2.3点阵尺度研究结果

　　点阵尺度的研究目的是为了通过将原始点阵数据的48小时分时曲线数据进行聚类分析，对地块内部的人口活动热点及特征进行精细区分与刻画，对地块内部的地块性质主导因素进行识别，发现地块热点。

　　在Silhouette检验后，k-means分类中的k取值确定为15。不同于地块尺度与网格尺度，点阵尺度的分类结果所主要表达的是根据曲线的特征及规模反映出地块中建筑的外轮廓和建筑中的不同功能。以西二旗为例，点阵尺度的分类结果很好地体现了西二旗地铁站及百度大厦区域的高人口活动热度。与此同时，也可以通过对比分类结果，对不同建筑的人口规模及活动特征进行区分。

　　点阵分类结果局部

　　另一方面，通过对分时人口数进行叠加，在点阵尺度对以人口密度为基础的三维空间进行进一步刻画与可视化表达，可以清晰地判断出百度大厦是该地区人口活动的绝对热点，同时百度大厦北侧的联想研究院则是该地块另一人口活动热度较高的区域。

　　点阵分类三维刻画

　　3总结

　　分时人口密度数据解决了在规模、规律和功能3个方面的认知过程中产生的问题。

　　首先，在规模识别上，可以对分时人口规模进行深度刻画，达到对同种功能不同级别的识别，解决传统分析方法中对不同规模的居住区、商业区分类过程中遇到的困难。

　　第二，在活动规律识别上，打破了传统分析方法中单一结果、缺乏时间维度的构造，对同一地块不同时间段的特征进行了有效的反映，对地块人口活动规律的单日内变化、工作日与周末的差异进行了突出表达。

　　第三，在城市功能认知上，结合POI的约束，可以发现传统用地分类中无法刻画的隐藏属性。

　　详情请关注《上海城市规划》2016年第3期《见物见人——时空大数据支持下的存量规划方法论》，作者：段冰若、王鹏、郝新华、蔡玉蘅、石淼，北京清华同衡规划设计研究院有限公司技术创新中心。