基于大数据的城市公园游憩功能研究.docx

基于大数据的城市公园游憩功能研究文／谢瑶郭旭梅摘要：当今时代是大数据的时代，本文对上海市153个公园的相关因子进行统计，确定各因子权重并最终将其做了排名，找到20个具有代表意义的公园。通过大数据挖掘，对搜索引擎的检索记录进行分析研究，得出公园游憩功能。关键词：公园；游憩；大数据；搜索引擎引言公园是城市中面积大、功能全的绿地，它是衡量城市建设水平的重要标志。为了进一步了解上海公园的发展状况，通过大数据挖掘，对20个公园的游憩功能进行研究分析，为优化上海城市公园规划建设，城市居民公园选择提供科学依据。1、相关理论和技术本文的主要理论和技术为大数据理论和搜索引擎技术。前者是指从各种各样类型的数据中，快速获得有价值的信息；后者专门为用户提供信息“检索”的服务。本文总共选取了四个搜索引擎，其中中文搜索引擎为：百度、搜搜；外文搜索引擎为：谷歌、雅虎。2、选择上海市具有代表意义的公园2.1相关步骤2.1.1建立层次结构模型将决策的目标、考虑的因素和决策对象按它们之间的相互关系绘出层次结构图。目标层为“选择公园”，准则层1为“文化和历史”“区位”“规模和特色”，准则层2为“建园历史”“历史名人、事件”“交通路线”“停车场数量”“附近商圈”“地理位置”“游乐设施”“面积”“A级景区”。方案层为“人民公园”“鲁迅公园”等上海市公园。2.1.2构造判断矩阵这个阶段采用专家打分法，通过旅游专业的专家对准则层的各个因子进行打分，得到关于文化和历史、区位、规模和特色的判断矩阵为2.1.3层次单排序及其一致性检验对应于判断矩阵最大特征根λmax的特征向量，经归一化后记为W。经计算准则层1的W1=（0.38730187，0.16984127，0.442857143）ˊ入=3.018309068。一致性的检验结果CR=0.015783679<0.1。此结果的不一致性程度在容许的范围之内，有满意的一致性。准则层2的W2=(0.25，0.75)ˊ;W3=（0.171457219，0.079434046，0.0578877005）ˊ，入=4.081003075，CR=0.030001139<0.1;W4=（0.210606061，0.240909091，0.458484848）ˊ，入=3.018318588，CR=0.015791886<0.1。2.1.4计算最终权重由于已经有了准则层1和准则层2的权重结果，将其进行计算得到最终权重，结果为：建园历史0.096825397，历史名人和事件0.29047619，公交数量0.029120512，停车场0.013491179，商圈0.098317206，地理位置0.028912373，游乐设施0.093268398，面积0.106688312，A级景区0.242900433。2.2数据处理2.2.1数据标准化数据标准化的常用方法有Min-max标准化、z-score标准化、小数定标标准化和归一化。其中第一种方法是最常用的方法，其原理是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0，1]中的值x’。故本文中采用这一方法。2.2.2对各变量进行打分说明1）建园历史建园历史中针对历史500年以上的公园打为1分，100年到500年间的打为0.8分，其余根据Min-max标准化方法对其进行打分，对于少量未得到数据的公园采用平均值对其进行评分。2）历史名人、事件对历史名人、事件影响较大的公园打分为0.8分，如上海五大古典园林、世博会、鲁迅、孙中山等；对第二类的历史名人、事件打分为0.5分，如未说明具体的烈士、炮台、举办展览、古树较多；对一般性质的历史名人、事件打分为0.3分。如犹太难民收容所、32颗百年大树。无历史名人和事件为0分。3）交通路线由于上海地铁系统较发达，换乘方便，居民更愿意乘坐地铁出行故将一条地铁算成两条公交的数量，再根据Min-max标准化方法对其进行打分。4）附近商圈对于大型商圈四川北路商业街繁华地段、南京路步行街、陆家嘴金融中心区等打分为1分；其余商圈打分为0.5分。5）地理位置位于内环打分为1分，以此排序分别为0.7、0.4和0.1。6）游乐设施一般小区有的和路边较常见的，如儿童游乐设施和茶室各打分0.1分，篮球场、网球场等健身设施打分0.2分，喷泉0.2分，古戏台0.2分，溜冰场0.2分，舞厅0.2分，游乐设施较多较齐全的打分1分。其余的按照得分情况相加。7）面积先将其单位都转换成平方米，再按照Min-max标准化方法对其进行打分，未找到原始数据的按照平均数对其进行打分。8）A级景区根据A级景区知名程度和宣传程度，将3A级景区打分为0.3分，4A级景区打分为0.7分，5A级景区打分为1分。2.3公园排名将打分情况进行整理，分别