idea：城市功能区的发掘

本文试图使用POI数据与GPS轨迹数据，协同进行城市功能区的发掘。基本思路如下：

1)Methods

1.1 城市交通小区的提取

按照交通小区的概念，其实出租车轨迹数据提取的是最可靠的。因为没有GPS数据的地区说明是一个“内部区域”，也就是可以看做一个功能整体。
而路网数据会包含太多道路细节，有些地区可能划分太细。

1.2 功能分区

1.2.1 POI核密度分析

首先POI点投影、合并、核密度分析（输出像元20m）、各类核密度归一化
（问题：归一化时是不是要考虑不同的权重，因为住宅区的核密度应该起到主要作用？还是让这一种原则在选择样本时考虑？）
最后波段合成、ISO聚类。
做了一个小范围实验，效果如下：

个人感觉比较有代表性的地方在于春熙路商业区，下面是与路网叠加分析的结果：（路网数据：https://download.geofabrik.de/）

此区域构成复杂，从左向右分别为办公区、娱乐区、住宅区。可以看出聚类结果可以较好地区分开三个区域。

1.2.2 出租车数据的加入

为了提高精度，想要结合poi的核密度影像与出租车影像。
具体为一天16个小时的出租车上车人数，转换为影像的格式。
所以一个问题就来了，出租车影像的格网大小选为多大呢？
而且发现成都市taxi数据有一个整体偏移，如下图：

通过选择5个左右的控制点，对所有的出租车OD点做了矫正，如下图：

所以出租车轨迹数据并不适合于在格网尺度上分析、聚类，还是应该按照“交通小区”统计，然后再重采样到和POI核密度图一样的格网，之后波段合成，再一起聚类。
刘老师的文章表明，只考虑每个位置（500m格网）一天内24h的总流出、总流入(注意，不是总上车、总下车，但我感觉就500m这么小的尺度来说，上车=流出，下车=流入，到时候要做一些实验)，两个属性，也可以比较有效地聚类，如图：

因此，简化一下问题，那就是借助出租车数据添加24个波段信息：每个位置一天内的总上车、总下车。由于成都市出租车数据只有一天16小时的数据，于是我要添加的波段数为32个。