EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 4: 486 - 492

DOI: https://doi.org/10.3724/SP.J.1047.2016.00486

城市人群聚集消散时空模式探索分析——以深圳市为例

  • 杨喜平 , 1 ,
  • 方志祥 , 1*, * ,
  • 赵志远 1 ,
  • 萧世伦 1 ,
  • 尹凌 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: zxfang@whu.edu.cn

作者简介：杨喜平（1986-）,男,博士生,研究方向为时空数据挖掘和交通地理信息系统。E-mail:

收稿日期: 2015-06-24

  要求修回日期: 2015-10-07

  网络出版日期: 2016-04-19

基金资助

国家自然科学基金项目(41231171、41371420)

中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室开放基金项目(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)

武汉大学自主科研项目拔尖创新人才类资助项目（2042015KF0167）

收起

Exploring Urban Human Spatio-temporal Convergence-Dispersion Patterns: A Case Study of Shenzhen City

  • YANG Xiping , 1 ,
  • FANG Zhixiang , 1, * ,
  • ZHAO Zhiyuan 1 ,
  • SHAW Shih-Lung 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: 2015-06-24

  Request revised date: 2015-10-07

  Online published: 2016-04-19

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

城市中人群的移动是带有目的性的,城市空间结构功能也存在差异,导致人群在城市中出现聚集或消散的现象,而且该现象会随着时间不断变化。本文基于海量的手机位置数据,以深圳市为例,采用自相关分析识别出城市中人群聚集与消散的区域,然后将这些区域一天中人群聚散组合成时间序列矩阵,采用自组织图聚类方法（SOM）进行聚类得到9种典型的人群聚集、消散时空模式,结合土地利用现状数据,分析解释了每种聚散模式最可能出现的土地利用组合。该研究从聚集和消散的角度探索了城市人群移动的时空模式,进一步帮助理解城市不同区域人群的移动模式以及与城市空间结构功能之间的关系,对城市规划、交通管理具有参考和指导意义。

关键词： 手机位置数据; 人群聚集消散; 时空模式; 城市空间结构

本文引用格式

杨喜平 , 方志祥 , 赵志远 , 萧世伦 , 尹凌 . 城市人群聚集消散时空模式探索分析——以深圳市为例[J]. 地球信息科学学报, 2016 , 18(4) : 486 -492 . DOI: 10.3724/SP.J.1047.2016.00486

Abstract

People′s movement in a city is driven by purpose. Moreover, the distribution of urban spatial structure can cause the phenomenon of human convergence or dispersion, and this phenomenon is always changing over time. Therefore, understand the spatio-temporal patterns of human convergence and dispersion could provide us a good knowledge of human travel demand in the urban context, so that the better decisions can be carried out to meet the demands of citizens. With the rapid development and widespread use of location-aware devices, it becomes relatively easy to collect the large-scale human sensor datasets and to bring new opportunities and challenges to the study of urban human mobility. Especially in recent years, mobile phone data has become a rich resource for research and it is widely used to study the human mobility patterns from various aspects, with regard to its advantage in tracking the long-term and large-volume of urban citizens with low cost. In this paper, taking Shenzhen City as an example, we firstly extracted the origin-destination flow matrix from the mobile phone location data and employed Local Moran′s I to identify people’s convergence or dispersion areas. And then a time series matrix was constructed according to the temporal signatures of these areas. SOM algorithm was selected to cluster the matrix into nine typical human convergence-dispersion patterns. Based on the land use data, we have calculated the percentage of different land use types for each pattern to explain the human convergence-dispersion phenomenon, thus we could understand the relationship between human mobility patterns and urban spatial function. This study helps us to acquire a good knowledge of the daily human convergence and dispersion patterns within different urban functional areas. The findings derived from this study could give us the insights about where and when the convergence and dispersion of people would occur in Shenzhen. This knowledge is helpful for the city planners to improve the urban local planning and makes it more suitable for human mobility applications, such as making targeted adjustments to optimize the urban transportation facilities to improve their service efficiency.

Key words： mobile phone location data; human convergence and dispersion; spatio-temporal pattern; urban spatial structure

1 引言

2012年中国城镇人口首次超过农村人口,快速的城市化出现了交通拥堵、空气质量和幸福感下降等城市问题。传统的人群移动研究是利用交通日志调查数据,但是日志调查数据样本量小、采样周期长,并不能完全实时地反映城市人群的移动。最近,信息与通讯技术（ICT）的发展一方面影响着居民的时空行为[1-3],另一方面使得获取大量的人群移动数据成为可能（手机数据、出租车轨迹、公交卡数据）。这些基于位置感知的大数据为研究人群移动提供了新的机遇与挑战[4-6]。
由于手机数据具有覆盖范围广、更新及时等特点,已成为国内外不同领域的学者进行人群移动研究的重要数据源。例如,统计物理学家先后在Nature和Science杂志上发表了利用手机数据探索城市人群的移动模型和预测性的研究成果,引起了大量的关注[7-8]。地理学家也开始从地理的视角用手机数据探索城市人群移动,如从网络分析的角度利用社区发现算法发现人群移动中的空间社区和区域,所发现的社区边界与行政边界相近[9-10]。一些学者利用机器学习的方法从手机数据中推测城市的土地利用,发现其准确率并不高,还需要其他数据来进行辅助[11-12]。此外,利用手机数据还可以识别城市的职住分布,进而对城市人群的通勤规律进行探索[13]。虽然手机数据在分析城市人群移动、土地利用推测和识别职住等方面具有较大的优势,但仍受采样区域划分方式和单元大小的影响,即空间分析的不确定性问题[14]。这些研究只是从空间的角度来分析人群的移动,而萧世伦等从时空GIS的视野分析了人群行为研究的能力与不足,认为时间与空间分割状态不利于全面理解人群的行为,因此对人群移动进行时空分析是有必要的[15]。
本文以深圳市手机位置数据为例,从人群的聚集与消散的角度来探索城市人群移动,采用自组织图聚类方法（SOM）,发现了9种不同的人群聚散时空模式,并在此基础上结合土地利用数据,分析了人群聚散模式与城市空间结构功能的关系,为深圳市城市规划和交通管理提供基础支持。

