技术领域
[0001] 本
发明涉及人群聚集度预测模型构建方法及装置，具体涉及一种基于城市空间结构的人群聚集度预测模型构建方法及装置。
背景技术
[0002] 随着我国人口和经济状况的逐渐变化，我国城市的发展已经从增量规划转向存量规划，而提升城市管理和舒适度状况，最主要的手段之一是改善行人步行的便利
水平。
[0003] 在以往的研究中，对行人聚集度的估计方法主要有两种：一种是在传统的四阶段交通估计模型的
基础上，将行人模式包括其中，但只是按照平均分配的空间特性的方法拆分行人小区，无法估计行人出行的需求特性；另一种是使用空间句法计算的集成度为基础，计算行人流量和行人与车辆冲突的状况，这样的采集方法受到客观条件的限制，数据点位少，很难真实的应用到整个城市路网中。
[0004] 综上所述，现有的行人聚集度估计方法存在预测结果不准确的问题。
发明内容
[0005] 本发明的目的在于提供一种基于城市空间结构的人群聚集度预测模型构建方法及装置，用以解决
现有技术中的行人聚集度估计方法及装置存在的预测结果不准确等问题。
[0006] 为了实现上述任务，本发明采用以下技术方案：
[0007] 一种基于城市空间结构的人群聚集度预测模型构建方法，用于根据待估计地区的步行路网获得人群密集度预测模型，按照以下方法执行：
[0008] 步骤1、获取待估计地区的步行路网，将所述的步行路网进行均匀分段，获得多个路段
采样点；
[0009] 获取每个路段采样点的行人聚集度，获得标签集；
[0010] 步骤2、获取每个路段采样点的环境变量，获得采样点环境参数集；
[0011] 所述的环境变量包括路网可达性参数、公交可达性参数、地
铁可达性参数以及城市商业活
力性参数；
[0012] 步骤3、将所述的环境变量集作为输入，将标签集作为输出，训练
随机森林模型，获得待估计地区的人群密集度预测模型。
[0013] 进一步地，所述的步骤2中获取每个路段采样点的路网可达性参数时，具体包括：
[0014] 步骤A、对所述的步行路网按照一定距离进行均匀分段，获得多个线段
节点；
[0015] 步骤B、获得每个线段节点在多个半径范围内的路网可达性参数；
[0016] 其中采用式I获得第i个线段节点di在半径r范围内的路网参数I(di,r)，r的单位为m：
[0017]
[0018] 其中，dj表示第j个线段节点，i≠j，j＝1,2,…,J，J为步骤A中获得的除第i个线段节点di以外的所有线段节点总数，J为正整数， 表示从第i个线段节点di到第j个线段节点dj之间的最短距离，单位为m；
[0019] 步骤C、获得每个线段节点在同一半径范围内的路网参数，获得每个线段节点对应的第一路网参数；
[0020] 利用近邻计算的方法将每个线段节点对应的第一路网参数赋给步骤1获得的所有路段采样点，获得当前半径范围对应的每个路段采样点的路网参数；
[0021] 计算当前半径范围对应的每个路段采样点的路网参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0022] 步骤D、重复步骤C，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0023] 步骤E、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的路网参数作为每个路段采样点的路网可达性参数。
[0024] 进一步地，所述的步骤2中获取每个路段采样点的公交可达性参数时，具体包括：
[0025] 步骤a、获取待估计地区的公交线路，将所述公交线路中同名公交
站点进行合并后重构拓扑，获得拓扑图；
[0026] 所述的拓扑图包括多个公交站点以及多条公交线段，所述的公交线段由多个公交站点连线组成；
[0027] 步骤b、重复本步骤，获得所有公交站点在多个半径范围内的公交参数：
[0028] 采用式II获得第p个公交站点在半径范围R内的公交参数B(p,R)，R的单位为m：
[0029]
[0030] 其中，N为步骤a中获得的公交站点的总数，N为正整数，kp为经过第p个公交站点的公交线段的数量，kp为正整数，dpq为第p个公交站点至第q个公交站点的最小公交线段长度，单位为m；
[0031] 步骤c、获得每个公交站点在同一半径范围内的公交参数，获得每个公交站点对应的第一公交参数；
[0032] 根据每个公交站点对应的第一公交参数，获得城市公交热力图栅格数据；
