通信与移动计算技术的快速发展产生了各种出行大数据，为理解和挖掘交通时空出行特征、建设智慧城市提供了新的机会。然而，新兴移动数据规模与复杂性的显著增加也为其结构特征分析带来了挑战。本研究以六边形时空分区为基本聚类单元，提出了一种处理高维网约车出行时空模式的分析框架，通过聚类同质的出行分布群体来识别不同的时空模式。首先，将六边形分区内集计的出行分布时空特征概括为起点的需求量分布、终点的空间分布和终点的需求量分布。进一步，提出了基于时空密度峰值的快速聚类（CFSFSTDP）算法，通过计算时空相似性来识别各分区的网约车出行分布时空模式。最后，采用近邻传播算法来对各分区聚类出的出行分布时空模式的时间变化序列进行聚类分析，捕捉网约车出行分布时空模式的时间序列模式。对成都一个月的滴滴出行订单数据进行实证分析验证了该方法，分析了不同的时空模式在需求大小、位置和时间上的差异，探讨了网约车出行在不同区域的功能类型。其识别出的6类时间序列模式把握了网约车出行分布时空模式的时间连续性，有助于进一步构建网约车出行时空演化数字孪生平台。

随着城市居民生活水平和对生活质量追求的提升，公园绿地已成为休闲娱乐的主要场所。在此背景下，如何公正地评价城市公园绿地布局合理性并提出改进意见对交通及土地利用规划至关重要。公园绿地的可达性则是评价其布局的关键指标。针对以往仅以公园绿地的面积评估吸引力所带来的可达性评估局限性，本文以苏州市区为例，在利用客观属性计算可达性的传统框架外，挖掘社交媒体数据，将居民对公园绿地质量指标的主观情感倾向纳入考量范畴。通过这一创新性的融合，本文改进了两步移动搜索法（Two-Step Floating Catchment Area, 2SFCA），深入分析城市居民对公园绿地的可达性，以及突发公共卫生事件前后可达性的动态变化。研究发现：在突发公共卫生事件期间，人们更趋向选择出行便利的公园绿地，如社区公园；而随着事件结束，人们更青睐配备良好设施的公园绿地，如专类公园。采用结合游客评论情感分析的2SFCA，能更准确评估城市公园绿地可达性，丰富公园绿地可达性研究视角。该方法不仅可应用于城市公园绿地规划，也为公共服务设施的可达性分析提供了新思路与计算框架。

三维模型轻量化是实景三维中国建设的当务之急，对三维模型进行一定简化是较为合适的途径。在模型简化算法中，二次误差测度QEM(Quadric Error Metrics)算法是较为经典的算法。但传统的QEM算法在简化过程中没有专门的机制来保护重要细节，并且简化后模型网格质量有待进一步优化。为此，本文提出了一种基于边折叠的实景三维模型简化与优化方法，该方法中的简化算法引入了顶点近似曲率及体积误差作为约束条件，以改变边折叠代价从而使三维模型在简化的同时能够保持模型的重要细节，达到较好的简化效果。在改变边折叠代价的同时加入边界保护条件，有效保护了模型边界。最后针对简化后的网格进行了拉普拉斯网格优化处理，用于三角形形状优化和特征保持。本文使用的数据源是采用倾斜摄影测量方式采集影像并使smart3D三维重建得到的格式为OSGB的实景三维网格模型数据，使用这一数据源进行实验研究，并和经典的QEM算法进行对比。研究结果表明，本文算法很好地保留了三维模型的细节特征，同时提高了简化模型的网格质量。该算法适用于实景三维模型的轻量化。

