基于网络核密度估计的中心商务区分析与界定外文翻译资料

 2022-10-24 22:17:42

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

基于网络核密度估计的中心商务区分析与界定

摘要

中心商务区是城市规划和决策管理的核心领域。中心商务区的地图定义与表示对研究城市的发展及其功能有着重要的意义。为了促进研究进程，核密度分析是一种非常有效的工具，它考虑到了服务的衰减影响并允许从一个非常简单的散点图输入到平滑密度表面的输出的信息的富集。然而，大多数现有的密度分析方法只考虑了在一个均匀的和在欧式空间下的各向同性空间的地理事件，考虑到了城市环境中的物理运动通常受到街道网络的限制，我们提出了一种不同的方法来界定中心商务区。首先，从中央活动的位置，这是一个集中指数，通过密度表面提出了可视化城市环境的功能，这采用了网络距离而不是欧氏距离。然后结合网络距离计算问题的特点，以深圳和广州两个在中国比较发达的城市为案例研究，我们证明了我们的方法在划定的CBD的实用性和易于实现性。

关键词：中心商务区、核密度估计、兴趣点、网络分析

1引言

快速的经济增长和快速的城市化对我国有限的城市公共资源提出了一个挑战。具体地说，他们鼓励城市的功能从单中心结构向多中心结构集中的转变，这往往会产生一个更复杂的城市环境（王、李，2002）。根据我国2010的深圳统计年鉴，深圳经济特区发达地区的建筑面积，从1990到2000年增加了64%，但从2000年到2010年仅增加了8%。在过去的十年里，城市的郊区成为城市的扩张的主要区域。作为一个人口非常多的发展中国家，城市景观和功能的变化是促进中国可持续发展的关键，因为中央商务区是城市经济和社会的神经中枢（墨菲和万斯，1954；阿隆索，1964；哈格特，2000）。

突出城市的功能领域，如中心商务区或其他反映不同人类活动领域，是城市规划领域的一个重要问题并且已经引起了决策者和学者的关注（传通媒体，1991；王、李，2002；蒙特洛等，2003）。 然而，他们中的许多要求人们完成复杂的和耗时的调查，并且它已被证明了在这些新兴的城市空间是缺乏在管理的， 例如上海、广州和深圳，另外，地理信息系统（GIS）技术，如密度分析，在复杂的城市环境中作为一种有效的手段来支持中心商务区地图的定义和表示。

城市中心商务区的确定，必须考虑不同设施的分布情况。因此，包括分布热点、密度和趋势在内的设施分布特征在中心商务区分析中起着重要的作用。以往的城市地理学研究已经讨论了密度表面在城市功能分布可视化中的可用性，并提出了一个著名的密度分析方法，即在这一领域的核密度估计法。在地理大数据时代，人群的数据源数据和自发地理信息数据（例如：OpenStreetMap）越来越多，使得这种方法在从大量数据中发现主要分布特性中成为一个有吸引力的方法。(Thurstain-Goodwin and Unwin, 2000; Okabe et al., 2006; Borruso and Porceddu, 2009). 核密度估计作为一种有效空间统计工具，它在某些类别的应用中优于其他基本方法（例如，样方分析），因为它考虑到了基于地理学第一定律的服务衰减的影响(Tobler, 1979; Silverman, 1986;Bailey and Gatrell, 1995)。然而，核密度估计的应用需要关注在不同空间下密度分布的影响，特别是考虑距离的意义。请注意，大多数KDE方法假设将现实世界抽象为一个无限均匀各向同性的空间，并使用欧式距离的某种类型的核估计。Miller (1994) 指出，这可能是不合适的，因为许多人类活动被限制在平面空间的网络部分，这就是所谓的网络空间。Yamada and Thill(2004, 2007) 认为平面方法倾向于高估网络现象的聚类趋势。是网络距离而不是欧氏距离影响城市空间的社会和经济现象的分析。

针对上述问题，本文提出了一种在网络空间内适用的方法，以便于使用统计汇总的社会经济点数据来认知和划分上中心商务区。它的主要贡献在于在细化了交通网络受限的密度表面。即，该方法使用新的网络KDE（KDE基于网络距离）而不是传统的平面KDE（KDE基于欧氏距离）将活动数据从离散的“对象”点转化为连续的空间密度表面。估计的密度可以看做的反映城市中心指数的一个指标，支持通过用关键等值线模型推导来划定中心商务区。作为次要目的，本文还研究了一个由流动的流模拟的高效网络KDE算法。基本的想法是，假设流沿着一定的线性通道，直到到达影响范围的边界或者路线的尽头。在这个过程中，网络首先被细分成了一组1-D样方来聚集点活动的密度值。然后，假设流会从每个集中样方蔓延到基于网络的拓扑结构的邻居的样方。流走过的样方可根据步骤的数量加权。与以前的算法相比(Xie and Yan, 2008; Okabeet al., 2009)，所提出的方法在图中搜索最短路径上避免了大量的重复计算，也具有操作简单，易于计算的优点。通过对所得数据的一维样方密度属性进行Kriging插值，它可能会产生一个使生成指数等值线可能的中心表面。