[0033] 将所述的城市公交热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的公交参数；
[0034] 计算当前半径范围对应的每个路段采样点的公交参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0035] 步骤d、重复步骤c，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0036] 步骤e、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的公交参数作为每个路段采样点的公交可达性参数。
[0037] 进一步地，所述的步骤2中获取每个路段采样点的地铁可达性参数时，具体包括：
[0038] 步骤I、获取待估计地区的地铁线路图，将地铁线路图中同名站点合并后在站点处打断，获得空间句法的轴线地图；
[0039] 所述的空间句法的轴线地图包括多个地铁站点以及多条地铁线段，所述的地铁线段由多个地铁站点连线组成；
[0040] 步骤II、重复本步骤，获得所有地铁站点在多个半径范围内的地铁参数：
[0041] 采用式III获得第u个地铁站点在半径范围t内的地铁参数S(u,t)，t的单位为m：
[0042]
[0043] 其中，U为步骤I中获得的地铁站点的总数，U为正整数，duv为第u个地铁站点至第v个站点的最小地铁线段长度，单位为m，
[0044] 步骤III、获得每个地铁站点在同一半径范围内的地铁参数，获得每个地铁站点对应的第一地铁参数；
[0045] 根据每个地铁站点对应的第一地铁参数，获得城市地铁热力图栅格数据；
[0046] 将所述的城市地铁热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的地铁参数；
[0047] 计算当前半径范围对应的每个路段采样点的地铁参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0048] 步骤IV、重复步骤III，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0049] 步骤V、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的地铁参数作为每个路段采样点的地铁可达性参数。
[0050] 一种基于城市空间结构的人群聚集度预测方法，按照以下步骤执行：
[0051] Step1、获取待估计地区的步行路网，采用基于城市空间结构的人群聚集度预测模型构建方法中步骤2的方法获得待估计地区中每个路段采样点的环境参数，获得环境参数集；
[0052] Step2、将Step1获得的环境参数集输入至基于城市空间结构的人群聚集度预测模型构建方法构建出的人群聚集度预测模型，获得人群密集度。
[0053] 一种基于城市空间结构的人群聚集度预测模型构建装置，包括数据获得模
块、数据预处理模块以及模型构建模块：
[0054] 所述的数据获得模块用于获取待估计地区的步行路网，将所述的步行路网进行均匀分段，获得多个路段采样点；
[0055] 获取每个路段采样点的行人聚集度，获得标签集；
[0056] 所述的数据预处理模块用于获取每个路段采样点的环境变量，获得采样点环境参数集；
[0057] 所述的环境变量包括路网可达性参数、公交可达性参数、地铁可达性参数以及城市商业活力性参数；
[0058] 所述的模型构建模块用于将所述的环境变量集作为输入，将标签集作为输出，训练随机森林模型，获得待估计地区的人群密集度预测模型。
[0059] 进一步地，所述的数据预处理模块包括用于获取每个路段采样点的路网可达性参数的路网可达性参数计算子模块；
[0060] 所述的路网可达性参数计算子模块包括路网分段单元、路网参数计算单元、路网相关性计算单元以及路网可达性参数获得单元；
[0061] 所述的路网分段单元用于对所述的步行路网进行均匀分段，获得多个线段节点；
[0062] 所述的路网参数计算单元用于获得每个线段节点在多个半径范围内的路网可达性参数，其中采用式I获得第i个线段节点di在半径r范围内的路网参数I(di,r)，r的单位为m：
[0063]
[0064] 其中，dj表示第j个线段节点，i≠j，j＝1,2,…,J，J为步骤A中获得的除第i个线段节点di以外的所有线段节点总数，J为正整数， 表示从第i个线段节点di到第j个线段节点dj之间的最短距离，单位为m；
