????????這學(xué)期期末智慧交通大作業(yè)，我選擇使用手機(jī)信令數(shù)據(jù)研究人類交通出行特征，期間我也查閱了許多資料，但絕大多數(shù)帖子只有手機(jī)信令數(shù)據(jù)的應(yīng)用方向，沒有具體實(shí)現(xiàn)做法。經(jīng)過一兩周的探索，我大概根據(jù)數(shù)據(jù)和應(yīng)用方向?qū)崿F(xiàn)了具體的方法。但本人才學(xué)疏淺，也只能提供一些簡(jiǎn)單的解決思路與簡(jiǎn)單的處理數(shù)據(jù)方法，但我還是很愿意和大家一起分享，為同樣被大作業(yè)折磨的同學(xué)提供一些思路和經(jīng)驗(yàn)。

? ? ? ? 我先測(cè)試一下能不能追更， 因?yàn)槲乙惶炜隙ǜ煌陗

? ? ? ? 測(cè)試完成，可以編輯~好的，我先將我接下來(lái)要實(shí)現(xiàn)的方法目錄放在下方，后續(xù)會(huì)慢慢更新具體的實(shí)現(xiàn)方法。

1.數(shù)據(jù)預(yù)處理

? ? ? ? 老師給的數(shù)據(jù)很多，畢竟手機(jī)信令數(shù)據(jù)真的太龐大了，每個(gè)人每天能產(chǎn)生幾十上百條數(shù)據(jù)都很正常，我使用的數(shù)據(jù)一共1048576條，這也是我電腦wps表格所能載入的最多的數(shù)據(jù)量。數(shù)據(jù)特征如下圖。我將停留時(shí)間（秒）轉(zhuǎn)換為停留時(shí)間（小時(shí)），多增加了一列，便于后續(xù)篩選。start_time是進(jìn)入基站的開始時(shí)間。

? ? ? ? 以上是貴州省2017.2.26日的部分用戶信令數(shù)據(jù)，數(shù)據(jù)量有限，所以并不完整。我主要介紹處理方法。?

1.1 數(shù)據(jù)清洗

????????數(shù)據(jù)清洗：①字段有空的數(shù)據(jù)；②重復(fù)的記錄；③數(shù)據(jù)標(biāo)記為不正常數(shù)據(jù)；④事件類型錯(cuò)誤的數(shù)據(jù)；⑤用戶字段異常數(shù)據(jù)；⑥其他錯(cuò)誤數(shù)據(jù)。

? ? ? ? 我的數(shù)據(jù)無(wú)以上缺失現(xiàn)象，但有不完整用戶出行點(diǎn)，需要?jiǎng)h除。

????????不完整用戶出行點(diǎn)：刪除只有一條居民記錄并且時(shí)長(zhǎng)小于4小時(shí)的用戶數(shù)據(jù)記錄，（用戶僅有1條記錄但停留時(shí)長(zhǎng)大于4小時(shí)的說(shuō)明用戶在家，并未出行），如果用戶僅有1條記錄但停留時(shí)長(zhǎng)小于4小時(shí)的說(shuō)明用戶出行但出行信息缺失了，這是無(wú)用數(shù)據(jù)，刪除就行了，數(shù)據(jù)量也不大。

1.2?“乒乓切換”數(shù)據(jù)修正

????????“乒乓切換”：用戶沒有移動(dòng)但上傳的數(shù)據(jù)連續(xù)使用周邊兩個(gè)或多個(gè)經(jīng)緯度基站扇區(qū)。 數(shù)據(jù)特點(diǎn)：（1）單點(diǎn)停留時(shí)長(zhǎng)較??；（2）前一次與后一次位置變更附著的基站位置與當(dāng)前位置的夾角較小。