2 数据与预处理

实验数据为深圳市某工作日的手机位置数据,用户数约1600万,每一条记录包括用户ID、记录时间以及所在基站的经纬度,其中,用户ID经过隐私处理,采样时间间隔约为1 h。手机数据通过手机基站进行定位,共提取出5952个基站,每个基站赋予唯一编号TowerID。由于基站在城市中分布不均匀,在郊区分布较稀疏,在市中心基站分布较密集,一些基站间的距离甚至小于10 m,基站间信号跳动会产生定位误差,为了尽量减少这种误差带来的影响,用500 m×500 m的网格对深圳市进行划分,排除不包含基站的网格（这些网格主要位于山地、水系等人群活动稀少的区域）,共得到2801个网格,如图1所示,对每个网格赋予唯一编号GridID。
Fig. 1 Grid area containing cell phone towers in Shenzhen

图1 深圳市包含手机基站的网格区域

对每个用户而言,一天的轨迹为 T = ( ( x 1 , y 1 , t 1 ) , ( x 2 , y 2 , t 2 ) , ⋯ , ( x i , y i , t i ) ) ,其中 t i 为记录时间, ( x i , y i ) 为基站的坐标。对于2条相邻时间的记录 ( x i , y i , t i ) 和 ( x i + 1 , y i + 1 , t i + 1 ) ,如果 x i ≠ x i + 1 或 y i ≠ y i + 1 ,即2个相邻记录的基站坐标不一样,则认为该用户发生了移动,产生一个OD对记录为 ( UserID , FromID , ToID , T ) 。其中, FromID 为起点的基站编号, ToID 为终点的基站编号, T 为时段,由于手机定位数据的采用间隔约为1 h,一天共有24个记录,每相邻2 h可以提取出移动的OD矩阵,将每相邻2 h看作一个时段,则一天共有23个时段。综合所有手机用户在时段 T 的OD对,得到该时段城市中任意2个基站间人群移动的OD矩阵记为 ( FromID , ToID , Count , T ) , Count 表示人数。排除掉起点和终点位于同一个网格的OD,则可将基于基站的人群移动OD矩阵综合成以网格为单元的OD矩阵,记为 ( FromGrid , ToGrid , Gcount , T ) ,其中 FromGrid 为起点网格编号, ToGrid 为终点网格编号, Gcount 为流动的人群总量。而对于单个网格GridID而言,可以求出其在时段 T 的人群进去流 Inflow 和出去流 Outflow ,则定义该时段的净流量为Netflow=Inflow-Outflow,表示在该时段这个网格的人群变化量,本文主要关注网格净流量。
本文所采用的土地利用数据为深圳市2012年土地利用现状数据,包括53种详细的土地利用类型。根据中国2012年《城市用地分类与规划建设用地标准》将其综合成7个大类：商业用地（包括商场、酒店和餐饮用地）、工业用地、居住用地、公共用地（包括政府用地、教育用地和医疗用地）、交通用地、农业用地和其他用地（包括军事用地、宗教用地和特殊用地等）。

3 城市人群集聚消散时空模式应用分析

3.1 模式分析方法

3.1.1 局部自相关分析
局部自相关反映要素与其相邻要素之间的相关程度,不仅可识别出变化比较显著的要素,还可识别出在空间位置上的高值集聚和低值集聚区 域[14,16-17]。本研究采用Anselin Local Moran′I来进行局部自相关分析,其计算公式为式（1）。
I i = x i - x ̅ S 2 ∑ j = 1 , j ≠ i N w ij ( x j - x ̅ ) （1）
式中： I i 为局部自相关指标;xi为空间单元要素的属性值,在本文中采用每个网格的Netflow作为要素分析属性; x ̅ 为xi的平均值;wij为空间权重矩阵[18]。
3.1.2 自组织图聚类（SOM）
SOM是属于神经网络中的一种非监督分类方法,包括输入层（节点）和竞争层（神经元）,所有输入层节点与竞争层神经元都有权值连接,通过自身神经元之间的竞争学习来调整权重,自动对输入的数据进行聚类。该方法不需先验知识,可将多维数据投影到一维或二维平面,可用来对多维数据进行聚类、降维、分类和数据挖掘等,因此,SOM方法被广泛应用于地理知识发现、时空数据及地理数据的可视化分析等[19-22]。

3.2 城市人群聚集消散时空模式应用结果与分析

（1） 人群聚集消散区域分析
采用网格的 Netflow 属性作为输入值,运用ArcGIS 10.1空间统计模块中Anselin Local Moran′s I方法对每个时段人群流进行局部空间自相关分析,不仅可识别每个时段城市中人群净流量 Netflow 变化显著的网格,而且可以得到这些显著的网格在城市中不同空间上的集聚分布情况。同时,该方法可将这些人群变化显著的网格分为4类：HH、HL、LH和LL。其中,HH和HL表示中心网格人群净流量 Netflow 较大,即进去流大于出去流,则该中心网格中人群正在聚集（增加）;相反LL和LH表示中心网格人群的出去流大于进去流,认为该中心网格中人群正在消散（减少）。图2为早上通勤时间（07:00-09:00）和下午下班后（17:00-19:00）2个时段城市中人群聚集和消散在城市中的空间分布。
Fig. 2 Distribution of convergence and dispersion