[0065] 所述的路网相关性计算单元用于获得每个线段节点在同一半径范围内的路网参数，获得每个线段节点对应的第一路网参数；
[0066] 利用近邻计算的方法将每个线段节点对应的第一路网参数赋给步骤1获得的所有路段采样点，获得当前半径范围对应的每个路段采样点的路网参数；
[0067] 计算当前半径范围对应的每个路段采样点的路网参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0068] 获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0069] 所述的路网可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的路网参数作为每个路段采样点的路网可达性参数。
[0070] 进一步地，所述的数据预处理模块还包括用于获取每个路段采样点的公交可达性参数的公交可达性参数计算子模块；
[0071] 所述的公交可达性参数计算子模块包括公交分段单元、公交参数计算单元、公交相关性计算单元以及公交可达性参数获得单元；
[0072] 所述的公交分段单元用于获取待估计地区的公交线路，将所述公交线路中同名公交站点进行合并后重构拓扑，获得拓扑图；
[0073] 所述的拓扑图包括多个公交站点以及多条公交线段，所述的公交线段由多个公交站点连线组成；
[0074] 所述的公交参数计算单元用于获得所有公交站点在多个半径范围内的公交参数，其中采用式II获得第p个公交站点在半径范围R内的公交参数B(p,R)，R的单位为m：
[0075]
[0076] 其中，N为步骤a中获得的公交站点的总数，N为正整数，kp为经过第p个公交站点的公交线段的数量，kp为正整数，dpq为第p个公交站点至第q个公交站点的最小公交线段长度，单位为m；
[0077] 所述的公交相关性计算单元用于获得每个公交站点在同一半径范围内的公交参数，获得每个公交站点对应的第一公交参数；
[0078] 根据每个公交站点对应的第一公交参数，获得城市公交热力图栅格数据；
[0079] 将所述的城市公交热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的公交参数；
[0080] 计算当前半径范围对应的每个路段采样点的公交参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0081] 直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0082] 所述的公交可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的公交参数作为每个路段采样点的公交可达性参数。
[0083] 进一步地，所述的数据预处理模块还包括用于获取每个路段采样点的地铁可达性参数的地铁可达性参数计算子模块；
[0084] 所述的地铁可达性参数计算子模块包括地铁分段单元、地铁参数计算单元、地铁相关性计算单元以及地铁可达性参数获得单元；
[0085] 所述的地铁分段单元用于获取待估计地区的地铁线路图，将地铁线路图中同名站点合并后在站点处打断，获得空间句法的轴线地图；
[0086] 所述的空间句法的轴线地图包括多个地铁站点以及多条地铁线段，所述的地铁线段由多个地铁站点连线组成；
[0087] 所述的地铁参数计算单元用于获得所有地铁站点在多个半径范围内的地铁参数，其中采用式III获得第u个地铁站点在半径范围t内的地铁参数S(u,t)，t的单位为m：
[0088]
[0089] 其中，U为步骤I中获得的地铁站点的总数，U为正整数，duv为第u个地铁站点至第v个站点的最小地铁线段长度，单位为m，
[0090] 所述的地铁相关性计算单元用于获得每个地铁站点在同一半径范围内的地铁参数，获得每个地铁站点对应的第一地铁参数；
[0091] 根据每个地铁站点对应的第一地铁参数，获得城市地铁热力图栅格数据；
[0092] 将所述的城市地铁热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的地铁参数；