????????處理方法：（1）對(duì)于已生成的未修正的數(shù)據(jù)軌跡，去除停留時(shí)長(zhǎng)小于5秒的軌跡點(diǎn)；（2）對(duì)于同一用戶的連續(xù)軌跡，若某一個(gè)軌跡點(diǎn)與其前一個(gè)出現(xiàn)的軌跡點(diǎn)以及后一個(gè)出現(xiàn)的軌跡點(diǎn)所構(gòu)成的夾角均小于30度，則刪除該軌跡點(diǎn)。

? ? ? ? 第一步就直接用excel就可以完成。將篩選處理后的數(shù)據(jù)保留，接下來(lái)使用python代碼進(jìn)行處理30度夾角修正。

import numpy as np
import pandas as pd# 讀取數(shù)據(jù)
from geographiclib.geodesic import Geodesic #計(jì)算夾角的庫(kù)
excel_data=pd.read_csv('數(shù)據(jù)1.csv',header = None) 
print(excel_data.shape)
data_dataframe = pd.DataFrame(excel_data)
data_numpy = np.array(data_dataframe)
print(data_numpy.shape)
data_final = data_numpy[:,6:8]#經(jīng)緯度數(shù)據(jù) 矩陣，根據(jù)經(jīng)緯度的所在列適當(dāng)修改就行

for i in range(2,541493):#根據(jù)行數(shù)目修改數(shù)據(jù)
    geodict1 = Geodesic.WGS84.Inverse(float(data_final[i-1][1]), float(data_final[i-1][0]), 
                                     float(data_final[i][1]), float(data_final[i][0]))
    #點(diǎn)1緯度、經(jīng)度，點(diǎn)2緯度、經(jīng)度
    geodict2 = Geodesic.WGS84.Inverse(float(data_final[i][1]), float(data_final[i][0]), 
                                     float(data_final[i+1][1]), float(data_final[i+1][0]))
    az1 = geodict1['azi1']
    az2 = geodict2['azi1']
    if az1<30 and az2<30:#30度角修正
        data_final[i]=['0' '0']

pandas_data1=pd.DataFrame(data_final,columns=['1','2'])
pandas_data1.to_excel('30度乒乓數(shù)據(jù)修正.xlsx',sheet_name='sheet1')

? ? ? ? 運(yùn)行代碼后，若如果某一個(gè)軌跡點(diǎn)與其前一個(gè)出現(xiàn)的軌跡點(diǎn)以及后一個(gè)出現(xiàn)的軌跡點(diǎn)所構(gòu)成的夾角均小于30度，表中會(huì)顯示00。將運(yùn)行后的數(shù)據(jù)替換原經(jīng)緯度數(shù)據(jù)，刪除包含00的數(shù)據(jù)點(diǎn)即可。

（這里沒有區(qū)分不同用戶的夾角，因?yàn)楦鶕?jù)結(jié)果我發(fā)現(xiàn)，不同用戶間的夾角都大于30度，所以就不存在這種誤差了）

1.3?異常漂移點(diǎn)數(shù)據(jù)修正

????????基于常規(guī)軌跡算法計(jì)算后的軌跡數(shù)據(jù)，通常還會(huì)出現(xiàn)異常漂移點(diǎn)，再次運(yùn)行30度夾角修正代碼，刪除異常漂移點(diǎn)數(shù)據(jù)即可。代碼和上述代碼相似。（這種方法雖然不夠精確的識(shí)別出異常飄逸點(diǎn)數(shù)據(jù)，但也能夠使用。更精確的方法可以自行查找論文和資料）

? ? ? ? 數(shù)據(jù)量變化：

? ? ? ? ?最終處理后，可用數(shù)據(jù)就是466221條。將此文件和后續(xù)文件都保存為csv文件，便于后續(xù)圖表制作處理。

（由于excel最大行數(shù)限制，導(dǎo)入的原始數(shù)據(jù)并不完整，這些數(shù)據(jù)并不能覆蓋整個(gè)貴州省，只有貴陽(yáng)、遵義、安順、黔南、黔東南、銅仁這幾個(gè)城市的部分居民數(shù)據(jù)）

