学习回顾
从暑假学习到现在，我可以把时间分成三段。
1 动态人口分布
暑假这段时间来到学校，由于某些原因，主要只看了这一方面的文章。主要是运用一些辅助数据估计人口的动态分布。可以分为以下方法：
1）假设手机信号 社交媒体 出租车轨迹或公交刷卡数据是无偏的数据，手机信号量可以正面反应地区实时的人数。同样可以用手机信号量或社交媒体数据的实时数量，来研究城市中区域的职住通勤等情况。也可以用微博的签到数据 公交刷卡 或手机信号数据的等能够反映每个人实时位置的数据做区域之间的交互研究。
2）人的分布与POIs 道路网等的分布是有一定关系的，可以通过POIs的分布 道路的分布以及遥感图像等数据对人口统计的人口做精密插值。
2 地图综合
开学后的两个月内，确定了研究方向为地图综合。
1）点状地物的综合，主要指的是当地图比例尺缩小时，哪些点要素应该被保留在地图上，也即点的选取问题。选取时需要考虑的因素有很多：点的重要性优先，保持点的分布特点等。
2）线状地物的综合，线综合有线选取 线化简和线位移等。目前我主要注意的是线的选取问题。在进行道路网选取时，主要考虑线的几何特征，属性特征和拓扑网络结构特征。大体上要保证等级高的道路被选取，路的长度和宽度等集合特征也需要被考虑，并且在道路选取之后，要尽可能保持道路的总体拓扑连通性等网络特征的不变性。
3）面状地物的综合，面综合我主要研究城市中建筑物面实体的综合。对面的处理主要有 单个面的化简 多个面的合并化简等。单个面化简的操作与线化简类似，对边界线进行化简。而多个面的合并化简主要分为两步：面的聚类；对每簇面应用恰当的综合算子。对面的聚类，是面综合中至关重要的一步，对建筑物的聚类不仅可以用于综合，而且可以用于城市建筑物模式的识别等城市研究。对建筑物的聚类主要考虑建筑物之间的距离 建筑物的分布方向 建筑物的形态相似性。聚类方法可以分为如下几种：
- 只考虑建筑物之间的距离，用空间中点聚类的方式对建筑物聚类，这类方法最为简单，但是没有考虑面有形态 方向等特征。但是在有些情况下，这类方法也能有不错的聚类效果；
- 分别考虑距离 形状和方向等因素，对建筑物运用层次聚类。层次聚类可以是自上而下的分裂也可以是自下而上的合并。自上而下的分类代表算法是最小生成树，通过依次裁剪聚类 形状 方向差异较大的边，得到子图。自下而上的方法是，先对建筑物建立Denauley三角网，判断建筑物的邻近关系。对满足距离 形状 方向等约束条件的建筑物进行合并。
- 综合考虑以上三个约束，形成一个综合了距离 形状和方向的约束条件。
3 城市功能区识别
在最近的一个月，发现对地图综合有些倦了，开始看些城市方面的文章。
传统的对于城市的功能分区识别方法主要是依赖对遥感图像的解译，从城市的建设和用地分类角度来识别城市的功能区，往往区分精度限于建成区与非建成区的识别。这种方法忽略了以人为本的思想，人作为城市活动的主体，最应该作为城市功能分区的依据。
随着互联网的发展，开始出现了用局部POIs的分布情况识别区域的功能类型。再随着一些新型数据的出现，例如公交卡 社交网络和手机信号等带有人类活动的时空属性的数据被广泛应用于城市研究。在城市功能区的识别的研究中，对城市中人类活动的时间序列进行聚类成为研究的主流方法。Rösler，Liebig（2013）在对德国科隆市的城市功能区识别中，对Foursquare签到点的签到人数时间序列做聚类，并使用签到点的类型识别每一簇的类别。龙瀛等（2015）在对北京市的功能区识别中，使用公交卡数据，并对北京市每一个公交站的上下客时间序列做聚类，并辅之以北京市的POIs数据来识别簇的类型。陈亦明，刘小平等（2017），利用每个建筑物内的腾讯实时人口数据，使用DTW度量时间序列之间的差异，对每个建筑物人数的时间序列做聚类，最后也是利用建筑物的POIs识别簇的类型。
回顾这几个月的学习，发现看的文献确实不少，但是看的东西比较杂，而且都处于比较浅显的程度，可以说这段时间是比较迷茫的。不断安慰自己这是正常的，需要多多涉猎才能知道自己真的想要什么。
也向老师，师兄请教了不少，主要是要沉下心，多努力，文章成果什么的都是水到渠成的，不能急功近利！如果说几个月能做出好的成果，那研究生何必读三年。