EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 8: 1433 - 1445

DOI: https://doi.org/10.12082/dqxxkx.2021.200686

地球信息科学理论与方法

基于手机信令数据的城市小活动空间人群空间分布特征

  • 张雪霞 , 1, 2 ,
  • 吴升 1, 2, 3 ,
  • 赵志远 , 1, 2, 3, * ,
  • 王鹏洲 1, 2 ,
  • 陈佐旗 1, 2, 3 ,
  • 方志祥 4
展开
  • 1.福州大学数字中国研究院（福建）,福州 350003
  • 2.空间数据挖掘与信息共享教育部重点实验室,福州 350003
  • 3.海西政务大数据应用协同创新中心,福州350002
  • 4.武汉大学测绘遥感信息工程国家重点实验室,武汉 430079
* 赵志远（1989— ）,男,安徽亳州人,博士,从事轨迹大数据挖掘与时空分析。E-mail:

张雪霞（1994— ）,女,山东泰安人,硕士生,从事地理信息服务与时空数据挖掘研究。E-mail:

收稿日期: 2020-11-14

  要求修回日期: 2021-01-03

  网络出版日期: 2021-10-25

基金资助

国家重点研发计划项目(2017YFB0503500)

中国博士后科学基金(2019M652244)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Spatial Distribution Characteristics of People with Small Activity Space in Urban based on Mobile Phone Signaling Data

  • ZHANG Xuexia , 1, 2 ,
  • WU Sheng 1, 2, 3 ,
  • ZHAO Zhiyuan , 1, 2, 3, * ,
  • WANG Pengzhou 1, 2 ,
  • CHEN Zuoqi 1, 2, 3 ,
  • FANG Zhixiang 4
Expand
  • 1. Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350003, China
  • 2. Key Laboratory of Spatial Data Mining and Information Sharing, Ministry of Education, Fuzhou 350003, China
  • 3. Fujian Collaborative Innovation Center for Big Data Applications in Governments, Fuzhou 350002, China
  • 4. State Key Laboratory of Information Engineering for Surveying, Mappingand Remote Sensing, Wuhan University, Wuhan 430079, China
* ZHAO Zhiyuan, E-mail:

Received date: 2020-11-14

  Request revised date: 2021-01-03

  Online published: 2021-10-25

Supported by

National Key R & D Program of China(2017YFB0503500)

China Postdoctoral Science Foundation(2019M652244)

Copyright

Copyright reserved © 2021
Fold

摘要

小活动空间人群是指日常活动范围较小的居民群体,他们对城市公共资源的需求主要集中在家庭位置附近的区域,分析其活动的时空规律特征,有助于更好地实现城市公共资源的均等化和精准化配置。然而目前研究中对此类人群关注较少,为此,本文提出一种基于手机信令数据的小活动空间人群识别及其空间分布的研究方法。首先识别用户家庭位置和停留点位置,构建基家最大距离指标,度量用户以家庭位置为中心的活动空间范围,并据此筛选小活动空间人群;其次根据用户与家庭位置间的距离信息构建“时间-距离”框架下的用户轨迹,在此基础上构建基于面积的轨迹相似性方法;然后利用逐级合并的层次聚类算法,根据用户轨迹的相似性对其进行聚类,挖掘小活动空间人群中典型活动模式;最后根据用户的家庭位置,进一步分析不同活动模式人群的时空分布特征。本文以上海市手机信令数据为例对该方法进行了测试,结果表明：① “时间-距离”框架下构建的基于面积的轨迹相似性方法,可反映用户基于家庭位置进行活动的时空特征,而逐级合并的层次聚类算法对典型活动模式挖掘的效率有明显提高,有助于研究城市居民的移动模式;② 上海市小活动空间人群分布呈现出圈层结构,主要分布在中心城区,郊区的工厂和大学城以及各区的商业中心附近,在郊区过渡区相对较少。本文提出的方法能够用于分析城市小活动空间人群的时空分布特征,可以为目前各大城市提出建设社区生活圈的决策提供方法支撑。