2.數(shù)據(jù)分析

? ? ? ? 數(shù)據(jù)分析需要用到Arcgis軟件，（Arcgis10.2版本鏈接我放在文章最后可自行選擇下載），首先需要根據(jù)分析地區(qū)下載對(duì)應(yīng)的shp地圖。（下載shp地圖可觀看視頻全國(guó)、省市區(qū)縣shp下載_嗶哩嗶哩_bilibili?進(jìn)行下載）

2.1?職駐地分析

????????根據(jù)手機(jī)信令數(shù)據(jù)的接收信號(hào)時(shí)間與用戶停留時(shí)間篩選分析，可識(shí)別居民常住地、固定工作地：（1）選擇工作時(shí)段9：00- 11：30與14：00-17：00，篩選停留時(shí)間在2小時(shí)以上的數(shù)據(jù)整理成表，導(dǎo)入Arcgis，可制作居民工作地?zé)崃D；（2）選擇夜間休息時(shí)段 0：00-5：00，篩選停留時(shí)間在4小時(shí)以上的數(shù)據(jù)整理成表，導(dǎo)入Arcgis軟件，可制作居民常住地?zé)崃D。

? ? ? ? 1.在arcgis中連接表所在的文件夾，拖入shp文件和兩個(gè)csv文件，右擊csv文件進(jìn)行xy數(shù)據(jù)轉(zhuǎn)換，根據(jù)經(jīng)緯度轉(zhuǎn)換即可。?

? ? ? ? ?2.在ArcToolbox內(nèi)點(diǎn)擊Spatial Analyst工具\(yùn)密度分析\核密度分析，選擇下圖的按繪制順序列出即可調(diào)換圖層順序，雙擊密度結(jié)果圖層選擇符號(hào)系統(tǒng)即可更改顏色，調(diào)節(jié)適當(dāng)?shù)姆诸愵伾?，最終結(jié)果如下圖（數(shù)據(jù)結(jié)果僅供參考）。

? ? ? ? ?3.居住地人口熱力圖操作步驟與上述一致。獲得結(jié)果圖后可進(jìn)行對(duì)比分析。

2.2?居民就業(yè)崗位分析

? ? ? ? 選擇某居民連續(xù)工作日的出行點(diǎn)進(jìn)行分析，可大致分析居民的工作崗位，結(jié)合地圖導(dǎo)航等工具，甚至能定位居民的工作地點(diǎn)、公司等。我的數(shù)據(jù)只有一天，所以就簡(jiǎn)陋進(jìn)行猜測(cè)分析。

? ? ? ? 在最終數(shù)據(jù)表中根據(jù)user id篩選出某位居民的出行數(shù)據(jù)，導(dǎo)入arcgis，即可得到該居民的出行點(diǎn)地圖。右擊csv文件進(jìn)行xy數(shù)據(jù)轉(zhuǎn)換，根據(jù)經(jīng)緯度轉(zhuǎn)換即可。根據(jù)始末出行點(diǎn)的經(jīng)緯度標(biāo)出始末點(diǎn)，然后調(diào)整顏色。

? ? ? ? 1.更改背景顏色。在背景圖地方右擊選擇數(shù)據(jù)框?qū)傩?，點(diǎn)擊框架更改背景顏色。

? ? ? ? 2.標(biāo)紅始末點(diǎn)。導(dǎo)入僅含有始末兩個(gè)點(diǎn)的數(shù)據(jù)表將其顏色設(shè)置為紅色就行。再次導(dǎo)入此居民的全部出行點(diǎn)，注意圖層位置。

? ? ? ??根據(jù)該居民出行軌跡點(diǎn)圖可大致推測(cè)，該居民工作為長(zhǎng)途汽車司機(jī)，或者在該天出行旅游。

2.3?出行活動(dòng)強(qiáng)度空間分析

????????分別篩選白天與夜晚居民出行數(shù)據(jù)進(jìn)行分析。白天時(shí)段為7：00-17：00，夜晚時(shí)段為0：00-5：00，并選擇停留時(shí)間小于2小時(shí)的數(shù)據(jù)。分別將白天時(shí)段出行點(diǎn)與夜晚時(shí)段出行點(diǎn)數(shù)據(jù)導(dǎo)入arcgis，進(jìn)行核密度分析。