图2 聚集与消散区域分布

从图2(a)中看出,在早上通勤时间,人群聚集的区域主要集中在城市的中心区域,包括福田区的香蜜湖、市民中心和华强北商业区,罗湖区的老街商业区以及南山区的高新科技园区（包括腾讯、百度等IT企业）。由于这些区域提供大量的工作岗位,故在早上通勤时间城市中人群在这些区域聚集。图2(b)为下午下班时间人群聚散情况,可看出许多在早上通勤时间人群聚集的网格区域在下午下班后人群消散,在早上消散的区域下午下班后人群聚集。
（2） 聚散变化时间序列聚类
从人群聚散的空间分布中,并不能看到一天中这些网格人群聚散随时间的变化情况,因此利用SOM对这些网格一天中人群聚散时间变化进行聚类,找出那些具有相似人群聚散变化的区域。
首先排除一天中所有时段都不显著的网格,得到1216个网格,每个网格一天中有23个时段。为了采用SOM法聚类,如果网格在某个时段人群正在聚集则赋值1,人群正在消散则赋值-1,如果网格人群 Netflow 不显著则赋值0,如图3所示,这样组成了一个1216×23的时间序列矩阵。采用SOM法对该矩阵进行训练,使用Davis-Bouldin指数进行聚类数判断,发现当聚类数为9时该指数最小,因此9类为最适合的聚类数。图4为这9种（C1,…,C9）聚散模式在城市中的空间分布。
Fig. 3 Time series matrix

图3 时间序列矩阵

Fig. 4 Spatial distribution of nine convergence-dispersion patterns

图4 9种聚散模式的空间分布

为了清晰地分辨出每种聚散模式人群随时间的变化特点,对每种模式的时间序列进行可视化,借用时间地理学概念[23-25],使用ArcScence在三维空间中显示,如图5所示。其中,Z轴表示时间,二维平面空间坐标（x, y）用相应的网格的中心坐标表示,蓝色表示人群聚集,红色表示人群消散,棕色表示人群变化不显著。
Fig. 5 The time variations of convergence and dispersion for each pattern

图5 每种模式人群的聚散时间变化

从图5可清晰地看出每种模式的人群聚散时间变化特点：C1在早上6:00-10:00之间出现人群持续消散,而在下午16:00后会出现人群聚集且一直持续到凌晨;C2在一天中大部分时段都出现了人群聚集的现象;C3在早上7:00左右出现了人群聚集现象,但只持续了一个时段左右,在下午下班后并没有出现人群消散的现象,而在晚上20:00后会出现人群消散的现象,一直持续到凌晨;C4在早上 7:00-9:00出现了人群消散现象,在下午下班后17:00-19:00之间出现人群聚集的现象,C9与C4具有相反的人群聚散活动;C5在早上7:00左右出现人群聚集的现象,而C7在早上7:00出现了人群消散现象,在中午12:00左右,C5和C7同样出现相反的人群聚散活动,C5是先散后聚,C7是先聚后散;C6在凌晨1:00-3:00出现人群消散,在白天6:00-13:00会出现人群聚集现象,而从下午16:00开始会出现人群消散并且一直持续到凌晨;C8并没有出现明显的人群在某一时段聚集和消散现象,但这不是说明C8没有任何人群活动,只是人群聚散的时间段不集中而已。理解城市不同区域人群的这些聚散模式可帮助管理者进行交通管理、规划等。例如,公交公司可以根据这些聚散的时空模式,调整公交的运营时间或者优化公交站点分布以更好服务人群;出租车公司可根据不同区域人群聚散时间,实时地调度出租车帮司机尽快找到客源。
（3）土地利用类型与人群聚散模式关系分析
城市空间结构功能的分布导致人群在不同空间位置发生聚散,并且不同功能对人群聚散的发生时间、持续时间存在影响。针对上述9种人群聚散模式,结合土地利用数据,解释这9种人群聚散模式,同时,找出每种模式最可能出现的土地利用组合。每种聚散模式都包含多个网格,首先求出每个网格中这7类土地利用各自所占的比例,然后对所有的网格进行平均,得到该聚散模式中这7类土地利用在每个网格中的平均比例,如图6所示。
Fig. 6 The land use condition of each convergence-dispersion pattern

图6 聚散模式的平均土地利用分布

从图6可看出,C1、C4和C7平均每个网格中居住用地比例最大,分别为50.44%,45.42%和39.66%,可见这3种聚散模式主要发生在城市中的居住区,在早上通勤时间大量人群离开居住地去上班,因此产生了人群消散现象,在下午下班后会出现人群聚集。这3种模式人群聚散持续时间存在差异,在土地利用上C7的工业用地（18.65%）比C1（10.39%）和C4（8.56%）多,C7主要分布在深圳市的工业园区,居住在这些区域的人群大多都在附近的工厂内上班,所以,C7类人群在早上消散持续的时间最短,约1 h左右,并且在中午12:00左右会出现先聚后散的现象,这是由于人群吃午饭活动引起的。C1与C4在空间分布上临近且土地利用状况相似,可能由于人群的工作性质不同或通勤距离差异导致C1（3 h及以上）在聚集和消散的持续时间上比C4（2 h左右）长。
Fig. 7 Spatial distribution of C2, C6 and C9

