城市海量手机用户停留时空分异分析——以深圳市为例

  • 徐金垒 , 1 ,
  • 方志祥 , 1, * ,
  • 萧世伦 1 ,
  • 尹淩 2
展开
  • 1. 武汉大学测绘遥感信息工程国家重点实验室,武汉 430079
  • 2. 中国科学院深圳先进技术研究院,深圳 518055
*通讯作者:方志祥(1977-),男,教授,主要从事导航与位置服务、时空分析研究。E-mail:

作者简介:徐金垒(1989-),男,硕士生,研究方向为时空数据的模式分析与推理。E-mail:

收稿日期: 2014-05-20

  要求修回日期: 2014-07-26

  网络出版日期: 2015-02-10

基金资助

国家自然科学基金项目(41231171、41371420)

中国科学院资源与环境信息系统国家重点实验室开放基金(2013)

深圳市科技创新委基础研究“从大规模手机定位数据中挖掘居民出行的关键技术研究”(JCYJ20140610151856728)

The Spatio-temporal Heterogeneity Analysis of Massive Urban Mobile Phone Users’ Stay Behavior: A Case Study of Shenzhen City

  • XU Jinlei , 1 ,
  • FANG Zhixiang , 1, * ,
  • XIAO ShiLun 1 ,
  • YIN Ling 2
Expand
  • 1. State Key Laboratory of Information Engineering in Surveying, Mapping, Remote and Sensing, Wuhan University, Wuhan 430079, China
  • 2. Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
*Corresponding author: FANG Zhixiang, E-mail:

Received date: 2014-05-20

  Request revised date: 2014-07-26

  Online published: 2015-02-10

Copyright

《地球信息科学学报》编辑部 所有

摘要

识别海量手机数据中蕴含的行为模式,是地理学的一个研究热点与难点。目前,较多研究针对手机用户移动特征开展,而对停留及其模式的研究则相对较少;其时空分异规律对理解城市人群动态,甚至优化城市系统至关重要。本文根据人们日常时空约束条件定义了手机用户停留,提出了基于海量手机位置数据的手机用户停留模式的提取方法,以深圳市约790万个匿名手机用户一天的海量手机位置数据为例,识别出了覆盖约98%用户的典型停留模式,并结合该城市土地利用的空间分布与分异特征,剖析不同停留模式的手机用户空间分异特征和城市不同区域停留次数的时段分异特征。研究发现:(1)15种停留模式可覆盖约98%的手机用户,而且其一天不同的停留位置数量不超过4个;(2)15种停留模式手机用户在城市区域空间上的分布存在分异现象,严重受制于土地利用的空间分布;(3)城市不同区域停留次数的时段分异特征与该区域常住人口、人口密度,以及区域主要职能和性质存在较强的相关性。研究结论对理解城市手机用户行为模式的群体特征有积极的意义,对城市土地利用的科学决策和城市交通规划与预测有重要参考价值。

本文引用格式

徐金垒 , 方志祥 , 萧世伦 , 尹淩 . 城市海量手机用户停留时空分异分析——以深圳市为例[J]. 地球信息科学学报, 2015 , 17(2) : 197 -205 . DOI: 10.3724/SP.J.1047.2015.00197