关键词： 手机数据; 信令数据; 活动空间; 轨迹相似性; 层次聚类; 小活动空间人群; 人群移动性; 短距离出行

本文引用格式

张雪霞 , 吴升 , 赵志远 , 王鹏洲 , 陈佐旗 , 方志祥 . 基于手机信令数据的城市小活动空间人群空间分布特征[J]. 地球信息科学学报, 2021 , 23(8) : 1433 -1445 . DOI: 10.12082/dqxxkx.2021.200686

Abstract

The People with Small Activity Space (PwSAS) refers to the residents with a small range of daily activity locations. Their demand for urban public resources is mainly concentrated in the area around their home. Analyzing the spatial and temporal characteristics of their activities can help to better realize the equalization and precise allocation of urban public resources. However, little attention has been paid to this kind of people in current researches. This study proposed a research method to identify the spatial distribution of PwSAS based on mobile phone signaling data. Firstly, we identified each user's home location and stay location. An indicator of HmaxD, the maximum distance from the home location, was proposed to measure the activity space range centered on the home location. This indicator was also used to filter the PwSAS. Secondly, we transformed the traditional trajectory into a new form in a "time-distance" coordinate based on the distance between the location of each record and the home location. An area-based approach was constructed to measure the similarity between different trajectories. Then an optimized hierarchical clustering algorithm was applied to identify typical activity patterns of PwSAS based on the similarity approach. Finally, the spatial distribution patterns were analyzed based on the home locations of the users belonging to each pattern. A signaling dataset, a typical type of mobile phone location data of Shanghai, was used to test the effectiveness of the method. We found that: (1) the area-based trajectory similarity method constructed based on "time-distance" framework can reflect the spatiotemporal characteristics of users' activities based on home location, and the hierarchical clustering algorithm merged level by level can significantly improve the efficiency of mining typical activity patterns. This means that the proposed method can effectively support the mining of the mobility patterns of urban residents; and (2) in the suburbs, the commercial centers and places with many factories or universities tended to have more PwSAS; While, the transition area in the suburban had less PwSAS. Therefore, the method proposed in this paper can be used to analyze the temporal and spatial distribution characteristics of people in a small activity area in a city and can provide support for the current large cities' decision to build community life circles.

Key words： mobile phone data; signaling data; activity space; trajectory similarity; hierarchical clustering; people with small activity space; human mobility; short distance travel