[0093] 计算当前半径范围对应的每个路段采样点的地铁参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0094] 直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0095] 所述的地铁可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的地铁参数作为每个路段采样点的地铁可达性参数。
[0096] 一种基于城市空间结构的人群聚集度预测装置，包括
数据采集模块、基于城市空间结构的人群聚集度预测模型构建装置以及预测模块；
[0097] 所述的数据采集模块用于获取待估计地区的步行路网；
[0098] 还用于将所述的待估计地区的步行路网输入至基于城市空间结构的人群聚集度预测模型构建装置中数据预处理模块获得待估计地区中每个路段采样点的环境参数，获得环境参数集；
[0099] 所述的基于城市空间结构的人群聚集度预测模型构建装置用于获得人群聚集度预测模型；
[0100] 所述的预测模块用于将所述的环境参数集输入至所述的人群聚集度预测模型，获得人群密集度。
[0101] 本发明与现有技术相比具有以下技术效果：
[0102] 1、本发明提供的基于城市空间结构的人群聚集度预测模型构建方法及装置提出了应用路网可达性、公交可达性、地铁可达性以及商业活力性四个环境变量估计人群
密度，该四个环境变量值也可以很大程度上反映一个地区的人群聚集度的高低，与人群聚集度值具有很高的相关性，可以作为衡量人群聚集度的四个重要的环境变量，从而提高了人群密集度估计的准确性；
[0103] 2、本发明提供的基于城市空间结构的人群聚集度预测模型构建方法及装置提出了新的计算路网可达性参数的方法，获取路网时，可以尽可能详细的获取包括步行小路在内的路网，重新打断后再做处理，避免出现过长或过短的路段，增加了计算的准确性；同时采用空间句法这一被简单而被大众普遍接受的计算方法，最后通过近邻分析重新给路段采样点赋值，此过程中再次对比筛选与人群聚集度相关性最强的半径作为计算半径，从而提高了人群密集度估计的准确性，且计算方便简洁且准确性高、实用性强；
[0104] 3、本发明提供的基于城市空间结构的人群聚集度预测模型构建方法及装置提出了新的计算公交可达性、地铁可达性参数的方法，以站点为公交和地铁可达性计算的节点，符合现实生活中的实际情况，人群聚集度越高的地方，公交、地铁的站点重合度越高，换成越方便；同时，将所计算节点先融为热力图，不仅可以直观的看到并验证所得结果的准确性，同时使用栅格数据转点数据后的节点值作为最终为采样点赋值的结果，增加了节点密度，提高了计算结果的准确性，从而提高了人群密集度估计的准确性，且计算方便简洁且准确性高、实用性强。
附图说明
[0105] 图1为本发明的一个
实施例中提供的微信宜出人群聚集流热力图；
[0106] 图2为本发明的一个实施例中提供的步行可达性米制半径与行人聚集度相关性分析图；
[0107] 图3为本发明的一个实施例中提供的公交站点半径与人群聚集度相关性分析图；
[0108] 图4为本发明的一个实施例中提供的公交可达性参数计算结果图；
[0109] 图5为本发明的一个实施例中提供的地铁可达性参数计算结果图；
[0110] 图6为本发明的一个实施例中提供的商业POI聚集度图；
[0111] 图7为本发明的一个实施例中提供的人群聚集度估计值与实测值的散点分布图。
具体实施方式
[0112] 下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会
淡化本发明的主要内容时，这些描述在这里将被忽略。
[0113] 以下对本发明涉及的定义或概念内涵做以说明：
[0114] 路段采样点：将路段以一个数据点进行表示，该数据点包括该路段的
位置等信息。
[0115] 路网可达性：道路网在网络布局、运输条件(交通方式)和土地使用影响下的通达程度，这里主要指在网络布局空间上的可达性。
[0116] 公交可达性：某地公交在网络布局上的通达程度，主要偏向于个体获得公交服务的便捷程度。
[0117] 地铁可达性：地铁在空间网络结构上的通达程度，换乘的便利程度。
[0118] 城市商业活力：商业发展的生机程度，这里主要用商业兴趣点的密集程度体现，商业兴趣点越密集，表示该地商业活力值越高。
[0119] 城市公交热力图：以特殊高亮的形式表现公交可达性的优劣，热力图中越亮的地方表示公交可达性越好。
[0120] 城市地铁热力图：以特殊高亮的形式表现地铁的可达性的好坏，热力图中越亮的地方表示地铁的便利性越强、可达性越好。
[0121] 实施例一
