基于城市兴趣点数据的商团挖掘研究

基于城市兴趣点数据的商团挖掘研究1绪论1.1研究背景及意义城市商业中心是城市空间结构的重要组成部分，其合理的空间布局对促进城市经济文化发展、满足城镇居民消费需求、改善城市空间结构具有重要意义。随着城市化发展速度不断加快，中国城市商业进入了新一阶段，有关商业中心的识别研究也呈现出新的理论和趋势，传统研究在城市商业中心的发育规律与演变机制、结构特征与空间布局以及功能范围等领域已具有较为成熟的理论基础，但借助调查统计资料和经济普查数据进行研究，数据获取普遍需要花费大量的时间和人力成本，难以确保研究的准确性和全面性；且更新频率较低，难以满足信息化时代城市商业定量研究及城市经济发展的需求。城市设施兴趣点（POI）数据描述了城市空间中的各种工程和社会服务设施，其中包含丰富的人文经济和自然信息。它是城市建设管理部门和普通民众关注的热点对象。城市设施的分布受到城市环境和人类活动的影响。在当地地理位置，通常有汇总的分配特征，例如商业中心的金融服务设施，休闲娱乐设施等。研究城市设施集群分布状况可以为城市健全社会经济结构，发展规划，商业布局等方面提供重要的信息服务，有助于进一步优化商业空间布局，为政府，公司德商业决策提供依据和针对性参考意见。1.2国内外研究现状国内外对于商业中心体系研究的理论与实践研究都已经具有一定深度与广度，而将大数据应用于商业网点布局研究方面则相对较少。针对城市商业结构研宄，往往局限于研宄人口、居民消费水平、社会经济、交通、市场格局与商业空间的关系，通过对商圈、中心地系统分析及相关理论研宄等。但是大数据给城市研究带来了巨大机遇，可以使研究较为精确化与高效化。结合大数据（POI数据等）对城市商业空间结构进行研宄，可以实现研宄方法与效果的更新，通过数据挖掘，可以更加深入的了解城市商业空间发展的历程，为城市更科学地进行商业网点布局规划提供建议。国外基于POI数据所做的城市研究社会性较强，如关注社交行为影响、就业等，而国内由于城市公共信息平台的非公共性，城市社会性数据一般很难公开以及用于城市研究，往往是现象层面的数据挖掘性研究且社会性价值相对不足，国外基于POI数据所做的城市研究社会性较强，如关注社交行为影响、就业等，1.3相关概念及内涵兴趣点（POI）数据是构成城市的每个功能单元的一组单元，并且介绍关于城市的每个功能单元的基本信息。是GIS中的一个术语，是指可以抽象为点的所有地理对象，尤其是那些与人们生活密切相关的地理对象，如医院，超市，酒店，停车场等。主要以对事物或时间的位置的描述为目的，可以大大提高事物或时间位置的描述能力和查询能力，提高定位的准确性和速度。城市商业空间结构是城市空间中社会和经济活动的映射。它是由商业活动主体和承运人的互动形成的。它也是商业格式及其规模，等级和关系的空间体现。国内外城市商业空间结构研究的相关理论和方法比较齐全，研究范围广泛，包括商业中心的空间特征，布局规则，层次系统和消费行为。本文主要研究北京主要城区的商业中心系统，探讨当前城市商业中心的空间分布特征及影响其分布的因素。1.4研究主要内容本文将基于高的地图的商业POI数据，分别采用DBSCAN聚类算法，核密度算法，基于密度等值线提取商业中心边界方法，基于等高线树提取商业中心的方法，对北京市商业中心的总体以及各行业空间分布情况进行研究（流程图如1-1所示）；主要包括一下几方面对北京市主城区商业POI数据进行预处理，将商业中心分为六大类，分别为宾馆酒店，购物，汽车相关，休闲娱乐，银行，餐饮。对LANDSAT8卫星影像进行镶嵌，波段合成，裁剪。同时将兴趣点数据，北京市矢量化数据，卫星影像进行空间矫正，形成三者地图叠加数据对六种商业类别进行DBSCAN聚类分析，核密度分析，根据结果，研究北京市主城区商业中心数量分布特征和空间积聚特征。基于核密度分析得到的栅格数据建立密度等等值线线，依据相关理论方法，得到六类商业中心边界，对六种边界建立等高线树处理，进行拓扑分析，树简化，得到六种商业中心之间的空间嵌套关系。制作专题地图，编写核密度分析，建立等高线树程序，对结果进行分析展望北京市主城区影像北京市主城区影像处理，矫正，配准北京市道路，河流，矢量化北京市道路，河流，矢量化北京市商业中心研究区域POI数据裁剪，清晰，编辑POI数据裁剪，清晰，编辑聚类分析核密度分析聚类分析核密度分析生成等值线生成等值线提取边界建立等高线树提取边界建立等高线树结果分析结果分析图1-1实验操作流程图流程图Fig.1-1FlowChartofexperimentaloperationflowchart2理论基础及研究方法2.1理论基础2.1.1商业集聚理论国外地理学家认为，城市商业的集聚不同于产业集聚和产业集聚的现象。