數(shù)據(jù)建模與分析：線性回歸小論文.doc

上海住房面積和房價的線性回歸分析王明黔（上海大學 機電工程與自動化學院，上海200444） 摘要：在數(shù)據(jù)構建統(tǒng)計模型的學習中，統(tǒng)計學習是其一種基礎的學習方法。本文針對城市人口數(shù)目與飲品連鎖店利潤的關系，就已有的數(shù)據(jù)進行線性回歸分析，利用Matlab工具進行數(shù)據(jù)的線性回歸模擬，進而得出城市人口數(shù)目與飲品連鎖店利潤的散點圖、擬合直線圖和三維等高線圖。為了分析上海地區(qū)的住房面積和房價的關系，收集最近的售房成交數(shù)據(jù)，將數(shù)據(jù)導入到Matlab進行分析，得出上海房價與住房面積的線性關系。關鍵詞：Matlab；線性回歸；目標函數(shù)；梯度下降；統(tǒng)計學習基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中十分重要的一個方面，主要研究如何從一些觀測數(shù)據(jù)(樣本)出發(fā)，得出目前尚不能通過原理性分析得到的規(guī)律，并用以對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。現(xiàn)實生活中大量存在我們尚無法準確認識但卻可以進行觀測的事件。因此，這種機器學習在從現(xiàn)代科學、技術到社會、經(jīng)濟等各領域中都有著十分重要的應用1。使用線性回歸方法可以對一些觀測數(shù)據(jù)進行分析，把預測事件中一些因素作為自變量，另一些隨自變量變化而變化的變量作為因變量，研究它們之間的非確定性因果關系，以便預測因變量的未來發(fā)展趨勢。根據(jù)若干觀測數(shù)據(jù)尋找描述變量之間的函數(shù)或統(tǒng)計相關關系的最佳數(shù)學表達式，或者匹配數(shù)據(jù)之間相關關系的最佳擬合曲線，來表達隨機性變量間的規(guī)律2。利用線性回歸通過多變量機器學習的方法，可以建立上海住房面積和價格的線性關系，建立數(shù)學模型并評估其中的未知參數(shù)。1 案例分析1.1 目標函數(shù)的建立根據(jù)已知給出的城市人口數(shù)目與飲品連鎖店利潤的一些數(shù)據(jù)，可以得到一個樣本集，如圖1，為樣本在Matlab軟件加載數(shù)據(jù)圖，第一列表示城市人口數(shù)目，第二列表示飲品連鎖店利潤。圖1 城市人口數(shù)目與飲品連鎖店利潤的樣本集Fig 1 Urban population and beverage chain profits of sample set針對樣本集，我們可以假設一個線性模型： （1）式中：假設的線性模型；樣本/特征；參數(shù)。其中，為模型參數(shù)，因此問題就可以轉換為，求出的值。為了得到較為準確的回歸線，應該滿足一個前提，即各樣本點盡可能分布在所建立的線性模型周圍，因此我們建立目標函數(shù)： (2)式中：向量中的第個元素；向量中的第個元素；模型假設；訓練集的數(shù)量。因此，我們只要求得使上述函數(shù)的值最小時的的值。1.2 目標函數(shù)的求解我們首先從一組開始，利用最速下降法不斷改變的值來減小，直到達到我們希望得到的最小值3。對于最速下降法，可利用以下公式而來求解： (3)式中：學習速率（步長）； 下降方向。其中為修正學習速率，即搜索的步長，當過小，會延長搜索的時間，當過大，可能會錯過極值點，導致不收斂。還有要注意最速下降法會收斂到局部最小值的情況，這種情況即便修正學習速率也不會改變結果，并且接近局部最小值時，因為斜率的減小最速下降法會自動減少每步的補償4。因此，我們要現(xiàn)注意目標函數(shù)的極小值情況，如果有局部最小值可通過調節(jié)參數(shù)的大小來跳過局部最小值情況，否則，就不需跳過，最終通過多次迭代可以得到最終的理想結果。2 Matlab求解2.1 最速下降法的循環(huán)語句在Matlab程序中，最速下降法是一個不斷迭代循環(huán)的過程，且確保同時更新，具體循環(huán)如下：2.2 ComputeCost函數(shù)的定義J函數(shù)即目標函數(shù)，m代表數(shù)據(jù)的個數(shù)，具體程序如下：function J = computeCost(X, y, theta)m = length(y);J = 0;predictions=X*theta;J=1/(2*m)*(predictions-y)*(predictions-y);end2.3 gradientDescent函數(shù)的定義GradientDescent函數(shù)就是最速下降法的迭代與循環(huán)過程5，具體如下：function theta, J_history = gradientDescent(X, y, theta, alpha, num_iters)m = length(y);J_history = zeros(num_iters, 1);for iter = 1:num_iterstemp1 = theta(1) - (alpha / m) * sum(X * theta - y).