导读
跟着城市流动摊贩规模的不休壮大,若何快速而精确地掌持其空间分散信息已成为一浩劫题。本文以深圳市西乡片区为例,领受深度学习工夫对参议区域内的街景图像进行流动摊贩的识别。随后,对识别出的流动摊贩进行分散点的比较和核密度分析,并与骨子调研拍摄图像的识别终结进行对比。经过深度学习工夫的识别,咱们在街景图片中成效检测出43个含有流动摊贩的点位。分散点的比较和聚首分析清楚,两者的汇聚模式大体上呈现多核汇聚的特色,点位相似度较高。但是,在中小学和居住区近邻的汇聚程度存在显赫互异,这主如果由于摊贩的出摊时辰与街景图像蚁集时辰的不一致所致。深度学习工夫在城市流动摊贩规模化检测方面展现出一定的着力,但街景图像中的摊贩检测终结仍受到拍摄时辰的终结。这一发现揭示了街景图像数据和实地调研数据在城市流动摊贩参议中的不同局限和上风。本文旨在探索更高效、准确的街头摊贩数据蚁集工夫,揭示大数据与少许据在城市参议中的互异,并为街景图像在摊贩空间治理策略中的应用和完善提供故意的启示。
本笔墨数:7882字
阅读时辰:24分钟
作家 | 肖琪,深圳大学
要害词
流动摊贩,深度学习,主义检测,街景图像
01
引 言
中国的流动摊贩历史可追思到夏朝,隋唐时期已渐渐表率化。至宋朝,摊贩的发展尤为欢腾,北宋汴京的摊贩云集之景在《晴明上河图》中得以生动展现。跟着城镇化进度的激动,非正规经济成为全球城市化进度中的渊博得志,其中流动摊贩占据了遑急地位[1]。2018年,中国总理李克强建议改造条目,旨在优化对流动摊贩的管理,并将其纳入国度“放管服”改造的畛域[2]。据智研瞻产业参议院的参议讲演清楚,从2018年至2022年,中国地摊经济市集规模稳步增长,从22.59亿元扩大至31.48亿元。
深圳市于2015年发布的《深圳市流动摊贩治理方式翻新参议讲演》揭示,深圳市的流动摊贩规模达到约15万档口,波及近百万东说念主口。至2020年,深圳各区实行了流动摊贩素质试点,全市共设立150余处素质点,素质摊贩近万东说念主。跟着疫情策略的迟缓放开,深圳街头流动摊贩的数量渐渐增多。2023年,深圳市更正了《深圳经济特区市容和环境卫生管理条例》,新条例将于本年9月1日起实施。新条例不再全面不容路边摊,而是授权街说念办在简便人人、布局合理、监管有序的原则下,礼貌摊贩计议形势。这一策略的调养使得流动摊贩规模进一步扩大,对城市治理建议了新的挑战。
跟着大数据和深度学习工夫的不休开首,愚弄这些新兴工夫来接济参议城市流动摊贩提供了新的可能性。本文以深圳市西乡片区为例,对该区域白日的流动摊贩进行了连络多日的实地调研和拍摄纪录。同期,利用百度街景开源平台蚁集了该区域的街景图像。通过深度学习工夫,教练流动摊贩物体检测模子,并将这一模子应用于现场调研的摊贩图片数据和街景图像数据集。通过识别后的数据分散点位和空间聚首分析,考据街景图片在流动摊贩数据大规模蚁集合的可行性。
02
参议布景
当今,对于流动摊贩的参议已渐渐深化,涵盖了其计议主体的身份特色、形成机制,以及治理方式的翻新等多个维度。威廉姆斯和温德板克(1995)曾将非厚爱劳动归纳为异质性的劳动市集,指出破绽群体在非厚爱市辘集难以改变其使命性质[3]。黄耿志(2015)则深化参议了流动摊贩利用城市人人空间进行小商品交游的非正规经济运作模式[4]。在治理层面,流动摊贩已成为城市人人空间治理的焦点,波及到空间政事和社会交融等议题。部分参议从包容性增长的角度登程,成见应充分意志到非正规空间的合感性,并通过弹性管理摊贩来终结城市形象与民生的均衡[5]。
此外,刻下参议还聚焦于流动摊贩与正规生意之间的关系。举例,张延吉(2017)利用DO指数和M函数深化探讨了流动商贩的空间特征过甚与正规生意的分散关系[6]。同期,也有参议体恤影响流动摊贩空间分散的身分,如城市建成环境、用地性质和物业管理等[7-8]。不仅如斯,流动摊贩的空间分散特征和组织模式也成为参议的热门,包括空间分散特征与区位因子的微不雅作用机制[9],以及地摊经济空间组织模式的分类和对城市空间影响的分析[10]。
在数据蚁集方面,流动摊贩的数据主要通过个东说念主观测和官方普查数据两种方式赢得。个东说念主观测泛泛波及实地不雅察、问卷观测以及与摊贩从业者、糟蹋者和相关管理东说念主员的对话访谈等,尽管这种方式有助于深化了解摊贩的个东说念主信息,但其覆盖范围有限、本钱较高且数据时效性受限[11]。而官方普查数据,如城市管理抽象王法局的摸查数据、数字化城市管理系统数据和世界东说念主口普查信息等,固然简略提供关联非正规经济行动的有价值信息,但对于个东说念主参议者而言,获取难度较大。
连年来,跟着筹备机视觉工夫的不休开首,深度学习在城市计划领域得到了泛泛应用。城市街景图的筹备机视觉应用主要包括城市要素识别、街说念空间品性评估和街景绿化评价等[12]。街景数据在城市参议中的泛泛应用为处理流动摊贩数据蚁集繁难提供了新的可能性。尤其是通过深度学习工夫的应用,探索是否不错松开由于流动摊贩的流动性、灵活性和掩饰性所带来的数据蚁集难度。通过深度学习工夫和街景图的大规模蚁集和分析,为深化了解流动摊贩的计议景色、空间分散特征和影响身分提供了故意的念念路和步调,有助于进一步挖掘流动摊贩的空间分散法则和与城市环境的关系。
03
参议区域概况与参议步调
3.1 参议区域概况
本次参议区域位于宝安区西乡街说念片区,如图 1所示,以西乡、坪洲、碧海湾和海诚四个地铁口主要覆盖区为这次参议的主要参议范围。