图7 C2、C6和C9的空间分布

C2平均每个网格中交通用地、居住用地和工业用地的比例较大,分别为27.06%、25.96%和24%。将这些网格与谷歌地图进行结合分析,查看这些网格覆盖区域的实际土地利用情况,发现这些区域大多位于深圳市的边缘,如图7所示,主要覆盖深圳市与外界相连的几个交通要道,包括广深高速路口、珠三角环线高速路口、深海高速路口、福田口岸（通往香港）以及深圳市火车站等。C3与C2相似,交通用地比例最大为26.93%,居住用地和工业用地分别为24.33%和16.71%,C3覆盖了城市中一些重要的地铁站和公交站。与C2相比,C3中的商业用地（8.16%）和公共用地（13.26%）比例较大,因为人群下班后在这些区域使用晚餐或娱乐后坐地铁或公交车回家,所以C3在晚上20:00以后出现人群消散的现象。
C5和C9类土地利用都是以工业用地为主,分别为35.99%和33.28%,与C7类似,C5主要分布在深圳市的工业园区,这些工业园区工人主要在工厂附近,早上会出现人群的聚集且持续时间较短（1 h左右）,并且在中午12:00左右会出现先散后聚的现象。C9的交通用地、公共用地和商业用地比C5多,主要覆盖了城市中IT高新科技企业（位于IT科技园内的腾讯、富士康、华为等）,如图7所示,由于这2类区域的工作性质和通勤距离的不同,C9人群出现聚集或消散的时间持续时间（2 h左右）比C5长。C6类的交通用地（33.83%）比例最大,同时与其他类相比,其商业用地和公共用地是所有模式中占的比例也最多,分别为18.92%和17.03%,C6类区域主要分布在深圳市中最繁华的区域,如图7所示。该区域包括市民中心、车公庙、香蜜湖、华强北和老街商业区等,因此在白天大多数时间会吸引大量的人群,出现人群聚集现象,而在下午16:00后开始出现人群消散现象,一直持续到凌晨。
C8类网格的数量最多,其土地利用工业用地（27.09%）、居住用地（24.37%）和交通用地（19.86%）为主,这3种土地利用混合度较高,人群的聚散活动发生时间多种多样,因此并没有出现人群统一在某一时刻聚集或消散现象。
一个区域的人群的聚散模式与该区域土地利用组合存在一定的关系：（1）当区域土地利用以居住用地为主时,可能产生C1、C4和C7这3种模式,如果该区域位于城市的郊区工业园,最可能发生模式C4,人群的聚散持续时间较短;（2）当区域土地利用以工业用地为主时,可能发生模式C5和C9,如果该区域位于城市的工业园区,则最可能发生模式C5,如果是集中了城市中的高薪科技IT企业等,最可能发生模式C9;（3）在城市的市中心区即商业用地和公共用地集聚的地方发生模式C6。对于城市的一些交通枢纽区的地方发生模式C2和C3;（4）如果一个区域工业用地、居住用地和交通用地的混合度较高,则人群的聚散发生时间会多样。
理解人群活动与土地利用的关系有助于城市规划和交通管理,如在城市规划方面,根据某一区域的土地利用组成来推测其人群的聚散模式,反过来可以进一步帮助优化其土地规划以及周边道路网结构等。在交通管理方面,根据城市中人群聚散的空间分布和时间规律,公交公司可适当调整公交的运营路线和时间,及时提供服务,出租车公司可及时通知司机,城市中哪些区域在什么时间点出现人群消散,从而帮助他们尽快找到客源。此外,还可帮助通讯公司对基站的分布进行合理优化调整或进行应急响应（如在人群聚集区域布置临时信号站等）。

4 结论

本文基于海量的手机位置数据来探索城市人群聚集与消散的时空模式。以深圳市手机位置数据为例,利用自相关分析识别出城市人群聚集和消散的区域,并基于SOM对一天中所有时段人群聚集消散进行聚类,得到9种人群聚散的时空模式;然后,结合土地利用数据,分析了每种聚散模式最可能出现的土地利用组合。本文研究结果能为城市管理者提供关于城市人群活动更详细的知识,展现出了城市局部的人群活动时空动态,帮助其了解城市中不同区域人群聚集和消散的时空分异特点,管理者可根据这些人群聚集消散的时间特点,建设或优化一些基础设施（如设置公交站、地铁站等）,以满足人群的移动需求。
目前,不同领域（交通、地理和规划等）的学者开始用手机数据研究城市人群移动的时空模式,旨在帮助解决交通拥堵、规划不合理等城市问题,提高城市人群的幸福感。此外,手机数据还可用来分析城市人群的时空停留模式,人群在某一位置停留意味着参与某种活动,正是由于人群对于活动的需求导致人群在城市中移动,深入分析人群在城市中的时空活动模式可帮助更深入理解人群移动的内在机制。同时,这些研究大都是基于静态的数据进行挖掘分析,缺乏实时性,而城市变化日新月异,需要实时地向城市人群发布实时道路通畅情况等信息,这些都有待今后深入研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Kwan M P, Dijst M, Schwanen T.The interaction between ICT and human activity-travel behavior[J]. Transportation Research Part A: Policy and Practice, 2007,41(2):121-124.No abstract is available for this item.