Abstract

Identifying human behavior patterns embedded in massive mobile phone data records is a research hotspot and difficulty of study in geography. While lots of researches are aiming at investigation of the mobility characteristics of mobile phone users, studies focusing on the stay of mobile phone users and their stay patterns are relatively little. The spatio-temporal heterogeneous regularity is vital for understanding the urban human dynamic and optimizing urban system. Therefore, this paper explored the stay patterns of mobile phone users in order to understand the human mobility patterns and their features. According to the spatial and temporal constraints of human routine and travel behavior, this paper defined the stay conditions and the stay patterns of urban mobile phone users, and come up with methods of identifying and extracting stay patterns from massive mobile phone data records. Then, we took about 7.9 million mobile phone users’ one day data records in Shenzhen City in China as an example, processed them with the designed method, and identified some typical stay patterns which covered about 98% of the urban mobile phone users. In addition, we conducted statistical analysis for urban mobile phone users’ stay patterns and analyzed their spatial distribution with respect to different administrative districts combining with the city’s land use pattern. Furthermore, we dissected the heterogeneous characteristics of the spatial distribution of different stay pattern’s users and the stay frequencies against different administrative districts over a 22-hour period. The study shows: (1) 15 types of stay patterns can cover 98% urban mobile phone users’ behavior and their stay locations are no more than 4 in one day. The stay patterns with 2 stay locations shows the highest probability that nearly half of the mobile phone users have this tendency. (2) The spatial distribution of the 15 stay patterns in the city is evidently heterogeneous, which is subjected to the urban land use. We found that the higher proportion of leisure and entertainment land in a certain administrative district, the stay patterns with more stay locations in this region are likely to occur. (3) The heterogeneity of the stay frequency for different urban administrative district is strongly related to its permanent resident population, population density and major function of the district. The study conclusions are useful in understanding the population characteristics of urban phone users’ behavior, the activity patterns and urban residents’ commuting behavior. Moreover, it can provide important references for scientific decisions of urban land use, urban transportation planning and prediction.

1 引言

信息通讯技术(Information and Communication Technologies,ICT)的高速发展,不仅改变了人们的空间行为模式,而且使得位置感知设备(Location Aware Device,LAD)获取海量人类移动数据成为可能[1]。近年来,由于手机的日益普及,人类移动和停留成为城市动态研究中相互关联的两种行为模式。目前,对人类移动性的研究主要涉及:人类移动的时空规律,例如,移动步长和时间间隔的幂律分布[2],人类空间运动模式的可预测性[3]和城市移动人群的整体动力学行为[4]等;人类移动模式,例如,个体活动模式[5]、人类日常移动网络结构模式[6]、人类活动随月份的变化特征[7]等。此外,一些研究者还利用活动日志数据、出租车轨迹数据、交通流量等数据研究人类移动规律,例如,Shaw等根据时间地理学理论[8],基于活动日志数据,提出一个时空GIS分析框架用于研究个体活动的时空模式[9]。通过扩展时空棱柱概念,建立一个集成表达和挖掘人们在物理空间和虚拟空间中活动的理论框架[10-11];Jiang等利用72 000人、持续6个月的出租车移动轨迹,研究个体移动模式与骨干路网的关系[12];Iqbal等利用手机位置数据和交通流量数据,研究人们出行的出发地-目的地矩阵变化[13]等。但是,停留作为人类活动的重要组成部分,目前,对其开展的研究还较少,例如,文献[5]利用手机位置数据研究不同工作环境个体活动模式,但对停留模式类型总结不够;文献[6]提出了17种个体日常移动的网络结构模式,但忽略了日常移动在不同位置的访问次数和停留时间特征差异,对土地利用的关联分析比较缺乏。因此,本文以深圳市的海量手机位置数据为例,研究了城市手机用户停留及其模式的时空特征规律,并结合该城市土地利用分析停留模式的空间分异特征,分析了不同时段内停留次数的空间分异情形。这对人类停留模式的深入研究,甚至理解城市手机用户行为模式的群体特征有积极的意义,对城市土地利用的科学决策和城市交通规划与预测有重要参考价值。

