建筑认识研究管理论文提纲

论文题目：基于多源时空数据的建筑功能推断与动态人口分布模拟

摘要：改革开放以来,我国城镇化飞速发展,经历了生产生活方式、社会经济和地理空间的深刻变革。我国总体城镇化率从1979年的17.9%上升到2019年的60.6%,城镇人口数已从1.79亿增长到8.48亿。城镇化是指人口向城镇聚拢并推动城镇发展的一系列过程,其影响城市的人口、生态、经济发展等方面,其中人口城镇化与城市空间扩展尤为明显。2015年广州全市城镇化率已达85.53%,天河区已经实现全区100%人口城镇化,自上世纪80年代以来,天河区得到快速发展,一方面便利了城市居民的居住、工作、通勤和游憩,另一方面则由于人口逐年攀升,经济发展方式与人口增长速度不相协调,给城市有限的资源与环境容量带来了巨大压力。城市空间过度扩展与人口快速增长且空间分布不均,导致区域发展不均衡、人地矛盾、交通堵塞、资源过度消耗等问题时常发生,城市运行与维护成本不断上升,社会人居环境相对紧张。长期以来,城市空间地理学与城市规划学领域高度关注城市化进程中城市空间结构变化及扩展与城市人口的空间分布特征及规律等重点问题。利用现有的技术手段全面及时理解和认识建筑功能与城市人口空间分布及其两者之间的互动关系对于城市规划与管理具有重要的意义。随着网络信息技术、遥感和GIS技术及大数据的发展与变革,客观性和现势性强的并具有丰富语义信息的POI数据（Points of interest,以下简称POI数据）、海量样本的LBS数据（Location Based Services,以下简称LBS数据）和建筑轮廓数据的可获得性增强,来自移动终端的高时空分辨率LBS数据表征的人类活动信息对理解城市中人口行为活动提供了很好的时空大数据信息源和分析手段;其更加关注微观层面的精确度,提供了更好的洞察力;海量数据展现的规律有助于帮助发现之前由于样本局限所反映的联系;为更好的理解建筑功能以及城市动态人口空间分布特征及规律提供了可能。目前已有相关学者的研究关于利用社交媒体数据、手机信令数据、浮动车数据、公交刷卡数据等LBS大数据识别或推断城市功能区及建筑功能,然而大多集中在街道、地块、交通小区、百米以上网格等较大的空间尺度,缺乏较为精细尺度的认识和理解。人口数据空间化获取的数据主要是通过在特定行政单元的定期人口普查,耗时耗力且更新不及时,世界主流的人口公里网格数据包括Gridded Population of the World（GPW）数据集、Global Rural-Urban Mapping Project（GRUMP）数据集、Land Scan数据集及Worldpop数据集,都与特定范围的行政单元人口普查统计数据一样,空间尺度较为粗糙,静态且单一,难以获得更加精细的统计单元内城市动态人口分布信息。综上,本文拟广州市天河区为例,基于LBS人口密度数据TUD（腾讯用户密度,Tencent User Density,以下简称TUD数据）、建筑轮廓数据、POI数据等多源地理时空大数据,提出结合主成分分析（Principal Component Analysis,以下简称PCA）和Kmeans聚类算法对人类时空活动规律影响下的建筑功能进行推断;并利用随机森林算法对城市空间结构影响下的动态人口分布进行模拟。研究结果可以从更加微观精细的角度帮助理解和认识建筑功能的异质性与城市动态人口分布特征及规律。研究得到以下主要结论:（1）通过主成分分析可以提取反映人类活动规律的特征,利用K-means聚类算法对所提取的特征进行聚类,可以有效地对建筑功能进行识别。验证的聚类结果精度均不低于83%,精度最高的聚类2:城中村、居住小区类别,达到92.76%;通过建筑下TUD表征的人类活动信息可以有效识别推断天河区城中村特有的空间结构异质性特征。（2）天河区呈现出以居住和就业为主,商业和教育为辅的建筑功能分类特征,不同类型的建筑聚类呈现不同的人口变化特征;天河区建筑功能推断分类有功能混合的特征,居住类型的功能分区相对独立。如聚类2:城中村、居住小区等居住功能的建筑表征的城市空间结构,聚类4:科教、工作、高级居住小区混合区等功能混合的结构特征。（3）利用随机森林算法,可以有效模拟天河区城市人口动态分布,模型泛化性能均超过84%,模型泛化性能及效果优越。模型泛化性能最好的是工作日10:00-18:00,其泛化性能得分为88.61%;休息日10:00-18:00、休息日夜间21:00-1:00的泛化性能得分分别为87.33%和86.%75;工作夜间21:00-1:00的泛化性能得分是最低的,仍然达84.68%。且4个不同时段模型的均方根误差（RMSE）、平均相对误差（MRE）、平均绝对误差（MAE）均比较低。（4）4个不同时段的城市动态人口模拟结果中,区域经济中心均是排名第二的影响因子,与商务楼宇建筑、住宿服务、建筑面积等均是重要因子,作用效果显著;工作日和休息日10:00-18:00的重要影响因子是商务楼宇建筑、到区域经济中心的距离、到道路的距离、到地铁站点的距离,4因子贡献度总和分别为51.48%和46.02%;而工作日和休息日夜间21:00-1:00的重要影响除了区域经济中心以外,是住宿服务、建筑面积与住宅小区3个共同因子,3因子的总贡献度分别达35.71%和34.98%。本文研究成果将为城市规划者提供必要的规划评估与调整的信息,为城市基础设施的优化配置等提供科学有利的决策参考,支持社会经济可持续与健康发展。

关键词：多源时空数据;建筑功能;动态人口分布;广州市天河区

学科专业：建筑与土木工程（专业学位）

摘要

Abstract

第一章 绪论

1.1 选题背景

1.2 研究目的和意义

1.2.1 研究目的

1.2.2 研究意义

1.3 国内外研究进展

1.4 研究内容

1.5 技术路线

第二章 研究区概况与数据获取

2.1 研究区概况

2.2 数据来源与获取

2.2.1 辅助数据

2.2.2 LBS数据

2.3 数据处理

第三章 研究方法

3.1 数理统计法

3.2 GIS空间分析方法

3.2.1 POI核密度分析

3.2.2 欧式距离分析

3.3 主成分分析法(PCA)

3.4 K-means聚类算法

3.5 随机森林算法

第四章 结合主成分分析和K-means聚类方法的建筑功能推断

4.1 提取主成分

4.1.1 对工作日和休息日全天每小时共48个指标变量进行降维

4.1.2 对提取的主成分进行解释

4.2 K-means聚类分析

4.2.1 聚类数量的确定

4.2.2 聚类试验与结果

4.3 建筑功能识别方法

4.3.1 各聚类TUD曲线特征

4.3.2 POI密度指数

4.4 天河区建筑功能分类结果

4.5 建筑功能分析结果精度验证

4.5.1 AOI数据随机抽样

4.5.2 百度街景地图辅助

4.6 讨论与小结

第五章 基于随机森林算法的动态人口分布模拟

5.1 动态人口分布模拟因子体系的建立

5.1.1 自变量X的选取与构建

5.1.2 因变量Y的选取

5.1.3 构建模型特征库

5.2 模型训练

5.2.1 样本分割

5.2.2 参数设置

5.3 模拟结果

5.3.1 模型泛化性能与各因子贡献率

5.3.2 RF模型动态人口模拟结果

5.4 精度评价

5.4.1 均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)

5.5 讨论与小结

第六章 结论与讨论

6.1 主要结论

6.2 研究不足

6.3 研究展望

参考文献

致谢