? ? ? ? 這里需要注意的是數(shù)據(jù)顏色的分段值，因?yàn)橥砩铣鲂腥藬?shù)比白天少很多，它自動(dòng)分類的分割值是等分的，這樣就沒辦法和白天的出行數(shù)據(jù)點(diǎn)進(jìn)行對(duì)比，所以要根據(jù)白天的出行密度分割值，來(lái)改變夜晚密度顏色的分割值。

? ? ? ? 雙擊要更改的數(shù)據(jù)，在圖層屬性界面點(diǎn)擊分類，即可更改分割值。

?????????結(jié)果圖如下。左圖夜晚，右圖白天?？蓳?jù)此進(jìn)行分析。

2.4?居民通勤/非通勤OD分析

2.4.1 居民通勤OD分析

????????從數(shù)據(jù)集篩選出在上下班時(shí)間段（7-9點(diǎn)與17-19點(diǎn)）有出行記錄的用戶數(shù)據(jù)點(diǎn)，并將停留時(shí)長(zhǎng)大于2小時(shí)的軌跡點(diǎn)作為起點(diǎn)和終點(diǎn)。 然后對(duì)用戶的單個(gè)出行軌跡點(diǎn)進(jìn)行起始與到達(dá)點(diǎn)合并。有兩個(gè)軌跡點(diǎn)的用戶即為一次出行，有3個(gè)軌跡點(diǎn)的用戶即為2次出行，以此類推。

? ? ? ? 所以我們需要居民把下一個(gè)基站記錄的經(jīng)緯度作為上一次出行的終點(diǎn)，需要先使用excel篩選出有重復(fù)值的居民出行點(diǎn)，再合并OD。這里合并用代碼處理，用excel處理的話會(huì)使用戶OD混亂。代碼和結(jié)果如下。

#向OD表中寫入終點(diǎn)信息
import pandas as pd
data= pd.read_csv(r"od.csv")
data_dataframe = pd.DataFrame(data)
data_numpy = np.array(data_dataframe)
print(data_numpy.shape)

for i in range(0,100957):     #注意自己的行數(shù)和列數(shù)進(jìn)行修改
    if data_numpy[i+1][1]==data_numpy[i][1]:
        data_numpy[i][11]=data_numpy[i+1][6]
        data_numpy[i][12]=data_numpy[i+1][7]

#將矩陣寫入excel表格
pandas_data1=pd.DataFrame(data_numpy)
pandas_data1.to_excel('od1.xlsx',sheet_name='sheet1')

? ? ? ? ?將上表結(jié)果復(fù)制到OD表中，刪除有空白的行，就可以得到完整的居民出行OD了。

? ? ? ? 將上述表導(dǎo)入arcgis中，打開ArcToolbox——數(shù)據(jù)管理工具——要素——XY轉(zhuǎn)線。根據(jù)信息選擇OD點(diǎn)，線類型處可以選GREAT_CIRCLE，這樣有些線可以自動(dòng)換為弧形。

?????????最后主要是對(duì)成果圖進(jìn)行美化。首先對(duì)線條按照流動(dòng)量進(jìn)行分級(jí)符號(hào)的設(shè)置。方法：右鍵圖層—屬性—符號(hào)系統(tǒng)—數(shù)量—分級(jí)符號(hào)?？筛鶕?jù)自己需求選擇分類的數(shù)量。（網(wǎng)上還有很多博主的帖子制作更好看的od圖，可以自行搜索）

?????????該OD圖根據(jù)出行距離進(jìn)行分級(jí)色彩分類，顏色越紅代表出行距離越遠(yuǎn)，顏色越綠代表出行距離越近?？蓳?jù)此進(jìn)行分析。

