百度地图大数据如何赋能商业选址?

  • 时间:
  • 浏览:0
  • 来源:10分6合_10分6合平台_10分6合网投平台

本文来源微信公众号:DT财经(ID: DTcaijing),作者:数据侠 阚长城

人类几千年的文明催生了城市的发展,计算机与冗杂科学带给大家 新的资源——大数据。罗马非一日建成,人力和时间成本极大,但试想一下,而且有了大数据,罗马的建成还都都可以缩短几个天呢?如今,城市里藏了少许数据,这么它们到底是那先 ?又该如保被开采与利用?大数据如保辅助商业选址?

11月29日的数据侠实验室,百度地图资深研发工程师阚长城为大家 介绍了如保开发和利用时光英文英文地理大数据,并结合百度慧眼的商业案例,解释了大数据在商业选址中的应用。本文是其演讲实录。

大家 好,我今天的分享主统统我以下有有另另1个方面:

地理时光英文英文大数据的介绍

基于时光英文英文大数据和人工智能技术在城市规划方面所做案例

基于时光英文英文大数据的商业选址案例

▍地理时光英文英文大数据

交通流量、气象信息、地理信息、手机信号均是时光英文英文数据。时光英文英文数据具有时间和空间属性,时间属性主统统我指时间的变与不变;空间属性一方面是指空间的位置,此人 面是指空间的层次和距离。

现实世界中超过400%的数据都与地理位置有关,数据量非常大。时光英文英文数据来自众多数据源,且数据多样、异构。

定位数据

移动互联网时代定位是基础服务。外卖、打车、购物,甚至视频等APP都时需通过定位提供相应服务。比如说墨迹天气会根据位置显示天气;视频根据位置去推荐什儿 相关视频。

定位类型多样,包括卫星、基站、Wifi以及地磁等。基于卫星的定位,典型的是GPS定位,其优点是精度高,缺点是被高楼遮挡或存在室内时,定位精度较差。统统手机APP一般不直接使用GPS定位,统统我使用综合的网络定位。

 

百度地图基于那先 定位能力,开发综合的网络定位服务,通过SDK为开发者提供定位服务。定位及高精度定位技术难度大,门槛相对也较高。

主要从有有另另1个层面提供定位服务:

APP层面:通过SDK对外提供定位服务

设备层面:提供系统级别定位

芯片层面

 

短期的定位时需反映人流的聚集和热力。如左图是北京某个时间的热力图,时需清晰区分人流量几个的区域,右图是南京东站一天的热力变化,时需看完从0点开始了了大家聚集,12点人最多,下午人又变少,定位数据时需非常直观地反映人流量的变化。

出行OD

基于用户每天900亿次的定位轨迹数据,时需挖掘其出行OD,针对长距离的跨城出行,大家 做了百度迁徙,对应下图左边第有有另另1个图,后面 的图是郑州和付近地区的出行OD,右边图是青岛某个交通小区的出行OD。

 

人口常驻

基于用户的长期位置和POI(兴趣点,Point of Interest)等相关数据,挖掘全国超过13亿的常驻人口数据。

用户画像

从人的自然属性、社会属性等不同方面3400度刻画产出超过万级的标签。

POI数据

POI还都都可以反映有有另另1个区域的经济发展水平和活力等。比如,下图中左边是北京二环和五环区域内餐饮类的POI,对比发现:二环的POI明显高于五环,说明POI的分布时需反映区域的竞争业态,右边四利用POI和人的活动模式挖掘的功能区,POI很大程度上时需刻画空间承载的功能。

 

路况大数据

路况时需清晰地反映路网的运行状态,比如在那先 时间哪里最堵。路况数据的挖掘是基于公众数据、行业数据、卡口流量视频等利用AI技术挖掘得到。路况目前而且覆盖全国400多个城市,市内和城际道路覆盖超过99%。

▍时光英文英文大数据的应用

城市地理理解

首先,基于地图时光英文英文大数据,暂且同的空间粒度进行建模,产出不同空间层次上的地理特征。空间层次依次从宏观到中观再到微观。

宏观层面:基于百度迁徙和常驻人口流动数据识别城市群,评价城市重要性。

中观层面:基于定位数据,对城市副中心发展绩效进行评估,一起去基于全景图对街道品质进行评价。

微观层面:基于地块粒度,进行城市功能区的发现。

功能区的挖掘动机和挑战

城市规划周期一般在5到10年左右,规划之前 往往时需了解现状、规划后的效果、如保跟踪等问题报告 图片,传统手段时间较长,速度不高。基于百度地图POI、人口以及人的活动数据进行城市用地功能的识别,时需在短时间内识别全国各个城市的用地功能。

地理空间中的POI时需反映有有另另1个区域承载的功能,如反映某区域承载的是科研教育功能,不同的功能区人的活动模式就有差异,比如说下图,在工作日大家 一般九点离家,下午五六点回家,POI和人的活动模式存在潜在语义信息。

 

但在挖掘过程中也存在很大的挑战:

模型方面,整体来说样本数据少、获取困难,分类问题报告 图片转化为无监督模型;

