<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Byte_School的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Byte_School</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Byte_School]]></copyright><item><title><![CDATA[全国各城市、各类型AOI边界数据]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/148074841</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/148074841</guid><author>Byte_School</author><pubDate>Mon, 19 May 2025 21:24:55 +0800</pubDate><description><![CDATA[目前已获取的AOI矢量数据覆盖全国31个省市自治区和港澳地区，坐标系为WGS84坐标系数据，提供SHP格式文件，目前全国范围共获取AOI矢量数据共计超过105万个，涵盖衣、食、住、行、教育、医疗、旅游、政府机关、经济、体育休闲等所有经济活动区域。AOI大类23种，子类388种，具体大类如下：旅游景点、房地产、公司企业、购物、酒店、交通设施、教育培训、医疗、休闲娱乐、政府机构、汽车服务、文化传媒、生活服务、运动健身、行政地标、美食、金融、行政区划、道路、出入口、门址、绿地、自然地物。]]></description><category></category></item><item><title><![CDATA[基于高精度网格的人口岗位分布数据]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/148074774</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/148074774</guid><author>Byte_School</author><pubDate>Mon, 19 May 2025 21:21:27 +0800</pubDate><description><![CDATA[因此，本研究针对国内主要城市大数据进行分析，定义这六个月内在某市出现的天数超过70%的用户为常住人口，利用历史每日22:00-次日7:00的夜间大数据训练识别，以出现概率最高且比例超过70%的区域作为用户的居住地，识别其为常住地。同理，利用工作日工作时段9:00-12:00，14:00-18:00的大数据训练识别，并剔除白天与夜间常住地在500m(交通出行定义的最短距离)范围以内的用户，将剩余用户近似作为就业岗位样本，得到的就业岗位地。图1 上海常住人口分布图。图2 广州岗位人口分布图。]]></description><category></category></item><item><title><![CDATA[基于网格的24小时居民出行OD数据]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/148074598</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/148074598</guid><author>Byte_School</author><pubDate>Mon, 19 May 2025 21:11:14 +0800</pubDate><description><![CDATA[然后提出了一种基于“空间-时间”双层聚类的停留点识别算法，先在空间层面利用DBSCAN算法对定位点进行聚类，并利用K-近邻法的思想优化聚类结果，得到候选停留点，再在时间层上，将停留时间超过30min的地点作为一个停驻地，识别出用户出行的停留点和出行链；随着大数据技术的迅速发展，大量的用户在日常出行中产生了海量数据，这些数据具有全天候连续采集、抽样率高、数据量庞大的特点，本研究基于大数据的诸多优点，利用这些大数据来获取居民出行OD矩阵的方法。基于网格的24小时居民出行OD数据。]]></description><category></category></item><item><title><![CDATA[各城市高精度24小时动态人口分布数据]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/148074342</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/148074342</guid><author>Byte_School</author><pubDate>Mon, 19 May 2025 20:54:36 +0800</pubDate><description><![CDATA[高精度的24小时动态人口分布数据是城市规划、园林、交通和住房等方面重要研究指标，它可以反映人口的动态分布水平和时空差异，是许多科研工作或生产应用的基础。传统的调查手段很难获取片区级、城市级的24小时动态人口数据，难以满足更加精细的人口测算需求。因此，本研究针对国内主要城市大数据进行分析，对各城市划分200×200网格单元，统计每个网格单元每小时活动居民数量，得到基于网格的动态人口数量。字段：小时、X (网格中心点经度)、Y (网格中心点纬度)、Popu (动态人口数量)内容：24小时动态人口分布数据。]]></description><category></category></item><item><title><![CDATA[2021年宁波市建筑物轮廓及高度矢量数据]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/122811415</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/122811415</guid><author>Byte_School</author><pubDate>Mon, 07 Feb 2022 16:59:49 +0800</pubDate><description><![CDATA[2021年宁波市建筑物轮廓及高度矢量数据
矢量地图 / 建筑物轮廓数据
数据内容：2021年宁波市建筑物轮廓及高度矢量数据
数据量：包含全宁波20万余栋建筑物
数据格式：.shp格式，wgs1984坐标系
作用：可用于宁波市城市三维建模、交通建模、游戏建模、城市规划开发强度计算等




...]]></description><category></category></item><item><title><![CDATA[Byte学堂：数据矢量化——热力图竟然可以这样推算人口]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113653502</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113653502</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 16:32:53 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;数据矢量化是指将文本数据或者图片数据矢量化成空间数据，以进行下一步的空间分析.常见的文本数据数量有点数据矢量化、线数据矢量化，常见的图片数据矢量化有热力图和路况图矢量化。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&n]]></description><category></category></item><item><title><![CDATA[Byte学堂：地铁数据处理原理及分析方法]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113653073</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113653073</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 16:23:42 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;地铁数据是由地铁公司在营运过程中产生的数据，包含乘客进出闸机刷卡数据、地铁车辆运行数据、发出排班等等。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;以地铁刷卡数据为例，智]]></description><category></category></item><item><title><![CDATA[Byte学堂：POI数据推算用地类型竟然这么简单！]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113652690</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113652690</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 16:17:04 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;POI是“Point of Interest”的缩写，中文可以翻译为“兴趣点”。在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。