2 城市手机用户停留及其模式定义

通常人们在一天中大部分时间处于停留状态,如从事工作、学习或休闲娱乐等活动。由于工作或活动性质的不同,人们停留的时空属性(停留地点数量、停留时间段和时长)呈现出差异性。例如,学生停留位置可能主要发生在学校附近;公务员、银行职员等则发生在工作单位、家庭和若干固定场所等;而物流快递员则发生在城市的多个不确定地点等。
城市手机用户数据包括一系列连续的位置记录点集 P = ( p 1 , p 2 , ... , p n ) ,其中,n为位置记录点数目;每个位置记录点pi定义为一个三元素集合 p i = ( lat , long , T ) ,其中, ( lat , long ) 为手机基站坐标,T为位置记录时刻。停留点是由满足一定时空约束条件的一系列连续的手机位置点所确定,实际上它代表一定范围的地理区域。这里的空间约束限定为手机用户在某一手机基站漫游距离小于或等于λ米;时间约束限定为指手机用户在某一手机基站停留的时间长度大于或等于γ分钟;λ,γ为可调整参数,时空约束条件数学表达如下:
SD ( p i , p j ) λ TD ( p i , p j ) γ (1)
式(1)中,SD表示位置记录点 p i , p j 之间的欧式距离,TD表示 p i , p j 之间的时间差, i , j [ 1 , n ] 。如果某手机用户的位置记录点 P p P q ,满足上述时空约束条件(1),则 P p P q 存在一次停留sr,手机用户停留集合为S,这里srS的表达式为:
s r = ( lat , long , T Start , T end ) (2)
S = ( s 1 , s 2 , ... , s R ) (3)
式(2)中, ( lat , long ) 为停留点坐标; T start , T end 为停留的开始与结束时刻;R为停留点总数。式(3)中 s 1 , s 2 , ... , s R 代表可能相同的停留位置。本文中的手机用户停留模式表达为SPM_N,用来表示指手机用户有M个不同的停留位置和N次停留。该停留模式可用来表达城市内人群停留的共性特征,结合空间和时间的分异分析,以充分理解城市被人群功能性使用的差异。

3 海量手机用户停留模式提取方法

根据上文停留点和停留模式的定义,本文设计了一种海量手机数据的城市手机用户停留模式提取方法。该方法的基本思路是:首先,根据定义的时空约束条件,从城市手机位置数据判别手机用户的停留信息;然后,依据停留模式定义来识别停留模式并生成其停留点文件;最后,统计和输出手机用户停留模式。图1给出了手机用户停留点识别示例。
Fig. 1 The stay points of one mobile phone user

图1 手机用户停留点

本文提出的停留模式识别和提取方法具体步骤如下:
(1)初始化问题变量,设 P = ( p 1 , p 2 , ... , p n ) 为手机用户位置记录数据集,S为手机用户停留点集,Q为存储手机记录点的临时变量。
(2)访问数据库,读取一个手机用户手机位置,并对其按时间排序。
(3)识别和提取该手机用户停留点:
① 初始化变量 i = 1 , j = i + 1 ;
② 判断(pi, pj)是否满足空间约束条件 SD ( p i , p j ) λ ,如果是则将pj添加进Q并转向③,否则转向④;
j = j + 1 ,转向②;
④ 如果Q中元素不为空,则判断 ( p i , p j ) 是否满足时间约束条件 TD ( p i , p j ) γ ,如果满足,则得到一次停留s,并添加进S,转向⑤;如果Q中元素为空,则执行⑤;
i = j ,若 j n ,则转向②;否则结束。
(4)生成该手机用户停留点文件和统计其停留模式信息:
① 由停留点集S, 生成该用户停留点文件,并输出;
② 统计停留点集S,得该用户停留模式SPM_N
(5)重复步骤(2)-(4),直至处理完所有手机用户手机记录数据;
(6)统计和输出城市手机用户的停留模式信息:停留模式SPM_N类型、其所对应手机用户数量,以及该模式手机用户数所占比例。

4 手机用户停留时空分异实验结果与分析

4.1 实验数据

本文研究数据为中国深圳市2012年3月某工作日约790万个手机用户的手机位置数据和该市2011年城市土地利用数据。手机记录数据内容包括经过匿名处理后的手机用户号码,记录日期和时间,基站经纬度坐标,表1给出了手机用户位置记录的例子。本文利用ArcGIS软件生成该城市手机基站的Voronoi多边形并统计其面积来估算手机基站的服务范围,得到服务范围的最小值、平均值和最大值,分别为918.75 m2、332 241.89 m2和13 036 375.46 m2,即服务半径的最小值、平均值和最大值分别为17.10 m、325.28 m和2037.57 m。该手机数据采用主动和被动式相结合方式收集,采样间隔约1 h,一天中每个用户至少有24条记录,少于24条记录的数据已剔除。被采用的手机数据中24个时段(即[0,1), [1,2),...,[23,24))中都有记录的手机用户数约为317万,比例约为40.17%;20~24个时段的手机用户数约为413万人,比例约为52.38%;小于20个时段的手机用户数约为58万,比例约为7.45%。
Tab. 1 The instance of one phone user's records data

