市住宅用地的土地利用类型平均最低出站访问热量商业和金融的土地。最高的土地利用类型平均到达访问热是商业和金融的土地。最低平均到来参观了土地利用类型是城市住宅用地。

通过搜索数据库,代表兴趣点与更高的平均出站访问Yangzhuang村,对应于石羊路。感兴趣的代表点较低的平均出站访问是花楼,对应于软件大道。代表的利益点与更高的平均到达访问商业世纪广场,对应于新街口商业步行街。感兴趣的代表点较低的平均到达访问是太阳你们村,对应Longzang大道。这表明客运旅游活动是密切相关的分区函数由土地利用类型。

一项由金和徐21)表明,流入和流出南京的道路网络的关键节点上不同的水平有一个明显的层次结构,和不同的兴趣点扮演一定的角色在源源不断的游客。旅客旅行活动的结果在不同的兴趣点在我们的研究与之前的研究的结论一致。

总之,城市道路包含分类函数的信息高速公路,主干道,二级主干道和分支道路和受到土地利用类型的影响。上车和下车点高的乘客旅行活动集中的兴趣点附近形成热点。相反,上车和下车点较低的乘客旅行活动集中的兴趣点附近形成和冷点。对外访问的热点是散布在城市住宅用地,并到达访问的热点集中在商业和金融的土地上。

5。比较和讨论

5.1。比较

GN算法(16)包括一个分裂算法,利用最短路径的数量通过网络中每条边作为测量指标,并逐步删除边,不属于任何社区。纽曼的快速算法17每个节点使用一个有凝聚力的算法,从占领一个社区,不断合并,最大化提高模块化的方向。GN算法和纽曼快速算法相比,我们使用贝叶斯规则设置网络的边介数的重量,和堆数据结构计算模块;我们也降低算法的复杂性,利用标准差椭圆发现社区结构清晰。对于一个复杂的网络n节点和米连接边缘,GN算法的比较结果,纽曼快速算法,该算法在本文中列出表3。

从理论上讲,如果有社区,一个 对称矩阵可以定义。跟踪矩阵(矩阵的对角元素的总和) ,这意味着所有连接节点的边的比率在社会网络中边的总数。值的范围 。它用于计算模块,在一定程度上也描述网络结构的复杂性。

当网络结构异常混乱,有更少的边缘连接节点在社区内,和的值是分钟。当网络结构异常单,有过多的边缘连接节点在社区内,和的值是非常大的。当值的范围 ,它可以假设值的网络结构是正常的,不是一个异常值。

因此,模块化是另一种表达方式 ,和模量矩阵吗 。我们比较社区检测的精度模型使用GN算法,纽曼快速算法,本文算法,如图9。

社区检测算法以层次结构分为分裂和聚合类型。GN算法属于分裂类型和纽曼快速算法和本文算法属于聚合类型。

GN算法逐步删除边,不属于任何社区(即。,the edges connected between communities) according to the degree to which the edges do not belong to the community, until all edges are deleted. Because the edge betweenness of each connected edge needs to be recalculated every time an edge is removed, for complex network structures, the algorithm can be easily implemented by splitting it across more independent communities.

纽曼的快速算法从每个节点开始占领一个社区和继续合并社区的方向能最大化的增加模块化,直到整个网络合并成一个社区。因为模块化需要增加每次边缘合并的社区连接,当网络结构简单,执行这个算法将容易导致错误的节点。

中提出的算法介绍了贝叶斯规则和需要的信息量的增加模块化、没有计算邻接矩阵的增量模块化。因此,当独立社区合并,模块化程度保持不变;因此,社区所连接的边缘和相应的内部节点可以划分更准确。

如图9横坐标是纵坐标代表社区检测的准确性。圆是GN算法、三角形是纽曼快速算法,广场是在这项研究中使用的算法。它可以清楚地观察到的图算法的准确性在这项研究中明显高于GN的算法。与纽曼快速算法相比,当是 , ,和 ,在这项研究中使用的算法具有较高的精度。因此,根据图9和表3在这项研究中,算法的精度相当于纽曼的快速算法,但运行时间更快,因此性能更好。