2.4.2 非通勤OD分析

? ? ? ? 選擇不是通勤時(shí)段（除通勤時(shí)間外）的數(shù)據(jù)進(jìn)行上述同樣操作即可分析。

2.5?人口流入/流出分析

2.5.1 人口流入

????????選出數(shù)據(jù)集中包含的城市機(jī)場(chǎng)（貴陽(yáng)機(jī)場(chǎng)、遵義機(jī)場(chǎng)、安順機(jī)場(chǎng)）附近區(qū)域，這里可以在機(jī)場(chǎng)經(jīng)緯度附近小范圍里進(jìn)行篩選，如機(jī)場(chǎng)（109.87，25.76）可分別篩選經(jīng)度109.85-109.89，緯度范圍25.74-25.79，選擇停留時(shí)間大于等于15分鐘的軌跡點(diǎn)，作為在機(jī)場(chǎng)降落的省外人員起始點(diǎn)，并選出其軌跡終點(diǎn)（停留時(shí)間大于1小時(shí)），運(yùn)用上面的寫入終點(diǎn)經(jīng)緯度的代碼做出OD表格。

? ? ? ? 然后就是把篩選出來(lái)的數(shù)據(jù)點(diǎn)導(dǎo)入arcgis制作OD圖，操作和上面的OD圖制作方法一樣，我就不贅述了。這里展示一下結(jié)果圖。

?2.5.2 人口流出

????????選出數(shù)據(jù)集中包含的城市機(jī)場(chǎng)（貴陽(yáng)機(jī)場(chǎng)、遵義機(jī)場(chǎng)、安順機(jī)場(chǎng)）并篩選出附近區(qū)域，選擇停留時(shí)間大于等于15分鐘的軌跡點(diǎn)，作為在機(jī)場(chǎng)降落的省外來(lái)員軌跡終點(diǎn)，然后選出其起始點(diǎn)（在某地停留時(shí)間大于2小時(shí)），運(yùn)用上面的代碼運(yùn)行出OD結(jié)果表，導(dǎo)入arcgis制作OD圖就可以了。

2.6?交通方式識(shí)別

????????篩選停留時(shí)間大于2小時(shí)的軌跡點(diǎn)作為某個(gè)用戶的起始點(diǎn)與終點(diǎn)，計(jì)算該居民從O點(diǎn)到D點(diǎn)經(jīng)歷的時(shí)間，然后與之前整理的OD表整合，計(jì)算OD兩點(diǎn)間的距離和平均速度，得到最終OD配速表，根據(jù)平均速度可大概分類其出行交通工具。

? ? ? ? （1）在之前整合的OD表里，利用excel計(jì)算該居民從O點(diǎn)到D點(diǎn)經(jīng)歷的時(shí)間，時(shí)間差的單位是小時(shí)（我是先換為秒再轉(zhuǎn)換為小時(shí)，因?yàn)槊肟梢灾苯酉鄿p計(jì)算出來(lái)），便于速度的計(jì)算。

? ? ? ? （2）根據(jù)OD經(jīng)緯度計(jì)算兩點(diǎn)間距離。這里用代碼解決。

import pandas as pd
import numpy as np
data= pd.read_csv(r"OD.csv")
data_dataframe = pd.DataFrame(data)
data_numpy = np.array(data_dataframe)
print(data_numpy.shape)

#根據(jù)經(jīng)緯度計(jì)算距離
import math

R = 6371.393
Pi = math.pi

for i in range(0,7509): #注意修改shape和列數(shù)
# A地
    jingduA, weiduA= data_numpy[i][6], data_numpy[i][7]

# B地
    jingduB, weiduB = data_numpy[i][8], data_numpy[i][9]


    a = (math.sin(math.radians(weiduA/2-weiduB/2)))**2
    b = math.cos(weiduA*Pi/180) * math.cos(weiduB*Pi/180) * (math.sin((jingduA/2-jingduB/2)*Pi/180))**2

    data_numpy[i][12] = 2 * R * math.asin((a+b)**0.5)