表1 手机用户数据记录实例

时间 经度(long) 纬度(lat)
0:50:14 113.×××× 22.××××
1:50:11 113.×××× 22.××××
......
22:10:01 113.×××× 22.××××
23:09:56 113.×××× 22.××××
本文停留定义中有2个可调整参数λ和γ。λ值过大,则几个位置会合并成一个;过小,则一个位置会分成几个。γ值过大,则易识别出长时间停留场所,例如,家和工作地点等;过小,则易识别出短时间停留场所,例如,商店和公交站点等。因此,本研究考虑到研究区域内手机基站的空间分布不平衡性,服务范围和手机位置数据采样间隔,并参考相关研究成果[14-15],将λ和γ分别取值为300 m和60 min。

4.2 实验结果

利用本文设计的手机用户停留模式提取方法处理上述手机位置数据,共得到48种手机用户停留模式,进一步分析发现,其中15种模式覆盖了98.09%的手机用户,且每种模式对应的手机用户数在所有停留模式手机用户中的比例大于1%,具体见表2
Tab. 2 The statistical results of 15 stay patterns

表2 15种停留模式统计结果

停留模式 手机用户数 所占比例(%)
SP2_3 1 502 666 19.06
SP1_1 1 162 855 14.75
SP2_4 995 836 12.63
SP1_2 808 152 10.25
SP2_2 622 709 7.90
SP3_4 559 477 7.10
SP1_3 444 842 5.64
SP2_5 383 145 4.86
SP3_3 379 625 4.81
SP3_5 332 651 4.22
SP1_4 142 039 1.80
SP4_4 105 119 1.33
SP4_5 104 532 1.33
SP3_6 101 876 1.29
SP2_6 87 971 1.12
总计 7 733 495 98.09
针对上述15种停留模式进行统计分析发现:(1)停留模式SP2_3对应的手机用户数量最多,所占比例为19.06%,SP1_1次之,所占比例为14.75%,SP2_6最少,所占比例为1.12%(表2);(2)按停留位置数分类,则只有2个停留位置的手机用户群体占主导,比例约为45%(表3);(3)城市手机用户一天不同停留位置非常有限,约98%的用户不超过4个(表3),这与Song[3]等指出人类空间运动模式具有93%的可预测性的研究结论一致;(4)由表2可知,停留位置数相同,随着停留次数的增加,停留人数有所变化,例如,停留位置数为1或4时,手机用户数随着停留次数增加而减少;当停留位置数为2或3时,手机用户数随停留次数先增加后减少。
Tab. 3 The statistics of stay locations’ classification

表3 停留位置分类统计表

停留位置数 手机用户数(人) 比例(%)
1 2 557 888 32.44
2 3 592 327 45.57
3 1 373 629 17.42
4 209 651 2.66
总计 7 733 495 98.09

4.3 手机用户停留模式空间分异分析

由于手机用户的工作性质、经济条件、性别等差异以及城市功能区划配置,不同的停留模式的手机用户在空间分布上可能存在区域差异性。本文通过分析每种停留模式的手机用户在不同行政区域内的分布,研究不同停留模式手机用户的空间分布区域性差异。图2为深圳市2012年行政区划和土地利用现状图,共包括10个行政区域,分别为宝安区、南山区、福田区、罗湖区、盐田区、龙岗区、龙华新区、光明新区、坪山新区和大鹏新区,对应图中编码D1-D10。图3为15种停留模式手机用户量的空间分布,不同颜色表示该基站一天所对应的不同数量手机用户。如果某模式手机用户有2个停留位置,若这2个停留位置都位于区A,则区A记录该用户一次;若这2个停留位置分别位于区A和区B,则区A和区B分别记录该用户一次。表4表5为15种停留模式手机用户比例的空间分布统计表。
Fig. 2 The administrative district and land use map of Shenzhen City

图2 深圳市行政区划和土地利用分布图

Fig. 3 The spatial distribution for phone users of the 15 stay patterns

图3 15种停留模式手机用户空间分布

Tab. 4 The proportion statistics of the 15 daily stay patterns in different administrative districts

