区域地理加权回归分析方法

地理加权回归方法是建立在“临近相关”假设前提下的一种有效探测空间连续异质性方法,但地理空间中存在“临近异质”的空间离散情况。地理加权回归算法无法充分拟合这种非线性特征,导致其在解算离散异质性时面临区域临界处拟合不充分的问题,影响了模型的准确性和可靠性。本文提出区域地理加权回归分析方法,通过构建区域空间权重计算策略有效筛选观测点,修正空间核函数,构建区域空间权重,实现空间权重的优化。以武汉市住宅销售价格为例,从区域影响因子有效性、模型性能及模型拟合效果3个角度进行分析。结果表明,区域影响因子的引入,对固定型带宽和调整型带宽下的模型精度均有显著提升;从武汉城区住宅销售价格实例看,受教育因素影响的区域影响因子对模型精度提升最好;同时在固定型带宽下模型R2提升21.84%,MSE提升37.09%。说明在考虑区域影响因素后,模型的精度得到了提高,证明了方法的有效性。

顾及就医出行行为的医疗设施潜在与实际可达性对比研究

医疗设施可达性研究是分析区域获取医疗服务便捷程度的重要方法,现有研究主要以潜在可达性(potential accessibility,PA)研究为主,少有研究依据医疗设施实际使用情况分析医疗设施实际可达性(revealed accessibility,RA)。以中国四川省成都市主城区为研究区,利用滴滴出行数据,引入用户实际选择权重和医疗设施综合服务能力来拟合实际就医出行距离衰减函数,以改进三步搜索法模型,计算RA,并将其与基于医疗设施服务能力和潜在就医需求计算得到的潜在可达性对比,分析两者的不匹配程度,识别社区获取医疗服务的可达性类型,研究各类型社区的空间分布特征。结果表明:医疗设施潜在可达性主要受出行时长影响,中心区域和外围区域差异较大,各个区之间差距不明显;RA主要受实际就医出行次数影响,各个区之间差距明显;182个“RA>PA”型社区主要分布在成华区和金牛区,243个“RA<PA”型社区主要分布在武侯区;相关性分析表明两类社区的空间分异特征主要受RA影响。与传统潜在可达性研究相比,此研究更容易发现不同区域使用医疗设施的实际差异,判断潜在可达性的准确性,帮助相关部门发现医疗设施布局中存在的问题。

城市共享单车需求的多特征CNN-BiLSTM预测方法

共享单车的需求量预测对于共享单车企业的精细化运营十分重要,是解决单车区域供需平衡的前提。为精准预测共享单车需求量,本文首先分析了纽约Citi Bike 2017—2019年共享单车数据的时空特征,探究了共享单车出行的分布规律;其次,融合卷积神经网络的特征提取能力和双向长短期记忆网络的双向时序数据处理能力,构建了卷积双向长短时记忆网络CNN-BiLSTM模型;然后,结合出行数据、气象数据及单车时空出行特征,采用相关性分析法探究了单车需求量的显著影响因子,并作为模型输入特征,对模型进行训练,生成单车预测模型;最后,选取CNN、LSTM、BiLSTM、CNN-LSTM作为对比模型,对CNN-BiLSTM预测模型效果进行评价。对比结果表明,CNN-BiLSTM模型的MAE和RMSE最小,分别为0.035和0.058;R^(2)最大,为0.922,模型预测效果最佳。本文可为实际的共享单车调度与再分配提供参考依据。

融合矢量数据的高分遥感影像建筑物轮廓优化方法

针对高分遥感影像中分类法提取边缘不完整、锯齿状等问题,该文提出一种融合矢量数据优化建筑物轮廓的方法。通过融合具有较高数据完整性和准确性的矢量数据,对轮廓的不规则、缺失部分进行重构,从而提高提取轮廓结果的准确性和完整性。首先对提取的初始建筑物轮廓进行多边形拟合,并利用Shi-Tomasi算法优化建筑物局部内凹轮廓,以实现轮廓的初步优化;接着计算初步优化轮廓与矢量数据之间的距离相似度,其中对于距离较小且满足融合条件的建筑物轮廓线段点,利用矢量数据中对应的线段点进行融合,以实现轮廓的深度优化。通过3幅遥感影像进行实验和分析,该文方法的轮廓准确度达到94.8%,相比于优化前提高了7%。此外,与最小外接矩形优化轮廓方法对比,该文方法在交并补(IOU)指标上表现更好。实验结果表明,该方法通过融合矢量数据进行轮廓优化,能够更加准确、完整地反映建筑物细节,在一定程度上提高了与实际建筑物轮廓的吻合度。

时空序列嵌入门控扩张残差网络的兴趣点推荐

个性化兴趣点推荐是基于位置社交网络的一项重要服务,通过用户签到数据的序列信息和时空上下文信息可以有效挖掘用户的移动模式和兴趣偏好。为充分挖掘用户的个性化时空偏好和连续签到序列的长期依赖关系,提出嵌入时空条件的概率生成模型,构建门控扩张残差网络,实现基于门控扩张残差网络的兴趣点推荐方法。所提方法通过门控扩张残差网络学习用户的签到序列,将用户连续签到的空间距离和时间间隔作为约束条件,挖掘用户连续签到行为的时空规律,捕获用户签到行为的序列偏好和时空偏好。使用Foursquare和Instagram两套公开的签到数据集进行实验,结果表明,与表现最好的对比算法NextItNet相比,所提方法在召回率、精确度、F1分数和归一化折损累计增益等评价指标上都有明显提升。在Foursquare数据集上,各项指标的提升范围为1.52%~24.95%;在Instagram数据集上,各项指标的提升范围为7.06%~42.47%。所提方法适用于挖掘用户连续签到中存在的长期依赖关系,可以有效嵌入空间距离和时间间隔影响因素,提高了兴趣点推荐的准确性。