城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。

夜间经济是一个城市经济发展和消费水平的重要表征。目前国内外研究者对夜间经济的研究多停留在理论层面,或基于市场调研和问卷调查的小范围精细化研究。本文融合多源数据为夜间经济提供了新的视角,相较于传统的调查数据,具有更加快速、高效、广泛的特点,适合于夜间经济大范围研究。本文基于夜间灯光、POI、OD流等多源数据,采用DBSCAN、K-Means++等空间聚类算法和研究供需关系的盈亏法,分别从消费者角度和商户角度识别厦门市夜间活动热点区域和夜间服务设施分布区域,分析厦门市夜间经济时空分布格局及相关性。研究表明:① 厦门市夜间活动在空间上呈多环状分布并向四周递减,夜间活动热点区域分布受假期的影响因地而异;② 厦门市部分区域已有服务设施未能很好地服务于夜间经济,现有的照明、夜景等夜间灯光基础设施存在供给不足之处;③ 居住人口密度与夜间活动密度呈中度正相关,研究结果具有有效性,夜间服务设施盈亏值及数量、夜间灯光与夜间活动密度呈中、弱度相关,并且餐饮设施更加依赖于夜间灯光。最后,为厦门市未来夜间经济建设提出了根据不同的消费人群和心理提供不同的夜间服务、加强夜间灯光基础设施建设以及市场扶持的举措。研究结论对促进社会就业、增强基础设施使用率有积极意义,同时也能够为城市夜间经济发展和政策制定提供参考。

公共厕所作为最典型的公共设施,反映出城市的文明程度和管理服务水平,是打造城市文明形象的重要窗口。当前的研究主要集中在公共厕所的可达性和覆盖范围,把公共厕所当做空间上的点无差别对待,忽略了不同功能区公共厕所空间分布所异质性的问题。如何建立全面精准的公共厕所空间评价体系,分析不同区域公共厕所的综合服务能力在当前研究中明显不足,不利于公共厕所的配置规划和基本公共服务均等化的推进。多源数据的涌现为城市公共设施的研究提供了新视角,为此本文提出一个城市功能区视角下基于POI大数据的公共厕所空间布局合理性评价方法。利用词频-逆文本频率（Term Frequency-inverse Document Frequency,TF-IDF）信息加权技术,结合兴趣点（Point of Interest, POI）频率密度识别城市功能区,融合OpenStreetMap（OSM）路网密度数据和WorldPop人口数据设立人口出行活力指数,对城市功能区内的公共厕所服务进行评价;最后计算人口和空间覆盖率以及空间不平衡指数,判别街镇间的差别与街镇内公共厕所布局的合理性。该方法以多源数据为基础,定量分析不同功能区内公共厕所配置的合理性,并探讨公共厕所空间配置的差异化因素。以国内城市化程度最高之一的上海市为例进行计算,研究发现:① 不同的城市功能区内厕所的配置数量不同,商服功能区的规划数量最多,商服功能区中公共厕所配置的合格度也最高,此外,“工业-商服”、“绿地-商服”等商服相关的联合功能区的合格度也处于较高水平,这是由于大量商业服务机构均对外提供公共厕所服务,提升了该地区的公共厕所的服务能力;② 公共功能区内的合格度最低,仅有10.27%,与该类型附属公共厕所设施的开放程度相关;③ 上海市各街镇公共厕所的合格度整体较好,平均空间覆盖率达到67.31%,平均人口覆盖率达到70.72%;街镇内公共厕所服务和出行活力分布之间的不平衡指数从0~0.76不等,其中不平衡指数小于0.4的共有147个,占比69.34%,表明这些街镇内公共厕所空间配置比较合理。公共厕所配置合理性从上海市区向西南、东南、崇明岛有明显的递减,而向西北地区则没有明显的衰减,呈现出连片的较好的服务能力。结果表明,这种方法充分考虑了公共厕所所属功能区和人口出行活力异质性的问题,空间分析上更加精准,可以为城市公共设施规划提供参考建议。

通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义。将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点。但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别。本文首先以建筑物质心作为样本进行聚类获得建筑群组。其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标。再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测。实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高。