[发明专利]一种基于多子空间模型的城市功能区识别方法

权利要求书

1.一种基于多子空间模型的城市功能区识别方法，其特征在于，包括以下步骤：

步骤1，获取研究区域内出租车轨迹数据和签到数据；

步骤2，构建面向分区基于到访目的的时序特征矩阵C；

步骤3，输入时序特征矩阵C至稀疏子空间聚类算法，计算获得地理单元和城市功能区的对应关系；

步骤4，获得每个功能区的显著特征地点，进而识别每个功能区的主要功能；

其中，步骤2中所述的时序特征矩阵C的构建过程包括以下步骤：

步骤201，对所述的研究区域进行划分，得到N个地理单元；

步骤202，对所述的出租车轨迹数据预处理，剔除异常点，提取每次行程的终点和到达时间，并将终点与地理单元进行映射，得到地理单元的到访记录；

步骤203，将所述的签到数据记录与地理单元的到访记录进行匹配，对每次到访的目的进行分类；

步骤204，构建M行N列的时序特征矩阵C，表示地理单元在一段时间内所承载的人类活动动态，其中M＝T×D，T表示划分的时间段数，D表示到访目的的类别数，C中每一列表示不同时间段为了不同目的访问对应地理单元的人数；

步骤3中所述的稀疏子空间聚类算法，包括以下步骤：

步骤301，求解系数矩阵Z，大小为N×N，矩阵Z需满足在l₁约束下的最小化：

CZ＝C，Z_ii＝0

其中，表示l₁范数，Z_ii表示矩阵Z的第i行第i列元素值，l₁范数最小化使得系数矩阵Z稀疏，从而迫使每个地理单元的时序特征仅需用同一子空间中其他地理单元的时序特征的线性组合来表示；

步骤302，然后利用系数矩阵建立数据的相似度矩阵W大小为N×N，矩阵中的值即为对应索引的地理单元之间在时序特征上的相似度；

步骤303，利用相似度矩阵W的归一化拉普拉斯矩阵L计算子空间个数，L＝I-D^-1/2WD^-1/2，其中I是单位矩阵，D＝∑_iW_ij，将L的特征值升序排列，计算每两个相邻特征值的差值λ_k+1-λ_k，最大差值对应的k为所求子空间个数，亦即需要探测的城市功能区个数，W_ij表示矩阵W的第i行第j列元素值；

步骤304，对相似度矩阵W使用K均值聚类方法，聚类数设定为步骤303得到的k，得到地理单元与k个类别的对应关系，即与k个城市功能区的对应关系，完成城市功能区探测；

步骤4中所述的每个功能区的显著特征地点的获得包括：利用步骤304的对应关系从步骤302生成的相似度矩阵W中抽取每个城市功能区对应的子空间矩阵S₁，...，S_i，...，S_k，并进行主成分分析，得到的特征向量[e₁，e₂，...，e_p，...，e_M]_i称为S_i的特征地点，将前r个累加特征值占比高于90％的特征向量[e₁，e₂，...，e_r]_i即为S_i的显著特征地点；

所述的每个功能区的主要功能的识别包括，将每个功能区的每一个显著特征地点变形为D行T列的矩阵，每一行表示该特征地点在T个时间段上以D为目的的活跃水平变化，得到功能区的主要活动模式，并用所述的主要活动模式中最活跃的功能标记该功能区，完成城市功能区识别。