论文部分内容阅读
[摘要]一座城市必须有自己合适的规模和空间形态，它根植于城市内部的需求结构，长期形成的地理环境以及产业结构。有关核心功能区分布的研究很多，影响城市结构的因素繁多且复杂。文章基于LBS技术，运用SAS、SPSS、Sublime、Excel等软件，通过用户手机APP的登录情况来量化城市的需求，结合实际地理环境，确定出北京市及其周边核心功能区的分布建设建议。
[关键词]LBS；核心功能区；基站登录；地理环境定位；APP使用情况
[DOI]1013939/jcnkizgsc201714165
1引言
LBS首先从美国发展起来，起源于以军事应用为目的所部署的全球定位系统（Global Positioning System，GPS），随后在测绘和车辆跟踪定位等领域开始应用。当GPS民用化以后，产生了以定位为核心功能的大量应用，直到20世纪90年代后期，LBS及其所涉及的技术才得到广泛的重视和应用。手机LBS的核心是“定位精准”，并获取周边与位置相关的服务信息。本文借助手机用户APP签到，引入LBS大数据，从居民实际活动的角度对城市空间的分析，一方面丰富和扩展已有的城市空间研究方法，同时也能够更好地解读ICT对城市空间结构的影响，从而更好地服务于当前快速转型的城市社会经济发展与城市空间结构的优化，并对城市空间的发展与规划起到积极有效的指导作用。
2研究对象
本文的研究对象基于紫数网给出的9700000条基站用户签到数据与50000条用户信息数据、从基站的APP签到类型的频率高低和用户活跃程度来确定基站附近的服务类型并与实际情况作比较加之以完善。从一个基站签到点推广到整个城市，进而对城市功能布局进行修整与完善。
3数据分析过程
31数据分析
首先从中抽取一个基站000a53de6e8d3c6971e218a742 eaca86作为样本，统计每种App的使用人次，从而关联出相应的主题，划分出区域的功能。可以得出在此处签到的用户的APP类型。
311基站分析
综合下图，该基站附近人们最主要的需求为交通出行、聊天社交、新闻资讯和各种娱乐。
312需求分析
那么从以上数据能看出此基站有什么需求呢？
从中可以看出，此基站位于一个十字路口附近，这可以解释此处为何租车用车类APP使用频繁；且其周围存在联想、中国工商银行、花园小区等，这与其聊天社交、视频、新闻阅读类APP使用人次多相吻合；另外，其周围存在天赐福康大药房、众多小区，这使得其购物、生活服务、医疗用药等需求的上升。
313需求规律
在此基站，以打车APP为例做出了每日APP使用次数折线图，虽然打车的高峰日期没有明显的规律，但是通过与这段时间的天气情况进行线性回归分析，发现人们对于打车APP需求的变化规律与星期几和天气有关，可以看出人们在天气不佳的时候打车需求较大。因此建议使用打车APP的车租车公司结合天气和星期几调配车辆，以提高资源利用效率，并能更好地满足人们的需求。
32对城市核心功能区优化布局的分析
通过变量timestamp推算出数据的日期范围为2016年1月1日至2016年3月31日，权衡分析时间和人员水平，确定样本量为7天。为了使分析结果更具代表性，将总体数据分成两层，工作日和周末。根据工作日和周末的总天数对样本进行划分，确定工作日抽样天数为5天，周末抽样天数为2天。
321筛选聚类数据
为了将对单个基站的分析拓展到整个城市，笔者需要对总体数据进行分析。笔者设计了一个名为“网络依赖度”的指标（网络依赖度=某基站所有APP被使用的次数，可以反映该地用户对APP的使用程度），来对聚类数据进行筛选。根据网络依赖度在5万多个基站中选取了4000个基站。接着，在三维图中对4000个基站APP使用情况进行了可视化处理，为后面的分析提供参考，发现综合功能区为多数，量级相差较大，即绝大多数的基站数据特征平庸。但笔者依然可以观察到少数在某一指标上呈现突出的基站，说明它们具有比较鲜明的需求特征。这少数基站就很有可能成为笔者后面分析中的重点研究对象。