这表明当网络结构异常单或混乱,社区使用算法检测模型在本研究中可以发现更复杂的社会结构和社区检测结果具有更好的可解释性。

5.2。讨论

为了探索社区检测模型的参数敏感性在这项研究中,服用期间8:00-9:00为例,随机网络的度分布进行了计算,如图10,21个仿真实验精度进行比较,如图11。

如图10横坐标代表节点的度,纵坐标代表程度分布概率,代表节点的数量,表示节点的连接概率。从图可以清楚地观察到10节点的平均度八,和程度分布遵循泊松分布。

如图11横坐标代表社区的数量,纵坐标代表社区检测的准确性。从图可以清楚地观察到11当社区发现的数量是4,精度达到高峰。

总之,在随机网络中关键路4870网络节点组成的,不同的社区是基于出租车乘客的划定上车和下车点在一个代表期间,和发现旅游热点有合理的空间分布特征。

秦et al。18]分析了节点访问度的强度和边城市热点的网络交互的基础上,不考虑土地利用的潜在影响城市居民的旅游决策。本研究结合层次道路网络和兴趣点数据探索热点从个人的角度来看出租车乘客与社区互动,这有助于探索城市热点的形成过程。

6。结论

本研究中提取从出租车乘客上车和下车点运动轨迹数据,构建了一个出租车客运旅游活动指数基于社区检测,并提取出租车乘客旅行的热点在南京的主要城市。在得出以下三个结论:(1)出租车乘客的旅行活动显示时间分布模式的白天,夜间更少,和频繁的早晚高峰时间。旅行的目的,影响社区模块性和各向异性的程度的出租车乘客上车和下车点在早晚高峰时间呈正相关,在其他时期负相关。(2)出租车乘客的旅行活动空间分布模式,提出在城市的中心区域集中和外地区四散。社区的结构,影响旅客旅游活动在社区内显示一致的行为模式和有明显的空间聚集特征。此外,有一个显著的不同群体之间的相互作用。(3)出租车乘客的旅行的热点是散布在城市住宅用地和集中在商业和金融的土地上。受土地利用的影响,旅客旅游活动指标密切相关道路等级和类型的的兴趣点。旅客旅游热点是集群活动水平增加和分散活动水平降低。

后续研究需要考虑多个数据源的数据,比如出租车轨迹数据结合总线轨迹数据,分析不同群体的旅游偏好,并进一步探索城市交通拥堵的时空模式通过城市居民使用不同的旅游模式的影响。

数据可用性

所有的数据、模型和代码,支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

宇玉笙,Shuoben Bi和文武他的构思和设计实验;宇玉笙Ruizhang徐进行实验;宇玉笙,Shuoben Bi和Ruizhuang徐写中国;Shuoben Bi,晶晶风扇翻译。