城市商业集聚现象是指地理空间中各类零售店的积累。城市商业集聚的明显特征是零售业中的各种形式在一定的空间区域内共存，相互补充或相互竞争;商业集聚，以吸引消费者的购买力，通过降低信息获取成本和交易成本获得更大的规模效益和经济效益。城市商业发展的一个重要特征是业务的聚合。集聚效应是社会和经济活动集中发展形成的外部效应和规模效应的结合。这种聚集效应提高了资源利用率，节省了生产成本，并增加了收入和效用。这是商业集聚的发展。2.1.2数据挖掘理论数据挖掘是英文DataMining的全称，是通过各种方法从大量数据中提取隐藏在数据中的特殊属性的过程，这些方法通常由计算机平台实现。随着社会的快速发展，越来越多的人类活动，经济表征和社会现象可以用数据来表示。对这些数据的进一步探索和分析可能导致许多以前未发现的法律，现象和问题。通过分析，分类，估计，预测，聚类，可视化等一系列过程，可以有效促进生产力的提高和社会的发展。应该指出的是，数据挖掘和统计分析之间没有明显的界限。2.1研究方法1.2.3DBSCAN聚类分析法DBSCA算法是密度聚类的典型代表是MartinEster,

Hans-PeterKriegel提出的一种空间聚类方法。也是目前中比较常用的一种算法，该算法的有点可以迅速更具搜索距离和要收集的要素数而快速的获取聚类区域。操作简单，计算速度款。其算法原理，是要求在空间中，一个区域所包含的数据点的数量大于或等于所给定的阈值，可以生成根据计算距离和数量的任意的聚类簇族。如果簇族面积和密度过大，可以使相邻簇族链接成一个簇族。能够有效处理异常噪声数据点。主要用于类似POI这样的在空间有特定的分布形式的聚类。DBSCAN共包括3个输入数据：数据集D，给定点在邻域内成为核心对象的最小邻域点数：MinPts,邻域半径：R，其中R和MinPts需要根据具体应用人为设定。流程图如2-1所示POI数据POI数据输入Min-points输入R输入Min-points输入RP为噪声点P为噪声点抽出任意未处理的点P抽出任意未处理的点P判断半径R的圆中，POI判断半径R的圆中，POI的数量是否大于Min-points否是是P为P为核心点从p从p点密度可达的所有点，形成一个簇输出最终聚类结果输出最终聚类结果图2-1DBSCAN聚类分析算法流程图Fig.2-1FlowchartofDBSCANClusteringanalysisalgorithm1.2.3核密度分析法核密度分析用于计算每个输出栅格像元周围的点要素的密度。具体方法是借助一个移动的单元格对点或线格局的密度进行估计，给定样本点x1，x2，…，xn，利用核心估计模拟出属性变量数据的详细分布，计算二维数据时d值取2，一个常用的核密度估计函数可以定义为，其公式表示如2-1所示。其中K为核函数，(x-xi)2+(y-yi)2是点(xi，yi)和(x,y)之间的距离，h是带宽，n是范围内的点数，d是数据的维数。根据POI数据的空间分布模式，可以可视化POI点的分布密度，并可以为不同类型的POI点的空间特征，分布模式和影响因素提供数据分析工具。本文根据核密度估算方法，对研究区域进行划分，将商业分布数据转换为网格密度值。POI数据POI数据选择字段设置搜索半径选择字段设置搜索半径核密度计算核密度计算去除空值去除空值分段显示分段显示输出栅格数据输出栅格数据图2-2核密度分析算法流程图Fig.2-2Flowchartofnucleardensityanalysisalgorithm1.2.3基于等高线树提取商业中心法等高线树是表达等高线之间的层次关系的，这表现为浮层等高线与子层等高线之间的隶属或包含你关系，以及父层中后子层中诸等高线之间的邻接或兄弟并列关系。建立等高线树结构具有多方面意义与应用领域。诸如地貌形态组成结构分析，地貌形态搞成分布与应用。等高线树应用到多种类别的商城中心嵌套关系的研究中，利用核密度分析得到的栅格数据提取等高线，等高线的值代表该处商业中心的密度值，利用等高线的疏密程度，制定规则提取各类别商业中心边界线，建立等高线树，进行树简化拓扑分析，得到各等高线之间的包含邻接关系，映射为商业中心直接空间嵌套关系。本文利用C#语言编写的建立等高线树程序，程序只对闭合的等高线才能进行有效处理，程序可以分为四部分，分别是，对提取的闭合等高线进行线转面处理，生成的面要素对其进行拓扑分析，拓扑关系为拓扑包含。