图 1 参议区域区位图
参议区域内的用地类型以居住为主,常驻东说念主口数量保持踏实,同期东说念主员组成呈现出各类化的特色。为了全面了解流动摊贩的空间分散景色,咱们在12月8日、12月9日、12月17日和12月22日这四天,从早上8:00至下昼6:00对西乡片区进行了深化的调研。中式使命日和周末两个不同的时辰段,以每5分钟为一个不雅察单元,对各个路段进行不雅察。利用录城Pin Survey小表率,拍摄纪录流动摊贩在白日不同期间段内的分散位置,并统计了他们的出摊法则和大致数量。
3.2 参议步调与工夫道路
3.2.1 本文分析框架和具体要领
为了对参议区域的摊贩点位进行蚁集,咱们以街头流动摊贩为调核对象,基于街景图像和深度学习工夫对街头流动摊贩进行空间观测,再联接实地调研的分散终结与街景图片蚁集的分散终结进行比对,从而考据基于深度学习去探伤城市流动摊贩空间分漫步调愚弄的可行性,具体要领如图 2所示。

图 2本文的分析框架和具体要领
开首,咱们利用OpenStreetMap蚁集参议区域的路网数据,并通过百度通达平台下载该区域的街景图像。随后,通过各翻开源平台征集流动摊贩的图片,构建数据样本集,况且对不同的流动摊贩类型举行标注。接下来,对标注的样本进行教练,利用深度学习工夫构建流动摊贩的物体检测模子。完成模子教练后,将其应用于西乡片区蚁集的街景图片数据集和实地调研拍摄的数据集合。通过模子识别,赢得参议区域内街头摊贩的分散情况。为了进一步分析街头摊贩的空间聚首特征,咱们领受点位分析和核密度分析步调。这些分析有助于评估参议范围内街头流动摊贩的汇聚模式,揭示其分散法则和潜在问题。终末,将实地调研蚁集的街头摊贩汇聚图与通过街景图片识别出的街头摊贩汇聚图进行对比识别,从而考据其工夫步调的灵验性。
3.2.2 街景数据处理与蚁集
本文利用通达街说念舆图(OSM)蚁集了深圳市西乡片区的城市说念路网底图,以获取参议区域的精确说念路坐标点。鉴于街头流动摊贩分散的不规定性,咱们领受30米的距摆布隔来分散这些坐标点,并对每个取样点拿获四个不同所在的街景图。具体来说,偏航角参数设定为60°、150°、240°、330°,俯仰角参数设定为20°,视场角参数设定为12°,以确保蚁集的图像简略全面涵盖采样点周围的环境信息。随后,咱们编写了Python剧本,该剧本简略读取每个采样点的坐标,并自动调用百度街景图像API来下载相应的街景图像。最终,咱们成效获取了估计1125副灵验街景图像,每幅图像的分辨率设定为1024*512像素。