1 引言

我国正处于经济社会发展转型时期,开始从以经济发展为中心走向以社会发展为中心,城市规划也从重城市经济空间建设转向以居民活动空间为导向的规划[1,2]。其中,上海、厦门等沿海发达城市面向居民活动需求,编制了社区生活圈规划[3,4,5]。然而在实践过程中,如何度量人群活动需求,了解不同人群对城市公共资源的需求目前仍然是个具有挑战性的问题。此外,当前对城市居民日常生活模式的分析主要侧重于有工作的青壮年人群,对城市弱势群体和边缘人群的关注相对较少[6],这使得城市资源分配对此类人群的关注较少。既有的研究发现,老年人、贫困人口、儿童等弱势或边缘群体的活动空间范围总体上小于规律上班人群等其他群体,具有一定的小活动空间特征[7,8,9,10]。对此,本文提出利用小活动空间人群来表示活动范围较小的群体,通过分析其日常活动特征,帮助指导城市公共资源配置优化。
小活动空间人群是构建城市社区生活圈所关注的重要人群之一。从实际层面来说,当前城市社区生活圈的焦点可以简化为：在居民步行15 min范围内完善和精准化配置公共服务设施[11]。在实践过程中,如何全面分析人群活动特征,了解人群对城市公共资源的需求目前仍然是个具有挑战性的问题,目前城市社区生活圈的规划研究主要还是通过基于问卷调查或小范围人群的GPS轨迹数据[12,13,14],例如孙道胜等[15]基于居民个体活动的GPS数据划分社区生活圈的圈层体系。然而,受收集成本的限制,数据往往具有人群样本规模小、数据更新慢的不足[16]。随着信息与通信技术（Information and Communication Technologies, ICTs）的发展,地理大数据为地理复杂性研究提供了新机遇,交通大数据如手机信令轨迹数据、公交卡刷卡数据、出租车GPS数据等可以为测度城市居民出行空间特征,分析人群总体和细分出行特征提供数据支撑[17,18,19],这为分析居民活动空间提供了新的途径[20]。同时大规模手机位置数据具有居民覆盖范围广、数据收集成本低的特点,被广泛用于分析人类移动性特征[21,22,23]。国内也有学者采用手机信令数据分析居民就业空间、识别城市空间结构等研究[24,25,26],但是上述分析主要侧重于有工作的青年和中年人群（活动空间范围远高于青少年和老年群体）以及整体的活动模式特征分析,对于小活动空间人群以及细分人群的关注较少。
既有研究中活动空间度量指标为分析小活动空间人群活动模式提供了参考。主要包括对空间范围[27]、几何结构[28]等特征的统计分析,以及从居住位置、日常活动模式等角度对活动空间的形成原因进行探究分析[29]。在研究过程中采用了潜在活动区域和回旋半径法等指标对活动空间进行度量[30,31]。这些分析维度和方法不仅为度量居民活动空间特征提供了参考,还用于分析小活动空间范围人群的时空分布特征。Xu等[32]引入每日活动范围、活动锚点数量以及移动频率来描述个人活动空间,并利用手机数据对深圳和上海两城市人群活动空间进行对比;停留是活动之外的重要特性,结合手机数据等识别用户停留时空分异特性可以加深对人群活动的理解[33,34]。人群活动的研究都是考虑整体人群从OD流、活动锚点数、出行距离等[35,36,37]不同角度进行的。然而,现有的指标并未有直接面向小活动空间人群活动模式分析的方法,同时指标设计对家庭位置等重要锚点的考虑有所欠缺。
对此,本研究在社区生活圈规划的背景下,提出一种基于手机信令数据的小活动空间人群识别及其空间分布特征分析方法,构建基家最大距离指标筛选小活动空间人群,基于“时间-距离”框架下构建的轨迹相似性度量方法,利用逐级合并层次聚类法发现小活动空间人群的典型活动模式,进而利用用户家庭位置分析其空间分布特征。该方法能够用于支撑城市社区生活圈规划,有助于实现公共资源均等精准配置。

2 研究方法

2.1 技术路线

基于手机信令数据通过筛选小活动空间人群和计算用户轨迹相似性,从而对人群活动模式聚类分析,其技术流程图如图1所示。
图1 基于手机信令数据小活动空间人群活动模式聚类流程

Fig. 1 The flow map of the activity pattern analysis of the people with small activity space range based on mobile phone data

2.2 基家活动空间范围度量

本文利用居民的活动空间范围来筛选小活动空间人群。在刻画居民活动空间范围时,既有研究一般从其几何范围本身进行度量,例如利用所有轨迹点之间的距离最大值以及引入物理学中的回转半径进行度量[38],对居民活动的语义特征顾及较少。家庭位置是个体日常活动的关键锚点,也是规划领域对人群进行分类并进行资源配置的依据[39]。本文参照文献[40],以家庭位置为参考点构建基家最大距离（Maximum Distance based on home location,HMaxD）。具体步骤如下：① 识别住家位置,具体规则为：0:00—7:00之间停留时间超过4 h的位置作为用户的住家位置[41];② 利用SMoT（Stops and Moves of a Trajectory）[42]停留点模型识别用户停留点,停留点识别原理如图2所示;③ 计算每个用户的基家最大距离指标。具体公式如下：
HMaxD = max x i - x h 2 + y i - y h 2 ( i = 1,2 , … , n )
式中 : n 表示个体的停留点位置记录总数 ; x i 和 y i (i=1, 2, …, n)表示第 i 个停留点记录位置的坐标; x h 和 y h 表示个体家庭位置坐标;HMaxD表示基家最大距离。
图2 停留点识别原理