* X(:,1);temp2 = theta(2) - (alpha / m) * sum(X * theta - y).* X(:,2);theta(1) = temp1;theta(2) = temp2;J_history(iter) = computeCost(X, y, theta);endend2.4 散點圖的繪制具體的數(shù)據(jù)已經(jīng)根據(jù)一定格式記錄在txt文件中，因此只需調取其中的數(shù)據(jù)并將散點繪制到圖中6，具體程序如下：function plotData(x, y)figure; data = load(ex1data1.txt);X = data( : , 1 );Y = data( : , 2);X = ones(size(X,1),1),X; plot(X,Y,rx,MarkerSize, 4); axis(4 24 -5 25); xlabel(x); ylabel(y); end運行程序后得到散點圖如圖2所示：圖2 散點圖Fig.2 scatter diagram2.5 回歸線的繪制通過機器統(tǒng)計學習后得到線性回歸線，如圖3所示： 圖3 回歸線fig.3 The regression line運行主程序中的語句計算出和J的最小值，程序如下：theta,J_history = gradientDescent(X, y, theta, alpha, num_iters);Matlab程序運行后結果報告如圖4所示：圖4 報告窗口fig.4 The report window其中ans結果為Matlab運行的最后一步結果，下面為模型參數(shù)值。假設模型參數(shù)值： ，2.6 等高線及三維圖的繪制將和J的值繪制在三維圖上，將的值以J為高度繪制繪制成等高線圖，并將中心點即優(yōu)化的參數(shù)用紅色點標記，如下圖5所示： 圖5 三維圖和等高線圖Fig. 5 Graphic model and contour map等高線圖中點紅點代表了目標函數(shù)最小是對應的模型參數(shù)值，該參數(shù)值下的直線到每一個統(tǒng)計數(shù)據(jù)點的距離最短，最能代表離散統(tǒng)計數(shù)據(jù)的線性回歸特性。2.7 結論根據(jù)已經(jīng)給定的城市人口數(shù)目與飲品連鎖店利潤的關系，通過建立目標函數(shù)，由Matlab軟件進行迭代求解，求解后的線性回歸模型函數(shù)如下： (4)3 實際問題中國人多地少，土地不可再生，土地的稀缺性導致土地價格在未來城市發(fā)展中看漲，因此，房價也自然總體趨漲7。對于一些在滬求學的異地研究生們，在畢業(yè)后會存在是否留滬的選擇。而房價是我們選擇留滬的主要因素。為了了解上海的住房面積和價格的情況，我從鏈家網(wǎng)隨機查找了120組不同區(qū)域以及不同面積的售房交易數(shù)據(jù)，將這些數(shù)據(jù)進行整理，并且希望通過統(tǒng)計學習的手段得出一般住房面積和價格的線性回歸關系，通過設定兩個期望住房面積來估計對應面積下的購房價格。3.1 程序的設計首先，通過EXCEL表格將收集的數(shù)據(jù)進行整理，得出了上海地區(qū)售房面積和價格對應表格，120組數(shù)據(jù)具體可見于附錄。將120組數(shù)據(jù)通過TXT文件進行編輯后導入到Matlab軟件中，其部分數(shù)據(jù)在軟件中的表現(xiàn)形式如圖6所示：圖6 售房面積和價格數(shù)據(jù)在Matlab中表現(xiàn)形式Fig. 6 The data expression form of house area and price on sale in Matlab將這些數(shù)據(jù)以txt的格式保存，文件名為house，以便在主程序加載數(shù)據(jù)調用。該最速下降統(tǒng)計學習程序主要分為調用數(shù)據(jù)、繪制離散圖、梯度下降和擬合直線、可視化顯示目標函數(shù)、目標函數(shù)值與迭代次數(shù)關系函數(shù)這五個部分。3.1.1 調用數(shù)據(jù)程序將house.txt文件中的數(shù)據(jù)加載到data矩陣中，將data矩陣中的第一列中所有值組成一個向量儲存在X向量中，將data矩陣中的第二列中所有值組成一個向量儲存在y向量中，然后在y向量中計算訓練樣本數(shù)量存儲到變量m中。其相關程序段如下：data = load(house.txt); %調用數(shù)據(jù)X = data(:, 1); y = data(:, 2); %向量存儲m = length(y); %計算訓練樣本數(shù)量3.1.2 繪制離散圖程序 該過程主要包括主程序的調用以及調用函數(shù)的定義，定義函數(shù)首先要打開一個繪圖窗口，然后定義數(shù)值范圍，最終附上標簽繪制圖形或者點。通過這樣的方式處理，我們可以清晰的看到上海售房面積和價格的離散分布關系。