1.3非監督分類(lèi)與矩陣分解在研究中的使用

　　分時(shí)人口密度數據作為曲線(xiàn)類(lèi)數據，其自身特點(diǎn)非常適合使用機器學(xué)習的方法進(jìn)行非監督分類(lèi)。筆者將數據整理為休息日的24小時(shí)分時(shí)人口數據與工作日的24小時(shí)分時(shí)人口數據，共48個(gè)時(shí)刻，結合20種不同類(lèi)型POI的數量，對3層空間尺度的研究單元進(jìn)行k-means聚類(lèi)分析。

　　為了能夠確定k-means中k的取值，筆者對每組數據均進(jìn)行了silhouette檢驗，尋找每組合適的k值，保證在分類(lèi)過(guò)程中，既不會(huì )出現因為k值過(guò)小而忽略某些特征，也不會(huì )出現因為k值過(guò)大使得多組分類(lèi)結果高度重合的情況。

　　為了對時(shí)間活動(dòng)的趨勢規律和地塊人口活動(dòng)規模進(jìn)行進(jìn)一步區分，筆者分別使用了歸一化的48個(gè)時(shí)刻數據和未歸一化的數據進(jìn)行非監督學(xué)習，使分類(lèi)結果更加詳細。在進(jìn)行48個(gè)時(shí)刻的非監督分類(lèi)同時(shí)，筆者也嘗試了使用非負矩陣分解（NMF）的方法，將每個(gè)研究單元48個(gè)時(shí)刻中的特征提取出來(lái)，在放大特征的基礎上進(jìn)行非監督分類(lèi)。

　　2研究結果

　　2.1地塊尺度研究結果

　　地塊尺度的分類(lèi)方法是，采用非負矩陣分解（NMF）的方法先對歸一化后的48個(gè)變量進(jìn)行降維（降成5維），然后采用k-means聚類(lèi)的方法對降維之后的5個(gè)變量進(jìn)行聚類(lèi)。多次進(jìn)行silhouette檢驗，發(fā)現k=9時(shí)，分類(lèi)精度最高。

　　從地塊尺度分類(lèi)結果圖可以看出，該方法對商務(wù)辦公、商業(yè)商務(wù)混合、商業(yè)識別度最高，對游憩—公園、居住主導、商住混合—居住為主等功能的地塊也有較好的識別度，而混合—居住主導及其他兩類(lèi)混合類(lèi)則無(wú)法準確判斷，實(shí)際上這3類(lèi)在五環(huán)內的地塊中所占比例非常小，可以說(shuō)，總體上基于地塊尺度的地塊分類(lèi)方法具有較高的精度。

地塊尺度分類(lèi)結果

　　除對典型的功能區有較高的識別度之外，該分類(lèi)對非典型功能區中精細地塊也能有較好的識別。以?shī)W林匹克森林公園所在區域為例，這塊區域包括了居住、商業(yè)、辦公、游憩公園等多種類(lèi)型。

　　地塊1經(jīng)過(guò)機器學(xué)習識別出的結果是游憩公園類(lèi)型，所表現的曲線(xiàn)特征為周末人多、平時(shí)人少、高峰在下午14—17點(diǎn)，與人們游憩娛樂(lè )的行為習慣一致，進(jìn)一步對比百度地圖的結果，發(fā)現該地塊為奧林匹克森林公園南園所在地，為綠地類(lèi)型用地。

　　地塊2經(jīng)過(guò)機器學(xué)習識別出的結果是商務(wù)主導用地，曲線(xiàn)特征為明顯的周末幾乎無(wú)人、平時(shí)人多、10—18點(diǎn)長(cháng)高峰的特征，與人們工作的行為習慣一致，而在百度地圖中顯示該地塊為京東總部未搬遷之前的辦公所在地，為商務(wù)辦公用地類(lèi)型。

　　地塊3識別的結果是商業(yè)主導的用地類(lèi)型，曲線(xiàn)表現為周末、平時(shí)略突出的雙高峰特征，由于該購物中心為片區級購物中心，主要服務(wù)周邊居住、辦公的人群，因此商業(yè)特征相較商業(yè)中心不太明顯，但仍表現為商業(yè)主導的特征，而百度地圖上顯示該地塊為漂亮陽(yáng)光廣場(chǎng)，為商業(yè)服務(wù)業(yè)用地類(lèi)型。曲線(xiàn)以及地圖實(shí)景均驗證了本部分所用分類(lèi)方法在精細地塊尺度上具有較高的識別度。

　　奧林匹克森林公園區域地塊識別功能、對應曲線(xiàn)、實(shí)際功能