ArcGIS总结——矢量数据分析之网络分析(上)

GIS空间分析中的网络分析对地理网络(如交通网络)、城市基础设施网络(如各种网线、电缆线。排水管道等)进行地理分析和模型化的过程,通过研究网络的状态及模拟和分析资源在网络上的流动和分配情况,解决网络结构及其资源等的优化问题。

1.网络的组成

1️⃣线状要素——链,其状态属性包括阻力需求
2️⃣点状要素——①障碍(禁止网络中链流动的点)②拐角点(网络链中状态属性为阻力[如拐弯时间、限制右拐]的所有分割节点)③中心(接收或分配资源且状态属性包括资源容量、阻力限额的位置点)④站点(在路劲选择中资源增减的点)
正确的拓扑关系是网络分析的基础

2.网络分析工具

ArcGIS网络分析工具主要有两类:
1️⃣传输网络分析(Network Analyst)

  • 所用数据为网络数据集(Network Dataset)
  • 允许在网络边上双向行驶
  • 常用于道路、地铁等交通网络分析

2️⃣效用网络分析(Utility Network Analyst

  • 所用数据为几何网络(Geometric Network)
  • 只允许在网络边上单向同时行进
  • 常用于河流、公共设施(水、电、气管网)等网络分析

3.传输网络分析

1️⃣网络数据集的建立

因为传输网络分析都是基于传输网络数据集开展的,所有在进行传输网络分析前需要创建好传输网络数据集。
(1)导入分析数据:

  • 在ArcCatalog中或者ArcMop右侧目录下的一个文件夹下右键选择【新建】→【文件地理数据库】;
  • 再右键新建的文件地理数据库,选择【新建】→【要素数据集】;
  • 右键新建的数据集,选择【导入】→【要素类(多个)】,导出参与网络分析的要素。

(2)构建网络数据集:

  • 右键新建的数据集,选择【新建】→【网络数据集】,打开新建网络数据集向导。
    在这里插入图片描述
    在这里插入图片描述
    然后就进行相关设置,(一般默认就好)直接下一步从而构建好网络数据集。
2️⃣网络分析的功能

网络分析是基于几何网络的特征和属性,利用距离、权重和规划条件来进行分析、得到结构并且应用到实际中。
在 Network Analyst 工具栏中列出六个网络分析功能,如下图:
在这里插入图片描述
①路径分析:求解路径分析表示根据要求出的阻抗查找最快、最短甚至是最优的路径。如果阻抗是时间,则最佳路线即为最快路线。如果阻抗是具有实时或历史流量的时间属性,则最佳路线是对指定日期和时间来说最快的路线。因此,可将最佳路径定义为阻抗最低或成本最低的路径,其中,阻抗由您来选择。确定最佳路径时,所有成本属性均可用作阻抗。
在这里插入图片描述

②服务区分析:网络服务区是指包含所有通行街道(即在指定的阻抗范围内的街道)的区域。例如,网络上某一点的 5 分钟服务区包含从该点出发在五分钟内可以到达的所有街道。
由 Network Analyst 创建的服务区还有助于评估可达性。同心服务区显示可达性随阻抗的变化方式。服务区创建好以后,就可以用来确定邻域或区域内的土地量、人数或其他任何数量。
在这里插入图片描述
③最近设施分析:最近设施点求解程序可测量事件点和设施点间的行程成本,然后确定最近的行程。查找最近设施点时,您可以指定查找数量和行驶方向(驶向设施点或驶离设施点)。最近设施点求解程序将显示事件点与设施点间的最佳路径,报告它们的行程成本并返回驾车指示。
在这里插入图片描述
④源点OD成本矩阵:OD 成本矩阵用于查找和测量网络中从多个起始点到多个目的地的最小成本路径。配置 OD 成本矩阵分析时,可以指定要查找的目的地数和要搜索的最大距离。
在这里插入图片描述
⑤车辆路径派发(VRP):各类组织都可能调配一支车队来为多个停靠点提供服务。例如,大型家具商场可能会调配多辆货车将家具配送到各家各户。每个组织都需要确定各条路径(货车或监督员)所应服务的停靠点(住所、饭店或监督地点)以及其对各停靠点的访问顺序。决策制定的主要目标是为各停靠点提供最佳服务并使车队的总体运营成本最低。相较于路径分析,VRP 求解程序则可针对一支车队为多个停靠点提供服务的情况查找最佳路径。
在这里插入图片描述
⑥位置分配:在可提供货物与服务的设施点以及消费这些货物及服务的请求点已经给定的情况下,位置分配的目标就是以合适的方式定位设施点,从而保证最高效地满足请求点的需求。顾名思义,位置分配就是定位设施点的同时将请求点分配到设施点的双重问题。
在这里插入图片描述

3️⃣网络分析具体实现
(1)最优路径查找

①新建路径
在这里插入图片描述
②添加停靠点
在这里插入图片描述
③进入【选项】设置捕捉环境的距离
在这里插入图片描述
④设置路径分析属性
在这里插入图片描述
在这里插入图片描述
⑤点击求解工具,得到路径分析结果
在这里插入图片描述

(2)服务区分析

①新建服务区
在这里插入图片描述
②添加服务设施点,在【Network Analyst】中选中设施点右键,选择加载位置,打开如下对话框:
在这里插入图片描述
③打开【图层属性】对话框,进行相关设置
在这里插入图片描述
④点击【求解】工具,得到服务范围结果,内圈为1min服务范围,外圈为2min服务范围:
在这里插入图片描述

