基于异构信息网络融合的专利技术主题识别研究

[目的/意义]利用异构信息网络融合建模开展专利技术主题识别方法研究,能有效提高专利技术主题识别的准确性。[方法/过程]利用文本挖掘技术提取专利技术主题构建共现网络,采用OVL算法及加权运算对异构信息网络进行融合,基于融合后的网络开展主题识别。[结果/结论]以工业机器人领域为例的实证研究表明:与未经融合的关键词直接共现网络相比,基于融合网络的技术主题识别结果的主题内集中性更好、主题间区分度更显著、交叉性与重叠性更低。

北京通勤圈范围识别、特征与跨界通勤模式研究

从跨界通勤视角审视北京与环京地区关系的新变化,基于行政边界和5km网格两种空间单元,通过通勤率、通勤规模等指标测算,识别进入北京通勤圈的主要环京区县。结合职住空间分布、人口属性等分析通勤圈发展特征,发现跨界通勤向着网络化格局发展,当前已形成5条主要通勤廊道、3类通勤目的地、4种不同驱动力的典型跨界通勤模式。未来应正视环京地区跨界通勤的必要性和必然性,强化北京通勤圈内城镇组团互补融合发展,形成“圈层补充、廊道串联、簇轴发展”的空间结构。

上海轨道交通通勤客流特征研究

[目的]上海轨道交通的通勤客流量巨大,需针对使用城市轨道交通进行通勤的通勤者,分析其空间分布及接驳等客流特征。[方法]基于百度位置大数据及上海轨道交通客流数据,对上海轨道通勤从总量、空间分布、线路及站点进出情况、居住地和工作地两端接驳特征等方面进行了分析,并提出对策建议。[结果及结论]所提对策建议为:增加轨道切向线、优化站点周边用地布局、提升轨道网络通道上的职住平衡等。

城市生活垃圾管理效率评价及影响因素分析

了解我国城市生活垃圾管理效率及差异,深入分析城市生活垃圾管理资源投入产出状况,利于城市生活垃圾管理的资源整合及效率提高。基于中国进行生活垃圾强制分类试点的37座重点城市2010-2020年的面板数据,综合运用全局SBM方向距离函数、全局参比Malmquist模型、Tobit模型测算并比较城市生活垃圾管理效率、变化及影响因素。结果表明,2010—2020年间,我国重点城市生活垃圾管理效率呈现周期性波动趋势,在2010、2016、2018、2019年为高峰值,在一定程度上是地方城市管理部门和行业企业对中央出台相关政策的回应;重点城市之间生活垃圾管理效率值差异较大,主要受人口密度、地理空间、产业结构、科技发展等条件影响;城市生活垃圾管理效率在2010—2020年观察期内总体上未有提升主要源于技术进步不足。建议城市生活垃圾管理具有日常动态管理过程的特征,需要被地方管理者持续关注;实行因地制宜的差异化管理与区域合作相结合以共同提升管理效率;将技术创新作为城市生活垃圾管理的发展动力。

基于街景地图数据的北京市东城区街道绿色空间正义评估研究

绿色空间正义是城市空间正义的典型代表,意为在人群中公平分配维护绿色空间的责任和享有绿色空间的权益。根据其定义,以北京市东城区为例,从责任和权益2个角度着眼,一方面基于百度街景地图数据提炼街道空间绿视率的空间分布特点,表征街道绿色空间的客观可感知水平;另一方面将街道绿视率和实时人口热力叠加,探讨街道绿色空间的实际被感知程度,从而完成对北京市东城区街道绿色空间维护和享有情况的评估。发现邻近使用者维护街道绿色空间的责任对绿化客观可感知水平的重要性,以及合理的道路断面设计对同时提升街道空间活力和绿视率即绿化实际被感知程度的有效性。由此总结出2点街道绿色空间规划设计建议,即明晰权责边界并保证公共权益优先级,以及加强落地性设计导则中对绿色空间正义问题的关注,并对未来研究提出展望。