DOI

[2]
Yin L, Shaw S L, Yu H.Potential effects of ICT on face-to-face meeting opportunities: A GIS-based time-geographic approach[J]. Journal of Transport Geography, 2011,19(3):422-433.People in modern societies are increasingly experiencing the impacts of information and communication technologies (ICT) on their daily activities and their interactions with other people. These changing activity and interaction patterns due to the use of ICT have important implications to human activity and travel patterns. There are scant studies offering a spatiotemporal analytical framework that can help researchers examine the interactions between ICT and human activities at the individual level. Time geography offers a useful approach of studying individual activities and human interactions in a space-and-time context. By extending a time-geographic analytical framework, this study uses an example of arranging a face-to-face (F2F) meeting between two people to illustrate how potential F2F meeting opportunities can be impacted under four different scenarios of phone access levels. This spatiotemporal analytical framework and the various phone access scenarios are implemented in a space-time geographic information system (GIS) to demonstrate the feasibility of this analytical framework. In addition, this time-geographic framework offers analysis functions in support of quantitative assessments of ICT's impacts on human activities.

DOI

[3]
申悦,柴彦威,王冬根.ICT对居民时空行为影响研究进展[J].地理科学进展,2011,30(6):643-651.以计算机为核心的ICT凭借网 络飞速发展,渗透到社会生活的各个领域,对居民日常生活产生了巨大影响,引发了地理、交通、规划学者的关注。本文对国内外ICT对居民时空行为的影响研究 进行综述。从地理学的视角出发,分别从时空制约、破碎化、多任务以及ICT活动的可视化与数据管理几个角度,论述了国外ICT对居民时空利用的影响研究。 从交通视角出发,分别从ICT与出行及实体活动、远程办公与通勤行为、网上购物与实体购物及购物出行、网上娱乐与休闲娱乐及休闲出行4组关系方面,对国外 研究进行综述。对目前国内ICT研究的现状进行了论述,认为中国的ICT研究尚处于起步阶段,地理学者的研究多集中于宏观尺度,基于微观个体行为视角的 ICT研究极为不足。指出数据搜集是基于微观个体行为的ICT影响研究的关键,国内学者应对空间与行为视角的ICT研究给予足够的关注。

DOI

[ Shen Y, Chai Y W, Wang D G.Review on impacts of information and communication technologies on human spatial-temporal behavior[J]. Progress in Geography, 2011,30(6):643-651. ]

[4]
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.每个人在地理空间内的移动看似 随机而没有规律,然而一个较大规模人群的移动却隐藏着特定的模式。为了研究某些地理问题,如交通、疾病传播等,可以从个体行为出发,在地理信息系统的支持 下,发现人类移动模式,并构筑基于个体的模拟模型,从而建立微观和宏观之间的桥梁,并支持相应的决策过程。信息通讯技术的发展,一方面改变了人们的空间行 为模式,另一方面使得基于位置感知设备获取海量人类移动数据成为可能。近年来,上述研究一直是地理信息科学及相关领域的热点,该文对此进行了总结和评述。

[ Liu Y, Xiao Y, Gao S, et al.A review of human mobility research based on location aware devices[J]. Geography and Geo-Information Science, 2011,27(4):8-13. ]

[5]
刘瑜,康朝贵,王法辉.大数据驱动的人类移动模式和模型研究[J].武汉大学学报信息科学版,2014,39(6):660-665.大数据时代的到来使得基于个体 粒度的海量时空轨迹获取人类移动模式成为可能。来自不同领域的学者基于手机通话数据、公交卡刷卡记录、社交网站签到数据、出租车轨迹、银行刷卡记录等进行 了人类移动模式的研究,这些研究丰富了地理信息系统的时空分析方法,为从个体角度审视人与地理环境之间的交互关系提供了一个新视角,并可以应用于交通、公 共卫生等领域。总结了基于大数据的人类移动模式研究流程,归纳了人类移动模式的基本度量方法,探讨了解释所观测移动模式的模型构建方法,指出了地理环境对 于移动模型建立的影响。

DOI

[ Liu Y, Kang C G, Wang F H.Towards big data-driven human mobility patterns and models[J]. Geomatics and Informationg Science of Wuhan University, 2014,39(6):660-665. ]

[6]
陆锋,刘康,陈洁.大数据时代的人群移动性研究[J].地球信息科学学报,2014,16(5):665-672.lt;p>人类个体/群体移动特征是多学科共同关注的研究主题。移动定位、无线通讯和移动互联网技术的快速发展使得获取大规模、长时间序列、精细时空粒度的个体移动轨迹和相互作用定量化成为可能。同时，地理信息科学、统计物理学、复杂网络科学和计算机科学等多学科交叉也为人类移动性研究的定量化提供了有力支撑。本文首先系统总结了大数据时代开展人类移动性研究的多源异构数据基础和多学科研究方法，然后将人类移动性研究归纳为面向人和面向地理空间两大方向。面向人的研究侧重探索人类移动特性的统计规律，并建立模型解释相应的动力学机制，或分析人类活动模式，并预测出行或活动；面向地理空间的研究侧重从地理视角分析人类群体在地理空间中的移动，探索宏观活动和地理空间的交互特征。围绕这两大方向，本文评述了人类移动性的研究进展和存在问题，认为人类移动性研究在数据稀疏性、数据偏斜影响与处理、多源异构数据挖掘、机器学习方法等方面依然面临挑战，对多学科研究方法的交叉与融合提出了更高要求。</p>

DOI

[ Lu F, Liu K, Chen J.Research on human mobility in Big Data Era[J]. Journal of Geo-information Science, 2014,16(5):665-672. ]