[0122] 一种基于城市空间结构的人群聚集度预测模型构建方法，用于根据待估计地区的步行路网获得人群密集度预测模型，按照以下方法执行：
[0123] 步骤1、获取待估计地区的步行路网，将步行路网进行均匀分段，获得多个路段采样点；
[0124] 获取每个路段采样点的行人聚集度，获得标签集；
[0125] 在本实施例中，获取西安市的步行路网，在arcgis中将步行路网按照每隔30m的距离打断为小路段，并将这些小路段转换为路段采样点。
[0126] 获取不同时段微信宜出行的西安市人群聚集热力图作为数据基础，如图1所示；再对人群聚集度热力图作近邻分析得到路网中各路段采样点的人群聚集度的值，即标签值。
[0127] 步骤2、获取每个路段采样点的环境变量，获得采样点环境参数集；
[0128] 环境变量包括路网可达性参数、公交可达性参数、地铁可达性参数以及城市商业活力性参数；
[0129] 在本实施例中，路网可达性参数、公交可达性参数、地铁可达性参数以及城市商业活力性参数均是现有技术中可以获得的。
[0130] 但是在本发明中，出于要考虑与人群聚集度关系密切的主要几个因素，从而选择了路网可达性、公交可达性、地铁可达性以及商业活力四个参数，在处理数据并进一步进行计算的过程中，为了提高计算的准确性，因而提出一系列的
数据处理方法，实例结果也进一步表明所选参数与所用方法具有很高的准确性与实用性。
[0131] 可选地，步骤2中获取每个路段采样点的路网可达性参数时，具体包括：
[0132] 步骤A、对步行路网进行均匀分段，获得多个线段节点；
[0133] 步骤B、获得每个线段节点在多个半径范围内的路网可达性参数；
[0134] 其中采用式I获得第i个线段节点di在半径r范围内的路网参数I(di,r)，r的单位为m：
[0135]
[0136] 其中，dj表示第j个线段节点，i≠j，j＝1,2,…,J，J为步骤A中获得的除第i个线段节点di以外的所有线段节点总数，J为正整数， 表示从第i个线段节点di到第j个线段节点dj之间的最短距离，单位为m；
[0137] 步骤C、获得每个线段节点在同一半径范围内的路网参数，获得每个线段节点对应的第一路网参数；
[0138] 利用近邻计算的方法将每个线段节点对应的第一路网参数赋给步骤1获得的所有路段采样点，获得当前半径范围对应的每个路段采样点的路网参数；
[0139] 计算当前半径范围对应的每个路段采样点的路网参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0140] 步骤D、重复步骤C，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0141] 步骤E、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的路网参数作为每个路段采样点的路网可达性参数。
[0142] 在本实施例中，统计过程如2图所示，当半径为6000米时，所求步行可达性与人群聚集度相关性最强。最后，通过近邻计算的方法，对所获的线段节点中距离各采样点最近的线段节点的值赋给采样点，作为此采样点的路网可达性值。
[0143] 可选地，步骤2中获取每个路段采样点的公交可达性参数时，具体包括：
[0144] 步骤a、获取待估计地区的公交线路，将公交线路中同名公交站点进行合并后重构拓扑，获得拓扑图；
[0145] 拓扑图包括多个公交站点以及多条公交线段，公交线段由多个公交站点连线组成；
[0146] 步骤b、重复本步骤，获得所有公交站点在多个半径范围内的公交参数：
[0147] 采用式II获得第p个公交站点在半径范围R内的公交参数B(p,R)，R的单位为m：
[0148]
[0149] 其中，N为步骤a中获得的公交站点的总数，N为正整数，kp为经过第p个公交站点的公交线段的数量，kp为正整数，dpq为第p个公交站点至第q个公交站点的最小公交线段长度，单位为m；
[0150] 步骤c、获得每个公交站点在同一半径范围内的公交参数，获得每个公交站点对应的第一公交参数；
[0151] 根据每个公交站点对应的第一公交参数，获得城市公交热力图栅格数据；
[0152] 将城市公交热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的公交参数；