Fig. 2 The principle of stop identification

2.3 轨迹相似性计算方法

为了分析小活动空间人群的活动模式,本文构建轨迹相似性方法来对人群进行分类。考虑到本文主要关注居民活动位置与家庭位置之间的距离特征,采用基于“时间-距离”时空路径的轨迹相似性算法进行度量[43]。具体步骤如下：
（1） “时间-距离”时空路径转换。时间地理学框架下的时空路径能够直观的表示个体轨迹（ 图3(a)）,为了更好地反映个体活动位置与家庭位置之间的距离变化,以家庭位置为参考,计算每个时刻用户位置离家的欧氏距离。将上述距离按照时间进行排序,可将原始路径转换为“时间-距离”框架下的时空路径,如图3(b)所示,其中横轴为时间轴,本文以小时为单位进行分析,纵轴为对应时刻个体位置距离家庭位置的距离。其中,在时间维度选择以小时为单位进行分析主要考虑本研究中手机数据的时间采样间隔特征（详细见第3节数据介绍）,同时这也是既有研究中常用的时间分析单元。
图3 “时间-距离”路径转换

Fig. 3 Transformation from the space-time path to "time distance" path

（2）构建相似性度量方法。图4(a)是三维空 间下的时空路径,基于变换的时间-距离二维路径,比较路径与横轴之间构成形状的相似性（图4(b)）,具体计算方式参考式（2）,其中图4(b)中A是时间距平面坐标系中路径A和时间轴（即水平轴）之间的区域;B是时间距平面坐标系中路径B和时间轴之间的区域。基于面积的轨迹相似性度量公式如下：
sim ( A , B ) = overlap ( A , B ) s A + s B - overlap ( A , B )
式中 : sim A , B 为用户A和B的相似度; s A 和 s B 分别表示用户A和B的“时间-距离”路径与时间轴所围成的形状面积; overlap ( A , B ) 表示2个用户路径重叠区域面积。如果相似度为1,表示2个时空路径具有相同的形状相同,而相似度为0则表示2个时空路径具有非常明显的差异。
图4 基于面积的轨迹相似性度量时空路径示意图

Fig. 4 The principle of the area-based similarity measurement between different trajectories

图5直观地展示了基于面积的轨迹相似性方法原理,其中图5(a)是在“时间-距离”框架下的示例轨迹,图5(b)是根据式（2）计算得到的用户之间相似性矩阵。以A1为例可以看出,A1与A3的相似性更高,与A2的相似性次之,与A4则具有明显的差异,根据式（2）所计算的相似性矩阵与上述特征是相符的,表明了该方法的合理性。
图5 “时间-距离”框架下的轨迹和相似矩阵

注：A1、A2、A3、A4表示用户编号。

Fig. 5 The trajectory in the "time-distance" coordinate path and the similarity matrix

2.4 逐级合并层次聚类算法

为了进一步研究细分人群的空间分布和日常活动时空特征,本文采用自底向上的层次聚类算法对小活动空间人群进行分类。利用层次聚类算法能够获得聚类结果,同时反映类别生成过程。经典的层次聚类算法,把每一个用户看作一个类簇,每次合并都选择当前相似度最高的类簇进行合并。然而当用户数量较多时,此方法效率较低。对此,本文采用逐级合并层次聚类算法[44],提高聚类效率。具体步骤如下：首先,设定合并等级方案;其次,从最高等级开始,对大于对应阈值的对象（包括用户和产生的类簇）进行迭代合并,直到所有对象之间相似度均小于对应阈值;对于之后的合并等级,重复此操作,直到聚类数量或相似性阈值达到设定阈值为止。