[7]
Gonzalez M C, Hidalgo C A, Barabasi A L.Understanding individual human mobility patterns[J]. Nature, 2008,453(7196):779-782.Abstract: Despite their importance for urban planning, traffic forecasting, and the spread of biological and mobile viruses, our understanding of the basic laws governing human motion remains limited thanks to the lack of tools to monitor the time resolved location of individuals. Here we study the trajectory of 100,000 anonymized mobile phone users whose position is tracked for a six month period. We find that in contrast with the random trajectories predicted by the prevailing Levy flight and random walk models, human trajectories show a high degree of temporal and spatial regularity, each individual being characterized by a time independent characteristic length scale and a significant probability to return to a few highly frequented locations. After correcting for differences in travel distances and the inherent anisotropy of each trajectory, the individual travel patterns collapse into a single spatial probability distribution, indicating that despite the diversity of their travel history, humans follow simple reproducible patterns. This inherent similarity in travel patterns could impact all phenomena driven by human mobility, from epidemic prevention to emergency response, urban planning and agent based modeling.

DOI PMID

[8]
Song C, Qu Z, Blumm N, et al.Limits of predictability in human mobility[J]. Science, 2010,327(5968):1018-1021.Abstract A range of applications, from predicting the spread of human and electronic viruses to city planning and resource management in mobile communications, depend on our ability to foresee the whereabouts and mobility of individuals, raising a fundamental question: To what degree is human behavior predictable? Here we explore the limits of predictability in human dynamics by studying the mobility patterns of anonymized mobile phone users. By measuring the entropy of each individual's trajectory, we find a 93% potential predictability in user mobility across the whole user base. Despite the significant differences in the travel patterns, we find a remarkable lack of variability in predictability, which is largely independent of the distance users cover on a regular basis.

DOI PMID

[9]
Gao S, Liu Y, Wang Y, et al.Discovering spatial interaction communities from mobile phone data[J]. Transactions in GIS, 2013,17(3):463-481.Abstract In the age of Big Data, the widespread use of location-awareness technologies has made it possible to collect spatio-temporal interaction data for analyzing flow patterns in both physical space and cyberspace. This research attempts to explore and interpret patterns embedded in the network of phone-call interaction and the network of phone-users鈥 movements, by considering the geographical context of mobile phone cells. We adopt an agglomerative clustering algorithm based on a Newman-Girvan modularity metric and propose an alternative modularity function incorporating a gravity model to discover the clustering structures of spatial-interaction communities using a mobile phone dataset from one week in a city in China. The results verify the distance decay effect and spatial continuity that control the process of partitioning phone-call interaction, which indicates that people tend to communicate within a spatial-proximity community. Furthermore, we discover that a high correlation exists between phone-users鈥 movements in physical space and phone-call interaction in cyberspace. Our approach presents a combined qualitative-quantitative framework to identify clusters and interaction patterns, and explains how geographical context influences communities of callers and receivers. The findings of this empirical study are valuable for urban structure studies as well as for the detection of communities in spatial networks.

DOI

[10]
Chi G, Thill J C, Tong D, et al.Uncovering regional characteristics from mobile phone data: A network science approach[J]. Papers in Regional Science, 2014,doi:10.1111/pirs.12149.ABSTRACT We introduce network science methods to uncover inherent characteristics of functional regions. An aggregate spatial interaction network is constructed based on a large mobile phone data set including 431 million mobile calls made by 10 million anonymous customers over one month and the geographic locations of the mobile base towers involved in each call. We use Thiessen polygons (termed &lsquo;cells&rsquo;) as the unit of analysis to approximate the service area of each mobile base tower. Major findings encompass the following three aspects. First, cells with high betweenness centrality are linearly distributed in space, which closely aligns with major transportation corridors. We find that this pattern can be explained by analysing the characteristics of calling activities on transportation networks. Second, we detect a two-level hierarchy of communities that correspond well to county and prefecture-level administrative unit boundaries. Lastly, almost every community identified at the two hierarchical levels contains a cell with high betweenness. These cells are located near the political and economic centres and play the role of hubs in the regional socio-economic system. This research demonstrates that networks built from mobile phone data provide new understandings of spatial interactions and regional structures.

DOI

[11]
Toole J L, Ulm M, González M C, et al.Inferring land use from mobile phone activity[C]. Proceedings of the ACM SIGKDD international workshop on urban computing, 2012:1-8.

[12]
Pei T, Sobolevsky S, Ratti C, et al.A new insight into land use classification based on aggregated mobile phone data[J]. International Journal of Geographical Information Science, 2014,28(9):1988-2007.Land-use classification is essential for urban planning. Urban land-use types can be differentiated either by their physical characteristics (such as reflectivity and texture) or social functions. Remote sensing techniques have been recognized as a vital method for urban land-use classification because of their ability to capture the physical characteristics of land use. Although significant progress has been achieved in remote sensing methods designed for urban land-use classification, most techniques focus on physical characteristics, whereas knowledge of social functions is not adequately used. Owing to the wide usage of mobile phones, the activities of residents, which can be retrieved from the mobile phone data, can be determined in order to indicate the social function of land use. This could bring about the opportunity to derive land-use information from mobile phone data. To verify the application of this new data source to urban land-use classification, we first construct a vector of aggregated mobile phone data to characterize land-use types. This vector is composed of two aspects: the normalized hourly call volume and the total call volume. A semi-supervised fuzzy c-means clustering approach is then applied to infer the land-use types. The method is validated using mobile phone data collected in Singapore. Land use is determined with a detection rate of 58.03%. An analysis of the land-use classification results shows that the detection rate decreases as the heterogeneity of land use increases, and increases as the density of cell phone towers increases.