将进行的拓扑分析之后的面要素转为线要素，并将各要素按层分颜色显示。每条等高线代表一种商业中心的边界，等高线树的空间包含关系，也代表着各类别商业中心之间空间嵌套关系。流程图如图2-3所示。闭合等值线要素转为面要素对面进行拓扑分析，简化素转为面要素面要素转为线要素闭合等值线要素转为面要素对面进行拓扑分析，简化素转为面要素面要素转为线要素图2-3等高线建树算法流程图Fig.2-3FlowchartofContourBuildingalgorithm3研究区概况及数据3.1研究区概况本文选取北京市主城区为研究区，共辖6个行政区，分别为东城区，西城区，丰台区，石景山区，朝阳区，海淀区，总面积1381km2。北京是全国最繁华的商业中心和贸易交流城市之一。在世纪之交的10年间稳步增长之后，北京已进入加速增长期。商业形式也经历了单一的，低层次的传统多元化模式。目前先进的现代商业结构的转变和商业中心的发展呈现出功能多样化和功能分化的趋势不仅拥有着王府井，西单，CBD，中关村等著名传统商圈，而且像望京商圈，公主坟等次级商圈也在近几年得到了快速稳定的发展，除了这些，交通作为商业发展的重要条件，也趋于完善，北京城市道路总长达到了4125.8公里，城市公路总长13597公里，地铁和轻轨可以覆盖整个北京市主城区。作为维护民生的重要产业，商业在北京经济发展和宜居城市建设中发挥着重要作用。商业中心的发展也成为北京经济发展的缩影。3.2数据来源商业兴趣点（POI）数据：本文利用得源自高德地图，由国家信息中心合作企业北京国信宏数科技有限责任公司提供，时间跨度为2018年4月-2018年12月的全部数据，地域覆盖整个北京市，数据总量为24万余条。本数据得属性包含POI名称、分类、街道地址、经纬度、POI所在区域名称、POI所在区域编码共6个核心字段，数据格式为shp。影像数据：卫星影像数据来自于地理空间数据云，Landsat-8OLI_TIRS卫星数据影像，由于北京的地理位置，得到研究区共三幅卫星影像，各11个波段，时间跨度分别在2018年6月至10月份。地图数据：北京市行政区域规划，北京市道路网数据，水域湖泊数据，车站，政府兴趣点数据，全部为shp格式。由笔者本人矢量化得到。如图3-1所示。图3-1北京市主城区矢量化地图Fig.3-1VectorizationmapofBeijingmaincity3.3数据处理首先是对商业兴趣点（POI）数据的处理，对全国兴趣点（POI）数据进行掩膜裁剪，获取北京主要城区的POI数据。尽管每个POI数据都具有一定的影响范围，但某些类型的POI具有较少的公众认知，例如足球场，篮球场。无法判断类似的POI数据属于那个类别，所以将此类数据查出并剔除。在整个公共服务系统中识别这种类型的POI并不高，因此有必要从原始POI信息数据中有效地找出具有高公众意识的POI数据。选择明确反映公共服务特征的P0I数据，例如代表金融类别的银行，与汽车相关的停车场，代表购物的万达广场等。剔除掉和商业之间联系不显著的POI数据，例如事务所，足球场等。POI数据如图3-2所示。图3-2北京市主城区POI数据类型及空间特征Fig.3-2DatatypesandspatialcharacteristicsofPOIinmainurbanareaofBeijingPOI类POI个数比例主要分布宾馆酒店49857％西单、王府井、回龙观、新街口、朝外餐饮2633622％阜外、展览路、北新桥、双榆树、呼家楼休闲娱乐78968％亚运村、三里屯、建外、中关村、展览路汽车相关83408％回龙观、平西府、小红门、新村街、清河购物5499752％阜外、展览路、北新桥、双榆树、呼家楼金融26923％阜外、东直门、朝外、朝阳门、中关村按照类型统计，将获得的POI数据点，归为六大类，如宾馆酒店，餐饮，休闲娱乐，汽车相关，购物，金融等，共105246条：宾馆酒店4985条、休闲娱乐类7896条、购物类54997条、餐饮类26336条、汽车相关类8340条，金融类2692条，将各大类具体划分为各小类。如图3-2所示。原始POI数据被更多地分类，并且每个类别包括多个级别的小类。类型之间存在重复的交叉点。因此有必要对原始数据进行重新分类。例如，将休闲娱乐类里需要划分为旅游景点，游乐场，影院等小类。从而保证数据得完整与严谨性。并对北京市主城区道路网数据，湖泊数据行政区，重要车站点进行矢量化处理。并对北京市的行政区域规划进行矢量化。