&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;传统的地理信息采集方法需要地图测绘人员采用精密的测绘仪器去获取一个信息点的经纬度，然后再标记下来。正因为POI的采集是一个非常费时费事的工作，对一个地理信息系]]></description><category></category></item><item><title><![CDATA[Byte学堂：共享单车数据处理原理及分析方法]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113651264</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113651264</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 16:02:54 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;公共交通工具的“最后一公里”是城市居民出行采用公共交通出行的主要障碍，也是建设绿色城市、低碳城市过程中面临的主要挑战。  
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;共享单车（自行车）企业通过在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供服务，完成交通行业最后一块“拼图”，是一种新型绿色环保共享经济。 
&nbsp;&nbsp;&nbsp;&nb]]></description><category></category></item><item><title><![CDATA[Byte学堂：手机信令大数据格式及应用价值]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113649772</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113649772</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 15:44:32 +0800</pubDate><description><![CDATA[一、什么是手机信令大数据
手机信令是手机用户与发射基站或者微站之间的通信数据，只要手机一开机，并且手机屏幕上显示出运营商（中国移动、中国联通、中国电信）字样，信令数据就开始产生了。之后当你使用手机拨打接听电话、发送接受短信、上网浏览网页等所有通讯行为，都会和手机附近的基站发送通信关系，由于通信基站的位置是固定且已知的，基站的位置信息就反映了用户的位置，因此手机信令数据字段中始终带有时间和位置等信息。

从手机信令数据的来源来分类，可将手机信令大数据划分成三类，即话单数据、PS域信令数据和CS域信令数据。其中]]></description><category></category></item><item><title><![CDATA[Byte学堂：公交GPS及IC卡数据原理及分析方法]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113648636</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113648636</guid><author>Byte_School</author><pubDate>Thu, 04 Feb 2021 15:34:51 +0800</pubDate><description><![CDATA[公交数据是指公交在营运过程中产生的交易、车辆运行等数据，通过对公交大数据进行深入的分析和挖掘，可以有效地监控城市道路交通运作状况及公交系统运营状况，及时、合理发现问题，调度交通资源，提高公交运力，缓解交通拥堵。 
公交数据通常包含公交GPS数据、到离站数据、公交刷卡数据。 
公交GPS数据通过GPS定位仪生成的数据，公交车通常安装了GPS定位仪，定位数据能实时传入后台服务器。定位数据通常每10秒一个，记录了当时出租车的时间、位置、车速等信息，其格式如下： 
从数据字段可以看出，公交车GPS数据有以下两个特征]]></description><category></category></item><item><title><![CDATA[Byte学堂：出租车数据竟然可以这么玩！]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113465984</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113465984</guid><author>Byte_School</author><pubDate>Sun, 31 Jan 2021 12:29:40 +0800</pubDate><description><![CDATA[城市化带来的道路拥堵、出行耗时长等交通问题给交通管理部门带来了巨大的挑战。通过安装在出租车上的GPS设备，可以采集到大量的轨迹数据，从而帮助我们分析居民出行信息，达到优化交通的目的。 
出租车通常安装了GPS定位仪，定位数据实时传入后台服务器。定位数据通常每10秒一个，记录了当时出租车的时间、位置、车速等信息，其格式如下：
从数据字段可以看出，出租车GPS数据有以下三个特征，第一，出租车GPS数据是携带空间位置的点。第二，出租车GPS数据是携带速度和方向的点。第三，出租车GPS数据是有起讫信息的点。
由于出]]></description><category></category></item><item><title><![CDATA[快来看！一键式、企业级的大数据综合分析平台上线啦]]></title><link>https://blog.youkuaiyun.com/Byte_School/article/details/113465117</link><guid>https://blog.youkuaiyun.com/Byte_School/article/details/113465117</guid><author>Byte_School</author><pubDate>Sun, 31 Jan 2021 12:08:19 +0800</pubDate><description><![CDATA[长期以来，大数据使用和分析领域存在算法设计难、代码开发难、分布式构架搭建难、软硬件设备不足等诸多难点和痛点，对于一个大数据计算和分析任务，需要用户学习相关的底层计算引擎的知识，才能进行代码开发的工作，并不断调试算法参数的准确性和可用性，然后采购昂贵的软硬件资源才能进行数据分析和处理。期间需要耗费大量的人力和物力，耽误研究的时间节点和项目工期。
为了让用户更加方便的使用大数据，提升生产效率和科研水平，比特大数据工作室基于十年的大数据技术积淀，联合多家985高校科研技术力量，构建一键式、企业级的大数据综合分析平]]></description><category></category></item></channel></rss>