卫星视频可快速提供城市级车辆动态信息，为城市信息学、智慧城市、城市发展规划等提供可靠数据。然而当前星载视频背景中包含大量噪声与伪运动目标，运动车辆呈现为暗弱微小的斑点，使得准确检测出运动车辆非常困难。为此，本文提出一种利用跟踪信息的星载视频车辆检测方法。该方法首先利用D-LinkNet网络提取道路掩膜，剔除背景中噪声与伪运动目标的干扰；然后利用前景检测算法进行车辆初步检测；之后对初步检测结果进行帧间运动车辆跟踪，最后对因漏检而跟踪失败的运动车辆目标进行基于跟踪信息的区域精检测，获得高准确度的运动车辆目标。为了验证本文方法的有效性，对已有数据集进行更为精确的重注，新增2 120个运动车辆目标，得到重注数据集。在重注数据集与吉林一号视频数据上，将本文方法与多种当前成熟方法进行了对比试验。试验结果表明：① 本文检测方法可显著提升星载视频运动车辆检测召回率；且在所有试验中，均获得了最高值； ② 在本文方法分步骤性能评估试验中，印证了本文方法掩膜对背景区域误检的剔除作用以及跟踪信息对漏检目标再次检测的促进作用； ③ 在跟踪阶段测试试验中，本文方法获得了更好的多目标跟踪准确度和跟踪器身份维持能力。因此，本文方法在卫星视频的运动车辆检测中具有较好的稳健性，对城市级车辆动态信息获取提供了一种新的方法与思路。

在大城市出租车队电动化转型过程中，出租车充电需求呈现出充电负荷高、时空分布随机性强的特征。为精确估计出租车队完全电动化转型后的充电需求，本文提出了一种仅基于燃油出租车轨迹数据的潜在充电需求识别概念模型以及基于轨迹地图匹配的二叉树实现算法，为电动化转型滞后地区提供了新的充电需求估计范式。本文使用890辆带有电池状态字段的电动出租车轨迹数据对模型和算法进行验证，结果表明，充电区段数量、充电需求电量等指标的估计误差小于6.5%。此外，模型和算法在不同电池电量消耗阈值θ和不同空间尺度（500、1 000和10 000 m栅格）下具有较高的时空分布估计精度。在此基础上，本文提出以北京市六环内真实道路网为空间分析单元，运用奇异值分解算法对潜在充电需求时空矩阵进行分解降维，以挖掘潜在充电需求的时空特征模式。最后，运用北京市连续3 d共1 913辆出租车轨迹数据进行案例研究，结果表明，北京市出租车潜在充电需求的空间分布呈现出明显的重点区域、关键通道聚集性特征，与该区域的高出行活动强度以及长途出行相关的高密度充电需求高度吻合。分解后的充电需求呈现出常态化充电需求为主导、上下午异质性充电需求以及工作时段和非工作时段异质性充电需求为辅的时空结构特征。该分析方法有助于挖掘潜在充电需求的空间分布结构特征及时空耦合关系，为出租车队电动化转型下的充电基础设施中长期规划、电网负荷调度调节和充电需求管理等提供决策参考。

城市交通路况的短期预测是支持交通管理、在线导航的基础应用。出租车轨迹作为低成本、高时空覆盖率的交通监测数据类型，已广泛用于提取实时路况，支持路况短期预测。然而出租车轨迹时空覆盖极不均衡，导致大量的路段和时段轨迹数据缺失或覆盖率不足，难以直接基于轨迹数据精确估计全路网所有路段全天候的交通状态，精度和可靠性都不能满足实时交通路况估计和短期预测的需要。因而基于不均衡轨迹数据的全路网交通路况在线短期预测成为大城市交通精细化监测和管理的一大技术难题。本文针对轨迹数据的时空分布不均衡问题，设计了路网的动态分层方法，将城市路网根据轨迹的时空分布划分为多层路网，包括轨迹质量较好的主干路网以及轨迹分布较为稀疏的次级路网。在分层路网基础上，我们提出轨迹驱动的多层时空图神经网络路况短期预测方法，依托不同路网层级建立多层时空图神经网络，设计顾及轨迹时空分布的层内和层间消息传递机制，基于因果膨胀卷积和图注意力描述路网之间复杂的路况时空关联。在路况关联表征模型基础上，设计实现了表征-预测一体化的集成端到端图神经网络预测模型，可同时对全路网所有路段的速度和状态进行在线预测，有效提升轨迹分布稀疏路段的路况预测质量。通过武汉市大型路网的真实轨迹数据测试，本方法比基线方法在预测精度上有显著改善，特别是在轨迹数据缺失较严重的路段上取得了较好的预测性能，同时训练效率也有显著提升，表明所提出的多层时空图神经网络预测方法能有效地应对轨迹分布不均衡导致的路况预测难题。