图3-3北京市主城区POI数据分布Fig.3-3DatadistributionofPOIinmainurbanareaofBeijing其次是对卫星影像的处理，由于Landsat8影像有11个波段，根据研究内容，应该凸显建筑物信息，所以将7、6、4三个波段合成，得到覆盖研究区区域的彩色影像图，后经过镶嵌，裁剪，空间矫正处理，得到POI数据与影像图叠加地图数据。如图3-3所示。图3-4北京市主城区POI数据与影像图叠加地图Fig.3-4DatadistributionofPOIinmainurbanareaofBeijing4北京市商业中心空间特征研究4.1基于核密度分析的北京市商业中心的边界提取一种商业类别的集聚边界的提取是分析这一商业类别的一种基础性工作，对于各商业类别的空间分布和整体规划有非常大的作用。目前，这种边界的确定一般依靠的都是遥感影像判读的方法，但是这种方法主观意识强，对遥感影像清晰效果要求大。且由于遥感影像无法真正意义上分清各种商业类别，所以对边界提取的准确性无法保证。但是通过对北京市主城区POI数据的核密度分析，来识别各种商业类型集聚边界，可以为边界的拾取提供定量的方法支撑，掌握正确的判定方法和过程，确保边界拾取的稳定性。对研究区POI数据进行核密度分析，分析结果所形成栅格数据中每个栅格所对应的密度值为该点的高程值，对栅格数据进行等值线处理。。根据POI密度等值线可以看出，已北京市主城区密度值最高的一个为等值线高程最高值，一次为中心，向周围以同心圆状逐级发散。在密度值高的区域等值线分布的越紧密，密度值低的地方，等值线间距越大。所以以此可以判断，POI密度等值线与商业中心之间存在某种空间上的联系。所以将POI密度等值线图和核密度分析结果相叠加，将密度等值线与核密度分析结果上密度值最小区域相叠加部分的等值线保留，这样就保留了一部分可以大致描述边界的等值线。一般情况下，这类等值线不是闭合的，这样在与遥感影像进行结果验证，确定一条最符合的等值线数据，在研究区边界断开的等值线进行手动接边处理。形成闭合商业中心边界。如图4-1所示。图4-1商业中心边界线Fig.4-1Commercialcenterboundaryline对各类别商业POI数据进行上述边界提取处理，等值线间距的选取要符合核密度结果本身的密度间隔。一般的选择，核密度计算时搜索半径的1/4，这样可以保证在边界处出现三到四条等值线要素，以便通过比较几条等值线选取最为适合的商业中心边界。从图中可以看出，购物及商场服务类边界范围最大，金融类最小。4.2总体分布特征4.2.1空间分布数量特征本研究中从高德地图中获取商业POI数据105234个，其中东城区POI数据12428个，分布密度为296个/km2，西城区POI数据14284个，分布密度为280个/km2，朝阳区POI数据33394个，分布密度为71个/km2,丰台区POI数据20922个，分布密度为69个/km2，石景山POI数据4526个，分布密度为53个/km2，海定区25206。密度为58个/km2。商业POI数据最多的是朝阳区，达到总数的32％，其次是海淀区古，商业POI数据最少的是石景山区，仅仅占总数4.3％。商业POI数据占比最大的区是最少的区五倍之多。北京市各区分布的POI数量差距较大，分布密度差距也比较大。这其中有很大的原因在于行政区面积和地形地貌有关。DBSCAN聚类方法将北京市主城区105234个POI数据分为九类，如图4-2所示。第一类数量为4539，密度为83个/km²；第二类数量为672，密度为55个/km²；第三类数量为88930，密度为222个/km²；第四类数量为542，密度为23个/km²；第五类数量为1691，密度为84个/km²。第三类聚类结果的数量占总数的89%，且分布密度是所有聚类中最高的，聚类规模最大且分布最集中。第四聚类结果的数量最少，且分布密度最小。北京市现代服务业总体分布集中，且已经形成了大规模的集聚程度较高的聚类，且各个聚类类别差别较大。图4-2总体商业类别聚类分析效果图Fig.4-2OverallbusinesscategoryClusteringanalysisrenderings4.2.2空间分布集聚特征对研究区进行核密度计算，搜索半径设置为1000米，得到核密度图像如图4-3所示。通过核密度分析的结果可以得出结论，北京的商业活动在地理空间中分布不均，总体上具有一定的空间聚集性。西城和东城两个区是首都的核心商业区，其商业密度远远超过其他地区。位于新城区开发区的商业区是一个传统的商业区。