居民通勤行为与用地失衡交互模式的识别方法

本发明属于地理信息科学的，具体涉及一种居民通勤行为与用地失衡交互模式的识别方法。

背景技术：

1、近年来，城市快速扩张极大地改变了城市空间结构，城市空间结构与居民活动之间的异常交互带来了职住失衡、交通拥堵、土地利用效率低等问题，严重威胁着城市的可持续发展。通勤是大城市居民的主要出行活动，由于城市基础设施的空间布局不合理，尤其是弱势群体，居民不得不面临沉重的通勤负担。一些区域汇聚了过度的通勤人口，而一些区域通勤流量尚未达到预期，为了实现公平和可持续的城市规划，识别居民通勤活动与城市用地功能的失衡交互模式意义重大。

2、通勤与用地失衡交互模式可归纳为过载和欠载两类。通勤过载失衡交互模式是指该地区的通勤总流量超过其承载能力，往往发生在尚未进行城市更新的旧城区或老工业园区。通勤欠载失衡交互模式是该地区拥有完善的基础设施系统，但没有足够的人口在该地区工作，通常发生在尚未聚集足够人气的新城区，如一些城市为了快速扩张建成区，在郊区大范围开发基础设施项目，极有可能导致公共资源的闲置。

3、通勤流网络是识别异常通勤模式的有效方法，但目前基于通勤流网络的研究往往侧重于网络自身结构及统计特征，一方面量化网络自身连接性、稳定性等网络结构指标，另一方面分析网络中职住平衡指数、就业需求等等统计量，进而区分出不同的通勤模式。这类方法过多关注通勤流的聚集性和稀疏性，难以有效反映通勤行为与城市土地利用之间的交互过程。此外，在进行通勤流的最优化分配时，以最小通勤时间或距离为目标忽视了城市用地功能的发挥效率，可能导致优化后的通勤流与城市基础设施的实际服务范围不一致。

4、因此，如何确定通勤流网络中任意两个单元之间的最优通勤交互流量，如何识别过载和欠载两种居民通勤行为与用地失衡交互模式的技术仍待突破，相关问题也是深入理解通勤行为与城市用地空间交互模式，提升城市通勤和用地效率的关键。

技术实现思路

1、本发明的目的在于针对现有技术的不足之处，提供一种居民通勤行为与用地失衡交互模式的识别方法，本发明从交互网络流量优化的视角求解城市单元间最优通勤流量，有效反映了居民通勤行为与用地的交互过程，并且本发明能识别过载与欠载两种异常通勤模式，提升了数据的覆盖率、均匀性和结论的有效性。

2、为解决上述技术问题，本发明采用如下技术方案：

3、一种居民通勤行为与用地失衡交互模式的识别方法，包括如下步骤：

4、步骤1：收集并处理研究区数据集，其中，收集的数据包括研究区内的居民通勤od大数据；

5、步骤2：将研究区划分为若干交通分析小区taz；

6、步骤3：基于重力模型计算任意两个taz对之间的有向通勤吸引力，并将步骤2得到的taz作为二分网络的节点，以有向通勤吸引力的值作为二分网络节点间的加权边，构建加权二分网络；

7、步骤4：将实际通勤od流数据映射至加权二分网络，得到加权二分网络中每个节点的就业岗位数量和居民数量，进而确定任意两个taz间的通勤流容量；

8、步骤5：在约束条件下，以最大化网络的全局边权重为优化目标进行最优流量分配；

9、步骤6：对比网络中实际和最优通勤流量，识别其中显著过载及显著欠载两种异常通勤模式；

10、步骤7：输出异常通勤模式识别结果，并展示其空间分布。

11、进一步地，步骤1中居民通勤od大数据包括用户居住地坐标、工作地坐标、通勤距离、通勤时间、研究区内百度用户热力数据以及研究区内道路网络数据，其中，用户的居住地、就业地中至少一端位于研究区内。

12、进一步地，步骤1中对数据进行处理方法为：

13、1)统一空间矢量数据的坐标系，形成地理坐标系和投影坐标系一致的矢量数据集；

14、2)根据通勤时间和通勤距离字段，对研究区空间范围的异常通勤流数据进行清洗。

15、进一步地，步骤3中计算有向通勤吸引力的方法为：

16、对于任意两个tazi和tazj，tazi对tazj的有向通勤吸引力aij通过重力模型计算为：

17、

18、式中，pi是tazi在日间的百度用户热力密度；disij是tazi和tazj之间的路网距离；β为比例因子，用于调整可达性对有向通勤吸引力的影响程度；fi是tazi通勤就业相关的功能水平，其通过不同类别poi的密度计算得到：

19、

20、式中，ωk表示第k种poi类别的权重，根据通勤调查数据确定；dpk表示第k种poi类别的密度；np表示poi的总类别数量。

21、进一步地，步骤4中任意两个taz节点vi和节点uj间的通勤流容量确定为：

22、

23、式中，rei是节点vi的居住人口，emj是节点uj的就业岗位数量，节点的就业岗位信息和居住人口信息由居民通勤od大数据汇总至taz获得，并且不包括在同一taz内居住和工作的居民。

24、进一步地，步骤5的具体实现方式如下：

25、假如将s和t视为具有无限容量的虚拟源节点和汇节点，并假设所有通勤流都从s流出并流入t，则在约束条件下，taz之间的最优通勤交互通量表示为最大匹配问题：

26、

27、约束条件为：

28、

29、式中fij是从节点vi流向节点uj的通勤流；fsi是从虚拟节点s流向节点vi的通勤流，即来自居住地的流量；fjt是从节点uj流向虚拟节点t的通勤流，即流向就业地的流量；

30、三个约束条件分别代表节点间的容量约束、网络中没有省域流量以及流量与边的权重成正比。

31、进一步地，步骤5中采用基于容量更新的匈牙利算法进行最优流量分配。

32、进一步地，匈牙利算法的分配方法为：

33、首先，对原始网络使用匈牙利算法获得初始残差网络gr；通过减去已经被分配的居住人口和就业岗位，更新该网络中任意两个节点间的新容量，同时，当节点间的容量为空时，将节点间权重设为0，节点间的通勤流更新情况记录于流分配网络gf中；

34、基于更新后的边权重，再次使用匈牙利算法寻找新的最大匹配，重复本过程直至残差网络gr中所有节点间的容量为空；最终，输出gf作为最优通勤流分配方案。

35、进一步地，步骤6中异常通勤流由以下公式计算：

36、an(tazi→tazj)＝actual(tazi→tazj)-optimal(tazi→tazj)

37、式中，factual(tazi→tazj)、foptimal(tazi→tazj)分别对应为从tazi到tazj的实际通勤流量、最优通勤流量；an(tazi→tazj)为通勤流的异常程度，正值意味着与最优通勤流量相比，实际通勤流量过高，会发生“通勤拥挤”，负值说明实际通勤流量低于最优通勤流量，区域存在通勤不足问题，正值和负值分别表示过载和欠载两种异常通勤模式。

38、与现有技术相比，本发明的有益效果为：

39、本发明从交互网络流量优化的视角求解城市单元间最优通勤流量，克服了现有技术无法确定通勤流网络中任意两个单元之间的最优通勤交互流量的问题，另外，本发明基于交通条件、人口活力水平、poi设施三个方面量化了区域的吸引力，衡量城市空间结构对居民通勤的影响，有效反映了居民通勤行为与用地的交互过程；以全局用地吸引力最大为优化目标，充分考虑了城市用地功能的发挥效率；以通勤od大数据为驱动，避免了前期繁杂的实地调研过程，提升了数据的覆盖率、均匀性和结论的有效性。