街区尺度下的通勤出行方式挖掘及其影响因子——以北京市为例

通勤数据的传统获取手段存在成本高、覆盖面小、更新慢等问题,难以满足实时、高效监测和管理的需求。基于百度地图时空大数据,综合应用多种机器学习方法,构建一套识别城市街区尺度下通勤出行方式的技术框架,具有准确率高、覆盖面广、空间分辨率高等优势。挖掘北京市六环高速公路以内各街区的通勤出行方式构成特征,结果显示各类交通方式的通勤出行比例相对均衡。进而考察通勤出行方式的具体空间布局,探索其与路网密度、用地功能混合密度、公共交通设施服务水平3项建成环境因子之间的内在联系。对比分析结果验证了路网密度、用地功能混合密度与小汽车通勤出行呈负相关关系,轨道交通服务水平对通勤出行的影响具有空间异质性。

疫情下公共交通系统通勤客流测算及优化建议——以北京市为例

在新型冠状病毒肺炎疫情的影响下,北京市的公共交通通勤出行需求显著下降,公共交通系统运营状况与正常情景存在较大差异,亟须科学测算通勤客流的空间分布和数量特征。基于百度地图慧眼提供的时空大数据,针对公共交通通勤出行群体,推算通勤OD分布。借助路径规划算法对每条公共汽车和轨道交通线路的通勤客流强度进行分区段测算。进而使用头尾分割法对公共汽车和轨道交通线路的重要性和保障等级进行划分。最后,提出疫情时期城市公共交通系统运营优化的策略建议。

基于大数据与网络分析的长三角城市群识别研究

通过百度迁徙大数据,运用城市空间联系强度分析方法和复杂网络分析方法,构建了长三角城市群中的城际出行网络模型,测度并分析其空间结构。结果显示:(1)城际出行网络形成“东强西弱、南北均衡”的格局态势,并形成以合肥、南京、上海、杭州、宁波为主的多中心辐射格局特征。(2)长三角城市群的人口城际出行网络分布上呈现“一大三小”的多中心网络空间格局,上海、南京、杭州和合肥4个节点城市在整个网络中处于绝对主导地位。(3)长三角各个城市在中心性、结构洞水平、核心—边缘结构等指标方面表现出较大的差异性。整体来看,上海、南京、杭州的网络地位较高,铜陵、宣城、池州、滁州、金华、台州、舟山等的网络地位较低。(4)基于城际人口出行数据的长三角城市群空间结构,可以分为以上海、南京、杭州和合肥为中心的4个城市体系。

基于互联网位置数据的通勤特征挖掘技术

针对传统通勤特征测算中存在的不足,提出一种基于互联网时空大数据的通勤特征挖掘技术框架。基于互联网定位、地图数据,利用机器学习算法挖掘常驻点、提取通勤OD,基于通勤OD进一步挖掘通勤距离、通勤时间以及通勤方式,并将上述通勤特征数据应用于全国主要城市通勤监测报告和国土空间规划等方面。使用多源时空大数据对通勤监测指标和结果进行校验,结果表明基于互联网位置数据的通勤特征与抽样调查获得的通勤特征具有一致性,且能够以大样本、低成本、高空间精度提供高频更新的通勤监测指标,是对传统方法的有效补充和强化。

城市网络关系中的广州、深圳城市功能研究——基于对航空客流来源地的比较分析

基于对城市功能映射于城市网络的理论认识,以城市间航空客流为中介,借助百度地图慧眼位置信息服务(LBS)大数据,采取比较广州、深圳航空客流来源地城市的功能特征,以及来自北京、上海两座特大型城市的广州、深圳航空客流在北京、上海两市中就业地所在城区的功能特征等两种途径,反向判断广州、深圳在中国城市网络中体现的总体功能特征倾向。结果表明:1)广州表现出行政管理、商贸等功能特征倾向;2)深圳的科技创新、金融与高新制造功能特征相对显著;3)深圳较广州在基于生产者服务业的中国城市网络中具有更高等级节点地位。文章采用的利用人口定位大数据从城市网络中灵活提取城市功能特征的方法,可作为对以经济产业类为统计数据进行城市功能研究的补充。