表4 15种停留模式在不同行政区中的比例

停留模式 不同行政区的比例(%)
宝安区 南山区 福田区 罗湖区 盐田区 龙岗区 龙华新区 光明新区 坪山新区 大鹏新区
SP2_3 24.85 12.70 18.46 8.66 1.35 14.98 3.45 12.12 2.67 0.76
SP1_1 25.76 9.82 13.58 7.88 1.24 19.64 4.04 13.95 3.00 1.10
SP2_4 28.97 11.30 13.29 6.21 1.27 17.37 4.27 12.85 3.51 0.95
SP1_2 27.15 10.31 13.27 7.47 1.21 18.48 4.23 13.90 3.09 0.90
SP2_2 23.40 12.22 18.39 11.48 1.22 15.55 3.18 11.67 2.22 0.66
SP3_4 24.12 13.68 18.83 9.02 1.25 14.56 3.17 11.65 2.85 0.86
SP1_3 28.92 10.36 12.20 6.46 1.13 18.47 4.66 13.59 3.33 0.89
SP2_5 30.78 10.16 10.24 4.77 1.25 19.81 4.68 13.03 4.16 1.11
SP3_3 21.37 14.12 21.56 11.65 1.16 13.63 2.71 11.01 2.12 0.68
SP3_5 27.33 12.50 14.73 6.48 1.28 16.78 3.80 12.30 3.75 1.05
SP1_4 30.33 9.96 11.27 5.78 1.04 18.90 5.04 13.42 3.44 0.81
SP4_4 19.74 15.43 23.40 12.02 1.14 12.83 2.40 10.25 2.11 0.69
SP4_5 22.43 15.21 20.12 9.37 1.17 13.96 2.79 11.16 2.96 0.85
SP3_6 29.46 11.17 11.35 5.13 1.30 18.76 4.32 12.85 4.54 1.12
SP2_6 30.95 9.62 8.49 4.24 1.24 21.91 4.49 13.19 4.75 1.12
Tab. 5 The proportion statistics of mobile phone users with stay behavior in different administrative districts

表5 不同行政区停留手机用户数比例

行政区 宝安区 南山区 福田区 罗湖区 盐田区 龙岗区 龙华新区 光明新区 坪山新区 大鹏新区
停留手机用户数比例(%) 25.74 12.17 16.35 8.26 1.25 16.35 12.35 3.66 3.01 0.87
从停留模式的空间分布角度分析,每种停留模式在不同行政区分布的比例差异较大。由图3表4、5可知:(1)10个行政区内停留人数存在较大差异,其中大小顺序是:宝安区、福田区和龙岗区、龙华新区、南山区、罗湖区、光明新区、坪山新区、盐田区、大鹏新区;(2)停留位置较多的停留模式如SP3_3、SP4_4和SP4_5,在商服用地和公共管理用地比例较高的南山区和福田区(图4)占据主导地位。这3种停留模式对应现实中手机用户群体,一天中可支配的灵活时间较多,工作相对自由,访问停留的地点多样化。南山区和福田区是该市行政文化中心和现代服务业为主的中心商务区,拥有大学城、休憩与旅游景点、港口码头及火车站、商业区、出入境口岸,因此,该区域包含丰富的不同性质的城市手机用户出行停留点。(3)停留位置较少而停留次数较多的停留模式SP1_4、SP2_5和SP2_6,在该市重要的物流基地龙岗区分布中占据主导地位。龙岗区作为该市重要的物流基地和城市东部发展轴综合服务中心,手机用户群体在该区往返停留频次增加。(4)停留模式SP2_3在工矿仓储用地比例最高的4个区(宝安区、龙岗区、龙华新区和光明新区)分布比例较高,原因是这种停留模式所对应现实城市手机用户群体,大多数为工作地和住宅之间的交替停留。这4个区为城市手机用户提供很多从事工作停留活动的场所。此外,停留模式SP3_3和SP4_4分布最多的区域皆为福田区,比例分别为21.56%和23.40%,而其余13种皆为宝安区,所占比例范围为21%~31%;15种停留模式在大鹏新区内分布皆为最少,所占比例范围为0.6%~1.2%。这是由于宝安区停留手机用户数比例最高,大鹏新区最低。
Fig. 4 The statistics of land use distribution in different administrative districts

