伴随城市的多元化发展，城市用地功能识别研究趋向于面向混合用地类型的自动化、精细化识别。相较于传统的遥感影像、问卷调查数据，细粒度、高精度的新型大数据蕴含人地关系的多元化、复合性特征，满足用地功能精细化识别的需求。其中，通过挖掘POI（Point-of-Interest, POI）反映出的用地集聚性特征，实现城市功能区的精细划分和定量识别研究最为广泛。但是，POI本质上并不具备时变特征，无法反映人地关系在时空维度的多尺度动态变化。将POI与多源数据（例如：手机信令、浮动车轨迹）相融合实现城市用地功能识别，则同时利用了POI数据在空间上的多粒度和轨迹数据在时间上的多维度信息，能够反映城市区域功能随人群活动所呈现出的动态化和多变性，提升对城市用地功能的理解，有效支撑短时管理决策和长时政策制定。
目前，城市用地功能自动化识别的研究主要采用传统机器学习模型，这些方法需要人工设计特征工程，实现原始数据到内部特征的转换，难以对时空维度上的复杂非线性人地关系进行有效特征提取和建模。如何在时间维度上，从轨迹时空数据中捕捉细粒度的、连续的非线性时变特征，提升用地功能的精细化识别；在空间维度上，利用区域间人群活动产生的不同形式的空间关联（如通勤所连接的居住区与办公区），进而结合区域聚类实现混合用地特征的有效辨识还有待进一步探索。
近年来，机器学习的发展经历了从浅层学习（shallow learning）到深度学习（deep learning）的过渡。深度学习从领域大数据中学习特征，通过深度网络逐层实现特征空间构建，学习并提取大数据集中蕴含的潜在的非线性关系，尤其擅长处理非结构化数据或复杂特征识别问题。基于深度学习的最新技术，本文提出了一种图结构的深度学习模型，实现多源大数据融合背景下的城市功能精细化识别。该模型不仅实现了城市用地功能在时间维度上伴随人群移动呈现出的变化特征建模，同时对区域之间存在的复杂空间关系进行学习，实现相似性区域聚类和功能识别。本研究提升了精细化用地识别的准确性，为现代城市功能区呈现出的复杂非线性时空变化特征建模提供了新的视角和方法，为城市规划研究人员全面理解城区结构属性提供了有效手段，对推动城市空间得到更合理高效的利用具有一定的价值。
高 原