主程序部分：plotData(X, y);fprintf(Program paused.Press enter to continue.n);定義調用函數(shù)plotData(X, y)function plotData(x, y)figure; % open a new figure windowplot(x, y, rx, MarkerSize,10);ylabel(Shanghai Commercial Housing Price in RMB one million);xlabel(Shanghai Commercial Housing Area in 10 square meters);end3.1.3 梯度下降和擬合直線程序此處先對參數(shù)進行初始化設置，然后設置初始的迭代次數(shù)和計算步長（學習速率），接著進行目標函數(shù)的迭代計算，并且不斷將模型參數(shù)顯示在屏幕上，接著畫出擬合的直線，在屏幕上顯示顯示“數(shù)據(jù)訓練和直線擬合”，最后根據(jù)擬合的直線估計80和160的商品房所對應的價格。主程序部分：fprintf(Running Gradient Descent .n)X = ones(m, 1), data(:,1); % Add a column of ones to xtheta = zeros(2, 1); % initialize fitting parameters iterations = 1000; % Some gradient descent settingsalpha =0.01; % compute and display initial costcomputeCost(X, y, theta) % run gradient descenttheta = gradientDescent(X, y, theta, alpha, iterations); % print theta to screenfprintf(Theta found by gradient descent: );fprintf(%f %f n, theta(1), theta(2); % Plot the linear fithold on; % keep previous plot visibleplot(X(:,2), X*theta, -)legend(Training data, Linear regression)hold off % dont overlay any more plots on this figurepredict1 = 1,8 *theta; % Predict values for house area of 35,000 and 70,000fprintf(For house area = 80, we predict a price of %fn,. predict1*1000000);predict2 = 1, 16 * theta;fprintf(For house area = 160, we predict a price of %fn,. predict2*1000000);fprintf(Program paused. Press enter to continue.n);pause;定義梯度下降調用函數(shù)：function theta, J_history = gradientDescent(X, y, theta, alpha, num_iters)m = length(y); % number of training examplesJ_history = zeros(num_iters, 1);for iter = 1:num_iterstemp1 = theta(1) - (alpha / m) * sum(X * theta - y).* X(:,1);%最速下降發(fā)的迭代循環(huán) temp2 = theta(2) - (alpha / m) * sum(X * theta - y).* X(:,2); theta(1) = temp1; theta(2) = temp2;%同時更新theta1和theta2 J_history(iter) = computeCost(X, y, theta);endend3.1.4 可視化顯示目標函數(shù) 該處Matlab程序主要將目標函數(shù)和兩模型參數(shù)的對應關系通過空間平面和等高線的形式表達出來，根據(jù)空間平面我們可以清晰看出目標函數(shù)的具體極值分布形式。根據(jù)等高線圖可以看出最終迭代計算結果是否為最優(yōu)解，倘若紅色的點位于等高線的最中間，則該情況為最優(yōu)解，否則，不是最優(yōu)解。