图4 不同行政区土地利用分布统计图

由上述分析可知,15种停留模式的手机用户在城市不同行政区空间分布的分异现象与该区土地利用类型和主要职能有紧密的联系。

4.4 不同时段内的停留分异分析

在城市日常生活中,人们通常在住宅、工作场所和休闲娱乐场所3种类型的活动地点上,活动类型与空间属性、时间段都有密切关系。本文通过统计分析深圳市10个行政区不同时段内停留次数、单位面积内停留次数、单个基站对应的停留次数,进一步研究停留的时间分异性。图5给出了不同行政区的停留次数随时段变化分析结果;图6给出了不同行政区的常住人口数、人口密度、单基站平均服务人数、基站数等统计结果,统计数据来源于2013年深圳统计年鉴[16],其中,图6(c)表示单基站平均服务人数计算于该区常住人口数与基站数的比值。
Fig. 5 The stay frequency in different administrative districts over 22 hours

图5 不同行政区的停留次数随时段变化

Fig. 6 The statistics property of different administrative districts

图6 不同行政区统计属性

通过分析图5(a)、图6(a)可发现:(1)8个行政区在22个时段内的停留次数与该行政区的常住人口数呈正相关(Pearson相关系数[17]为0.99),龙华新区和福田区与常住人口则没有呈现出正相关关系,比如:龙华新区常住人口高于福田区,而其一天各时段停留次数却低于福田区。福田区是深圳市中心城区重要组成分区,是全市行政文化中心和以现代服务业为主的中心商务区,高新技术产业研发型企业布局区,居住功能等为主的综合区;龙华新区是深圳市中心城区功能拓展区、全市重要的高新技术产业基地和客运交通枢纽。福田区吸引更多的城市个体来此从事特定的停留活动,而龙华新区包含客运交通枢纽,城市个体流动性强。(2)宝安区、龙岗区和龙华新区有3个明显的停留次数低谷时间段,分别为07:00-09:00、11:00-14:00和17:00-19:00;这3个时间段是城市手机用户日常生活中上下班时段,其流动性显著增加。福田区和南山区有2个明显的停留次数低谷时间段,分别为07:00-09:00和17:00-19:00。
通过分析图5(b)、图6(b)可知:8个行政区在22个时段内的单位面积内停留次数与该行政区的人口密度呈正相关(Pearson相关系数为0.96-0.98),而盐田区和坪山新区与人口密度没有呈现出正相关关系。盐田区人口密度高于坪山新区,而其单位面积内停留次数却略低于坪山新区。这是由于盐田区是深圳东部滨海旅游综合服务基地和东部港口与物流配套服务中心,城市手机用户在该区主要从事短暂停留活动,流动性强;坪山新区是深圳市东部新城、东部高新技术产业服务中心和全市先进制造业基地,城市手机用户在该区主要从事工作活动,停留时间长而且稳定等原因所致。图5(c)、图6(c)和(d)中10个行政区在22个时段内单个基站对应停留次数与该区单个基站服务人数呈现出较强的相关关系(Pearson相关系数为0.65-0.80),而与该区的基站数没有呈现出相关关系。
图5的停留次数分布可知:10个行政区中22个时段中停留次数和单个基站对应的停留次数最多的均为宝安区,单位面积停留次数最多的为福田区;这3种类型停留次数的最少的行政区均为大鹏新区。这种现象不仅与该区的常住人口数、人口密度和基站服务人数有关,而且与该区的性质和主要职能有关。宝安区是该市西部中心和工业基地,福田区是全市行政文化中心和以现代服务业为主的中心商务区,这2个区为城市群体提供更多的不同性质的停留活动场所和机遇,对该城市群体具有极大的吸引力。大鹏新区是该市的自然生态保护区和滨海旅游度假区,为城市群体提供停留活动类型比较单一而且受季节影响较大。综上所述,城市不同行政区停留时段的分异特性与该区常住人口、人口密度,以及主要职能和性质相关。