3 数据及预处理

3.1 数据及区域概况

为验证本文方法的有效性,采用上海市的一套手机信令数据进行案例分析。具体而言,该数据集是某移动运营商于2012年9月2日（工作日）产生的手机信令数据,原始数据包括约125万个匿名手机用户的7558万条数据记录,平均约24 min一条记录。数据包含用户匿名ID、时间戳、基站经纬度信息（表1）,涉及3万多个基站,基站平均服务半径为248.85 m,但郊区服务半径比中心城区大,中心城区基站的平均服务半径为201.14 m,而郊区基站的平均服务半径为610.03 m。基站分布图如图6所示。
表1 手机位置数据示例

Tab. 1 Mobile phone location data

匿名ID 时间戳 基站经度/° 基站纬度/°
A4942C**** 20120902235956 121.3****3 30.8****9
101808**** 20120902235956 121.3****6 30.7****2
022124**** 20120902235957 121.5****9 31.2****7
97BC0B**** 20120902235957 121.5****8 30.9****9
图6 上海市基站分布密度

Fig. 6 Density distribution of the base stations of mobile phone in Shanghai

3.2 数据预处理

（1）对数据进行清洗。由于原始手机信令数据存在无效、错误的数据,需要对手机信令数据进行清洗处理,主要包括以下方面：① 空值删除; ② 重复值删除;③ 典型错误值删除;④ 去除包含开关机类型记录的用户。其中典型错误值是指经纬度明显异常、用户匿名ID异常、时间异常等记录;而去除含开关机类型记录的用户是为了排除关机期间,相关用户位置信息难以获取对轨迹不确定性的影响。
（2）轨迹记录选择与插补。原始手机信令数据在时间上存在不均衡分布的现象,在白天的时段相对较多,而在夜晚时段则相对稀疏。本文的分析时间单元为小时,因此,不同时段存在多条记录以及数据缺失的现象。对于同一时刻存在多个记录情况,选择出现频次最多的位置,当轨迹记录位置频次相同时,选择离家位置最远的记录。对于存在记录缺失的时段,需要根据前后时段轨迹记录对其进行插补,规则为：①以时段为单位,向前后方向同时搜索最邻近具有记录的时段;② 如果前后最邻近时段距离与当前时段的间隔相等,选择前向时段的位置信息,否则选择最邻近时段的位置信息。

4 实验结果及分析

4.1 用户代表性分析

首先需要对用户的代表性进行分析,以确保该数据所反映信息的有效性。根据识别住家位置的规则,共识别出69.35万个具有住家位置的用户,其中部分用户记录较为稀疏,进一步筛选识别出停留点的用户59.77万,包含数据记录3415万条,后续分析均基于该数据集开展。为了分析手机用户的代表性情况,本文根据用户的住家情况统计各区人口,并与上海市2012年统计年鉴中各区人口统计数据[45]进行对比（表2）,结果发现二者Pearson相关系数达到0.936,平均相对误差为15.93%,表明手机用户具有很好的代表性。在空间分布上,本文发现,城市中心区相对误差较小,在远郊区则相对较大,例如崇明县相对误差接近50%,奉贤区、青浦区和嘉定区则在20%以上（图7）,这一现象可能与对应区域外来务工人员较多,手机使用强度相对较低有关。
表2 人口一致性检验表