针对基于常见点云帧间配准算法所构建的传统LiDAR里程计在退化环境中定位鲁棒性差的问题，本文借助修正后的激光强度提出了一种面向退化环境的LiDAR里程计定位方法，并提出了一种准确的LiDAR退化环境检测方法。首先，基于激光强度性质和消元思想提出一种强度修正方法，并采用无监督位置修正方法共同优化原始点云。以此为基础，提取4种点云特征并采用模糊综合评价方法准确地检测每帧点云的退化情况。针对非退化点云，提取线、面特征构建兴趣点集合；针对退化点云，借助激光强度并提出一种“米字搜索”方法提取非退化特征，同有效的线、面特征构建兴趣点集合。最后，通过合适的配准算法处理帧间兴趣点集合，从而构建鲁棒的LiDAR里程计。实验结果表明，本文方法修正激光强度的正确率为93.34%； LiDAR退化点云正确检测率为98.58%，非退化点云错误检测率仅为2.24%；本文提出的LiDAR里程计定位方法相较于基于特征配准算法和ICP算法所构建的LiDAR里程计，定位均方根误差分别降低了90.00%、83.96%，最大误差分别降低了86.23%、79.07%，单次帧间配准所需时长为0.006 9 s，有效地提高了退化环境中传统LiDAR里程计的定位精度，并兼顾了数据处理效率；相较于同领域的对比方法，本文方法展现出了更显著的优势。

道路网作为一种重要的交通基础设施，路网数据的及时更新对交通管理、应急救援和城市规划等领域有重要应用意义。通过路网匹配来确定不同来源的路网数据中要素间的对应关系，既是实现路网更新的重要技术途径，也为众源路网数据质量评估等任务提供技术支撑，因而备受地理信息领域学者的关注。传统的路网匹配方法主要通过路网数据的几何和拓扑属性来度量路网结构的相似性，以此确定路网要素的匹配关系。但人工设计的特征和阈值易受专家经验局限，使其在复杂路网结构下性能下降。近年来，基于图神经网络的路网数据建模成为研究热点，已在多个路网建模任务中取得优异性能。但现有方法多采用在图拓扑结构上直接进行邻域聚合的方式，学习路网结构的嵌入表示，未在这一关键步骤中考虑路网要素的空间关系，没能充分利用图神经网络的表示学习能力。为此，本研究面向路网匹配任务，采用空间显式建模的思想，提出一种基于改进的邻域聚合图嵌入学习方法。首先，构建路网数据的道路图模型并提取几何、语义和位置特征。然后，基于GraphSAGE框架，提出空间、分类和混合3种邻域聚合算子，在邻域聚合操作中引入路网要素空间关系、属性类型的计算。最后，利用图节点嵌入的相似度确定路网要素的匹配关系。为验证本文方法的有效性，利用真实路网数据开展了充分实验，本文方法在实验区数据上的各项指标取得最优表现，比基线图神经网络方法的匹配正确率提升11%以上、召回率提升6.8%以上。并对路网图嵌入特征进行分析，从图嵌入结构和嵌入路网结构两方面，探讨了改进邻域聚合对图嵌入表示能力的作用，为进一步提升图神经网络路网建模提供了新视角。