确认

这项工作得到了国家自然科学基金(拨款:41971340和41271410)。

引用

1. 问:问:李和d·r·李,“大数据GIS,”武汉大学的测绘学和信息科学,39卷,不。06年,641 - 644年,2014页。视图:谷歌学术搜索
2. 郑y”,介绍城市计算,“40卷,没有。01,武汉大学测绘学和信息科学,2015。视图:谷歌学术搜索
3. 刘x y . Liu,美国高et al .,“社会感知:一个新的方法来理解我们的社会经济环境中,”美国地理学家协会上,卷105,不。3、512 - 530年,2015页。视图:出版商的网站|谷歌学术搜索
4. j·m·哈维和j·w·汉地理数据挖掘和知识发现,CRC出版社,伦敦,英国,2009年。
5. p . j . c x Cheng Shi, c .问:歌et al .,“地理大数据:重新地理复杂性研究的机会,“Geographica学报,卷73,不。08年,1397 - 1406年,2018页。视图:谷歌学术搜索
6. m维罗索、s Phithakkitnukoon和c .便当“城市流动研究使用出租车的痕迹,”《2011国际研讨会轨迹数据挖掘和分析- TDMA的11页,23-30 ACM,纽约,纽约,美国,2011年。视图:谷歌学术搜索
7. r .啊哈,a . Aasa y元et al .,“日常时空地域:使用移动电话传感器数据监控城市活动在哈尔滨,巴黎,和塔林,”国际地理信息科学杂志》上卷,29号11日,第2039 - 2017页,2015年。视图:出版商的网站|谷歌学术搜索
8. r·w·舒尔茨和y,”检测的动态活动模式在集体层面上从大容量轨道数据,”国际地理信息科学杂志》上,28卷,不。5,946 - 963年,2014页。视图:出版商的网站|谷歌学术搜索
9. j .崔f . Liu d·詹森g .湿胎和m .冷却后,“检测城市道路网络使用出租车GPS数据的可访问性问题,“交通地理杂志,51卷,不。12日,第157 - 147页,2016年。视图:出版商的网站|谷歌学术搜索
10. c中,s m . Arisona x黄,b .迈克尔·g·施密特,“通过空间网络探测城市结构的动态分析,“国际地理信息科学杂志》上,28卷,不。11日,第2199 - 2178页,2014年。视图:出版商的网站|谷歌学术搜索
11. 杨问:黄,y, z元et al .,“时间精确的地理位置在长春城市公共交通网络,中国东北,”科学数据》第六卷,没有。190026年1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
12. f .郭,d, y董et al .,“城市链接旅行速度从大城市道路网络数据集,“科学数据》第六卷,没有。61年1 - 8,2019页。视图:出版商的网站|谷歌学术搜索
13. h . Hamedmoghadam、m .他和m·萨贝里”与粗粒度的揭示潜在的移动网络的特点,”科学报告,9卷,不。1、1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
14. 刘于郑,y, j .元et al .,“城市计算与出租车”学报》第13次国际会议上无处不在的计算,主要的11ACM,页89 - 98年,北京,中国,2011。视图:谷歌学术搜索
15. r·l·吴x y朱,w•郭”时空分布模式的城市道路交通事故,“测绘学与空间信息技术第41卷。。07年,103 - 106年,2018页。视图:谷歌学术搜索
16. m .锣和m . Girvan“发现和评估网络社区结构,”物理评论E统计非线性和软物质物理学,卷69,不。2、26113 - 26120年,2004页。视图:出版商的网站|谷歌学术搜索
17. m·e·j·纽曼,“快速检测在网络社区结构的算法,”物理评论E,卷69,不。6、文章ID 066133, 2004。视图:出版商的网站|谷歌学术搜索
18. k .秦问:周,y .问:徐et al .,“空间互动的城市交通网络分析的热点地区,”地理的进展,36卷,不。9日,第1157 - 1149页,2017年。视图:谷歌学术搜索
19. j .徐s . b . Bi y . Zhang et al .,“PSO⁃SVM模型分析基于道路交叉口交通流在南京,“现代电子技术,39卷,不。17日,第213 - 128页,2016年。视图:谷歌学术搜索
20. x x杨”模型和拥堵南京城市公共交通系统的性能,”南京邮电大学, 2018年。视图:谷歌学术搜索
21. c·金和j .徐”,研究游客流在外部传输节点和酒店在南京,“人文地理没有,卷。31日。05年,55 - 62、2016页。视图:谷歌学术搜索
22. l .赵m·邓·d·l·彭et al .,“城市街道网络的结构性质分析基于复杂网络理论,“地理信息科学,26卷,不。05年,11 - 15号,2010页。视图:谷歌学术搜索
23. g . n .王时空数据挖掘基于GPS轨迹和轨迹的带有地理标签的照片中国,中南大学,长沙,2013。
24. 郭z和z . m .陆复杂网络的基本理论,科学出版社,北京,2012。
25. y很古怪,研究人类活动空间模式和网络城市使用出租车轨迹数据的时空特征、武汉大学、武汉,中国,2016。
26. 黄y l .一个z . f . w . d . Chen等人“安徽省县域经济空间演化的2001 - 2010年期间,“地理的进展,32卷,不。05年,831 - 839年,2013页。视图:谷歌学术搜索

版权

版权©2021 Shuoben Bi et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。