Tab. 2 Demographic consistency test table

行政区 年鉴数据人口
比例P1/% 		手机数据人口
比例P2/% 		绝对相对误差/%
宝山区 8.28 6.99 15.58
崇明县 2.94 1.52 48.30
奉贤区 4.75 3.63 23.47
虹口区 3.55 3.17 10.70
黄浦区 2.96 3.10 4.73
嘉定区 6.42 7.84 21.11
金山区 3.20 3.81 19.06
静安区 1.07 1.18 10.28
闵行区 10.54 12.31 16.79
浦东新区 22.11 19.21 13.12
普陀区 5.43 5.99 10.31
青浦区 4.91 6.11 24.43
松江区 7.13 8.7 22.01
徐汇区 4.67 4.82 3.21
杨浦区 5.55 4.73 14.77
闸北区 3.55 3.60 1.23
长宁区 2.93 3.27 11.60

注：绝对相对误差是指Abs（P1-P2）/P1,其中Abs为去绝对值函数。

图7 人口一致性检验相对误差

Fig. 7 Relative error map of population consistency test

4.2 小活动空间人群空间分布特征

本文以15 min社区生活圈规划经常用到的 1.5 km的活动范围为参考筛选小活动空间人群。1.5 km的活动范围即以住家位置为中心、半径为 1.5 km的圆形空间范围,1.5 km阈值的设定主要考虑成年人15 min步行距离 [46]。本文以此为参考,从实验数据中筛选出30.45万用户,约占手机用户的50%左右,与文献[32]中关于用户出行范围数据一致。用户的空间分布如图8所示,整体上呈现出在中心城区和远郊区,小活动空间人群占比相对较多,而在郊区过渡区分布相对较少的“圈层结构”。中心城区为上海市老城区,各类服务设施较为完善,城市居民可以在较小的范围内满足日常生活所需;而在远郊区存在一些工厂,外来务工人口相对较多,而且交通设施相对欠发达,居民活动范围也相对较小;而在郊区过渡区交通较为发达,居住成本相对较低,成为在城内工作人群的居住地,因此出行距离相对较大,小活动空间人群占比则相对较少。
图8 小活动空间人群空间分布

Fig. 8 Spatial distribution of the people with small activity space ranges

4.3 小活动空间人群典型活动模型聚类结果及效率分析

首先,利用基于面积的轨迹相似性方法计算用户间的轨迹相似性,然后,通过逐级合并的层次聚类算法对用户进行聚类,合并等级范围为[0.5,1）,等级间隔设置为0.05,最终得到14 165个用户类簇。图9（a）为各个类簇所含用户频率累积分布图,可看出,包含用户数量最多的类簇占据了小活动空间人群的44.5%左右,而前6种类别包含的用户占据了小活动空间人群的60%。然而,其余的类别呈现出很强的多样性,相比于前6种聚类用户,前50种类别所包含的用户占比仅增加了10%左右。这意味着小活动空间人群除了主要类别之外,呈现出很大的多样性。为了进一步分析小活动空间人群的主要活动模式,选择超过60%的前6种小活动空间人群的用户类簇进行分析（图9（b））,共包含18.48万用户。
图9 类簇频率累积分布和Top6类别用户占比

Fig. 9 The cumulative frequency distribution of clusters and the proportion of users in the Top 6 categories

为了进一步分析本文采用的逐级合并层次聚类算法效率,本文设计了对比试验,在相同硬件环境下,对比经典层次聚类方法与本文算法在不同用户规模情况下的时间效率。如表3所示,本文采用的算法时间效率相比于经典层次聚类算法有明显提升,而当用户规模大于4000人时,逐级合并聚类算法效率相比于经典层次聚类算法有10倍以上提高,而且效率提高程度随用户规模的增加而增长。
表3 逐级合并和经典层次聚类算法时间效率对比

Tab. 3 Comparison of the time efficiency of the optimized and the classical hierarchical clustering algorithms

用户规模/人 逐级合并层次聚类/min 经典层次聚类/min
1000 0.009 0.037
2000 0.045 0.381
4000 0.313 3.463
8000 2.314 31.482
10 000 4.101 63.279