图 3某采样点上的街景图像抓取图
3.3 流动摊贩检测模子的教练与考据
计议到街景环境较为复杂,前后遮拦较多,本文领受YoloV5深度学习模子,该模子领受了多范例的特征交融,从底层到高层的不同分辨率的特征图齐被用于检测,有助于更好的捕捉不同尺寸和近况的流动摊贩主义,对街头流动摊贩多范例特征交融有助于提升检测的鲁棒性。况且YoloV5在主义检测任务中发达出色,具有较高的精度和调回率,这对于确保摊贩检测的准确性和全面性很是遑急[21]。
3.3.1 数据集的蚁集与清洗
在数据集蚁集阶段,通过百度、小红书、微博和谷歌等网站爬取与流动摊贩相关的图片,估计3576张。随后,对这些图片进行初步筛选,去除质料较低的图片,保留了3076张高质料的图像。接着,利用Make sense开源平台对筛选后的图片进行了标签标注,将这些流动摊贩图片大致分为四类,如表1所示,包括大地摊贩类、毛糙装备摊贩类(如毛糙的桌子和小推车)、三轮车摊贩类以及小货车摊贩类。

表 1流动摊贩类别表
为了确保数据集的质料和准确性,进行了二次数据算帐,剔除了代表性不及和图像质料过低的样本图片。之后,将算帐后的数据集立地分散为教练集、考据集和测试集三大部分,分散比例为8:1:1。其中,教练集占比80%,而考据集和测试集各占10%。该分散有助于咱们初步测试模子的性能,并老到数据集的标注框准确性。在测试流程中,越过提防了是否存在漏标或过度标注的情况,以及标签信息是否齐备、图像数据是否损坏,从而确保数据集的齐备性和可靠性。
3.3.2 模子的教练与考据
为了提升模子的精度、增强教练数据集的规模和模子的泛化性能,咱们领受了交叉考据的步调来构建和优化模子[22]。交叉考据是一种灵验的策略,不错在不亏损大齐信息的情况下建立模子,并评估模子在鄙俚新样本时的精度,从而驻守过拟合问题。在本参议中,咱们聘任了五折交叉考据法,将记号的数据集均匀立地地分红5个子集,确保每个子集的聘任齐不重复。随后,轮流使用4个子集合愚弄教练,而剩余的一个数据子集则用于考据[13]。
在模子教练流程中,为了优化模子的照看速率和泛化性能,咱们经过屡次实验,沙巴贝投ag百家乐将学习率启动值设立为0.0008,并领受了余弦退火策略。此外,为了提升模子对于不同数据变换的敏锐性,咱们还在教练流程中进行了数据增强,包括图像的翻转、缩放、拉伸、歪曲、嵌入和回转换化[14]。
在检测模子方面,咱们利用置信度阈值和IOU阈值两个要害参数进行校准。泛泛,着实阈值的建议范围在0.1到0.5之间,IOU阈值的建议范围泛泛在0.3到0.7之间[23]。通过对果真验,咱们发现当置信度阈值和IOU阈值齐设立为0.4时,模子的性能较为踏实。因此,在本参议中,咱们将这两个阈值齐设立为0.4。为了评估模子的性能,咱们领受了F1分数和平均精度(mAP)分数动作评价目的。F1分数联接了精确度和调回率,简略全面反应模子的准确性[15]。
(其中
C走漏总类别数量
APi 走漏第 i 类的 AP 值)

