本文通过分析百度迁徙数据，探讨了2024年2月1日至8月1日期间宁波、苏州、上海、南通、常州等地的迁徙特征。以上海为例，观察到迁出人口有四个显著波峰，分别对应春节期间、清明节、五一劳动节和端午节。迁出峰值普遍高于迁入峰值约7%，表明较多人群选择短途出游。在非节假日时段，上海的迁徙数据也显示出规律性，特别是6月最后一周和7月第一周。以湖州为例，分析了其作为迁入大于迁出城市的特征，指出湖州的人口增长主

本文依据中国城市规划设计研究院（CAUPD）自2020年至2024年发布的《中国主要城市共享单车/电单车骑行报告》中关于厦门市的各项指标描述和分类方法进行了数据清洗。通过参考报告中的数据结论和标准分类体系，我们优化了清洗过程，确保其标准化和可比性。具体而言，本文首先对齐了时间、地理、用户、车辆及骑行特征等信息颗粒度，并引入了严格的订单有效性限制条件，如最小骑行距离50米、最小持续时间1分钟、定位点

本文分析了2024年5月1日至5月5日期间苏州市与上海市之间的迁徙数据，结果显示苏州与上海的迁徙联系紧密，互为首选迁入迁出城市。苏州的迁徙格局呈现出“一超多强”的特征，其中上海是最主要的迁徙目的地。此外，北京也成为了苏州迁入迁出城市前20名的守门员，这部分客流主要由商务出行构成。上海大都市圈的概念进一步强化了这些城市之间的联系，尽管迁徙倾向性和都市圈定义有所区别，但苏州、南通等地与上海的迁徙联系依

本文从深圳市充电桩的使用率、供需关系及其对价格的影响入手，通过数据分析揭示了充电桩使用模式的变化和用户的充电行为。研究表明，充电桩的使用率在一天中呈现明显的波峰和波谷，尤其是夜间低谷电价时段，充电桩使用量显著增加。春节期间，由于大量人口返乡，充电桩使用量出现明显下降。通过分析2022年9月1日至2023年8月31日的充电桩累计充电量分布，发现充电需求高的地区往往存在较密集的充电桩，有效分散了充电压

本文介绍了地铁系统的常见客流统计指标及其计算方法，包括进站客流、出站客流、换乘客流、客运量、集散量和乘降量等，并详细解释了非换乘站和换乘站的日客运量计算公式。通过示例展示了如何计算单个车站、单条线路以及整个线网的日客运量。此外，还概述了地铁客流清分的概念和几种常用的清分算法，如最短路径法、多路径选择概率法、基于乘客出行路径的清分方法以及综合清分模型

本文通过分析2021数字中国创新大赛公布的厦门市2020年12月21日上午06:00至10:00的数据为例，展示了这段时间内共有78860条记录，平均每小时近2万笔订单，反映出厦门市对共享单车的高需求。分析发现，湖里区和思明区的轨迹线密集，表明岛内共享单车出行更受欢迎。早高峰期间，大部分用户在6:00至6:59出行，显示出较强的出行需求。此外，出发地和目的地分布显示短距离出行为主，湖里区和思明区为

本文介绍了如何将电子围栏数据转换成可用的图层数据。通过解析包含坐标点的CSV文件，使用Python脚本将每个电子围栏的坐标点转换为多边形，并保存为Shapefile格式。这些多边形在ArcGIS中展示了电子围栏在路网和地铁站周边的分布情况。进一步，通过计算每个电子围栏区域的中心点并进行核密度分析，生成了共享单车在岛内不同区域的集中程度图。结合人口栅格数据和共享单车订单数据，发现三者在空间上高度重合

本文介绍了使用GeoPackage (GPKG) 数据格式进行路网数据处理和可视化的流程。GeoPackage是一种基于SQLite的地理空间数据存储格式，相比传统的Shapefile (shp) 具有更多优势，如支持SQL查询、高效处理大规模数据等。使用Python的osmnx库可以从OpenStreetMap (OSM) 下载路网数据，并将其保存为GeoPackage格式。通过简单的Pytho

本文深入探讨了空间句法中的关键概念——整合度与选择度，并详细解析了它们在城市规划中的应用。整合度（Integration）衡量的是空间元素在整个系统中的中心性和可达性，而选择度（Choice）则反映了一定区域内空间单元作为最短路径被穿行的频率。文中通过sDNA软件工具的具体指标NQPDH(x)和TPBtHn，展示了如何量化分析城市路网的局部与全局特性。结合实际案例，如城市内部与边缘区域的整合度差异

本文介绍如何使用ArcGIS进行服务区分析，结合OpenStreetMap路网数据和城市公交站点数据。首先，通过OSMnx获取并处理路网数据，同时利用高德API获取公交站点坐标，并将其从GCJ-02转换为WGS84坐标系。接着，在ArcGIS中新建要素数据集，并构建网络数据集，仅包含处理后的路网数据。使用Network Analyst工具，添加公交站点作为设施点，并设置服务区参数，包括阻抗和中断距