大数据时代的到来使得时空轨迹数据的规模和复杂度迅速增长，这对如何高效管理和查询时空轨迹数据提出了新的需求和挑战。图数据库在处理时空轨迹数据的建模、存储和管理方面具有独特优势。然而，随着路网时空轨迹数据规模的不断扩大，图数据库的查询性能也会随之下降。为应对这一挑战，本文提出了一种基于图数据库的路网时空轨迹建模与高效索引方法。该方法采用压缩线性参考（Compressed Linear Reference，CLR）模型对路网时空轨迹进行建模，并将其存储于图数据库中，在此基础上，进一步构建了一种高效的路网时空轨迹索引机制。该索引体系采用了三层时空索引结构，包括路网空间索引、时间索引和时空路径段索引。路网空间索引主要负责底层路段的高效检索，而时间索引与时空路径段索引则针对轨迹数据的时空特征进行精确定位和高效查询。该结构能够有效减少图数据库查询中节点的遍历，提高查询效率。此外，基于该索引结构的2种时空查询方法被开发以满足不同应用场景的需求。为验证所提出时空索引的有效性，本文基于人工合成的不同数量级路网时空轨迹数据进行了2种时空查询效率的对比。实验结果显示，本文提出的高效时空索引相比Nebula Graph原生图数据库索引，在时空窗口-时空路径相交查询中效率提升至少16.59倍，在时空路径-时空路径相交查询中效率提升至少2.74倍。这项研究为路网时空轨迹数据的高效管理和实时查询提供了新的解决方案，具有重要的理论和实际意义。

道路网具有鲜明的空间分布模式，其模式识别在地图制图、地图匹配及空间查询等诸多领域均发挥着至关重要的作用。当前的路网模式识别方法多基于网眼结构与路段结构两种模型，取得了较好的识别效果，但亦存在一定局限。已有的基于网眼的识别算法往往局限于最小单元的格网模式，无法对整体规则、局部破碎的网眼群组进行模式识别；而基于路段结构的模式识别则涉及复杂的预处理与识别过程，并且仅能识别单一的路网模式。方向熵作为信息熵的一个分支，可以较好地描述地理数据的空间分布特征和规律。为此，本文结合了网眼结构在网眼规整情况下的识别优势和路段结构在分析路段排列方式方面的优势，在此基础上引入方向熵、矩形度和凹凸度等特征参量，构建了一种有效的路网模式识别算法。本文选取多个城市路网作为实验对象，通过计算出不同路网模式相对应的参量分类阈值，实现了格网模式和不规则模式路网的模式识别，且根据格网模式路网中网眼群组排列方式的不同，构建网眼质心最小生成树并使用方向熵将其细分为直线型网眼群组和格网型网眼群组。实验结果表明，结合路段和网眼结构的路网模式识别算法的模式分类精度达到了97%以上，能够有效完成典型路网模式的识别并较好地根据网眼群组的排列方式完成了格网模式的细分。与现有路网模式识别方法比较，本文构建了一种简单快速且较为精准的路网模式识别算法，为地图综合、模式识别和城市规划等领域的后续研究和应用提供了一种新的思路。

图像超分辨率技术通过提升图像的空间分辨率，增强图像清晰度，增加图像细节信息，实现在硬件条件不变的情况下提高图像质量。鉴于遥感影像具有较大的像幅、复杂的特征表现和丰富的细节，结合遥感图像信息高效获取的需求，本文提出了一种基于条件控制扩散模型（Diffusion Model）的遥感图像超分辨率算法DSR（Diffusion Super-Resolution）。该算 法以同一区域的低分辨率遥感图像为扩散模型的控制条件，与添加噪声后的高分辨率遥感图像拼接作为输入，构建了一个以U-Net为主干，融合残差连接和自注意力机制的深度噪声训练网络，并改进了损失函数以获得更优的超分辨率效果。 本文实验中采用了多时相、多时期的国产卫星高分系列、高景系列的高分辨率遥感图像以及公开数据集Alsat-2B作为测试数据，测试了从32像素尺寸扩大至128像素的超分辨率效果。在这一基础上，将本文提出的算法与Bicubic、SRGAN、Real-ESRGAN、SwinIR等超分辨率算法进行比较，在PSNR和SSIM指标上取得了更好的性能。实验结果表明： DSR算法适用于遥感图像的超分辨率重建，特别是在多光谱遥感图像的超分辨率处理中，能够提升超分辨率结果质量，克服了简单卷积网络只能提取图像浅层特征的局限，避免了对抗神经网络训练过程中难以收敛的问题，显著提升了遥感图像中丰富细节的还原能力。

