URBAN FUNCTIONAL ZONE IDENTIFICATION BY CONSIDERING THE HETEROGENEOUS DISTRIBUTION OF POINTS OF INTERESTS
Notice bibliographique
Résumé
Abstract. Urban Functional Zone (UFZ) identification facilitates the understanding of urban systems, which are complex and huge, and helps promote sustainable urban development. Existing studies on UFZ identification with Points of Interests (POIs) have focused much on more accurately extracting functional semantics, but ignored the fine delineation of UFZs in the spatial domain. The fine delineation of the spatial units of UFZs is also a key issue in UFZ identification. Since the sizes of UFZs can be different in practice, it is difficult to delineate spatially heterogeneous UFZs on a fixed scale. To solve the issue, a novel multi-scale spatial segmentation method was proposed in this study. Through taking the homogeneous socio-economic attributes of UFZs into account, we firstly generated a number of multi-scale spatial units by computing the mixed degree of POIs types, which reflects the mixed functions of each UFZs, using information entropy. Subsequently, we constructed the urban functional corpus of each spatial unit by measuring the spatial distribution pattern of POIs. The Word2Vec model was employed to obtain the semantic embedding vectors of UFZs, following which we adopted cosine distance-based K-means clustering method to group similar UFZs into one cluster. Finally, the enrichment factor was used to help annotate each functional cluster with a specific label. The UFZ identification results were compared with the Baidu e-maps and Baidu street view images for evaluation, and an accuracy of 82.7% was obtained. This study considering the heterogeneous distribution of POIs supports the fine-grained identification of UFZs, providing reference for urban planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».