# 單位是千米

#將矩陣寫入excel表格
pandas_data1=pd.DataFrame(data_numpy)
pandas_data1.to_excel('od距離.xls',sheet_name='sheet1')

????????運(yùn)算結(jié)果出來(lái)后，將其復(fù)制整合到篩選的OD表中，利用excel公式計(jì)算平均速度。

? ? ? ? （3）我將居民的交通方式劃分為7種：（1）0-10km/h:步行 （2）10-20km/h:自行車 （3）20-30km/h:電瓶車 （4）30-50km/h:公交車 （5）50-110km/h:汽車 （6）110-400km/h:火車+其他 （7）400-900km/h:飛機(jī)＋其他。這里最低速度范圍偏小是因?yàn)榭紤]到人還需要走路、趕路等時(shí)間，平均速度就慢了些。然后就根據(jù)計(jì)算的平均速度和這些工具速度篩選就可以知道交通方式了，計(jì)算不同交通方式的數(shù)量作圖就可以分析。

? ? ?

? ? ? ? ?上面的圖是我的結(jié)果，其實(shí)可以再將交通工具的最低速度范圍設(shè)置小一些，因?yàn)槿嗽诼飞献呗飞兜臅?huì)拉低平均速度，所以我的結(jié)果不太準(zhǔn)確。

————————————————————————分割線

????????接下來(lái)的分析方面是我同伴做的分析，因?yàn)槔蠋熃o出的手機(jī)信令數(shù)據(jù)中還含有每個(gè)人的移動(dòng)流量套餐數(shù)據(jù)，所以她探究了一下影響話費(fèi)套餐的因素，以及景點(diǎn)受歡迎度分析，大致目錄如下。下面的方面我就大概說(shuō)一下方法，具體過程不詳細(xì)說(shuō)明，因?yàn)橐膊皇俏易龅摹?/p>

2.7?空間自相關(guān)分析

? ? ? ??想要判斷貴州省每個(gè)移動(dòng)用戶的話費(fèi)套餐是否存在空間自相關(guān)（也就是在空間上是否相關(guān)聯(lián)），先要將花費(fèi)套餐從字符串轉(zhuǎn)化為數(shù)值，由于數(shù)據(jù)中的套餐是一個(gè)范圍，在這里取平均值將其轉(zhuǎn)化為數(shù)值，例如將“150-200元”表達(dá)為“175”，將“100-150元”表達(dá)為“125”。如圖，標(biāo)記出來(lái)的arpu2即為轉(zhuǎn)化后的數(shù)據(jù)。

?????????為了結(jié)果數(shù)據(jù)的準(zhǔn)確性，對(duì)用戶名即user_id進(jìn)行去重處理，去重處理之前先篩選出0:00到6:00時(shí)段的用戶，因?yàn)檫@個(gè)時(shí)間段的用戶極大概率在居住地。將得到的excel表導(dǎo)入ArcGIS進(jìn)行空間自相關(guān)分析即可。空間自相關(guān)可自行搜索如何操作，也是arcgis里一個(gè)比較簡(jiǎn)單的步驟就是了。生成報(bào)表如下。

?????????從結(jié)果圖可知，Z為0.824643，P值為0.409574，表明移動(dòng)話費(fèi)套餐金額空間分布并不存在顯著的空間關(guān)系。

2.8?影響話費(fèi)套餐因素的主成分分析

????????由于移動(dòng)話費(fèi)套餐金額空間分布并不存在顯著的空間關(guān)系，這里進(jìn)一步探討動(dòng)話費(fèi)套餐金額與什么因素有關(guān)，本部分用到SPSS進(jìn)行分析。為方便計(jì)算，在之前修改過的分析數(shù)據(jù)的基礎(chǔ)上，再次進(jìn)行修改。 將性別里的 “男”改為數(shù)值“1”，“女”改為數(shù)值“2”，年齡同與話費(fèi)金額的處理方法一樣，取平均值，例如將字符串“31到50歲”改為數(shù)值“35”。將該excel表導(dǎo)入SPSS軟件，進(jìn)行主成分分析（可自行查找資料）。本步對(duì)sex、age、longitude和latitude四個(gè)特征進(jìn)行分析。

