概述
带宽、栅格单元大小、颜色分级与归一化方式，每一项都会改变热力图的结论。同一批点，半径取值不同，可能画出一个大热区，也可能画出五个彼此独立的热区，而两张图看上去同样有说服力。所以没有标注参数的热力图只是装饰，不是证据。
我们会写明每一个参数，把结果与其他参数取值下的结果作对比，并用正确的分母做归一化。原始计数几乎总是只重新发现了人口密集的地方；真正能支撑决策的，是每居民、每户或每个竞争门店所对应的密度。
当问题变成「这个热点是真的吗」，我们就不止看视觉密度，而会做统计热点检测——把真实的聚集与纯随机情况下也会出现的聚堆区分开。
输出示例
这里是静态预览，而不是内嵌地图 SDK，页面因此保持轻快。交互式地图可以作为可视化项目单独构建。
服务范围
方法的选择取决于要回答的问题，以及输入数据本身的密度。
生成平滑连续的密度表面，带宽是选定并论证过的，不会停在默认值上。
等面积聚合，避免方形网格带来的方向性偏差。
固定单元计数，适用于结果必须与既有栅格或统计网格对齐的场景。
给出具有统计显著性的热点与冷点及其置信水平，而不只是视觉上的强弱。
识别高-高、低-低与异常点位置，用于解释空间格局。
按营业额、容量、评价数或任何比「是否存在」更重要的属性给点位加权。
换算成人均、每户或每平方公里的数值，避免热点只是人口分布的副产品。
按小时、按天或按季节分别计算密度，把长期存在的热点与临时热点分开。
两个时期或两个品类之间的变化直接成图，而不是靠肉眼比对。
沿道路网络计算密度，而不是在直线距离空间里计算。
交付格式
样例数据
示例项目数据。注意 Northgate 在原始计数上看起来很热闹，但把密度与人口一并计入后，它在统计上并没有什么特别之处。
| 行政区 | 点位数 | 每平方公里密度 | 每万居民 | Gi* z 值 | 判定 |
|---|---|---|---|---|---|
| Central | 418 | 62.4 | 18.2 | 6.41 | 热点 · 99% |
| Harbourside | 236 | 41.8 | 21.7 | 4.88 | 热点 · 99% |
| Northgate | 184 | 22.1 | 9.4 | 1.62 | 不显著 |
| Westfield | 97 | 11.6 | 6.1 | -0.84 | 不显著 |
| Eastbank | 63 | 6.2 | 3.8 | -2.71 | 冷点 · 95% |
交付实例
基于这项服务完成的示例项目，附它们跑出来的数字，以及各自最终解决了什么问题。
把一份散乱的点位数据处理成归一化的密度面，把真实的活动集聚与人口分布造成的假象区分开。
梳理一座城市的餐饮供给格局，测算竞争密度，为新门店产出一份经过排序的候选片区清单。
服务流程
把你已有的点位数据发来，或交给我们采集，并说明这张图要支撑什么决策。
共同敲定研究范围、归一化所用的分母，以及采用哪种方法。
清洗点位数据，投影到等面积坐标系，必要时完成加权。
对参数做敏感性测试，并检验热点是否具备统计显著性。
密度表面、地图，以及一份简短报告，写明参数、结论与适用边界。
按覆盖范围、时期与品类数量，以及热点是否需要统计检验来报价。告诉我们要回答的问题，你会先拿到固定报价。
常见问题
最少需要一份带坐标或地址的地点清单。如果还有营业额、到访量、容量或评价数这类属性，我们可以据此对密度表面加权，结果通常会有用得多。如果你手上没有点位数据，我们可以先做采集。
先根据决策的空间尺度与数据密度确定，再做测试。我们会用多组参数分别生成密度表面，检查结论是否依然成立。如果不成立，说明这张图还不足以作为证据，我们会直说。
可以。我们会先对地址做地理编码，并逐条记录匹配质量。匹配质量差的记录会被剔除或打上标记——建立在质心兜底结果上的热力图，会造出看似可信、实际并不存在的热点。
热力图展示的是数值高的地方。热点分析要检验这种集中是否超出随机情况下的预期，并给出显著性水平。如果你需要为一个决策做辩护，要的是后者。
可以。我们会用完全相同的参数为每个时期生成密度表面，并直接对差异成图——这比把两张各自分级的地图并排比较可靠得多。
带数值属性的栅格或分箱面图层、可直接印刷的地图、可选的交互地图，以及一份关于方法、参数与适用边界的书面说明，任何人复核这项工作时都能对照检查。
继续了解