[0153] 计算当前半径范围对应的每个路段采样点的公交参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0154] 步骤d、重复步骤c，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0155] 步骤e、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的公交参数作为每个路段采样点的公交可达性参数。
[0156] 在本实施例中，分析过程如图3所示，由结果可得，当半径为2600米时，公交可达性与人群聚集度具有最强相关性，再通过核密度方法构造半径,2600m的可达性
覆盖区，并融合为整个城市的公交可达性热力图；最后，通过近邻分析的方法获取第路段采样点的公交可达性参数，最终公交可达性处理结果如图4所示。
[0157] 可选地，步骤2中获取每个路段采样点的地铁可达性参数时，具体包括：
[0158] 步骤I、获取待估计地区的地铁线路图，将地铁线路图中同名站点合并后在站点处打断，获得空间句法的轴线地图；
[0159] 空间句法的轴线地图包括多个地铁站点以及多条地铁线段，地铁线段由多个地铁站点连线组成；
[0160] 步骤II、重复本步骤，获得所有地铁站点在多个半径范围内的地铁参数：
[0161] 采用式III获得第u个地铁站点在半径范围t内的地铁参数S(u,t)，t的单位为m：
[0162]
[0163] 其中，U为步骤I中获得的地铁站点的总数，U为正整数，duv为第u个地铁站点至第v个站点的最小地铁线段长度，单位为m，
[0164] 步骤III、获得每个地铁站点在同一半径范围内的地铁参数，获得每个地铁站点对应的第一地铁参数；
[0165] 根据每个地铁站点对应的第一地铁参数，获得城市地铁热力图栅格数据；
[0166] 将城市地铁热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的地铁参数；
[0167] 计算当前半径范围对应的每个路段采样点的地铁参数与步骤1获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0168] 步骤IV、重复步骤III，直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0169] 步骤V、选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的地铁参数作为每个路段采样点的地铁可达性参数。
[0170] 在本实施例中，首先，选取西安市已建成的三条地铁线路，将同名站点合并，接着在其站点处打断后，将地铁路网转换为空间句法的轴线地图；继而使用DepthMap空间句法计算空间集成度。最后，以各个地铁站点为圆心，通过核密度方法构造半径为1500m的可达性覆盖区，并融合为整个城市的地铁可达性热力图，处理结果如图5所示，通过临近计算的方法计算采样点的地铁可达性。
[0171] 在本实施例中，获取路段采样点的城市商业活力参数，具体包括：
[0172] 1、获取待估计地区地图及餐饮、娱乐、购物类的商业活力数据，包括商业活动所在地理位置、名称、类别等
属性信息；
[0173] 2、将所获商业POI数据根据坐标位置赋于地图上，并生成城市商业活力热力图；
[0174] 3、将上述商业活力热力图栅格数据转换为点数据，并对采样点i作近邻分析，选择第i个路段采样点最近的商业活力点的值赋给该采样点，作为第i个采样点的的城市商业活力参数；
[0175] 在本实施例中，首先，采集获取2018年5月的西安市商业餐饮、购物类poi数据，共计采集了151819条数据，包含了地理位置、名称、类别等属性信息。其次，为简化起见，不考虑不同poi的规模和类别上的差异，假设各类商业poi兴趣点对行人的影响是类似的；进一步，通过核密度缓冲的方法(缓冲半径设为300米)计算整个西安市商业活力热力图，如图6所示，通过临近计算得方法计算采样点的商业活力。
[0176] 步骤3、将环境变量集作为输入，将标签集作为输出，训练神经网络模型，获得待估计地区的人群密集度预测模型。
[0177] 在本实施例中，神经网络模型为随机森林预测模块，首先，对随机树的棵树(N)和深度(M)进行初始化，其中N＝500(默认)，M＝4；其次，以所得参数矩阵的70％数据为输入作为训练集，采用Bootstrap重采样技术，有放回的随机
抽取N(500)个子训练集；最后，对所抽取的500个训练集进行独立的学习，生成500棵
决策树构成所需的随机森林回归模型。
[0178] 实施例二
