【城市数据趴Online 1】 华东院规划师叶锺楠告诉你:大数据时代我们这样认识城市
在上周成功举行，感谢来自30 个不同机构的百名派友参与支持！
【城市数据趴Online2】 李苗裔
主持人：派姐
嘉宾简介：李苗裔
新浪微博
@李苗裔-KUUPL
工作单位
日本国立金泽大学 都市计画研究室（KUUPL）博士
研究方向规划新技术与基于大数据的城市空间结构分析与建模
http://www.udparty.com/news.php?act=view&id=64#
【分享主题】
《基于多源数据的城市、区域空间结构与功能探究》
【以下为分享实景全文】
李苗裔：
我的博士研究方向主要是基于城市开放数据与大数据来做城市空间结构与功能的研究分析。本次交流主要涉及以下两部分内容：
第一部分是基于多源数据空间维信息熵模型来评价城市功能混合度，
第二块利用空间句法模型和POI数据来做不同尺度空间结构的分析，主要分析区域尺度的商业和服务业的潜力。
第一部分工作：大数据给城市空间研究提供了很多机遇，主要集中于分析城市现状，从现状找问题，为后面的规划提供一定的决策支撑。
本研究的研究区为北京市，数据源1是我利用PYTHON通过高德地图的API端口抓取下来POI数据，有64万多个点研究中把POI分成了14类。
本研究中的主要方法
就是Spatial Entropy Model空间维信息熵模型，模型构建主要思路为：在整个空间范围内，创建300*300米的网格，因为规划中街区尺度大概是400*400米，所以300*300属于较精细化的尺度并且对规划工作更具有参考意义。
基于传统信息熵模型，计算每个网格的信息熵值，从而获得每个网格混合度的值与其空间分布特征。之前也有很多研究利用POI分析城市空间用地的混合度，本研究加入出租车的OD数据，把里面时间的属性当做POI的种类来看待。因为我想知道每一个地块在每一个时间段，到达和离开的车辆的数量。因为人的空间选择行为很大程度上依赖于该空间所具备的功能特征。如果某个区域在每个时间段到达和离开的出租车数量都多，就证明这个区域功能较为多元比较混合；而如果只是在早晚高峰期多，那这个区域可能为居住地与工作地的单一功能属性的可能性更大。
这个是分析的初步结果，不同的颜色代表不同的POI种类，不同的类型在空间上有各自的聚合度。这个图可以看出不同类型的POI在空间上的集聚-分散的分布结构。
根据空间维信息熵模型的计算结果可以清晰的看出混合度哪些地方高哪些地方低：整体来看以三环、四环为中心向外逐渐递减，传统的北京市核心区即中关村核心区、CBD、原东城区、原西城区、二环内，功能混合度最高，望京地区功能混合度较高，天通苑与回龙观地区功能混合度较低，整个分析结论基本符合北京市的实际情况。
最后利用回归分析测度POI空间维信息熵与Taxi O点熵、Taxi D点熵直接的相关度。TAXI反应人的行为，POI反应物质设施点，如果两者叠加都很高，那说明确实混合度较高。从整体上看用来表征北京功能混合的POIs空间熵与O时间熵、D时间熵相关性均显著相关，这证明了两种熵结合使用进行功能混合度评价的合理性。本研究初步实现了精细化尺度下对城市功能混合度的更准确的定量化识别与评价，可为城市综合功能提升提供了支撑与依据。
第二部分是和发改委交通院合作的一个实际项目中的一部分研究。目前我国高速铁路的建设迅猛，专家很早就在提TOD发展模式。铁道部改革后，很多方面的运营等工作正在转向市场化和半市场化模式，铁路建设需要更多的考虑PPP等投融资模式等问题，这种转变自然要求铁路站点选址要尽量布局在商服潜力较大的地区。所以这个研究的基于以上背景，主要进行不同空间尺度商服潜力的识别。主要基于POI数据和导航的路网数据，研究方法是空间句法模型。
本研究首先基于福厦地区7个城市（福州、厦门、泉州、漳州、莆田、福清、晋江）铁路客运到发量数据、服务商务5类业态空间分布现状数据，应用空间句法线段分析模型量化分析了铁路站点客运到发量与各空间句法计算结果和其他商务服务业态分布的关连，在城市群宏观尺度上，基于各个城市2011年到发旅客量的数据及对各城市人口和道路交通空间分析的结果，验证了空间句法线段模型在大区域尺度对铁路站点流量的影响。
在各个城市内部的微观尺度上，本研究将基于各类功能的POI数据，应用核密度分析方法量化分析各类功能的空间聚集与道路和铁路站点形成的复合交通系统之间的关系，评价各类功能分布受到铁路站点位置影响的程度和相关的空间参数。通过上述实证研究证明空间句法模型在大区域尺度应用的可能性与合理性，同时讨论了其在不同尺度应用所产生差异性结果的原因及未来改进的方向。
本研究在研究方法上创新性的利用开放“大”数据（POI）与空间句法分析相结合方式构建城市群尺度商服业潜力区预测模型，根据该区域主要城市2020年总体规划文件的整理，我们建立了福厦地区的规划路网空间模型，利用之前对商服业态的回归分析方程建立的空间参数组合。