(3)最近服务设施查找

①新建最近设施点
在这里插入图片描述
②加载设施点信息,添加事件点
在这里插入图片描述
③打开【图层属性】对话框,进行相关设置
在这里插入图片描述
④点击【求解】工具,得到事件点到最近服务设施点的路径
在这里插入图片描述

(4)进行成本距离分析

①新建OD成本矩阵
在这里插入图片描述
②添加起始点和目的点
在这里插入图片描述
③打开【图层属性】对话框,进行相关设置
在这里插入图片描述
④点击【求解】工具,得到起始点到目的点的路径
在这里插入图片描述
打开【线】属性表(显示每个起点到最近的四个目的点的记录值:
在这里插入图片描述

(5)创建多路径派发

①新建车辆配送(多路径派发)
在这里插入图片描述
②加载停靠点与站点数据(这里为自己随意打的点)
在这里插入图片描述
③右键【路径】【添加项目】,设置配送相关属性
在这里插入图片描述
④打开【图层属性】对话框,进行相关设置
在这里插入图片描述
⑤点击【求解】工具,得到多路径派发结果
在这里插入图片描述

(6)位置分配

①新建位置分配
在这里插入图片描述
②添加设施点和请求点(因无数据为手动打的点)
在这里插入图片描述
③打开【图层属性】对话框,进行相关设置
在这里插入图片描述
④点击【求解】工具,得到位置分配结果图
在这里插入图片描述

4.效应网络分析

效应网络分析(Utility Network Analyst)又可以称为几何网络分析,主要实现的功能有流向分析追踪分析

(待续 下)

  • 29
    点赞
  • 229
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
### 回答1: 地理加权神经网络是一种利用地理信息数据来提高神经网络模型性能的方法。它在神经网络模型中加入了地理权重,以更好地反映地理空间相关性和地理特征对模型的影响。 在R语言中,可以使用各种地理加权神经网络的包来实现该方法,如`geoRglm`、`spatial`等。这些包提供了一些函数和工具,可以对地理数据进行处理和分析,并将地理权重应用于神经网络模型。 地理加权神经网络通常可以用于一些需要考虑地理因素的问题。例如,可以利用该方法来预测某个地区的房价,其中可以将地理特征如距离商圈、人口密度等作为地理加权因子,提高模型对房价的预测准确性。 在使用地理加权神经网络时,首先需要对地理数据进行处理和分析,将地理特征转化为可供模型使用的数据形式。然后,可以使用R语言中的地理加权神经网络包来构建模型,并对模型进行训练和优化。最后,可以使用该模型对新数据进行预测和分析,以解决实际问题。 总而言之,地理加权神经网络是利用地理信息数据来提高神经网络模型性能的一种方法,并可以在R语言中通过相应的包来实现。它可以应用于各种需要考虑地理因素的问题,并提供了一种更准确地进行预测和分析的方法。 ### 回答2: 地理加权神经网络(Geographically Weighted Neural Network,GWNN)是一种结合了地理加权和神经网络的数据建模方法。它利用地理加权技术对输入数据进行加权处理,以考虑地理空间变异性,同时运用神经网络模型对加权后的数据进行建模分析。 在R语言中,我们可以通过使用相应的包或函数来实现地理加权神经网络的建模。例如,通过“gwr”包可以进行地理加权回归(Geographically Weighted Regression,GWR)分析,该分析方法可以自动进行地理加权处理。而对于神经网络模型的建模,可以使用R中的各种神经网络包,例如“neuralnet”、“nnet”或“caret”等。 使用GWNN方法进行数据建模的一般步骤包括数据准备、地理加权处理、神经网络模型建立和模型评估等。首先,需要对输入数据进行处理,包括数据清洗、归一化等。然后,通过地理加权方法计算每个样本的权重,以反映其地理空间位置对建模的影响程度。接下来,根据加权后的数据建立神经网络模型,进行模型训练和参数调优等。最后,通过交叉验证或其他评估指标对模型性能进行评估,以确定模型的预测精度和可靠性。 地理加权神经网络方法的应用非常广泛,适用于各种地理数据建模任务,如地表温度预测、土地覆盖分类、城市交通流量预测等。通过将地理加权和神经网络相结合,可充分考虑地理空间变异性和非线性关系,提高模型的预测能力和解释性。 ### 回答3: 地理加权神经网络是一种用于地理数据建模和预测的机器学习方法。它结合了神经网络和地理加权回归的优点,能够在处理地理数据时更准确地考虑地理空间关联性。在R语言中,有一些包可以实现地理加权神经网络,如geoGWR和GWmodel。 地理加权神经网络的主要思想是将地理加权回归方法与神经网络模型相结合。它首先使用神经网络来处理和学习数据之间的复杂非线性关系。然后,通过引入地理加权回归的概念,将地理空间邻近性作为权重考虑进模型中。这样可以更好地利用地理空间关联性的信息,提高模型的预测能力。 在R语言中,可以使用geoGWR包来实现地理加权神经网络。该包提供了一套用于地理加权回归的函数和方法,并与神经网络模型相结合。使用该包,可以通过指定神经网络的结构和参数来构建地理加权神经网络模型。它还提供了一些评估模型性能的函数,如交叉验证和误差图。 另外一个实现地理加权神经网络的R包是GWmodel。该包可以进行地理加权回归的分析,并可以将结果与神经网络模型相结合。通过该包,可以构建地理加权神经网络的模型,并进行预测和评估。 总而言之,地理加权神经网络是一种结合了神经网络和地理加权回归的方法,可以更好地处理和预测地理数据。在R语言中,可以使用geoGWR和GWmodel等包来实现地理加权神经网络,并进行模型建立、预测和评估等操作。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值