322聚类分析
根据网络依赖度指标，笔者把4000个基站分成20类，并用散点气泡图对功能区核心程度进行展示。通过观察散点气泡图笔者不难发现，绝大多数的基站核心影响力非常小，而只有少数基站具有很高覆盖度的核心影响力，这与笔者在筛选数据时的推测相同。
323判别分析
虽然笔者对样本进行了筛选取样，但笔者同样需要对总体数据进行处理，以保证研究的完整性，找出它们在已得出的20个功能区分类中的归属，并对聚类分析结果进行修正。
通过先筛选聚类，再进行判别分析的方式，笔者将总体数据进行了科学的分类，同时回避了将数量庞大的数据直接进行回归时容易出现的问题，如分类过细等。
324核心功能区域分布和改进方案
为确定核心功能区的区域划分，笔者选择了20个核心程度较高的基站。由于20个基站在7个样本日的数据中具有最高的核心程度，因此可以近似认为这些基站周围区域具有成为核心功能区的基本条件。下面分别选取各个基站数据中使用数量前五（前五数量不到10的数据将略去）的APP类型标签，作为基站功能区分类的依据。
在对基站进行具体分析时，大体将基站分为两类：一类是具有明显指向性APP的基站，如教育类、购物类。这样的基站体现了比较明显的需求导向，笔者一般根据实际情况建议该地区向满足需求的方向靠拢。另一类是没有具体需求导向，基础类APP为主的基站。对于这类基站需要根据实际地理位置判断该地区需求的真实情况，是得以满足还是没有完全体现在镜像功能区的建议。
325结论
最后得到了修正后的功能区划分建议：1号基站：大型娱乐商业区。2号基站：公共休闲区。3号基站：宠物功能区。4号基站：宠物功能区。5号基站：办公区。6号基站：办公区。7号基站：办公区。8号基站：教育功能区。9号基站：办公商业区。10号基站：住宅区。11号基站：办公区。12号基站：农业特色商业区。13号基站：住宅区。14号基站：住宅区。15号基站：住宅区。16号基站：住宅区。17号基站：办公区。18号基站：综合商业区。19号基站：娱乐商业区。20号基站：办公區。
参考文献：
[1]王波基于位置服务数据的城市空间活动研究[D].南京：南京大学，2013
[2]张翔大数据时代城市规划的机遇、挑战与思辨[J].规划师，2014（8）
[关键词]LBS；核心功能区；基站登录；地理环境定位；APP使用情况
[DOI]1013939/jcnkizgsc201714165
1引言
LBS首先从美国发展起来，起源于以军事应用为目的所部署的全球定位系统（Global Positioning System，GPS），随后在测绘和车辆跟踪定位等领域开始应用。当GPS民用化以后，产生了以定位为核心功能的大量应用，直到20世纪90年代后期，LBS及其所涉及的技术才得到广泛的重视和应用。手机LBS的核心是“定位精准”，并获取周边与位置相关的服务信息。本文借助手机用户APP签到，引入LBS大数据，从居民实际活动的角度对城市空间的分析，一方面丰富和扩展已有的城市空间研究方法，同时也能够更好地解读ICT对城市空间结构的影响，从而更好地服务于当前快速转型的城市社会经济发展与城市空间结构的优化，并对城市空间的发展与规划起到积极有效的指导作用。
2研究对象
本文的研究对象基于紫数网给出的9700000条基站用户签到数据与50000条用户信息数据、从基站的APP签到类型的频率高低和用户活跃程度来确定基站附近的服务类型并与实际情况作比较加之以完善。从一个基站签到点推广到整个城市，进而对城市功能布局进行修整与完善。
3数据分析过程
31数据分析
首先从中抽取一个基站000a53de6e8d3c6971e218a742 eaca86作为样本，统计每种App的使用人次，从而关联出相应的主题，划分出区域的功能。可以得出在此处签到的用户的APP类型。
311基站分析
综合下图，该基站附近人们最主要的需求为交通出行、聊天社交、新闻资讯和各种娱乐。
312需求分析
那么从以上数据能看出此基站有什么需求呢？