主程序部分：fprintf(Visualizing J(theta_0, theta_1) .n)theta0_vals = linspace(-10, 10, 100);theta1_vals = linspace(-1, 4, 100);J_vals = zeros(length(theta0_vals), length(theta1_vals);for i = 1:length(theta0_vals) for j = 1:length(theta1_vals) t = theta0_vals(i); theta1_vals(j); J_vals(i,j) = computeCost(X, y, t); endendJ_vals = J_vals;figure;surf(theta0_vals, theta1_vals, J_vals)xlabel(theta_0); ylabel(theta_1);figure;contour(theta0_vals, theta1_vals, J_vals, logspace(-2, 3, 20)xlabel(theta_0); ylabel(theta_1);hold on;plot(theta(1), theta(2), rx, MarkerSize, 10, LineWidth, 10);定義目標函數(shù)： function J = computeCost(X, y, theta)m = length(y); J = 0;predictions=X*theta;J=1/(2*m)*(predictions-y)*(predictions-y);end3.2 確定計算步長我們在這里迭代計算時，并不是一開始就能迭代成功，正如前面所說步長過小，會延長搜索的時間，步長過大，可能會錯過極值點，導致不收斂。故我們可通過建立目標函數(shù)值和迭代次數(shù)的關系函數(shù)，將不同的步長以一定的數(shù)量級排列，分別作出目標函數(shù)值和已運算迭代次數(shù)的關系函數(shù)曲線。為了更好的展示目標函數(shù)值和已運算迭代次數(shù)的對應關系，可以設置足夠的迭代次數(shù)，設定足夠的迭代次數(shù)為3000。目標函數(shù)值與迭代次數(shù)關系函數(shù)程序段：iterations=3000;alpha=1;%輸入第一個步長theta,J1 = gradientDescent(X, y, zeros(2,1), alpha, iterations);alpha=2;%輸入第二個步長theta,J2 = gradientDescent(X, y, zeros(2,1), alpha, iterations);alpha=3;%輸入第三個步長theta,J3 = gradientDescent(X, y, zeros(2,1), alpha, iterations);figure;plot(1:numel(J1), J1, -k, LineWidth, 2);%第一條線顯示連續(xù)線hold on;plot(1:numel(J2), J2, - -k, LineWidth, 2);%第二條線顯示虛線hold on;plot(1:numel(J3), J3, -.k, LineWidth, 2);%第三條線顯示點畫線axis(0 3000 0 15);%限定坐標值顯示范圍xlabel(迭代次數(shù)); ylabel(J的值);legend(alpha=1 , alpha=2, alpha=3)hold off現(xiàn)在選取步長為1、0.1、0.01和0.001、0.0001、0.00001兩組數(shù)據(jù)進行迭代運算，通過Matlab作出目標函數(shù)值和已運算迭代次數(shù)的關系函數(shù)曲線，判斷目標函數(shù)值的收斂性。 3.2.1 第一組迭代運算判斷斂散性將第一組步長值1、0.1和0.01帶入目標函數(shù)值與迭代次數(shù)關系函數(shù)程序段中進行運算作圖，為了讓圖形表示清晰，其坐標值可再一次限定其范圍，其運行結果如圖7所示。根據(jù)圖中結果可知：步長為1和0.1時，J的函數(shù)是發(fā)散的，而步長為0.01時，J的函數(shù)是收斂的。圖7 第一組步長中目標函數(shù)值的斂散性Fig.7 The convergence curves of first group alpha 3.2.2 第二組迭代運算判斷斂散性 將第一組步長值0.001、0.0001和0.00001帶入目標函數(shù)值與迭代次數(shù)關系函數(shù)程序段中進行運算作圖，為了讓圖形表示清晰，其坐標值可再一次限定其范圍，其運行結果如圖8所示。根據(jù)圖中結果可知：在該組所有步長下，J的函數(shù)都是收斂的。圖8 第二組步長中目標函數(shù)值的斂散性Fig.8 The convergence curves of second group alpha3.2.3 綜合步長分析在第一組步長分析過程中，當步長為0.01時，J的函數(shù)雖然判斷是收斂的，但是其具體在多少次迭代下已經(jīng)收斂到最小值我們不能從圖7中看出。在第二組步長分析過程中，雖然3個步長下均能保證目標函數(shù)值能收斂，但是當步長為0.00001時，其所需的迭代次數(shù)需達到5000才收斂，其計算時間太長，故不能算是最速下降。為確定合適的步長，現(xiàn)將步長為0.01、0.001和0.0001進行目標函數(shù)收斂分析。如圖9所示，該圖在不同的迭代次數(shù)尺度下表現(xiàn)不同步長對應目標函數(shù)J的收斂特性。