DOI

[13]
许宁,尹凌,胡金星.从大规模短期规则采样的手机定位数据中识别居民职住地[J].武汉大学学报.信息科学版,2014,39(6):750-756.使用大规模手机定位数据获取居民职住地分布是大数据趋势下城市研究的新兴技术.然而,现有的研究主要使用了长期不规则稀疏采样的手机通话数据,对短期规则采样的手机定位数据缺乏尝试.基于大规模短期规则采样的手机定位数据,提出了一种居民职住地识别的方法.这是首次从大规模短期规则采样的手机定位数据中进行居民职住地识别的尝试,并对识别结果进行了较全面的验证.该研究成果为职住平衡等相关城市问题研究探讨了一种新型大规模数据源的可行性,在低成本大幅度提高相关研究的样本代表性和分析结果可靠性上具有重要意义.

DOI

[ Xu N, Yin L, Hu J X.Identifying home-work locations from short-term, large-scale, and regularly sampled mobile phone tracking data[J]. Geomatics and Information Science of Wuhan University, 2014,39(6):750-756. ]

[14]
周新刚,乐阳,叶嘉安,等.动态数据空间分析的不确定性问题——以城市中心识别为例[J].武汉大学学报.信息科学版,2014,39(6):701-706.动态数据在空间分析中存在不确定性问题.以手机定位数据为例来识别城市中心,探索可塑性面积单元问题和不确定的地理情境问题,发现群体活动强度的空间自相 关程度受到采样区域划分方式和分析单元大小的影响,地理情境的时空动态变化也会带来不确定的地理情境问题.讨论了减轻不确定性的可能方法.

DOI

[ Zhou X G, Yue Y, Yeh A G O, et al. Uncertainty in spatial analysis of dynamic data—identifying city center[J]. Geomatics and Informationg Science of Wuhan University, 2014,39(6):701-706. ]

[15]
萧世伦,方志祥.从时空GIS视野来定量分析人类行为的思考[J].武汉大学学报.信息科学版,2014,39(6):667-670.从面向城市科学发展所必须的人类行为研究需求出发,从时空GIS 的视野来看人类行为研究的基础问题与研究方法,剖析时空GIS对定量分析人类行为研究中的理想与现实间的鸿沟,以及所存在的理论与方法挑战,总结了时空 GIS支撑人类行为研究的能力与不足,为大数据时代的人类行为研究前沿探索拓展思路.

DOI

[ Shaw S L, Fang Z X.Rethinking human behavior research from the perspective of space-time GIS[J]. Geomatics and Information Science of Wuhan University, 2014,39(6):667-670. ]

[16]
王芳,高晓路,颜秉秋.基于住宅价格的北京城市空间结构研究[J].地理科学进展,2014,33(10):1322-1331.城市空间结构是城市地理研究的核心重点之一。近年来,城市住宅价格快速增长,一方面导致城市空间结构出现了一些新的特征和问题,另一方面住宅价格也可敏锐地反映出城市空间结构的演变。因此,本文从住宅价格的角度对北京市城市空间结构进行了探讨。利用北京市2005年和2012年二手房市场住宅的空间数据,通过GIS空间分析、空间自相关分析和Hedonic回归分析等方法,对住宅价格时空格局及影响因素进行了分析,并在此基础上从住宅价格的角度探讨了城市空间结构的优化调整问题。北京市住宅价格存在蔓延式增长、空间差异明显及空间自相关性高等特点,其主要的影响因素包括区位条件、交通便利度、周围环境、基础设施、物业等级等。基于住宅价格得出北京市空间结构的主要特征为:1已形成了多中心的城市空间结构格局。除市中心外,还有亚奥地区、万柳—香山地区、中关村地区、复兴门地区、CBD等次中心,空间扩张仍呈现"摊大饼"的发展模式;2社会空间分异现象有所缓解,但仍存在明显的居住隔离。金融街、月坛等街道是房价高值集聚区,易形成"富人区",而南六环尤其是房山则易形成"穷人区";3交通条件和周围硬件环境等基础设施对城市空间结构有一定的调整作用,但调整的效果并不理想。

DOI

[ Wang F, Gao X L, Yan B Q.Research on urban spatial structure in Beijing based on housing prices[J]. Progress in Geography, 2014,33(10):1322-1331. ]

[17]
董丞妍,谭亚玲,罗明良,等.中国“癌症村”的聚集格局[J].地理研究,2014,33(11):2115-2124.癌症村"反映了在一定时间和 空间上癌症聚集发生、引起社会群体格外关心的公共卫生问题,具体表现为从某一年开始并持续多年的远高于正常水平的癌症发生率和死亡率。研究基于地理空间统 计分析的局部自相关、点距离关联维及核密度等方法,从不同空间尺度分析了"癌症村"的分布状况。结果表明:"癌症村"聚集分布但区域差异显著,总体上自东 向西梯度递减,局部自相关分析表明川陕晋冀津构成西部与东部之间低—高集聚分布的分界线;距离关联无标度区间为120~180 km,核密度分析显示"癌症村"集中于河流下游地区,及中部、沿海部分地区,多中心、集中分布格局明显。研究突出了"癌症村"地理多尺度分布特征的探索, 可为相关环境污染整治工作提供参照。

DOI

[ Dong C Y, Tan Y L, Luo M L, et al.Spatial aggregation pattern of “cancer village” in China[J]. Geographical Research, 2014,33(11):2115-2124. ]