商业中心高度集中，沿长安街形成一条主轴，以同心圆的方式向外发散式分布。核密度图像将商业中心分为三个层次。高密度商业区域全部分布在四环或四环附近。它们以向心的形状分布，并且沿着市中心向外延伸的主要道路分布。这是典型大城市最重要的特征。这类上世纪90年形成的的老商业区，如CBD商圈，西单商业街，王府井商业街，以及中关村等商场式商业区，以及望京，CRD，公主坟等专业商业区。中密度商业区主要分布在北京省道和城市快车道路网上，随着北京发展和扩张的主要趋势，如北京奥运会主场馆附近的新奥购物中心。此外，一些具有专业职能的商业区和多种生活服务类商业区的形成和发展与交通状况密切相关。低密度商业区的分布相对分散，整个研究区的不同地点分布较多，商业区的平均面积也很小。从功能类型来看，主要是便利的商业区和饮食文化商业区，大多分布在一些大型社区和周边地区，以及主要道路两侧。主要目的是满足居民的日常消费需求。总的老说，北京市商业中心分布相当广泛，延环路形成了一个高度聚合的商业集聚地区，这个聚合中心点就是西城区东城区。不同类别的商业中心集聚分布都有较明显不同。图4-3总体行业核密度分析结果Fig.4-3Resultsofnucleardensityanalysisforthegeneralindustry4.3各行业分布特征4.4.1金融业金融业类包括各大银行，储蓄所，信用社，贷款公司，保险公司等，北京市主城区含有此类别POI数据共计2692个，其中西城区含33％，东城区含31％，石景山区含4％，朝阳区含15％，海淀区含14％，丰台区含3％。对研究区金融业POI数据进行DBCAN聚类分析，搜索距离设置为1000米，要素阈值设置为30个，得到聚类结果如图4-4所示。DNSCAN聚类分析将金融业POI数据分为三类，第一类POI数据量达到了2405个，分布密度12个/km2，这部分金融服务业集中分布在中心区和近郊内沿特别是证券和保险服务集中程度最明显。第二类POI数量为206个，其主要分布在城市功能拓展区以及主城区得边缘地带，大多围绕着政办公机构。第三类POI数量则为81个，其主要分布在中关村商圈附近，因为中关村园区作为著名的科技园区，大量的金融机构是其重要得组成结构。因此，由聚类结果研究得到，第一类所含POI数据量是第三类POI数据量的30倍之多，由此可以看出北京市主城区金融类网点分布不均衡，以西城区东城区为核心形成高密度聚集区，向郊区分散式分布，并在特殊职能地区，形成级别较小的聚集区。图4-4金融类POI聚类分析效果图Fig.4-4EffectdiagramoffinancialPOIclusteringanalysis对研究区进行核密度计算，搜索半径设置为1000米，得到核密度图像如图4-5所示。通过核密度结算结果研究得到，北京金融业的密度从核心向外围下降，金融服务机构处于北京四环范围内的“核心-边缘”布局模式。也就是说，北京金融机构的分布仍然比较分散，扩张范围很广。最初形成以金融街为核心的高端金融服务集群。空间上没有呈现“圆”状结构，主要是故宫，天安门建筑用地的性质。在城市总体规划政策中，所形成土地的性质无法商业化。进而打破了“圈层”结构的形成。另外在中关村科技园区周围形成了一个级别相对较小的金融圈，中关村科技作为中国的硅谷，其需要大量的金融业支持。金融业是其不可缺少的一部分。图4-5金融类POI核密度分析结果Fig.4-5Resultsofnucleardensityanalysisinfinancialindustry4.3.2休闲娱乐业休闲娱乐业包括包含大中小型的休闲娱乐设施，其中有公园，植物园，网吧，洗浴中心等一些其他的休闲娱乐中心，北京主城区共包含此类POI数据7896个，其中西城区含36％，东城区含32％，朝阳区含10％，海淀区含11％，石景山区含5％，丰台区6％。对研究区宾馆酒店类POI数据进行DBSCAN聚类分析，搜索距离设置为2000米，要素阈值设置为100个,得到聚类结果如图4-6所示。根据聚类分析将休闲娱乐类POI数据分为四类，第一类POI数据总量达到了5799个，分布密度为29个/km2，其主要分布以六个行政区中心相连成片的区域，向中心城区方向集聚，其分布范围相当广泛。第二类POI数量达到了1702个，其分布在城市功能拓展区，分布业较为广泛，从六环外沿延申到主城区边缘地带，延此方向分布密度逐级递减。第三类POI数量达到了244个，这部分聚集区域位于石景山区首都文化休闲区内（CRD），这是从2008年决定批准《CRD建设行动规划》决定到今天2个休闲娱乐区，3个产业基地，6个上午功能区建成所带来得结果。