圖9 綜合目標函數(shù)收斂特性分析Fig.9 The convergence curves of composite alpha根據(jù)上圖和Matlab迭代計算結果的最小值和對應最小值所需的最少迭代次數(shù)填入下表，如下表1。表1 步長和目標函數(shù)值Tab.1 The alpha and J步長alpha目標函數(shù)最小值達到最小值時所需最少迭代次數(shù)0.012.49592914980.0012.495929149880.00012.495929149892由上表可知選用步長數(shù)量級為0.01，可實現(xiàn)最速梯度下降。此處，不再討論0.01附近的步長所對應的目標函數(shù)迭代次數(shù)關系。3.3 計算假設模型參數(shù)上面已經(jīng)得到比較適合的迭代參數(shù)，現(xiàn)在可將步長為0.01，迭代次數(shù)iterations為1500帶入到程序中進行計算，其運算結果如下：ans =14.2726Theta found by gradient descent: -0.715237 0.590743運算結果中ans代表了Matlab軟件最后一步運算的結果，gradient descent代表了模型參數(shù)值，即模型參數(shù)值，即參數(shù)、。以下為可視化的點圖、擬合直線圖、目標函數(shù)與模型參數(shù)的立體圖以及等高線圖。通過plot函數(shù)作圖可以得出售房面積和售房價格的離散數(shù)據(jù)圖。如圖10所示，從離散圖可以看出數(shù)據(jù)整體是呈現(xiàn)售房價格與售房面積線性遞增的趨勢。圖10 離散點圖Fig. 10 The discrete point diagram接下來通過統(tǒng)計學習的方法擬合直線，如圖11所示，從擬合直線可以看出擬合后的售房房價與售房面積的線性關系，直線以上數(shù)據(jù)差不多為市中心售房價位，直線以下大概為郊區(qū)售房價位，直線上大概為市中心與郊區(qū)的普遍價位。圖11. 線性擬合圖Fig11. Linear regression figure接下來可以通過surf函數(shù)和contour函數(shù)繪制目標函數(shù)與模型參數(shù)的立體圖以及等高線圖。如圖12所示，從曲面圖可以看出目標函數(shù)隨模型參數(shù)的變化關系，可以明顯看出該目標函數(shù)只有一個極小值，因此該處不會出現(xiàn)局部最小值情況。根據(jù)目標函數(shù)等高線圖可以看出迭代計算后的參數(shù)值位于等高線的中間區(qū)域，因此可以判斷出以上合適步長優(yōu)化分析過程是正確的。圖12 實際問題三維圖和等高線圖Fig. 12 Graphic model and contour map in practical problem通過上面的分析，這里的迭代過程顯然是合理的，我們可以直接得出模型的線性回歸方程：在程序中我們添加了預測情況計算，其具體主程序段如下：predict1 = 1,8 *theta;fprintf(For house area = 80, we predict a house price of %fn,. predict1*1000000);predict2 = 1, 120 * theta;fprintf(For house area = 120, we predict a house price of %fn,. predict2*1000000);程序運算結果解釋如下，當我們考慮購買上海商品房面積為80平方和120平方時，根據(jù)所求的線性方程計算所得的房價為4010703.397050元和70173870.477535元。Matlab中具體輸出結果如下：For house area = 80, we predict a house price of 4010703.397050For house area = 120, we predict a house price of 70173870.4775353.4 步長與迭代次數(shù)的可視化分析上面已經(jīng)找到合適的步長和迭代次數(shù)，現(xiàn)在我們使用控制變量法對步長和迭代次數(shù)進一步分析，通過等高線圖的可視化手段來描述步長與迭代次數(shù)的相互關系。3.4.1 相同步長不同迭代次數(shù)可視化分析 我們首先控制合適的步長為0.01，將迭代次數(shù)設置在1498次范圍附近，分析迭代次數(shù)對最終迭代計算極小值點的位置。為了使等高線表達得更清晰，這里我們通過多次迭代計算得出相同幅度的等高線圖，通過得出的模型參數(shù)的極值點的位置可以發(fā)現(xiàn)不同迭代次數(shù)下的極值點的移動規(guī)律。如圖13所示，該圖表現(xiàn)出四種不同迭代次數(shù)下的極點位置，根據(jù)這些位置，我們可以總結出極點位置特征。其特征總結如下表2所示。