BIM技术在装配式工程电气系统中的应用

针对装配式工程电气专业系统多、施工精细化要求高、预制构件及施工中易暴露设计缺陷等问题,进行电气专业的BIM建模与研究。采用一套信息化、精细化的BIM建模方法对电气系统进行分层管理,在提高建模的专业协同设计和完善装配式产业化生命周期等方面做了有效探索。工程实践表明:基于BIM的建模体系更适合装配式工程电气设计,能够指导施工和预制构件生产。

儿童健康导向的居住区规划设计维度刍议——以北京市东城区为例

健康城市规划理论与实践研究渊源已久而方兴未艾,在其中聚焦儿童群体契合城市规划精细化发展要求,势在必行。本文以北京市东城区为例,从儿童健康导向研究的三个特殊性入手,辅以百度慧眼时空大数据深度挖掘测度分析街道尺度儿童健康水平,结合传播机制模型从传染源、传播途径、易感人群三方面叠合居住区空间探究儿童健康导向下的居住区规划设计维度。基于GIS叠合量化评估、对比分析,初步形成儿童健康导向下的居住区规划设计维度框架,并分别就各维度提出若干规划设计策略建议,旨在为北京市健康城市规划建设工作提供具体性辅助。

消费出行视角下的城市实体商业中心服务空间特征——对上海9个商业中心的研究

以上海9个不同等级实体商业中心为研究对象,探究消费出行视角下城市实体商业中心的服务空间特征。使用互联网位置服务数据,测算消费出行的空间范围,通过数据挖掘估测消费出行目的为体验性、非体验性,进而比较商业中心服务空间特征。首先,消费者来源地空间范围特征上,同一个商业中心的体验性消费的空间范围明显小于非体验性消费;不同等级商业中心之间比较,非体验性消费空间范围等级差异显著,体验性消费空间范围差异较小,且与中心等级不一致。其次,消费者来源地空间模式上,同一个商业中心的体验性消费空间聚集度比非体验性消费更高;不同等级商业中心之间比较,等级低的商业中心,体验性、非体验性的聚集模式差别明显。认为商业中心服务体验性、非体验性消费的空间特征差异显著。在当前社会经济趋势下,实体零售业态中体验性消费有不断上升的趋势,实体商业中心体系规划原则和方法需要做出改变和应对。

利用车载GNSS轨迹大数据的U-Turn道路结构信息获取方法

随着智慧交通和精细化导航技术的迅速发展,人们对道路地图要素的覆盖度、精准度、丰富度与新鲜度需求越来越高,而U-Turn作为城市路网连通关系的重要因素,成为道路地图更新的重要内容之一。现有专业道路测绘模式对U-Turn数据存在采集成本高、更新周期长、数据处理繁等问题,导致U-Turn数据无法满足智慧交通导航需求。本文采用车载GNSS轨迹大数据,提出了一种U-Turn道路结构信息获取方法。首先通过轨迹跟踪提取车辆掉头点对与行为;然后利用DBSCAN聚类算法提取U-Turn掉头类簇;再依据U-Turn流量占比等特征构建支持向量机二分模型,自适应剔除违规掉头类簇,并区分出U-Turn结构有无通行时间限制;最后根据掉头类簇在道路结构中的分布特征,识别U-Turn位置与空间结构。试验以武汉市滴滴网约车GNSS轨迹,对江汉区183个路段采用本文方法进行探测,U-Turn结构信息识别召回率为88.3%,精确率为87.6%,位置识别的横向和纵向精度分别为3.40 m和5.90 m,试验结果表明本文方法可以有效地从车载GNSS轨迹数据中获取U-Turn的位置与结构类型,为U-Turn数据获取提供了周期短、成本低的有效解决方案。

基于深度学习平台的人工智能软件开发与应用——以飞桨(PaddlePaddle)在火灾烟雾检测场景的应用为例

当前主流的深度学习平台的技术门槛高、应用难度大,且多为进口,这为中国企事业单位应用人工智能技术带来了诸多挑战。为提高国内人工智能软件产业的竞争力和国家的经济安全水平,介绍了自研的深度学习平台飞桨(PaddlePaddle)的技术优势及其在智慧城市领域的应用方案。实验结果证明,该方案使用门槛低、应用效果好,有效推动人工智能软硬件产业的技术创新和生态共创,实现自立自强和创新发展。