表 2不同组合的流动摊位检测模子总体检测数值
经过五次教练和考据,咱们筹备了四类街头摊贩的平均准确率,分别为大地摊贩类45.3%、毛糙装备摊贩类46.1%、三轮车摊贩类65.4%和小货车摊贩类63.4%。从终结来看,三轮车摊贩类和小货车摊贩类的精度较高,这主要收获于它们显赫的可识别特征和较少的搅扰身分。比拟之下,大地摊贩类和毛糙装备摊贩类的精度较低,这可能与它们与其他行东说念主或正规街头商店的玷辱以及摆摊群体年青化带来的装备各类化关联。
通过屡次对果真验教练,模子的波动渐渐趋于败坏,其精度和泛化性能也得到了一定保证。最终,咱们聘任了MAP得分最高的检测器用于后续的图片识别任务,图4展示了该检测器的精度-调回弧线。

图 4流动摊贩检测模子性能
04
参议终结
4.1 参议区域流动摊贩调研概况
在使命日(12月8号和12月22号)的分散统计中,如图 5(a)所示。黎明8:30至9:30的岑岭期,流动摊贩主要聚首在地铁站点或收支口近邻。随后,在9:00至12:00的时辰段内,街头简直难觅摊贩的身影,同期该时段的路段东说念主流量也相对较少。但是,到了中午12:00至1:30,一些办公楼下动手出现售卖鲜花和麦芽糖的摊贩,尽管数量未几。下昼14:30之后,纯真车说念上动手时时出现摊贩车,数量渐渐增多。越过是15:30之后,街头摊贩的数量昭彰加多,主要集合在幼儿园、中小学校园的路口或商圈近邻。大致在17:00足下,中小学校近邻的路口摊贩数量达到一个小岑岭。
在周末(12月9号和12月17号)的分散统计中,如图 5(b)所示。上昼由于东说念主流量较少,街头摊贩的数量也相对较少,但在一些东说念主流密集的地铁口或大型住区如泰华阳光海会近邻的路口,仍可见到一些生果摊贩。下昼2:30之后,纯真车说念上动手出现脱落的摊贩,而在3:30至4:30足下达到一个小岑岭。这些摊贩出现的地点与使命日相似。值得提防的是,在中小学路段近邻,周末的摊贩数量昭彰减少,而其他路段的摊贩数量则相对踏实。
总体来看,使命日和周末的摊贩位置分散互异并不显赫,但周末的摊贩数量昭彰减少。这可能是由于部分担贩转向公园或商城等地点聚首,同期受深圳气温骤降的影响,摊贩的出摊习尚也可能发生了变化。

图 5调研图片检测到的流动摊贩分散图
为了更直不雅地展示一天中流动摊贩在不同期间段的数量变化,绘图表3的柱形图。通过统计各时段的流动摊贩数量,咱们发现流动摊贩的出摊法则在使命日和周末时辰段形成了一个较为踏实的模式。上昼时辰段流动摊贩的数量较少,但使命日的早岑岭时辰段会有一定数量的流动摊贩。大部分担贩集合于下昼2:30足下动手出摊,况且在4:30-6:00期间流动摊贩的数量会达到一个岑岭。

表 3一天中流动摊贩在不同期间段的数量变化
对参议区域内,流动摊贩的位置分散主要归为三类,如图6所示。第一类分散在各个主要十字街头,举例宝源路和新湖路的交叉口,这些摊贩在周末和使命日的互异不大,集合鄙人午时辰段出摊,数量踏实且泛泛在特定位置计议多日。第二类汇聚在一些东说念主行说念收支口,越过是在小区和城中村的进口近邻。举例,在悦和路两侧,很多年青东说念主通过小推车或毛糙折叠桌在该路段摆摊售卖,摊贩的时辰和地点相对固定。第三类摊贩聚首在地铁口等主要的人人交通口近邻,举例在地铁收支口近邻,这些摊贩会在地铁口近邻整条路段上脱落分散,摊贩数量大致在3-6个足下。

图 6流动摊贩的分散类型走漏图
4.2 流动摊贩街景图像识别终结
经过深度学习模子的应用,咱们在街景图像和调研拍摄的图片数据中成效识别了流动摊贩的出现点位。这次检测专注于点位识别,不波及具体类型和数量统计,且移除置信度低于0.4的检测主义图片。

图 7基于街景图像检测终结
在街景图像数据中,咱们蚁集了43个流动摊贩点位,如图7(a)所示。而调研拍摄的图片数据集合,使命日识别到83个点位含有流动摊贩,周末识别到43个点位,分别如图5(a)和(b)所示。
为了更深化地了解流动摊贩的汇聚情况,咱们利用ArcGIS的核密度器具绘图了汇聚图。街景图像数据的核密度分析终结如图7(b)所示,呈现从高密度到低密度的深蓝色到浅蓝色梯度。对于调研图像数据,咱们分别对使命日和周末进行了分析,终结如图8(a)和(b)所示。