相较于城市暴雨致灾事件（如内涝、洪水、泥石流等），现有研究对小粒度、多样化暴雨级联事件（如房屋损毁、地铁淹没等）风险的特征构成及其客观评估关注较少，难以适应城市精准化管理目标；同时，暴雨级联事件的风险评估模型构建面临样本数据风险特征不完备带来的模型效果约束。针对上述问题，考虑空间特征和风险特征的空间关联性，提出了融合风险特征和空间特征的城市暴雨级联事件风险评估模型构建方法。首先，面向不同暴雨级联事件的风险情景，从暴雨基层官员巡检、公民上报和社交媒体发帖数据中提炼级联事件风险特征；其次，以原始风险样本的空间定位为衔接，利用改进的边际Fisher方法从多源空间数据中挖掘空间特征，补充风险特征的缺失；最后，基于机器学习方法建立风险特征与风险类别的关联关系，构建多类别暴雨级联事件的风险评估模型。中国湖北省武汉市的实验结果表明：所提方法能够通过多源空间特征挖掘解决风险评估模型构建的特征不完备问题，实现多样化暴雨级联事件风险评估模型的有效构建，总体准确率、 F₁得分以及AUC分别提升了23%、24%以及25%；同时，针对小粒度承灾体开展多样化级联事件风险评估，有助于更加精准的城市暴雨风险管理。

社区管辖范围在智慧社区场景中应用广泛，高时效性、可靠的社区管辖范围是提供高质量基层服务的基础。然而，目前社区管辖范围面的绘制仍然依赖于基层工作者的人工标注，具有采集门槛高、更新时效低等问题。运用社区下辖区域的空间关联点位，可实现针对复杂社区管辖范围的生成问题，本文提出了一种基于众源地理数据驱动和图神经网络建模的社区范围生成算法CB-GCN，以实现针对复杂关联点位分布及区域划分条件下的高质量、低成本社区管辖范围面生成。基于城市中的多级路网将城市划分为块面，并基于楼栋空间坐标将块面进一步细分为空间单元，再基于空间单元在众源兴趣面及路网块面中的共现关系构造空间关系图；然后，基于图卷积网络计算空间单元之间的近邻关系度，并据此加权聚合计算空间点位特征；最后根据聚合结果 推断空间单元的社区归属，并得到最终的社区管辖范围。实验结果表明，CB-GCN生成社区管辖范围面的效果均优于基准方法，尤其在F₁-score和IoU指标中较基准方法分别提升9.4%和14.4%。CB-GCN实现了社区面管辖范围生成的自动化，显著提升了社区管辖范围兴趣面生成的效率。

实现轨道交通和常规公交2个系统的便捷换乘，是推动轨道交通与常规公交网络之间融合发展、打造多模式便捷公共交通系统的基础。本文以深圳市为例，结合手机信令数据和公交刷卡数据，识别轨道交通和常规公交的换乘特征，进而估算各轨道站点的换乘潜在需求量及其换乘需求缺口，同时基于熵权-TOPSIS模型对各轨道站点换乘供给条件进行了评价，结合换乘供需匹配的评价结果与换乘需求缺口，对轨道站点提出了相应的优化策略。研究发现，深圳市地铁-公交换乘潜在需求高的站点多分布在居住人口聚集区附近，中心城区的换乘供需匹配度高，且部分老城区供大于需，但外围站点普遍存在供不应求的情况；从换乘需求缺口来看，部分供应不足但运行高效的站点值得借鉴经验，而那些需求缺口大的低效站点应根据不同的供需匹配情况进行针对性的提升优化。结果表明：基于多源数据评估地铁-公交换乘潜在需求与换乘供给水平的匹配情况，并结合换乘需求缺口来制定换乘优化策略，对于提升地铁与公交换乘服务的精细化管理水平具有重要的参考意义。