从中可以看出，此基站位于一个十字路口附近，这可以解释此处为何租车用车类APP使用频繁；且其周围存在联想、中国工商银行、花园小区等，这与其聊天社交、视频、新闻阅读类APP使用人次多相吻合；另外，其周围存在天赐福康大药房、众多小区，这使得其购物、生活服务、医疗用药等需求的上升。
313需求规律
在此基站，以打车APP为例做出了每日APP使用次数折线图，虽然打车的高峰日期没有明显的规律，但是通过与这段时间的天气情况进行线性回归分析，发现人们对于打车APP需求的变化规律与星期几和天气有关，可以看出人们在天气不佳的时候打车需求较大。因此建议使用打车APP的车租车公司结合天气和星期几调配车辆，以提高资源利用效率，并能更好地满足人们的需求。
32对城市核心功能区优化布局的分析
通过变量timestamp推算出数据的日期范围为2016年1月1日至2016年3月31日，权衡分析时间和人员水平，确定样本量为7天。为了使分析结果更具代表性，将总体数据分成两层，工作日和周末。根据工作日和周末的总天数对样本进行划分，确定工作日抽样天数为5天，周末抽样天数为2天。
321筛选聚类数据
为了将对单个基站的分析拓展到整个城市，笔者需要对总体数据进行分析。笔者设计了一个名为“网络依赖度”的指标（网络依赖度=某基站所有APP被使用的次数，可以反映该地用户对APP的使用程度），来对聚类数据进行筛选。根据网络依赖度在5万多个基站中选取了4000个基站。接着，在三维图中对4000个基站APP使用情况进行了可视化处理，为后面的分析提供参考，发现综合功能区为多数，量级相差较大，即绝大多数的基站数据特征平庸。但笔者依然可以观察到少数在某一指标上呈现突出的基站，说明它们具有比较鲜明的需求特征。这少数基站就很有可能成为笔者后面分析中的重点研究对象。
322聚类分析
根据网络依赖度指标，笔者把4000个基站分成20类，并用散点气泡图对功能区核心程度进行展示。通过观察散点气泡图笔者不难发现，绝大多数的基站核心影响力非常小，而只有少数基站具有很高覆盖度的核心影响力，这与笔者在筛选数据时的推测相同。
323判别分析
虽然笔者对样本进行了筛选取样，但笔者同样需要对总体数据进行处理，以保证研究的完整性，找出它们在已得出的20个功能区分类中的归属，并对聚类分析结果进行修正。
通过先筛选聚类，再进行判别分析的方式，笔者将总体数据进行了科学的分类，同时回避了将数量庞大的数据直接进行回归时容易出现的问题，如分类过细等。
324核心功能区域分布和改进方案
为确定核心功能区的区域划分，笔者选择了20个核心程度较高的基站。由于20个基站在7个样本日的数据中具有最高的核心程度，因此可以近似认为这些基站周围区域具有成为核心功能区的基本条件。下面分别选取各个基站数据中使用数量前五（前五数量不到10的数据将略去）的APP类型标签，作为基站功能区分类的依据。
在对基站进行具体分析时，大体将基站分为两类：一类是具有明显指向性APP的基站，如教育类、购物类。这样的基站体现了比较明显的需求导向，笔者一般根据实际情况建议该地区向满足需求的方向靠拢。另一类是没有具体需求导向，基础类APP为主的基站。对于这类基站需要根据实际地理位置判断该地区需求的真实情况，是得以满足还是没有完全体现在镜像功能区的建议。
325结论
最后得到了修正后的功能区划分建议：1号基站：大型娱乐商业区。2号基站：公共休闲区。3号基站：宠物功能区。4号基站：宠物功能区。5号基站：办公区。6号基站：办公区。7号基站：办公区。8号基站：教育功能区。9号基站：办公商业区。10号基站：住宅区。11号基站：办公区。12号基站：农业特色商业区。13号基站：住宅区。14号基站：住宅区。15号基站：住宅区。16号基站：住宅区。17号基站：办公区。18号基站：综合商业区。19号基站：娱乐商业区。20号基站：办公區。
参考文献：
[1]王波基于位置服务数据的城市空间活动研究[D].南京：南京大学，2013
[2]张翔大数据时代城市规划的机遇、挑战与思辨[J].规划师，2014（8）