面向地震应急响应的互联网信息处理

近年来国内外地震灾害给人类的生命财产造成了巨大损失。海量的互联网地震灾情信息可为应急响应和及时救援提供决策支持的依据,因此互联网灾情信息高效快速处理需求迫切。针对地震互联网灾情信息处理的研究,定义了地震事件模型、网页对象模型等,用极限方法定义Web信息收敛性,刻画了互联网灾情信息传播特点。根据灾情信息时效性特点,提出了一种支持动态收敛性的Web信息抽取算法,完成互联网灾情信息提取。提出一种针对灾害信息随时间的变化进行时序统计的方法,形成信息统计报告,为制定救援决策提供依据。设计并实现了面向地震应急响应的互联网信息智能处理系统,并进行了工程实践验证。

基于通勤大数据的城市职住分离度研究——《2020年全国主要城市通勤监测报告》核心指标分析

为探索城市职住空间分布对通勤出行的影响,基于35座中国大城市的通勤大数据,着重解析职住分离度指标的内涵和统计特征。发现该指标与城市规模相关性不显著,受职住集聚分布格局等因素影响较大,指标值的减小对实际通勤距离的缩短具有积极意义。基于职住分离度和过剩通勤系数两项指标间的负相关特点,分别选取9座城市作为代表城市,总结了重点空间单元的提取条件和职住分离成因。最后,从就近安居、职住梯度布局、交通服务差别化三方面阐述大城市职住分离度的优化对策。

基于LBS数据的天津市双城通勤圈研究

为了明确天津市双城格局下的城市通勤圈范围,利用百度LBS数据识别出用户的居住地、就业地,并计算其通勤出行范围。在此基础上,采用就业人口比例法和热力图等值线法识别天津市双城通勤圈范围。验证了天津市双中心的城市布局中确实存在两个独立的通勤圈且在覆盖范围、集聚度等方面存在明显差异,双城结构下的通勤圈与单中心城市也存在显著差异。利用外环线和综合通勤圈将天津市划分为三个层次分区,通过人口、就业岗位、建设用地、通勤交通需求、交通基础设施等方面比较可知,三个层次分区存在明显差异性。该识别结果加深了对天津市域空间结构的认识,为在市域范围内分层次、分区域制定有针对性的规划政策提供依据。

城市活力恢复及其影响因子——突发性公共卫生事件情景下的探索

针对新型冠状病毒肺炎疫情这一突发性公共卫生事件对我国城市经济社会秩序的重大影响,量化评估城市的活力恢复状况及其影响因素,为各级政府制定和部署更具针对性的恢复政策提供支撑。具体而言,本文整合多源时空大数据,量化分析各城市活力恢复的动态特征,总结城市活力恢复模式,并探讨了各类模式的空间分布特征。然后,借助统计方法,系统分析了不同影响因子对于形成不同恢复模式的影响。本文研究发现:根据活力恢复轨迹的不同,我国城市可分为6种恢复模式,不同恢复模式具有不同的空间分布特征,其中多个国家中心城市的活力恢复水平仍有待进一步提高。区域中心性、政府管制强度和外部输入风险对城市的活力恢复具有显著的影响,而医疗服务能力的直接影响相对不突出。根据上述结论,文章为后续城市恢复生产和生活提供了具体的政策建议。

基于深度学习的短视频中的物体检测与内容推荐系统研究

近年来短视频发展迅猛,短视频广告投放具有良好的市场前景,但是以往长视频的贴片广告投放方式不适合短视频。本文依据高相关、低打扰、短而精的准则,提出一种基于深度学习的视频物体检测与内容推荐系统方案。根据短视频来源、网络环境等不同,本文介绍2种实现模式:云端模式和移动终端模式。云端模式由服务器、内容分发网络(Content Delivery Network,CDN)和终端组成,服务器可预先对CDN短视频进行物体检测和识别,将短视频与对应广告内容匹配,并在移动端播放。移动终端模式主要处理本地视频,在移动端有限的资源上完成短视频的物体检测和内容推荐。在算法上,移动终端模式下该系统采用深度学习轻量级模型MobileNet以提高检测速度和准确率,降低内存。在实现上,通过联合编译Java和C++代码提高算法运行效率,通过反馈系统减小物体类别数量,提高实时性。