基于POI功能识别与聚类分析的交通小区划分方法的改进——以天津市和平区为例

张琳 白云庆

天津市市政工程设计研究院 天津 300000

引言

交通小区的划分是开展交通调查、交通预测、交通规划等工作的基础。传统的交通小区常以城市道路为边界，将研究区域划分为若干个等大的分区。蒋萌露等学者以马德里市为研究对象，研究结果表明基本单元面积越小，得到的数据精度越高，越能反映出细节问题。宋小冬、易嘉对城市交通分区合理性进行了探究，发现分区越多，结果偏差越小。 同时，如果研究区域过大，那么传统的手段将面临巨大的数据处理压力，数据精度也难以保证[1]。

1 研究思路

1.1 初始小区

以现状城市道路围合而成的封闭区域作为初始小区。

1.2 识别小区主导功能

采用POI点样方密度法描述各小区特征。利用TF-IDF算法辨别各区的主导功能。

1.3 聚类分析

采用二阶聚类分析，对各小区进行分类分组。

1.4 最终方案确定

对同组且相邻的小区进行合并，对个别小区进行人为修正。

2 交通小区划分

2.1 初始小区

以现状道路为基础，道路围合而成的区域即为一个初始小区，共计490个。

2.2 POI点样方密度

POI兴趣点是现实情况在地图上的反馈，包含信息有行业类别、地理位置、名称等，是分析城市功能的有效数据。

因各小区大小不同，分布的POI种类、数量不同，无法直接描述各初始小区内POI分布特征。故采用点样方密度法来量化各小区的POI分布特征。

考虑到各类POI对城市功能的影响程度不同，对其进行权重赋值。首先将POI根据功能划分为大、中、小三类。针对大类的权重系数，采用专家打分和模糊评价的方法确定[2]。

针对中类的权重系数，采用因素两两比较法。各因子所有得分的平均值则为其权重。

针对小类的权重系数，采取层次分析法进行权重赋值，采用百分制。

将POI的大类、中类、小类权重系数综合起来即为综合权重系数：

表1 POI分类及权重系数一览表

为避免数据描述过于复杂，选取中类数据为统计对象，来描述各初始小区的POI分布特征，则：

得到各类POI的综合权重系数后，可进行各小区的POI点密度分数计算：

2.3 POI功能识别

各小区内的POI种类、数量都各不相同，故不能采用传统的描述统计判别其主导功能。因此引入TF-IDF模型算法，来识别各区的主要功能。

TF-IDF具有良好的分类能力，赵家瑶等学者采用TF-IDF算法，对北京重要交通枢纽空间的城市功能进行识别。

研究方法是将区域内某类POI的分值看作一个词语，全部POI分值总和看作整篇文章[4]。

计算各小区内各类POI分值所占的权重，权重最高的POI类别则为该小区的主要功能。若权重最高的值小于0.1，则认为该小区为无明显主导功能。

其计算公式如下：

图1

图2 交通小区的初步划分

2.4 聚类分析

根据POI功能识别结果，研究区域内配套功能为主导的初始小区占大多数，如果将这些初始小区合并为一个交通小区，得到的交通小区面积过大，违背此次研究的初衷，即尽可能将交通小区划分得精细，以得到准确的交通预测结果[5]。

故此引入聚类分析的概念，聚类分析法是将特征相似的对象划分为一个族群，各个族群之间差异明显。本次分析基于SPSS软件，采用二阶聚类算法。二阶段聚类算法可以同时处理连续变量和分类变量，快速处理大数据集并自动得到最佳分类结果。对不同功能小区的POI点密度分数进行二阶聚类计算。

根据聚类结果将同一功能的小区分为不同的组别，将同功能同组别且相邻的交通小区进行合并。为保证交通小区的唯一性和完整性，不能发生重叠或遗漏，且不能产生 “回”字形的形状，对分区进行人为修正。最终得到交通小区187个，削减了303个，此方案为最终交通小区的划分方案[6]。

表2 聚类分组一览表

图3 最终交通小区划分方案

3 结束语

基于POI功能识别和聚类分析来划分交通小区的方法，考虑了城市空间的实际功能和特点。在互联网飞速发展的时代，大数据能为决策提供更为科学、合理的支撑。对比传统划分交通小区的方法，本文的研究方法突破了人为工作的局限。基于GIS平台和SPSS软件分析，便于大数据处理。分析结果更加科学合理，分析手段具有普适性，易于推广。