论文的其余部分是组织如下。第二节讨论了中心商务区分析的相关发展。第三节介绍了从欧氏空间到网络空间的扩展的中心表面计算，并提出了一种基于流的流动观念的算法实现网络KDE。在第四节中，对深圳与广州进行研究与实验。第五节讨论实验的结果。第六节做总结及展望将来。

2相关工作

根据Yan 等人（2000）对中中心商务区的调查，城市研究领域的文献表明，中心商务区是一种常见的现象，可以显着地控制城市的重建和发展。从理论的角度来看，这一重要现象涉及到城市空间中的人类活动的聚集过程，如何利用空间统计技术对这一过程进行定量评价，成为划定CBD的关键。

2.1理论方面：在城市研究中的CBD划定

被Murphy 和Vance (1954)把描述为“城市之心”的CBD和特别的中心活动（例如：银行、办公室、酒店、电影院和剧院）一起坐落在城市的中心。由于CBD在城市发展和人类生活中的中心作用，在城市研究中有许多的实证评价和观察研究试图缩小城市商业中心进行鉴定(Thurstain-Goodwin and Unwin, 2000; Borruso and Porceddu, 2009; Hollenstein and Purves, 2010)。这些研究工作一般都采用定性和定量两个指标，前者主要是基于个体选择，后者主要用于定量和分配的分析。

城市地理学的经典研究通过测绘的土地区定义了CBD，这些地区包含的最集中的中央活动和高的土地价值。最近提出的几种类似的方法计算中央业务活动的指标(Thurstain-Goodwin and Unwin, 2000; Borruso andPorceddu, 2009)。他们尤其关注点格局分析的发展，从对社会经济活动的地理坐标点数据开始。采用统计方法的专业技术，在市区中将活动集中的区域当做面积单位来获取它们的密度。在这种意义上，城市的核心是强调在经济活动的优势。(Hollenstein and Purves, 2010; Elwood et al.,2012; Sun et al., 2013).

尽管CBD对新信息需要，在中国额一些研究已经看过了用空间统计方法研究城市发展及其功能的问题。作为中国最经典的研究之一，Yan et al. (2000) 从文献、统计数据和实地调查资料上关注了中国南方城市广州的CBD界定。结果表明，传统CBD以零售活动为主，但新发展的CBD以专业、金融保险、信息咨询为主。对中国的许多城市来说，自1980年，“旧”的城市功能已经发生了改变于转化，那时实行了改革开放政策(Wang and Li, 2002; Jia et al., 2008)。特别是作为中国第一个经济特区，深圳实行市场经济较早，并获得了更多的经验，其特点是新的城市发展机制。城市管理部门的报告说，在深圳商业区的位置是从一个单一的中心位置向比较分散的位置转化的(UPLRCSM, 2010). 为了分析像深圳、广州那样不断变化的城市环境，我们提出了一种通过点模式分的中心活动析方法来自动界定CBD.

2.2技术方面：密度估计CBD分析

本文使用正式收集到的数据探讨了CBD定义模糊的现象，这些数据在GIS环境中简化为了一些简单的点。这种类型的点数据集包含固有空间定位信息以及其他社会经济属性的统计数据。在使用密度估计计算出单位面积的点密度之后，用它的属性来反应中心指标，这个指标可以通过连续的表面可视化。因此，在表面上进行的统计分析，使用高密度值来评估CBD的边界线成功可能，CBD分析可为城市发展和土地利用规划提供参考。

通过空间平滑与空间插值技术，在空间中的每个位置都可以用估计的密度值来反映活动的局部分布强度(Jones,1990; Bailey and Gatrell, 1995)。通常，有三种方法被广泛使用在空间密度分析，即样方分析，基于Voronoi（泰森多边形）图的分析方法和KDE。样方分析是指在研究区域的一组大小相同的网格和均匀的细胞（即样方），计算落在每个样方的点的个数来简化空间分布。基于Voronoi图的方法也需要将研究区成子区域，这些子区域对应于Voronoi构建中的分区细胞(Gold,1992; Ai et al., 2015)。通过计算由点集机构成的Voronoi，可以得到每个活动的影响区域，并且可以计算出子区域面积的倒数作为Voronoi子区域的密度值(Yan and Weibel, 2008)。