第四类POI数据达到了151个，该部分主要位于石景山区首都文化休闲区，由于奥运产业积累下来的结果和五棵松场馆一直在被使用得缘故，周边的休闲娱乐区也一直在发展。从整体DBSCAN聚类分析结果上看，第一类POI数据总量是第三类POI数据总类24倍，所以休闲娱乐类产业在空间分布上也极不均匀，并且此产业类别分布较为广泛，以中心城区为集聚中心，向外组团式分布。图4-6休闲娱乐类POI聚类分析效果图Fig.4-6EffectDiagramofPOIclusteringanalysisofleisureandentertainment对研究区休闲娱乐POI数据类别进行核密度计算，搜索半径设置为2000米。得到如图4-7所示。根据核密度分析的结果，休闲娱乐类别呈现出双中心集聚模式，这是一种群体式发展模式。休闲娱乐功能的建设与城市区域发展的功能定位密切相关。这也是早期城市发展规划的指导作用的结果。因此，海淀和朝阳的细分都形成了不同层次的密度聚类峰，两个中心相连。周边有明显的分级趋势。而在石景山区和丰台区形成一个相比中心城区聚集密度较小组团式聚集区域，这两个区域分别是石景山区首都文化休闲区，石景山区首都文化休闲区，这两个聚集区的出现要得益于政府的政策支持和聚集区的功能定位所决定的。近年来，随着北京市城市的发展与非首都功能疏散，休闲娱乐类商业郊区化的趋势愈发凸显，并沿着郊区的不断发展，组团式演化形成。图4-7休闲娱乐类行业核密度分析结果Fig.4-7Analysisresultsofnucleardensityinleisureandentertainmentindustry4.3.3餐饮业餐饮类包括中小型餐厅，火锅店，农家乐等餐饮场所，北京市含有此类别26336个，其中西城区含32，东城区含36％，朝阳区含13％，海淀区含10％，石景山区含4％，丰台区含5％。对研究区餐饮类POI数据进行DBSCAN聚类分析，搜索距离设置为1000米，要素阈值设置为100个,得到聚类结果如图4-8所示。根据结果显示，北京市餐饮类POI数据聚集分为八类，第一类包含POI数据总量21069个，分布密度为118/km2，其集中分布在东城区，西城区，朝阳区，海淀区呈圈层式分布。第二类包含数据总量2697个，其主要分布在各周边郊区县城区，少部分分散在六环周围。第三类包含POI数量565个，其主要分布在石景山市政府和石景山区首都文化休闲区。第四类包含POI数据295个，其主要分布在通州北路居民聚集区。第五类包含数据量167个，其主要分布在西单商圈，枣园周围。第六类包含POI数据量922个，其主要分布在中关村和五道口周围。第七类包含数据量238个，其主要分布在 八通线商业带周围。第八类包含POI数据200个，其集聚中心为望京地区。由此分析可以得到。密度最大，数量最多的第一类集合事最少类的14倍之多，餐饮类在主城区分布较不均匀，且受地区经济发展水平和人为活动影像较大，比如中关村和通州北路居民聚集区。图4-8餐饮类POI聚类分析效果图Fig.4-8EffectdiagramoffoodandbeveragePOIClusteringanalysis对研究区宾馆酒店类别进行核密度计算，搜索半径设置为2000米。得到如图4-9所示。从图中发现北京市主城区餐饮整体空间分布不均匀，东多西少，呈现出以西城区，东城区为集聚中心向外聚集逐级递减的特征并且延交通线向外发散式分布的特点。并在传统商圈，热门景点周围呈现高度集中的态势。而且，餐饮类分布范围极广，在主城区边缘地带也有大量餐饮类场所存在。在西城区和东城区交界，也就是故宫所在的位置，出现一部分密度值接近为零的密度带。这是因为由于政策原因，这部分不能用于餐饮类商业的应用。图4-9餐饮类行业核密度分析结果Fig.4-9Resultsofnucleardensityanalysisincateringindustry4.3.4汽车相关业汽车相关类包括汽车4S店，修配厂，停车场等。北京市主城区含有此类别POI数据8340个，其中西城区含26％，东城区含27％，朝阳区含23％，海淀区含22％，石景山区含16％，丰台区含19％。对研究区汽车相关类POI数据进行DBSCAN聚类分析，搜索距离设置为2000米，要素阈值设置为80个。等到聚类结果如图4-10所示，DNSCAN聚类分析将汽车相关类POI数据共分为8类，第一类包含POI数据785个，分布密度为12个/km2，其主要分布在海淀区东南部和西城的西北部交界地区，这个位置是杏石口路和闵庄路所在地，拥有着大量品牌的汽车4S店。