特征方面,存在差异。对于POI类别不均衡的问题报告 图片,比如餐饮类POI较多,而景区内POI较少;这类于POI重要性不同,比如上图中黄焖鸡和全聚德属于同一区域,而且其重要性有很大不同。

在特征设计上,首先,利用路网数据将城市切分成有有另另1个个地块,而且以地块为单位进行特征提取,利用tf-idf计算不这类于POI重要性,如时需降低餐饮类POI的重要性,而且提升景区类POI的重要性。 对于这类于POI重要性不一致的问题报告 图片,时需利用POI在地图上搜索热度补救。原先每个区域就对应有有另另1个各类POI重要性的向量。

其次,活动模式特征设计,将人的一次出行定义为出发目的地以及出发到达时间,区域间的联系及时间就构成文档中的单词。

在模型设计上,第一,问题报告 图片转化。

将区域呼告成文档,区域承载的功能就呼告成了文档的主题,活动模式就呼告成了单词,而且区域POI重要性转化为文档元信息。

第二,主题发现,地块语义标注。

基于地块的Poi vector和活动模式,利用改进的LDA算法进行区域功能发现,而且进行主题聚类,基于地块各类POI重要性排行进行语义标注,最后得到最终挖掘结果图。

通过评估应用发现,第一,实际调研,其准确率为87%。

第二,专家知识。对宁波市进行功能区发现,并与宁波规划院什儿 专家确认其准确率较高,结果超过85%。

第三,规划现状。对比规划现状,发现符合预期。

 

下图右上角统计了每段类型的功能区各类POI的占比,发现居住、商业、商务用地对应的POI类别前三名一致:均为公司、住宅和商业。说明居住、商业以及商务这三类POI相关性较强,土地混合利用的状态较为突出。

 

在评价土地混合度上,时需使用信息熵度量用地混合度。上图左下角是地块信息熵的分布,从图上时需看出,北京市中心城区的用地混合度成偏态分布。

由此说明,土地利用混合度有规律可循,进而时需对土地利用混合度进行建模。

在用地混合度空间分布上表现为:

用地混合度向外逐渐呈衰减趋势,大致呈同心圈层特征

用地混合度的空间分布呈现单中心特征

距离城市中心越远,用地混合度越低

在用地混合度建模上表现为:

发现用地混合度和距离的关系,符合幂指数衰减模型

对幂指数两边取对数,得到线性回归模型

对地块的混合度和地块离中心距离进行线性回归分析,发现城郊用地混合度波动较大,这是而且城郊存在副中心城市和卫星城镇,整体上呈组团式布局,使用地混合度的空间布局不均匀愿因

如下图所示,通过segnet/unet全卷积神经网络,将图片分割成路面、天空、树木、建筑等十余个类别,再通过地理模型和机器学习算法挖掘街景的特征及其空间分布规律。

首先使用算法对全景图进行语义分割,上图是语义分割的结果,显示出每类每段的占比,而且利用热点识别算法进行整体的意向提取,利用非监督的聚类算法对街道特征分析。结果分析如下:

通过聚类分析根据每条道路上各类景观每段的占比进行聚类,将道路分为:

交通主导型

建筑密集型

景观空旷型

每段均衡型

绿化优良型

绿树成荫型

城市群的发现首先时需对人口迁徙数据进行分析,发现人口迁徙呈现不均衡问题报告 图片,且胡焕庸线以西的人口迁徙规模和密度明显低于以东地区。

其中通过对各省份的迁徙数据分析发现,各省份的人口吞吐量极不均衡;既有广东、江苏、河北等人口流动大省,就有福建、甘肃、宁夏等迁徙规模较小的省份;空间上邻近的省份,短期人口的流动速度相对比较大;迁徙规模的大小既与该省份的人口基数相关,与该省份的空间区位、经济建设水平、区域发展态势等均有关联。

 

另外,关于城市群划定原则有以下几点:

城市间的联系速度足够大

城市群内各城市须在空间上邻近

城市群内各城市不一定在空间上直接接壤

在进行城市群挖掘时,还都都可以基于人口迁徙数据,利用k壳分解算法进行挖掘。

基于人口迁徙和常驻人口流动数据,利用PageRank算法挖掘。结果显示:北京、上海、广州、深圳和成就有短期人口流动中的关键节点;东部沿海地区上短期人口流动呈现“带状均衡”模式;中西部地区的短期人口流动呈现“节点带动”模式。

城市人口理解

城市人口理解,基于地图出行位置大数据,挖掘人口在不一起去间跨度下的个体和群体特征。针对人口瞬时流动大家 做了人流量预测,针对大家 的短期出行大家 做了通勤和市内OD挖掘、跨城迁徙挖掘,基于人的长期位置信息大家 做了常驻人口挖掘。

在人流量预测上,大家 知道每隔几年一定会存在什儿 踩踏事故,而且能提前知道热门区域的人流量,就时需补救踩踏等这类于事情的存在,一起去人流量预测在公共安全和交通管理领域就有非常重要的。而且预测人流量也存在着问题报告 图片和挑战:特征表达方面,时间和空间特征、异常因素方面挑战,比如天气、节假日等愿因;模型方面,传统时序模型不难 对时光英文英文特征和异常建模。

