目前,对于城市功能区域识别的传统方法主要包括:实地勘探采集、对航拍图或遥感图像进行标注、信息点(Pointof Information,POI)数据采集等。上述几种方法都需要投入极大的人力和物力成本,且由于城市内部的变迁,这些动辄需要几年完成数据采集工作的方案已无法满足时效性的要求。针对上述问题,本文将根据各区域一段时间内用户的互联网访问记录,完成城市功能区的分类任务,分别从时间维度和用户维度,挖掘特征,并根据不同分类算法适用的场景,将提取的特征进行清洗和预处理工作,使之能在对应的算法中发挥最大效用。时间维度层面,由于数据集中有各区域半年内的用户访问记录,考虑到时序性,故提取各区域在不同时间段的访问人数特征,并按照时间先后顺序排列,放入长短期记忆(Long Short-Term Memory,LSTM)循环神经网络中,完成对数据时序性的探索。除了时序性,还应考虑:法定假日、双休日期间用户上网情况的变化;访问人数和访问人次的差异性;方差、极差、百分位数等统计特征的影响。基于上述特征,本文使用随机森林算法,进行特征挖掘。用户维度层面:一方面依赖人员的流动性,将各功能区视为点,区域间相同用户视为连接两点的线,构建起区域间的连通图;另一方面,考虑隶属同一区域的用户群体出行规律的相似性,挖掘每位用户在不同功能区用网规律的特征,然后对区域内用户特征做各项统计量,达到以用户表征功能区的目的。用户特征提取后,使用轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)算法挖掘特征。算法效率方面,由于提取的特征维度过高,且存在耦合,故使用主成分分析法(Principal components analysis,PCA)对特征进行降维,加快模型训练速度;分类精度方面,为了充分发挥各子模型优势,博采众长,引入集成学习方法,经实验对比发现,blending这样的融合方法能使模型的最终分类精度有大幅度的提升。通过本文研究,城市功能区多分类任务的最终准确率达到87%以上。此外,对提取的时间和用户维度特征进行可视化,还能分析出各区域热度变化以及人们的出行规律,这对城市的资源配置、区域规划、交通出行有着重要的指导意义。