[0179] 一种基于城市空间结构的人群聚集度预测方法，按照以下步骤执行：
[0180] Step1、获取待估计地区的步行路网，采用实施例一中的基于城市空间结构的人群聚集度预测模型构建方法中步骤2的方法获得待估计地区中每个路段采样点的环境参数，获得环境参数集；
[0181] Step2、将Step1获得的环境参数集输入至实施例一中的基于城市空间结构的人群聚集度预测模型构建方法构建出的人群聚集度预测模型，获得人群密集度。
[0182] 在本实施例中，以实施例一中剩余30％的验证集数据的步行便捷性、公交可达性、地铁可达性及城市商业活力四个环境变量为输入，获得人群密度预测值，计算模型的精确度。具体步骤包括：
[0183] 首先，以所得的随机森林为基础，将剩余30％的数据作为验证集，输入步行便捷性、公交可达性、地铁可达性及城市商业活力四个环境变量，获得预测的人群聚集度数据；其次，计算各决策树的预测人群聚集度数据的均值作为最终预测值。最后，通过计算预测值与真实值得均方误差(MSE)及确定性系数(R2)判断模型的精确性与参考价值，计算公式为：
[0184]
[0185] 式中，Qi为实测值， 为预测值， 为真实值的均值。
[0186] 根据均方误差(MSE)及确定性系数(R2)判定随机森林回归模型的模型
精度，MSE越小，模型精度越高，R2越接近1，模型参考价值越强。计算结果如表1所示，各时段的随机森林回归模型的确定性系数均高于95％且均方误差均小于0.02，所以本模型建立的随机森林回归模型在保证了较高的参考价值的同时，模型预测精确度也较高，足以根据相关数据在城市范围内预测城市内人群的空间分布情况，说明本模型对于实际人流聚集度的预测具备足够的科学性。
[0187] 表1不同时段随机森林回归模型预测结果统计表
[0188]
[0189] 为直观观察人群聚集度实际值与预测值之间关系，在人群聚集度实际值和预测值的散点图，如图7所示，两者的分布呈现出高度的一致性。因此，通过四种西安市基础数据训练得到的随机森林回归模型，其对于人群聚集度的预测精确度和确定性指标均非常理想，确定性系数高达95％以上，说明通过随机森林回归建立的预测模型，可以相当准确的根据基础数据预测城市范围内的人群分布情况。
[0190] 实施例三
[0191] 一种基于城市空间结构的人群聚集度预测模型构建装置，包括数据获得模块、数据预处理模块以及模型构建模块：
[0192] 数据获得模块用于获取待估计地区的步行路网，将步行路网进行均匀分段，获得多个路段采样点；
[0193] 获取每个路段采样点的行人聚集度，获得标签集；
[0194] 数据预处理模块用于获取每个路段采样点的环境变量，获得采样点环境参数集；
[0195] 环境变量包括路网可达性参数、公交可达性参数、地铁可达性参数以及城市商业活力性参数；
[0196] 模型构建模块用于将环境变量集作为输入，将标签集作为输出，训练神经网络模型，获得待估计地区的人群密集度预测模型。
[0197] 可选地，数据预处理模块包括用于获取每个路段采样点的路网可达性参数的路网可达性参数计算子模块；
[0198] 路网可达性参数计算子模块包括路网分段单元、路网参数计算单元、路网相关性计算单元以及路网可达性参数获得单元；
[0199] 路网分段单元用于对步行路网进行均匀分段，获得多个线段节点；
[0200] 路网参数计算单元用于获得每个线段节点在多个半径范围内的路网可达性参数，其中采用式I获得第i个线段节点di在半径r范围内的路网参数I(di,r)，r的单位为m：
[0201]
[0202] 其中，dj表示第j个线段节点，i≠j，j＝1,2,…,J，J为步骤A中获得的除第i个线段节点di以外的所有线段节点总数，J为正整数， 表示从第i个线段节点di到第j个线段节点dj之间的最短距离，单位为m；
[0203] 路网相关性计算单元用于获得每个线段节点在同一半径范围内的路网参数，获得每个线段节点对应的第一路网参数；
[0204] 利用近邻计算的方法将每个线段节点对应的第一路网参数赋给步骤1获得的所有路段采样点，获得当前半径范围对应的每个路段采样点的路网参数；
[0205] 计算当前半径范围对应的每个路段采样点的路网参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0206] 获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0207] 路网可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的路网参数作为每个路段采样点的路网可达性参数。