[18]
Anselin L.Local indicators of spatial association—LISA[J]. Geographical analysis, 1995,27(2):93-115.The capabilities for visualization, rapid data retrieval, and manipulation in geographic information systems (GIS) have created the need for new techniques of exploratory data analysis that focus on the “spatial” aspects of the data. The identification of local patterns of spatial association is an important concern in this respect. In this paper, I outline a new general class of local indicators of spatial association (LISA) and show how they allow for the decomposition of global indicators, such as Moran's I, into the contribution of each observation. The LISA statistics serve two purposes. On one hand, they may be interpreted as indicators of local pockets of nonstationarity, or hot spots, similar to the G i and G* i statistics of Getis and Ord (1992). On the other hand, they may be used to assess the influence of individual locations on the magnitude of the global statistic and to identify “outliers,” as in Anselin's Moran scatterplot (1993a). An initial evaluation of the properties of a LISA statistic is carried out for the local Moran, which is applied in a study of the spatial pattern of conflict for African countries and in a number of Monte Carlo simulations.

DOI

[19]
Kohonen T.The self-organizing map[J]. Proceedings of the IEEE, 1990,78(9):1464-1480.

[20]
Andrienko G, Andrienko N, Bak P, et al.A framework for using self-organising maps to analyse spatio-temporal patterns, exemplified by analysis of mobile phone usage[J]. Journal of Location Based Services, 2010,4(3-4):200-221.We suggest a visual analytics framework for the exploration and analysis of spatially and temporally referenced values of numeric attributes. The framework supports two complementary perspectives on spatio-temporal data: as a temporal sequence of spatial distributions of attribute values (called spatial situations) and as a set of spatially referenced time series of attribute values representing local temporal variations. To handle a large amount of data, we use the self-organising map (SOM) method, which groups objects and arranges them according to similarity of relevant data features. We apply the SOM approach to spatial situations and to local temporal variations and obtain two types of SOM outcomes, called space-in-time SOM and time-in-space SOM, respectively. The examination and interpretation of both types of SOM outcomes are supported by appropriate visualisation and interaction techniques. This article describes the use of the framework by an example scenario of data analysis. We also discuss how the framework can be extended from supporting explorative analysis to building predictive models of the spatio-temporal variation of attribute values. We apply our approach to phone call data showing its usefulness in real-world analytic scenarios.

DOI

[21]
Agarwal P,Skupin A.Self-organizing maps: Applications in geographic information science[M]. England: John Wiley & Sons, 2008.

[22]
伊璇,周丰,王心宇,等.基于SOM的流域分类和无资料区径流模拟[J].地理科学进展,2014,33(8):1109-1116.无资料区的径流模拟问题是国内外水文研究的难点之一。基于相似流域的参数移植法是常用的解决方法之一，但如何判断相似流域是制约此类方法发展的难点。本文以滇池流域为例，采用自组织映射神经网络（SOM）和层次聚类分析（HCA）联合模式，选取16 个流域物理特征为指标进行子流域分类，以确定相似流域。运用无分层的K-means 分类的SOM法将整个滇池流域划分为7 类具有水文属性的子流域组，分类情景与HCA基本一致，两者实现相互验证。采用HBV水文模型模拟子流域径流过程，并选择部分子流域进行组内参数移植交叉检验。结果显示，HBV模型可较好的模拟滇池流域径流过程；此外，子流域交叉检验结果优良，表明同组内参数可以相互移植。本文不仅为解决滇池流域无资料问题提供了可靠手段，而且由于SOM实现了高维流域特征可视化展示，有助于管理者全面、深入的把握滇池流域水文属性的空间分布特征，为进行水资源管理提供指导。

DOI

[ Yi X, Zhou F, Wang X Y, et al.Classification and runoff simulation of data-scarce basins based on self-organizing maps[J]. Progress in Geography, 2014,33(8):1109-1116. ]

[23]
Hägerstrand T.What about people in regional science?[J]. Papers of the Regional Science Association, 1970,24(1):1-12.Key Words】：

DOI

[24]
柴彦威,王恩宙.时间地理学的基本概念与表示方法[J].经济地理,1997,17(3):55-61.时间地理学是研究各种制约条件下人的行为时空间特征地理学。本文在介绍时间地理学基本问题提出背景基础上．说明时间地理学的基本概念和表示方法、图解了时间地理学核心概念中的三大制约。

[ Chai Y W, Wang E Z.Basic concepts and notation of time-geography[J]. Economic Geography, 1997,17(3):55-61. ]

[25]
Kwan M P.Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: A methodological exploration with a large data set[J]. Transportation Research Part C: Emerging Technologies, 2000,8(1):185-203.A major difficulty in the analysis of disaggregate activity-travel behavior in the past arises from the many interacting dimensions involved (e.g. location, timing, duration and sequencing of trips and activities). Often, the researcher is forced to decompose activity-travel patterns into their component dimensions and focus only on one or two dimensions at a time, or to treat them as a multidimensional whole using multivariate methods to derive generalized activity-travel patterns. This paper describes several GIS-based three-dimensional (3D) geovisualization methods for dealing with the spatial and temporal dimensions of human activity-travel patterns at the same time while avoiding the interpretative complexity of multivariate pattern generalization or recognition methods. These methods are operationalized using interactive 3D GIS techniques and a travel diary data set collected in the Portland (Oregon) metropolitan region. The study demonstrates several advantages in using these methods. First, significance of the temporal dimension and its interaction with the spatial dimension in structuring the daily space-time trajectories of individuals can be clearly revealed. Second, they are effective tools for the exploratory analysis of activity diary data that can lead to more focused analysis in later stages of a study. They can also help the formulation of more realistic computational or behavioral travel models.

DOI

Options
文章导航

/

〈 〉