第二类包含POI数据1010个，分布密度19个/km2，分布在东城区东北部和朝阳区西南部。这个位置是东方基业汽车城所在地。是北京市著名的汽车展览销售中心。第三类POI数据包含POI数据610个，密度分布10个/km2，这个位置是来广营地区，是北京市朝阳区管辖的乡镇，其拥有一条汇集16家4S店的汽车商业街。第四类包含POI数据1092个，分布密度为18个/km2，这位于丰台区的南四环路附近，除了十几家汽车4S店分布外，北京市旧机动车交易市场也在这里。第五类包含POI数据517个，分布密度为11个/km2，其主要分布在亦庄地区，作为享受国家双重优惠政策的国家经济开发区所在地，里面含有大量的诸如奔驰，宝马，大众等品牌的汽车行业。第六类包含POI数据427个，分布密度为9个/km2，此类主要分布在五方天雅汽车园，五方天雅汽车修配成周围。第七类包含POI数据431个，分布密度为12个/km2，该位置是欧德宝汽车园，该园区销售着超过20种汽车品牌，并分布着大量的汽车附属网点。第八类包含数据3486个，在北京市主城区分散式分布，主要为个体企业。从以上可以看出，汽车相关类商业存在相对均匀分布现象，而且，其以自身中心地区为集聚点，组团式分布。图4-10汽车相关类POI聚类分析效果图Fig.4-10EffectDiagramofPOIclusteringanalysisforautomobilerelatedtypes对研究区宾馆酒店类别进行核密度计算，搜索半径设置为2000米。得到如图4-11所示。从核密度图像分析得出，较其他行业相比，西城区，东城区不在是集聚中心，且此行业相对分布均匀。从图中，可以很清楚识别出七个集聚中心，且均分布在交通较为发达地区。位于丰台区的南四环拐角处密度值最高，这里不仅分布着各种品牌的汽车4S店，还是北京旧机动车交易市场，而东城区与朝阳区交界高核密度区是北京著名销售展览汽车中心，东方基业汽车园所在地。从核密度结果图中我们还可以得到，高密度区的集聚中心。图4-11汽车相关类行业核密度分析结果Fig.4-11Resultsofnucleardensityanalysisinautomobilerelatedindustries4.3.5宾馆酒店业宾馆酒店类包括大型酒店和中小型宾馆，招待所，民宿等。北京市主城区含有此类别POI数据4935个。其中西城区含37％，东城区含39％，丰台区含4％，石景山区含4％，朝阳区含7％，海淀区含7％。对研究区宾馆酒店类POI数据进行DBSCAN聚类分析，搜索距离设置为2000米，要素阈值设置为100个，得到聚类结果如图4-12所示，DBSCAN聚类分析将宾馆酒店类POI数据聚集分为七类。第一类POI数量到了4380个，分布密度为34个/km2,其主要分布在以东城西城为集聚中心，延环路成辐射状分布，其主体部分在六环内及六环附近。第二类POI数量达到了475个，分布密度为19个/km2，第二类主要分布在城市生态发展区，集中分布各个主要干线的附近，以及一些旅游景点附近，而另外其数量大致两近，数量最多得达到了57个，最少的只有17个，这些商业网点分布过于分散，主要分布城市功能拓展区，集中在六环外一些重要的火车站点，客车站点。图4-12宾馆酒店类POI聚类分析效果图Fig.4-12HotelTypePOIClusteringanalysiseffectdiagram对研究区宾馆酒店类别进行核密度计算，搜索半径设置为2000米。得到如图4-12所示。根据核密度计算的结果，可以很清楚的看出此类商业空间集聚特征，北京市宾馆酒店类空间分布呈集聚分布，大部分酒店密集分布在中心地区，由中心地区向外围圈层式锐减，沿交通线向中心城边缘集团延伸，在远郊区县形成若干小型集聚区，出现近郊与远郊连绵为一体的趋势，表现出沿中心地、沿交通干线、沿旅游景区分布的特征。在故宫，天安门区域出现在了一个真空区域，因为该地区的特殊性质，不能适应宾馆酒店类商业开发和发展。宾馆酒店在海淀区和朝阳区地带也有较高密度带出现。综上所述，宾馆酒店业也呈现出高度向心集聚发展的态势。图4-13宾馆酒店类核密度分析效果图Fig.4-13Hotelclassnucleardensityanalysiseffectdiagram4.3.6购物与商场服务业购物与商场服务类类包括大型商场，超市，理发店，五金商行等销售和服务中心。北京市主城区含有此类别POI数据54997个。