城市要素时空同质性与异质性特征的发掘——以芝加哥交通系统为例

城市要素时空同质性与异质性特征的发掘

——以芝加哥交通系统为例

张志恒，路青，胡宝生

摘要：城市要素时空特征发掘是完成地块空间规划的基础前提。本研究以芝加哥交通系统为例尝试建立一种时空异质性与同质性特征发掘的方法，实现对地铁、公交、出租车、共享单车四种交通方式的时空特征分析。时间特征上，选择小波分析（Wavelet analysis）以及时间序列可视化观察，完成不同要素的时间变化周期提取，并对其时间特征进行对比分析。空间特征上，通过起止点分析（OD分析）等方式以及网格（500m×500m）精度下交通系统强度的空间分布，绘制以网格地理单元为对象的要素空间分布谱系图与距离谱系图，通过对比揭示各类交通方式的强度分布特征，进而通过K-means聚类完成非监督分类，对区域类各个空间单元的各交通表现特征进行聚类。结果表明：全年尺度下以天为粒度的时间同质性的强度从高到低依次是地铁、公交、出租车、共享单车，四种交通方式中空间覆盖范围由大到小依次是公交、地铁、出租车、共享单车，聚类结果将空间可划分为多种交通方式活动强度均较高的空间单元、多种交通方式均较弱的空间单元、仅公交有一定程度覆盖的空间单元、公交与地铁等时间同质性强的交通方式覆盖的空间单元、公交覆盖强度较强的空间单元、出租车与共享单车等时间异质性强（周期性较弱）的空间单元7个聚类簇。

关键词：城市要素时空特征，交通系统，小波分析，K-means聚类

1引言

城市内要素研究范畴即包含物理空间中的要素如居住区、商业区等物理空间单元，同时也包含信息等虚拟空间中的信息流、情感流。而不论在物理空间或虚拟空间中的要素，时空特征是要素研究的重要属性，例如物理空间中城市用地规模或某一类型用地在时间上增长的规律[1-3]、虚拟空间中对城市突发性事件下人的情感随时间变迁研究[4]

而随着以人工智能、数据技术的发展与成熟，人类对数据资源的挖掘能力也得到较大提升，与之相对应的是，城市规划学界学者通过努力将数据技术、人工智能技术与城市规划融合，开展理论研究与实践工作，构建人工智能、数据技术驱动城市规划技术发展的框架[5-6]，城市时空特征的研究深度因此而得以提升。学者们通过不同视角，基于不同数据资源完成城市要素时空特征分析框架的组建，进行要素的时空特质的描绘[7-9]。而大数据在交通要素特征的分析中，学者们对单一交通形式做了深入的工作，但比较缺乏对交通这一要素系统整体上的分析，并在时间特征的周期性发掘欠缺，所以较难在空间单元进行精细化的综合考量。本文尝试采用全样本的交通系统数据，进行一次时空特征的综合分析。

2技术方法

本研究中要素在时间上的同质性体现为数量变化存在在一定时间尺度内的反复，即要素变化存在周期性，时间上的异质性则主要体现在随着时间的变化，要素的增长变化态势存在较大的差异，无明显周期性反复规律。空间上同质性表现为空间单元中要素的地理过程存在较大的相似性，异质性则表现为空间单元上要素地理过程存在较大差异。

为完成要素周期变化的发现与提取，本研究选择采用小波分析法（Wavelet analysis）进行分析，小波分析分析是在Fourier变换基础上发展起来的时频局部化分析方法，在自然科学与经济学领域有较多的应用，对于分析多尺度、多层次、多分辨率问题能够得到令人满意的结果，而对于时间上异质性的发掘，往往在时间序列数据可视化的基础上进行直接观察分析，可得到较为满意的结果[11-14]。

图1本研究提出的时空特征分析思路

空间同质性与异质性研究的基础是进行地理单元的确定，为实现空间的精细化描绘，本研究选择通过网格化（grid）的形式将芝加哥划分为2932个500m×500m网格作为研究的基本单元。对于四类交通要素在空间分布强度的计算采用核密度（kernel density）进行评估计算，在完成全局密度估计的基础上进行重分类（本研究采用自然间断点法将各交通要素的强度划分为20类），其次矢量化通过空间关联（spatial join）赋值于网格单元，得到所有网格单元的多类要素强度的表现情况，进而通过非监督分类的方式完成网格单元的聚类，根据聚类结果，对各个聚类簇的特征进行概括，实现交通要素下空间同质性与异质性的发掘。

本研究采用K-means算法完成各个网格单元的空间聚类，该算法的基本原理为首先随机从数据集中选取K个点（K值由人工事先设定），每个点初始地代表每个簇的中心，接着计算各个样本到该中心的距离均值，将其作为新的聚集簇，接着需要重新计算每一个簇的平均值，整个过程循环重复至相邻两次簇的集聚为发生明显的变化，则表明了该数据的聚类趋于收敛，即聚类完成。K-means算法是一种典型的基于向量距离完成分类的算法，具有较强的适应性，能够适用于较大数据量的分析，应用较为广泛，聚类结果往往具备较好的可解释性[15]。

本研究使用的数据主要包含芝加哥行政边界数据、2016年芝加哥公交运营数据、2016年芝加哥地铁运营数据、2016年芝加哥共享单车运营数据（395万条数据）、2016年芝加哥出租车运营数据（88万条数据），均为全样本数据。数据统计分析（小波分析、K-means 聚类等算法）由MATLAB 、Python 完成，空间分析与可视化主要由Arcgis 完成。

3

各交通方式时间的异质性与同质性图

2芝加哥地区网格化处理结果（500m×500m ）示意图

图3-12016年芝加哥地铁运行量日序变化

图3-2基于小波分析的地铁运行周期提取

3.1地铁时间特征分析

根据全年的地铁日序变化曲线，可知地铁呈现重复的形态变化，同时数据量并不发生明显改变：周一至周五的工作日，地铁的乘客人次较多，在60万次至70万次之间，周六与周日地铁乘坐人次相较于工作日会骤降，且周日低于周六，周六在30万次左右，周日在20万次。根据小波分析的结果可以得到两处显著的振荡频率（红线以上表示显著），频率f1=0.14处存在显著的周期，换算成周期可得1/f=7.1天，频率f2=0.28（显著性弱于f1），换算城周期可得1/f=3.6天，也就是说地铁的运行变化是以周（7天）为稳定的周期，在一个周期内呈现出工作日乘车人次较高，而周末较低的稳定形态。这与地铁城市交通系统中承载的通勤职能、抗干扰能力强、稳定运转的特质有较大的关系。

3.2出租车时间特征分析

图4-12016年芝加哥出租车运行量变化日序变化