但是，前两种方法的缺点包括：（1）地理网格单元必须保持适当大小的限制通常导致每个样方空间细节的损失，（2）样方（或Voronoi单元）的边界不保持地理连续性，因为该方法不考虑网格单元领域的分布。KDE已经被提议克服上述限制的可选方法。KDE通过移动三维功能对每个点提供一个强度估计，移动三维功能指的是：根据他们的距离的影响范围的权重来自点，在该点估计强度(Bailey and Gatrell, 1995; Gatrell et al., 1996)。在权重函数中，每个单元格估计的权重与领域单元格的分布有关，如图1所示，可以观察到的核估计产生的强度变化比固定的方形网格单元或Voronoi单元得到的强度变化更平滑。相比其他两种方法，KDE的优势在于它允许在研究区域的任何位置的密度估计(Orsquo;Sullivan and Unwin, 2010)。

图1：平面空间中密度估计的三种常用方法图解。（a）样方分析；（b）核密度估计；（c）基于Voronoi图的分析。

核密度估计的一般形式表示为：

（1）

f(s)表示在s位置的密度估计值，n表示关注的事件点总数，h表示搜索带宽（例如，对于一个圆形的内核，它是圆的半径），s-ci表示事件点ci与位置s之间的距离，k刻画了特征点ci的变化对函数的贡献。在拟合与地理学第一定律中，在KDE中每个局部加权过程实际上是事件的影响随距离衰减的距离估计，通常定义为直线或欧氏（图1b）。

KDE需要两个参数，即带宽h和内核函数K，但是核函数的选择对结果影响不大，带宽的选择更为重要(Silverman, 1986; Bailey and Gatrell,1995; Schabenberger and Gotway, 2005). 因此，在我们的实验中的所有的平面KDEs将采用四次核函数（方程（2）），这是一个最常用的函数。控制估计密度的平滑度，带宽可以通过显着影响的统计结果，基本上更大的带宽，更平滑的是所得到的密度分布。带宽太大，导致太过概括，带宽太小，则过分强调局部变化。因此，选择一个好的带宽应该根据不同的点密度以及研究的空间尺度。

（2）

3方法

我们的方法的目的是在网络约束的中心面上界定城市的CBD。通过代表中央活动的强度和限制的密度估计，可以精确和高效的划定CBD。

3.1网络核密度估计

传统的平面KDE在各向同性的任何位置叠加钟形加权函数来给出一个均匀的空间。这种函数很容易实现，但很难反映城市现象的实际分布，因为城市地区的人类活动通常被街道的网络布局约束。在这方面，为了精确模拟城市环境，基于网络距离的特别的KDE变体（即网络KDE）更适合计算中心活动的密度，这些中心活动在我们的研究中作为城市中心的统计指标。

网络KDE是标准二维KDE的一个扩展，但它任然保留了近事件比远事件更相关的原则，并且使用相同的形式（方程（1））进行核密度估计。基于文献(Okabe et al., 2009; Orsquo;Sullivan and Unwin, 2010), 在网络KDE中核，函数的选择没有搜索带宽的选择重要，因此本文只测试在实现网络KDE中的四次函数。

因为网络的配置通常是不规则的，实现网络KDE并不像平面KDE那么简单。本文提出了一种线性引用方法，该方法的第一个项目设施在网络中的POI通过最近距离搜索，从而依据最短路径距离计算出从投影位置到相邻的位置在网络中的网络距离。在这样的过程中，密度值是通过广度优先搜索计算的，并且分配一个特定类型的线性样方，样方的结果来源于原始网络的划分。对于线性样方定义的详细信息，参见Shiode (2008).带有活动大地理编码的线性样方叫做源样方。对于每个样方而言，计算样方以及它的领域的网络核密度值。对于一个样方内多源样方搜索带宽，其密度是从所有相关来源的样方密度值累计计算。

在KDE中距离的变化将会影响密度估计的结果，如搜索窗口建立“势力范围”的事件，并且计算的密度值代表中心指数。为了更清晰的说明这个影响，考虑一个简单的样本空间数据集，如图2中所示，圆圈表示活动位置，正方形表示样品位置和固体线代表网络边缘。可以说，平面KDE倾向于高估网络约束的点过程的聚类趋势，该点过程指的是在平面方法的情况下落在搜索宽带中的五个位置。对于网络的KDE计算的实现细节，请参见第3.2节。

图2：（a）平面KDE与（b）网络KDE在相同的数据说明。

线性参引用法将会产生一组基本的带

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[152238]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章