表2 迭代次數(shù)取值與梯度下降關系Tab.2 The relationship betweem iterations and gradient descent步長alpha迭代次數(shù)最終梯度下降情況0.011位于第二環(huán)與第三環(huán)之間0.0110緊靠第一環(huán)內側0.01500第一環(huán)內側靠中0.011500中心位置圖13 相同步長下的等高線圖Fig 13 contour map in the same alpha由上述可知，當步長一定，當?shù)螖?shù)大于等于最小迭代次數(shù)時，其模型參數(shù)值的坐標點位于正中心，然后隨著迭代次數(shù)的減少，坐標點會由內往外變動。3.4.2 相同迭代次數(shù)和不同步長的可視化分析我們首先選擇合適的迭代次數(shù)為1500次，將步長（學習速率）設置在0.01次范圍附近，分析不同步長對最終迭代計算極小值點的位置。為了使等高線表達得更清晰，這里我們通過多次迭代計算得出相同幅度的等高線圖，通過得出的模型參數(shù)的極值點的位置可以發(fā)現(xiàn)不同步長下的極值點的移動規(guī)律。如圖14所示，該圖表現(xiàn)出六種不同步長下的極點位置，我們可以總結出極點位置特征。其特征總結如下表3所示。表3 迭代次數(shù)取值與梯度下降關系Tab.3 The relationship betweem iterations and gradient descent迭代次數(shù)步長alpha最終梯度下降情況15000.00001位于第六環(huán)上0.00002位于第二環(huán)與第三環(huán)之間0.0001緊靠第一環(huán)內側0.001第一環(huán)內側靠中0.01中心位置0.23中心位置圖14 相同迭代次數(shù)下的等高線圖Fig 14 contour map in the same iterations由上述可知，當?shù)螖?shù)一定，當步長大于0.01且不超過0.023時，其模型參數(shù)值的坐標點位于正中心，然后隨著迭代步長的減少，坐標點會由內往外變動。4 總結以上對兩個案例進行了詳細的分析，現(xiàn)將上述內容模型結果進行總結：1.城市人口數(shù)量和飲料連鎖店利潤的線性回歸方程為：2.上海住房面積和售房價格的線性回歸方程：通過統(tǒng)計線性回歸的理論學習和Matlab實踐，我充分了解了線性回歸模型建立與求解的整個過程，學習了Matlab工具中最速下降法的迭代求解過程，熟悉使用Matlab軟件的圖形可視化的表示功能，為以后的課題數(shù)據(jù)的統(tǒng)計研究打下了良好的基礎。致謝 感謝姚教授對本工作的大力支持，在此表示感謝！參考文獻：1 張向君.信號分析與數(shù)據(jù)統(tǒng)計學習M.哈爾濱:哈爾濱工程大學出版社,2009:129-131.2 許繼平,劉載文.同步變壓位機械通氣系統(tǒng)研究M.北京:北京大學出版社,2012:69-71.3 王玉英.優(yōu)化與決策M.西安:西安交通大學出版社,2014:80-81.4 王橋.數(shù)字圖像處理M.北京:科學出版社,2009:333-337.5 王正林,龔純,何倩.精通Matlab科學計算M.北京:電子工業(yè)出版社,2012:401-404.6 劉浩.MatlabR2014a完全自學一本通M.北京:電子工業(yè)出版社,2015:1-708.7 鄭友林.身邊的經(jīng)濟學M.北京:中國市場出版社,2006:105-107.附錄：表4 上海地區(qū)售房面積和價格表Tab.4 The house area and price on sale in Shanghai序號區(qū)域面積/價格/萬元序號區(qū)域面積/價格/萬元1黃浦 世博濱江51.5245544楊浦 中原75.333402松江大學城62.8524545閘北 陽城45.942653徐匯 上海南站52.424046松江 九亭134.884854松江 新橋51.7132247浦東 川沙85.962405虹口 江灣鎮(zhèn)82.9245548浦東 唐鎮(zhèn)87.663556楊浦 中原35.9515049浦東 航頭93.542307嘉定 江橋39.495250青浦 盈浦63.82858浦東 金楊52.9626051松江 松江新城105.712589閔行 莘莊63.7139552閔行 吳涇21.795010長寧 北新涇36.7720053浦東 書院鎮(zhèn)162.1413011松江 松江老城156.0131454浦東 外高橋74.7120812奉賢 西渡73.1815555浦東 川沙91.5228013普陀 長征56.9329056楊浦 中原69.8131014普陀 長征83.7141557閔行 古美76.8637515浦東 世博44.624558閔行 靜安新城65.6634916寶山 淞南61.6123559閔行 老閔行128.5248017閔行 梅隴127.2258060閘北 西藏北路37.115918嘉定 江橋112.6740261浦東 祝橋60.420219浦東 金楊74.3439562普陀 光新136.6190020寶山 共富51.3716663閔行 古美121.3972021普陀 長壽路39.679064寶山 上大60.139022長寧 新華路59.5941065普陀 長征44.3422023浦東 三林103.0963066寶山 張廟8