图 8调研图像检测的汇聚模式
对比周末和使命日的汇聚图,不错看出两者在主要分散区域上大致相似,但由于周末摊贩数量较少,汇聚程度存在一定互异。越过是在参议区域的右上角,即坪洲大仟里购物中心近邻,周末商城东说念主流量激增,眩惑了更多摊贩的涌入,导致汇聚程度加多。
将街景图像和调研图像数据中识别的流动摊贩点位进行比较,咱们发现街景图像的点位主要分散在收支口近邻,尤其是社区和城中村的收支口;而调研图像的点位则主要集合在十字街头近邻。这标明在骨子场景中,流动摊贩更倾向于聚首在东说念主流量较大且踏实的十字街头近邻。
在汇聚模式方面,街景图像和调研图像均呈现出多核汇聚模式。尽管两者在某些位置上存在相似之处,但不同位置的汇聚程度存在昭彰互异。举例,在碧海湾地铁站近邻,调研图像清楚有昭彰的汇聚,但街景图像中该区域的汇聚程度较低。这可能是由于街景图像的蚁集时辰主要集合在上昼,而调研图像是基于通盘白日时辰段汇总的终结。此外,实地不雅察发现,该区域的流动摊贩主要鄙人午3点至6点出摊,这也诠释注解了街景图像未能捕捉到岑岭期的汇聚情况。
另外,在宝源路右侧下半部分区域,调研图像清楚在使命日和周末均有较为昭彰的汇聚,但周末的汇聚程度相对较低。而在街景图像中,该区域未检测出流动摊贩。通过分析该区域的主要用地类型,以老师用地为主,设立了坪洲小学和中英公学。因此,在学生下学时辰段(3:30-6:00)内,流动摊贩数量较多。一朝学生离开,流动摊贩也会飞速除掉,这也诠释注解了周末汇聚程度相对较低的原因。由于该区域在一天中唯有很少一段时辰会有摊贩汇聚,这也在一定程度上终结了街景图像的检测恶果。
总而言之,街景图像和调研图像在流动摊贩的分散模式和汇聚程度上发达出一定的互异。街景图像中的点位主要位于收支口近邻,而调研图像中的点位更偏向于十字街头近邻。在汇聚模式方面,两者在某些地区呈现相似,但在学校和住区等地的汇聚程度存在昭彰互异。这种互异在一定程度上受到街景图像拍摄时辰的终结。但是,街景图像在更大参议区域内可能简略弱化这种汇聚程度的互异,为城市治理和有计划提供更全面的数据支持。
05
总结与不及
跟着城镇化的飞速激动,城区流动摊贩规模陆续扩大,这一得志妥贴了刻下的经济政事环境及东说念主民糟蹋需求,同期也对城市治理建议了严峻挑战,对城市交通和环境形成了负面影响[16]。本文利用深度学习工夫,联接通达探望的街景图像进行流动摊贩检测,成效在参议区域内识别出43个街头流动摊贩。通过点位分析与核密度分析的比较,考据了街景图像在城市流动摊贩检测中的可行性。固然街景图像检测受到时空可用性的终结,存在覆盖不及的问题,但其在大规模、全面的城市流动摊贩发现中施展了积极作用,进一步加深了对城市流动摊贩汇聚得志的融会。
在对比街景图像与实地调研数据时,咱们发现街景图像的拍摄时辰段具有显赫影响。受策略终结和流动摊贩自己法则的影响,街景图像蚁集的时辰段有所局限。上昼和下昼的数量互异揭示了拍摄时辰终结对终结一致性的影响。由于大部分街景图像在上昼拍摄,这也导致了部分汇聚互异。这突显了在应用街景图像数据时,数据蚁集流程中的时辰点和开垦互异等身分对数据一致性的挑战。
与东说念主工调研纪录比拟,固然东说念主工调研数据在时辰段和数量上更为全面,但由于波及四天的分段调研,存在地点重迭或忽略的问题。越过是在使命日时辰段的蚁集合,尽管两次调研在并吞个月份进行,但中间相隔半个月,气温的骤变导致第二次调研时流动摊贩数量昭彰减少。此外,东说念主工调研中存在大齐重迭的统计,因为一天内屡次走访可能导致鄙人午某个地点拍摄的摊贩在岑岭期流动到其他地区。这使得总体数量可能并未加多,且由于个东说念主身分可能导致对并吞地点的重复拍摄。
街景图像数据与调研图像数据的比对也突显了在刻下大数据期间下,尽管大数据得到了泛泛挖掘与应用,但少许据仍具有不成替代的价值。对于改日的城市参议而言,若何更灵验地联接这两者以接济城市有计划,是一个值得深化念念考和处理的问题。
参考文件(上滑稽察一说念)
[1]黄耿志,薛德升.中国城市非正规劳动参议综述——兼论全球化布景下地舆学视角的参议议题[J].热带地舆,2009,29(04):389-393.
[2]李克强总欢跃见采访两会的中外记者并恢复发问[N].东说念主民日报,2018-03-21(002).