5 结论与讨论

本文基于海量手机位置数据,从停留模式的角度研究城市手机用户动态模式,结合城市土地利用数据分析不同停留模式的手机用户,在城市不同区域分布的空间分异特征和城市不同区域停留次数的时段分异特征。首先,根据时空约束条件和城市中人们日常出行活动,定义了手机用户的停留点和停留模式;并设计基于海量手机位置数据的手机用户停留模式的识别和提取方法;并运用该方法处理深圳市约790万个手机用户的一天手机位置数据,共得到48种停留模式,并发现其中15种覆盖了约98%的手机用户;最后,分析这15种停留模式的统计特征,并结合该城市土地利用的空间分布,分析其空间分异性和城市不同区域停留次数的时段分异特征。结果发现不同停留模式的手机用户在城市区域和土地利用分布上存在明显的差异,城市不同区域停留次数的时段分异特征与该区域常住人口、人口密度,以及区域主要职能和性质存在较强的相关性。本文研究存在一些不足:用手机基站位置表示用户停留位置,会带来停留位置精度不高的问题;仅从土地利用的角度对停留模式的空间分异作了分析,例如,职-住分布、用户特性等。今后将聚焦于停留模式空间分布分异性现象的影响规律,不同群体停留模式的时空特性等问题进行深入研究。

The authors have declared that no competing interests exist.

[1]
刘瑜,肖昱,高松,等.基于位置感知设备的人类移动研究综述[J].地理与地理信息科学,2011,27(4):8-13.

[2]
Gonzalez M C, Hidalgo C A, Barabasi A L.Understanding individual human mobility patterns[J]. Nature, 2008,453(7196):779-782.

[3]
Song C, Qu Z, Blumm N, et al.Limits of predictability in human mobility[J]. Science, 2010,327(5968):1018-1021.

[4]
徐赞新,王钺,司洪波,等.基于随机矩阵理论的城市人群移动行为分析[J].物理学报,2011,60(4):46-52.

[5]
Phithakkitnukoon S, Horanont T, Di Lorenzo G, et al.Activity-aware map: Identifying human daily activity pattern using mobile phone data[A]. Salah A A, Gevers T, Sebe N, et al(Eds.), Human Behavior Understanding[C]. Berlin: Springer Berlin Heidelberg, 2010:14-25.

[6]
Schneider C M, Belik V, Couronné T, et al.Unravelling daily human mobility motifs[J]. Journal of The Royal Society Interface, 2013,10(84):246-253.

[7]
Järv O, Ahas R, Witlox F.Understanding monthly variability in human activity spaces: A twelve-month study using mobile phone call detail records[J]. Transportation Research Part C: Emerging Technologies, 2014,38:122-135.

[8]
Hägerstrand T.What about people in regional science?[J]. Papers in regional science, 1970,24(1):7-24.

[9]
Chen J, Shaw S L, Yu H, et al.Exploratory data analysis of activity diary data: A space-time GIS approach[J]. Journal of Transport Geography, 2011,19(3):394-404.

[10]
Yu H, Shaw S L.Exploring potential human activities in physical and virtual spaces: A spatio-temporal GIS approach[J]. International Journal of Geographical Information Science, 2008,22(4):409-430.

[11]
Shaw S L, Yu H.A GIS-based time-geographic approach of studying individual activities and interactions in a hybrid physical-virtual space[J]. Journal of Transport Geography, 2009,17(2):141-149.

[12]
Jiang B, Yin J, Zhao S.Characterizing human mobility patterns in a large street network[J]. Physical Review E, 2009,80(2):1-11.

[13]
Iqbal M S, Choudhury C F, Wang P, et al.Development of origin-destination matrices using mobile phone call data[J]. Transportation Research Part C: Emerging Technologies, 2014,40:63-74.

[14]
Montoliu R, Gatica-Perez D.Discovering human places of interest from multimodal mobile phone data[C]. Proceedings of the 9th International Conference on Mobile and Ubiquitous Multimedia, ACM, 2010:12.

[15]
Jiang S, Fiore G A, Yang Y, et al.A review of urban computing for mobile phone traces: Current methods, challenges and opportunities[C]. Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing, ACM, 2013:2.

[16]
2013年深圳统计年鉴.

[17]
Lee Rodgers J, Nicewander W A.Thirteen ways to look at the correlation coefficient[J]. The American Statistician, 1988,42(1):59-66.

文章导航

/