图显示了在未来规划路网形态下城市商服业态活力发展趋向。据此研究成果作为未来该区域铁路站点设置的参考依据，靠近或直接选择商服业潜力大的地方布局，这样未来建成后实际运营过程中由于投融资潜力更大，获得投融资的可能性更大，有利于与我国铁路建设方式的转型与改革。
【下面到了最受欢迎的实问实答环节啦】
1 如何获得POI数据呢
在导航地图里，POI是有清楚的定义，泛指一起可以被抽象为点的实体，尤其是和生活密切相关的。我是从高德地图获取，利用PYTHON代码和API端口，缺点是权限有限，每天获取的量有限。另外一种是通过爬网页，写一个爬虫程序，不停的把属性趴下来，再做GEOCODEING。
2 如何处理POI重叠的问题
POI的确会出现重叠，需要做去重的处理，通过写代码自动完成。
3 POI按什么标准分类呢
没有统一的行业的标准，主要靠常识与分析研究需求分类。
4 关于EntropyModel & Spatiotemporal Entropy Model
传统模型叫信息熵模型，加了一个空间维的概念，所以叫空间维信息熵模型。
5 POI如何可视化
用ARCGIS做MAPPING ，用ARCGIS的HOTSPOT也可以做。针对POI的可视化软件挺多，包括PROCESSING, 根据需求不同用不同层次的软件。
6 如何进行火星坐标的校正
标准的地理坐标为WGS84坐标，在我国，凡是上网的地图数据都需要做偏移处理，该工作主要由中国测绘科学院的地信所完成，这个偏移后的坐标叫火星坐标。
另一个是百度坐标，也是有偏移，在火星坐标上又自己加了一层保护。像高德、搜狗等都是火星坐标偏移。我是根据他们使用的公式做了返偏的计算来进行纠偏，通过自己做的一个小的插件来批量进行坐标的校正，纠偏过程是针对txt文件的，纠偏的工作仅限于科研。
7 POI数据是什么格式的
8 爬POI都有哪几步呢
以爬网页为例，先打开网站，看源代码的结构是怎样的，要爬的内容是隐藏在哪些源代码之中，正则表达式的形式来提取网页内容，之后用PYTHON写爬虫程序，相当于创建了一个机器人爬虫代替人去不停的访问网页获取所需要的内容。
另一方法就是使用火车头软件，可以直接做网页爬去，我认为该软件可以爬现阶段我们研究分析所需要范围内的所有网页，可实现零代码玩爬取。
9 研究中都使用了POI的哪些属性字段
3个：经纬度坐标，类型，字段。
10 GPS数据的属性字段都有哪些
Car ID
Trigger Event
Operational Status
GPS Time
Longutide
Latutide
GPS Speed
GPS Position
GPS Status
154747
4
2
20121130001607
116.6999512
39.9006233
0
128
1
CARD ID : 车的编号
Tirger event:触发事件，其中0代表从满载变成空车；1代表从空车变为满载；4代表其它
OPERATIONAL STATUS: 车辆状态，0代表空驶； 1 代表满载；2代表停车；3代表停运；4代表其它
GPS TIME :时间
GPS LONGITUDE: 经度
GPS LATITUDE : 纬度
（经纬度坐标，作为MAPPING 到地图上的依据）
GPS速度：000-255短整型，单位为千米/小时
GPS的位置：000-360短整型，单位为度
11 如何创造ODline
可以使用Arcgis的XY to Line 工具实现
12 GPS数据是否需要纠偏
就是WGA84的坐标，不需要纠偏
13 关于多元数据的“叠合”
每类数据都有有偏性，可利用，可消除，通过叠合、耦合、融合来利用数据。目前是把结果做一个对比分析，没有在数据利用过程中做到耦合的机制。要消除有偏性，就要叠合多元的数据，我认为这个是一个趋势：利用多元异构大数据来解决问题。
14 接下下日本的情况
日本并不明确的提大数据概念，主要讲开放数据。有专门的网站做数据开放共享，包括其早期建立的统合GIS平台，该平台主要共享空间矢量化的GIS数据；另外还有例如http://www.data.go.jp的网站，数据开放共享平台比较完善。日本认为应该先有智慧基础设施，从而才能产生所谓的大数据，进一步才是获取分析挖掘研究等。
12月可能有机会在日本东京参加建筑学会，发表一些成果，看看这边的教授怎么看。
15 推荐几款可视化软件吧
根据不同需求有不同级别的软件，最基础功能最强大的是EXCEL，其中POWERMAP很强。往上走有R语言，可视化效果比PYTHON好很多，还有救是PROCESSING 能满足学术和工作的基本需求，再往上走就是例如Leaflet等基于JavaScript库以及使用使用D3.js框架构建的工具，可以满足高级定制化需求。
[提醒]由于小派的新旧网站更替中，可能出现旧版网站无法访问的情况，请谅解