????????分析結(jié)果如下圖所示。

? ? ? ? ?再結(jié)合碎石圖，可知性別和年齡是影響移動(dòng)話費(fèi)套餐金額的主要成分。

2.9?x市景點(diǎn)受歡迎度分析

? ? ? ? 為方便分析，在規(guī)劃云網(wǎng)站上選取了貴陽(yáng)市的景點(diǎn)poi，得到了景點(diǎn)名稱、經(jīng)緯度和地址，將其導(dǎo)入excel表，再導(dǎo)入ArcGIS MAP中。

? ? ? 這里選擇了人口密度集中的城市進(jìn)行分析，選擇的是貴州省的省會(huì)城市貴陽(yáng)市的六個(gè)行政區(qū)白云區(qū)、烏當(dāng)區(qū)、云巖區(qū)、南明區(qū)、觀山湖區(qū)和花溪區(qū)。根據(jù)年齡將用戶分為三個(gè)部分（14歲以下和15至20歲的用戶數(shù)據(jù)量較少，故不納入分析范圍）：年輕人（21至40歲）、中年人（41至60歲）和老年人（60歲以上）。導(dǎo)入ArcGIS MAP后將各景點(diǎn)表示為紅色菱形。

? ? ? ? ?（1）對(duì)年輕人的聚集程度進(jìn)行分析：

????????利用點(diǎn)密度分析工具（核密度的下面就是點(diǎn)密度了）得到的人口聚集程度結(jié)果圖，觀察結(jié)果圖可知在花溪區(qū)年輕人聚集密度更大，將圖層進(jìn)一步放大就可以得出受年輕人歡迎的景點(diǎn)。

? ? ? ? ?（2）對(duì)中年人的聚集程度進(jìn)行分析：

????????利用點(diǎn)密度分析工具得到的人口聚集程度結(jié)果圖，觀察結(jié)果圖可知在花溪區(qū)年輕人聚集密度更大，將圖層進(jìn)一步放大就可以得出受中年人歡迎的景點(diǎn)。

? ? ? ? （3）對(duì)老年人的聚集程度進(jìn)行分析：

????????利用點(diǎn)密度分析工具得到的人口聚集程度結(jié)果圖，觀察結(jié)果圖可知在花溪區(qū)年輕人聚集密度更大，將圖層進(jìn)一步放大就可以得出受老年人歡迎的景點(diǎn)。

————————————————————————正文完

? ? ? ? 大概分析方面如上述所示，我會(huì)在接下來(lái)的一段時(shí)間里慢慢更新具體的實(shí)現(xiàn)方法。如果大家關(guān)注到了本篇帖子，并且迫切想知道具體如何實(shí)現(xiàn)，可以在評(píng)論區(qū)催更哦~因?yàn)槲易约簳r(shí)不時(shí)更新的話速度可能會(huì)有些慢，畢竟這也快過年了哈哈哈。所以如果有感興趣的小伙伴記得向我催更！我收到了消息動(dòng)力也會(huì)up的！如果大家有其他的更好的方法實(shí)現(xiàn)也歡迎與我在評(píng)論區(qū)討論~

Arcgis10.2版本安裝包（百度網(wǎng)盤）：

鏈接：https://pan.baidu.com/s/1B8cjBET46aedL4Nq6VoHVA?
提取碼：zxsm

? ? ? ? 到這里就差不多更新完了！我有些地方說(shuō)得比較簡(jiǎn)略，如果有疑問的朋友可以在評(píng)論區(qū)留言~文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-603686.html

到了這里，關(guān)于基于手機(jī)信令數(shù)據(jù)研究交通出行特征具體實(shí)現(xiàn)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！