其中西城区含29％，东城区含28％，丰台区含10％，石景山区含9％，朝阳区含15％，海淀区含11％。对研究区宾馆酒店类POI数据进行DBSCAN聚类分析，搜索距离设置为2000米，要素阈值设置为100个，得到聚类结果如图4-13所示，DBSCAN聚类分析将宾馆酒店类POI数据聚集分为8类。第一类包含POI数据44933个，分布密度198个/km2，以中心城区为中心以环路发散式分布，密度逐级递减。第二类含POI数据量3582个，密度29个/km2,分布在石景山市区和石景山区首都文化休闲区，因其位置分布着一些旅游景点，所以购物服务类商业中心朝这一中心位置集聚。第三类包含POI数据1530个，分布密度为11/km2。其分布位置在朝阳区市中心，作为行政区中心，大量购物和生活服务网点是其重要得组成部分，所以这一地区形成了一个面积较小得集聚中心，第四类包含POI数据1203，分布密度为9/km2，其分布位置主要在中关村商圈，为满足商圈内人员和企业需求，所以此类别向这一中心地聚集。第五类包含POI数据377个，分布密度为8/km2，其位置分布在朝阳区西北部，亚奥商圈周围，在2008年奥运会发展至今得北京传统商圈，里面包含大量购物及生活服务网点。第六类包含POI数据679个，分布密度为10/km2，其分布位置也是传统商圈所在地，望京商圈和燕莎商圈，同样不可避免地会出购物及生活服务中心集聚现象。第七类包含POI数据4921个，其多数分布在六环路外沿和外延外居民区聚集地，在主城区边缘也有分布，与交通干线相依存得关系，分布范围较广泛。从以上可以得出，购物类及商场服务业在空间上也存在集聚现象，以中心城区为聚集中心，延交通干线辐射式分布，并在朝阳区石景山区得老传统商圈周围形成面积和密度值较小集聚。图4-14购物类类POI聚类分析效果图Fig.4-14EffectdiagramofshoppingclassPOIclusteringanalysis对研究区宾馆酒店类别进行核密度计算，搜索半径设置为2000米。得到如图4-15所示。从核密度图像可看出。生活业务功能集群区域基本覆盖整个中心城区，集聚区域与中心城区综合商业中心的分布基本一致，集中度沿环线逐渐减小。在空间布局方面，它强调最接近城市居民，并考虑服务距离最优化。西单，王府井，新街口，朝外等传统商业中心仍然是长安街沿线的商业高浓度区域。与此同时，生活购物类商业密度沿环线与放射交通廊道逐级扩散，在六环路附近形成一个新的集群，形成回龙观，望京等郊区住宅区。通州区和大兴区外郊逐渐形成新的聚集地。图4-15购物类行业核密度分析结果Fig.4-15Resultsofnucleardensityanalysisinshoppingindustry4.4各商团之间空间分布嵌套关系研究基于等高线树提取商业中心的方法，可以很直观的观察到各类别商业之间在空间上的嵌套关系。在对等高线树建树的过程中，需要对等值线进行拓扑判断，其中的包含关系代表的实际意义就是商团之间的嵌套关系。所以本文，将各业商业中心边界线作为等高线进行建树处理。由于各类商业中心之间存在部分重叠压盖区域，这就与等高线之间的空间关系相违背。于是就必须对建树的原则进行适应性修改。因为，对于本文规定，如果商业中心之间如果存在30%以上重叠压盖区域，那么就可以将这几类商业中心统一归为一类，根据其属性只能，确定一个新的商业类别。如图4-16。图4-16三种商业类别空间重叠关系图Fig.4-16Threebusinesscategoryspatialoverlappingdiagrams汽车相关类边界，休闲娱乐类边界与餐饮类边界，存在明显重叠压盖区域，且重叠部分超30%，所以本文笔者将这三类归为新类，名称为生活服务与汽车相关类。其边界由这三类中位于最外层的边界代替。根据上述原则，对上述购物类，生活服务与汽车相关类，宾馆类，金融类等四类边界线作为等高线处理，进行等高线树算法处理。得到结果如图4-17所示。形成两个簇族，L1，L2，其中L1涉及到四种商业类别POI数据，而L2簇族只涉及到了三组，且影响范围较小。P1，T1代表购物类密度等值线，P4，P9代表生活服务与汽车相关类等值线，P5代表宾馆酒店类密度等值线，P2，P7，T3代表金融类密度等值线。图4-17等高线树简化图Fig.4-17SimplifiedgraphofContourtree根据等高线树与商业类别空间套关系图，如下图4-18所示。在北京市主城区，各商业类别确实存在明显的嵌套关系，如果我们四环以里定义为功能核心