[3]Williams, C. C., & Windebank, J. (1995). Black Market Work in the European Community: Peripheral Work for Peripheral Localities? International Journal of Urban and Regional Research, 1995(1).
[4]黄耿志,薛德升.非正规经济的正规化:广州城市摊贩空间治理模式与效应[J].城市发展参议,2015,22(03):51-57.
[5]黄耿志,薛德升.非正规经济的正规化: 广州城市摊贩空间治理模式与效应[J].城市发展参议,2015,22( 03) : 51-57.
[6]张延吉,张磊,吴纳维.城市建成环境对流动商贩空间分散的影响——兼议摊贩素质区的计划选址[J].东说念主文地舆,2017,32(05):76-82.
[7]张延吉,张磊,吴纳维.城市建成环境对流动商贩空间分散的影响——兼议摊贩素质区的计划选址[J].东说念主文地舆,2017,32(05):76-82.
[8]庞宇琦,薛德升,王德.流动商贩的分散特征及营业空间界面影响分析——以广州中山大路西路段为例[J].东说念主文地舆,2012,27(02):56-61.
[9]彭蛟,彭小兵,张俊杰.地摊经济发展融入城市治理的要害影响身分识别——基于DEMATEL步调的实证参议[J].当代城市参议,2021(02):8-13.
[10]许若奇,于文波.后疫情期间地摊经济空间模式过甚合理计划策略参议[J].建筑与文化,2020(12):72-73.
[11]Li, C., Huang, Y., Shen, Y., & Xu, L. (2022). Spatiotemporal Patterns and Mechanisms of Street Vending from the Social Sensing Perspective: A Comparison between Law-Enforcement Reported and Residents Complain Events.Cities,124,103597.
[12]Cheng L ,Chu S ,Zong W , et al. Use of Tencent Street View Imagery for Visual Perception of Streets[J].ISPRS International Journal of Geo-Information,2017,6(9):265-265.
[13]陈晋音,王桢,郑海斌.基于深度学习模子的造孽流动摊贩检测步调参议[J].袖珍微型筹备机系统,2019,40(07):1430-1436.
[14]戴若颖,党雪薇,冯兆等.基于立地丛林的流动摊贩分散模子[J].中山大学学报(当然科学版),2018,57(01):76-82.
[15]Yilun L ,Yuchen L .Detecting the city-scale spatial pattern of the urban informal sector by using the street view images: A street vendor massive investigation case[J].Cities,2022,131
[16]张楚婧,晁恒,李贵才.深圳市城中村流动摊贩的生涯韧性和社会空间建构——基于日常生活推行视角[J].城市发展参议,2021,28(11):118-124+2
*本文为2024中国城市计划年会论文
【免责声明】本公众号发布的内容仅供学习雷同使用,不以任何形状进行营利。内容版权归原作家整个。如有骚动您的权柄,请实时与咱们推敲,咱们将于第一时辰协商版权问题或删除内容。内容为作家个东说念主不雅点,不代表本公众号态度和对其真确性负责。
表面参议 | 维持计划引颈,陆续深化京津冀空间布局协同
点击图片阅读全文
表面参议 | 超大城市齐市圈非户籍东说念主口职住空间布局优化参议——以北京、成齐为例
点击图片阅读全文
表面参议 | 唐楚婷:深圳市城中村抽象整治的策略回归及演进参议
点击图片阅读全文