學習回顧

從暑假學習到現在，我可以把時間分成三段。

1 動態人口分佈

暑假這段時間來到學校，由於某些原因，主要只看了這一方面的文章。主要是運用一些輔助資料估計人口的動態分佈。可以分為以下方法：

1）假設手機訊號 社交媒體 計程車軌跡或公交刷卡資料是無偏的資料，手機訊號量可以正面反應地區實時的人數。同樣可以用手機訊號量或社交媒體資料的實時數量，來研究城市中區域的職住通勤等情況。也可以用微博的簽到資料 公交刷卡 或手機訊號資料的等能夠反映每個人實時位置的資料做區域之間的互動研究。

2）人的分佈與POIs 道路網等的分佈是有一定關係的，可以通過POIs的分佈 道路的分佈以及遙感影象等資料對人口統計的人口做精密插值。

2 地圖綜合

開學後的兩個月內，確定了研究方向為地圖綜合。

1）點狀地物的綜合，主要指的是當地圖比例尺縮小時，哪些點要素應該被保留在地圖上，也即點的選取問題。選取時需要考慮的因素有很多：點的重要性優先，保持點的分佈特點等。

2）線狀地物的綜合，線綜合有線選取 線化簡和線位移等。目前我主要注意的是線的選取問題。在進行道路網選取時，主要考慮線的幾何特徵，屬性特徵和拓撲網路結構特徵。大體上要保證等級高的道路被選取，路的長度和寬度等集合特徵也需要被考慮，並且在道路選取之後，要儘可能保持道路的總體拓撲連通性等網路特徵的不變性。

3）面狀地物的綜合，面綜合我主要研究城市中建築物面實體的綜合。對面的處理主要有 單個面的化簡 多個面的合併化簡等。單個面化簡的操作與線化簡類似，對邊界線進行化簡。而多個面的合併化簡主要分為兩步：面的聚類；對每簇面應用恰當的綜合運算元。對面的聚類，是面綜合中至關重要的一步，對建築物的聚類不僅可以用於綜合，而且可以用於城市建築物模式的識別等城市研究。對建築物的聚類主要考慮建築物之間的距離 建築物的分佈方向 建築物的形態相似性。聚類方法可以分為如下幾種：

• 只考慮建築物之間的距離，用空間中點聚類的方式對建築物聚類，這類方法最為簡單，但是沒有考慮面有形態 方向等特徵。但是在有些情況下，這類方法也能有不錯的聚類效果；
• 分別考慮距離 形狀和方向等因素，對建築物運用層次聚類。層次聚類可以是自上而下的分裂也可以是自下而上的合併。自上而下的分類代表演算法是最小生成樹，通過依次裁剪聚類 形狀 方向差異較大的邊，得到子圖。自下而上的方法是，先對建築物建立Denauley三角網，判斷建築物的鄰近關係。對滿足距離 形狀 方向等約束條件的建築物進行合併。
• 綜合考慮以上三個約束，形成一個綜合了距離 形狀和方向的約束條件。

3 城市功能區識別

在最近的一個月，發現對地圖綜合有些倦了，開始看些城市方面的文章。

傳統的對於城市的功能分割槽識別方法主要是依賴對遙感影象的解譯，從城市的建設和用地分類角度來識別城市的功能區，往往區分精度限於建成區與非建成區的識別。這種方法忽略了以人為本的思想，人作為城市活動的主體，最應該作為城市功能分割槽的依據。

隨著網際網路的發展，開始出現了用區域性POIs的分佈情況識別區域的功能型別。再隨著一些新型資料的出現，例如公交卡 社交網路和手機訊號等帶有人類活動的時空屬性的資料被廣泛應用於城市研究。在城市功能區的識別的研究中，對城市中人類活動的時間序列進行聚類成為研究的主流方法。Rösler，Liebig（2013）在對德國科隆市的城市功能區識別中，對Foursquare簽到點的簽到人數時間序列做聚類，並使用簽到點的型別識別每一簇的類別。龍瀛等（2015）在對北京市的功能區識別中，使用公交卡資料，並對北京市每一個公交站的上下客時間序列做聚類，並輔之以北京市的POIs資料來識別簇的型別。陳亦明，劉小平等（2017），利用每個建築物內的騰訊實時人口資料，使用DTW度量時間序列之間的差異，對每個建築物人數的時間序列做聚類，最後也是利用建築物的POIs識別簇的型別。

回顧這幾個月的學習，發現看的文獻確實不少，但是看的東西比較雜，而且都處於比較淺顯的程度，可以說這段時間是比較迷茫的。不斷安慰自己這是正常的，需要多多涉獵才能知道自己真的想要什麼。

也向老師，師兄請教了不少，主要是要沉下心，多努力，文章成果什麼的都是水到渠成的，不能急功近利！如果說幾個月能做出好的成果，那研究生何必讀三年。