[0208] 可选地，数据预处理模块还包括用于获取每个路段采样点的公交可达性参数的公交可达性参数计算子模块；
[0209] 公交可达性参数计算子模块包括公交分段单元、公交参数计算单元、公交相关性计算单元以及公交可达性参数获得单元；
[0210] 公交分段单元用于获取待估计地区的公交线路，将公交线路中同名公交站点进行合并后重构拓扑，获得拓扑图；
[0211] 拓扑图包括多个公交站点以及多条公交线段，公交线段由多个公交站点连线组成；
[0212] 公交参数计算单元用于获得所有公交站点在多个半径范围内的公交参数，其中采用式II获得第p个公交站点在半径范围R内的公交参数B(p,R)，R的单位为m：
[0213]
[0214] 其中，N为步骤a中获得的公交站点的总数，N为正整数，kp为经过第p个公交站点的公交线段的数量，kp为正整数，dpq为第p个公交站点至第q个公交站点的最小公交线段长度，单位为m；
[0215] 公交相关性计算单元用于获得每个公交站点在同一半径范围内的公交参数，获得每个公交站点对应的第一公交参数；
[0216] 根据每个公交站点对应的第一公交参数，获得城市公交热力图栅格数据；
[0217] 将城市公交热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的公交参数；
[0218] 计算当前半径范围对应的每个路段采样点的公交参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0219] 直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0220] 公交可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的公交参数作为每个路段采样点的公交可达性参数。
[0221] 可选地，数据预处理模块还包括用于获取每个路段采样点的地铁可达性参数的地铁可达性参数计算子模块；
[0222] 地铁可达性参数计算子模块包括地铁分段单元、地铁参数计算单元、地铁相关性计算单元以及地铁可达性参数获得单元；
[0223] 地铁分段单元用于获取待估计地区的地铁线路图，将地铁线路图中同名站点合并后在站点处打断，获得空间句法的轴线地图；
[0224] 空间句法的轴线地图包括多个地铁站点以及多条地铁线段，地铁线段由多个地铁站点连线组成；
[0225] 地铁参数计算单元用于获得所有地铁站点在多个半径范围内的地铁参数，其中采用式III获得第u个地铁站点在半径范围t内的地铁参数S(u,t)，t的单位为m：
[0226]
[0227] 其中，U为步骤I中获得的地铁站点的总数，U为正整数，duv为第u个地铁站点至第v个站点的最小地铁线段长度，单位为m，
[0228] 地铁相关性计算单元用于获得每个地铁站点在同一半径范围内的地铁参数，获得每个地铁站点对应的第一地铁参数；
[0229] 根据每个地铁站点对应的第一地铁参数，获得城市地铁热力图栅格数据；
[0230] 将城市地铁热力图栅格数据转换为点数据后，利用近邻计算的方法获得当前半径范围对应的每个路段采样点的地铁参数；
[0231] 计算当前半径范围对应的每个路段采样点的地铁参数与数据获得模块获得的每个路段采样点的行人聚集度之间的相关性，获得当前半径范围对应的相关性数值；
[0232] 直至获得每个半径范围对应的相关性数值，获得多个相关性数值；
[0233] 地铁可达性参数获得单元用于选择最大的相关性数值对应的半径范围，获得最优半径范围；将最优半径范围对应的每个路段采样点的地铁参数作为每个路段采样点的地铁可达性参数。
[0234] 实施例四
[0235] 一种基于城市空间结构的人群聚集度预测装置，包括数据采集模块、实施例三中基于城市空间结构的人群聚集度预测模型构建装置以及预测模块；
[0236] 数据采集模块用于获取待估计地区的步行路网；
[0237] 还用于将待估计地区的步行路网输入至实施例三中基于城市空间结构的人群聚集度预测模型构建装置中数据预处理模块获得待估计地区中每个路段采样点的环境参数，获得环境参数集；
[0238] 基于城市空间结构的人群聚集度预测模型构建装置用于获得人群聚集度预测模型；
[0239] 预测模块用于将环境参数集输入至人群聚集度预测模型，获得人群密集度。