 

在模型设计上,对于人流量的预测时需将其转化为图像领域的问题报告 图片来补救。

在补救时间特征、异常因素上时,基于2017年定位轨迹、地理属性和异常因素特征进行建模,将城市划分成网格,将定位数据投影到网格,计算每个网格的流入和流出人数,一起去考虑POI热度,也统统我将城市就转化成了一张图。网格就大约图片中的像素,网格的流入和流出就大约图片中的通道。人流量空间的相关性就大约图片中像素之间的关系,多个时刻的数据对应多张图。如下图所示:

 

在将最近几张图的数据,放在上图中残差网络模型中,模拟时间的临近性,一起去将对应时间的人流量置于后面 的网络模型中模拟时间的周期性,最后进行网络融合,再和内部管理因素进行融合,就得到了整个网络架构。

另外,在补救空间相关性时,使用CNN卷积操作,时需捕捉空间不同距离的相关性。通过多层卷积捕捉较远区域的相关性问题报告 图片,并引入厚度残差网络,补救网络较深训练困难的问题报告 图片。

 

如下图所示,在损失分布上,损失在15%以内的网格超过了85%;在预测效果评估上,通过对规律性区域如回龙观地铁站人流量的进行预测,一起去对突发场景如今年林俊杰演唱会人流量预测,发现模型的预测精度极高。

 

关于常驻人口,传统的全国人口普查,成本大,更新周期长;基于基站定位数据计算,仅依赖时间属性,数据存在badcase,比如互联网公司存在加班和三班制人员倒班问题报告 图片;居住区也会有退休人员等。

下面是常驻点挖掘流程:

首先,地图标注用户1个月的定位数据;

其次,基于定位数据识别在等待点,加上路上什儿 地方噪点。

第三,利用DBSCAN空间聚类算法得到簇;

第四,对簇进行特征提取,利用机器学习分类的算法挖掘,得到用户居住地、工作地以及常去地等信息。

 

结果显示,其分类算法的准确和召回均约为90%。

 

以下图为例,青岛人口数据校核结果显示其人口误差率小于5%,天津人口数据校核显示,其相关系数约为0.85,通勤距离相差4%。

有了人口以及人的家和公司数据,再结合用户画像数据,大家 就时需评估学校、医院等公共设施的配置,公园绿地的使用速度,任意区域的职住平衡和出行通勤等。

通勤是交通规划里的非常重要内容,通勤OD和辦法 和早晚高峰的拥堵是息息相关的。下面是通勤挖掘的流程:

 

上图左下角图显示,骑行和步行主要偏短距离的出行,公交和地铁主要偏中长距离的出行,说明通勤距离对用户通勤辦法 的选者非常重要。

最后,通过不同的算法,从整体准确召回率和各通勤辦法 精确召回率有有另另1个方面评估,发现精确率均在85%左右。

 

下面看一下各种通勤辦法 和土地混合度、地铁站点分布、路网密度之间的关系。

 

(图片说明:通勤辦法 和土地混合度的关系)

左图指用地混合度的空间分布状态,颜色越红表示用地混合度越高;右图是机动车通勤空间分布,越红代表该空间中人采用机动车通勤比例越高。从图中时需看出,北京中心城区土地混合度高的地方机动车出行就低,用地混合度较低地区机动车出行率较高。

 

(图片说明:通勤辦法 和地铁站点分布的关系,地铁站点密度越高的地区,地铁出行比例越高,地铁对机动车交通的压缩明显。)

 

(图片说明:通勤辦法 和路网密度之间的关系,路网密度高的地区,机动车出行的比例相对较低,慢行交通的比例相对比较高。)

基于全网用户家和公司坐标以及通勤辦法 数据,可挖掘每个用户的通勤距离和时间。

下图所示,通勤距离,平均意义上,城市居民通勤距离人群占比分布呈现长尾型,即随着通勤距离的增加,对应的人群占比相应减小;近400%的城市居民平均单程通勤距离就有10km以内。

 

通勤时间,平均意义上,城市居民通勤时间人群占比分布呈现长尾型,即随着通勤时间的增加,对应的人群占比相应减小;接近400%的城市居民的平均单程通勤时间就有400min以内。

 

▍商业选址案例

商业选址流程

首先,宏观区位选址,包括商圈和聚客点的选者,可使用人口分布、交通动线以及居民的成分、品质、分布等数据进行选址。

其次,微观区位选址,主要指店铺具体落位,可通过楼层品牌组合以及店铺客流动线进行选址。

第三,对等店选者,主要使用这类于性来选者对等店。

 

销售评估

根据对等店的到访频次和捕获率进行销售额预估。

本文来源DT财经,内容仅代表作者此人 观点,不代表前瞻网的立场。本站只提供参考暂且构成任何投资及应用建议。(若存在内容、版权或其它问题报告 图片,请联系:service@qianzhan.com) 品牌战略战略合作与广告投放请联系:0755-340040062 或 hezuo@qianzhan.com