如何让POI核密度分析更“科学”？这里有套优化方法丨城市数据派

另一方面，研究者将核密度分析更多地视为一种即用性的工具，对算法本身有欠考虑。具体而言，核密度估计法基本形式是：

其中，M是数据点个数，h是带宽（即GIS核密度分析中的搜索半径），K是核函数。可以看出，在算法变量中带宽选择是唯一需要额外控制的重要参数。一般而言，地理模型作为真实世界的模拟，不同研究尺度会选择不同的带宽。例如，在研究城市运行的宏观规律时，较大带宽会忽略细节变化更易凸显城市的整体规律，反之较小带宽则局部极值较多，更易观察城市的局部特征。

不同尺度的POI选择

来源：Bertaud A. The spatial Organization of Cities: Deliberate Outcome of Unforeseen Consequence？IURD Working Paper Series[Z]. IURD Working Paper Series, 2004

对于相关问题的考量，研究者往往会选择多个带宽进行比较。然而，综述已有研究，选择合适的带宽（尺度）经验干预较大。合适的带宽参数选择往往会异化成如何选择最有利研究结论的带宽，表现出极强的主观性，进一步弱化了POI核密度识别城市中心的科学性。

表1 POI识别城市中心相关研究核密度分析带宽选取情况

2

如何让POI核密度分析更加“科学”？

• 研究方法

技术路线框架图

方法优化由四大部分组成：

（1）POI数据分类，以城市居民生活中不同类型活动空间集聚特征为着眼点，对地图服务商提供的POI功能类别进行重分类。

（2）手机信令加权，弥补POI难以体现社会经济活动强度的不足，通过对手机信令数据的挖掘，对活动强度高的POI点进行权重提升。

（3）核密度分析优化，在厘清概念与原理的基础上，挖掘POI本身数据集特点对核函数、带宽确定进行方法论优化，减少主观判断因素，避免次级中心的遗漏，这是本文的重点。

（4）数据校验，由于仅依靠经验无法准确得到较为客观的城市中心，主观行政意愿的城市中心往往与现实的发展程度不一致，以较为客观的夜间灯光数据进行校验的量化。在研究过程中，校验结果反馈于手机信令加权、核密度分析优化，进行迭代。

在实证研究部分，本研究通过对西安市域城市中心的实际情况进行分析，与过往城市总体规划、实际发展情况进行比对，再次验证的同时廓清西安城市中心的整体情况。

• 研究数据

1.西安POI数据，数据主要属性是其地理坐标与相应的功能代码，共295438条。

2.联通基站手机信令数据，数据基本空间单元为覆盖西安市域范围的250m网格，数据主要属性为分小时的手机信令识别的人口数量。

3.夜间灯光数据。数据主要属性为城市灯光亮度值。

3

数据处理与方法优化

•POI数据分类：多重分类，特征简化

西安市域POI名称词云图

原始数据集对POI已有初步分类，对照POI名称分词的无监督词云聚类结果，人工对已标注的数据进行整合，将标签压缩为三类，即商业、就业、生活（三者可以互相重叠）。分类结果为商业217591条，就业277197条，生活91400条。

具体而言，标签着眼于各类活动在空间中集聚状态。即能提供就业岗位的就业类的POI取向就业类型；能提供与空间息息相关的消费活动的POI取向商业类型（1.去除线下商业活动频次过低或主要商业功能不发生在该点的POI类型，如保险公司、家政公司，2.去除存在消费行为但是商业活动并非本质属性的POI类型，如历史名胜、文物古迹）；与日常生活活动相关的POI为生活类型，包括相关的商业（如美容、按摩店等）、公共服务设施配套（中小学）等。

POI分类表（局部）

• 手机信令加权：属性加权，见物见人

手机信令是运营商记录用户在移动网络中位置信息的数据，其自带的时空特征常被用于职住地的识别。不同文献对于职住地区的识别的手机信令数据筛选时段不同，但整体上通过白天的长时段识别作为工作地识别依据，晚上的长时段识别作为居住地识别依据。通过不同时段内人所在网格的数量统计来判断居住地及工作地。

相关文献的职住时间识别时段表

综合已有的研究，本文将居住地识别时间定为22:00到次日6:00，工作地识别时间定为9:00-17:00，娱乐地识别时间为11:00-19：00。具体规则为：

（1）计算每个网格工作日在22:00-6:00时间段内的平均人流量PoP1；

（2）计算每个网格工作日在9:00-17:00时间段内的平均人流量PoP2；

（3）计算每个网格工作日在11:00-19:00时间段内的平均人流量PoP3；

（4）计算每个网格周末在11:00-19:00时间段内的平均人流量PoP4。

各类用地判别：居住地判别：PoP1>PoP2, 工作地判别：PoP1