4.4 小活动空间人群活动时空特征分析

用户的日常活动与家庭位置密切相关,图10为6个类簇包含人群的所有活动点的时空密度分布,可清晰地看出每种模式的人群活动变化特点。图10(a)为C1类簇人群的活动分布,在一天的时间中表现出“待在家中不动”,考虑到本文采用的手机信令数据是基站定位的方式,此类用户表示的是活动范围非常小的用户,例如主要在小区内活动的老人、残障人士,同时也包含部分个体经营户人群。C2、C3和C4类簇人群,均在早高峰期间离开家,晚上8时后陆续回到家中,具有明显的加班特征,然而人群出行距离有所差异,在1000、400和500 m不等,如从事餐饮、娱乐等服务业中的服务人员符合此类人群特征,也包括部分在住家位置不远的个体经营户、打工人员等。C5类簇人群如图10(e),有着规则的活动出行行为,属于典型的8:00—18:00的工作型人群,如街道办事处或事业单位工作人员以及在家附近公司上班的人群。C6类簇人群大多数人在12:00之后离开家,在距家1500 m左右的位置,活动持续到晚上,具有一定的上夜班特征,从事网吧、酒吧等服务业以及部分工厂生产人员符合此类人群的特征。
图10 各类簇人群活动时间距离分布密度

Fig. 10 The density distribution of different patterns in the "time-distance" coordinate

4.5 细分小活动空间人群空间分布特征

由4.4节中得到的6个类簇所有活动的时空密度分布,进一步划分为4种人群活动模式。为了更好地对各类人群活动模式的空间分布进行分析。
图11(a)是“不动人群”（C1类簇人）的空间分布图,主要分布在中心城区及郊区的工业区等区域。中心老城区的老人、郊区工业区中在厂区宿舍居住的工人的活动模式均符合此类人群的特征郊区工业区的。图11(b)是“加班人群”（C2、C3和C4类簇）的空间分布图,主要分布在此类人群工作持续时间较长,距家较近,主要分布在中心城区中部及其他区中心等区域,例如原浦西地区,宝山区南部和莘庄镇等,位于上述区域的服务性从业人群工作往往伴随着长时间工作、加班等特点,符合此类人群的特征。及其他区中心图11(c)是“工薪人群”（C5类簇）的空间分布图,主要分布在中心城区中部及郊区过渡区中心等区域。政府机关、事业单位以及外企主要集中分布在上述区域,相关工作人员具有规律上下班的特点,符合上述人群的活动特征。图11(d)是“昼伏夜出”（C6类簇）的空间分布图,主要分布在中心城区中部,宝山区南部,莘庄镇等区域。这类人群出行时间集中在下午,并持续至凌晨,上述区域中“夜色经济”、工厂相对较多,有关从业人员活动符合此类簇人群特点。
图11 各类簇人群活动模式概要时空路径和空间分布

Fig. 11 A summary of the activity pattern correponding spatial distribution.

4.6 典型街道小活动空间人群特征分析

为了从横向比较不同区域小活动空间人群的活动模式,可以分别选择研究区域中典型空间单元进行对比分析。本文实验中,根据离城市中心城区的距离,选择了南京东路街道（核心城区）、五角场街道（中心城区较远街道）、梅陇镇（郊区过渡区）和朱泾镇（远郊区核心区）4个乡镇街道（图12（a））,比较不同区域小活动空间不同活动模式人群的构成。结果如图12（b）所示,可以发现不同街道“不动人群”占比都较高,但其他各类人群的构成不同,如南京东路街道和五角场街道,相较于其他2个街道,C3和C4类型的人群占比高,活动范围距家500 m左右,这主要是因为中心城区的商业、服务业等行业繁荣发展;而朱泾镇C2类型和C5类型人群明显高于其他3个街道,这2类人群出行范围高于其他类,主要是因为在郊区,周围各种设施配备不够完善,居民工作地离家较远,对于该区域,可以增加一些基础设施,促进社区生活圈的建设。
图12 典型街道空间分布及人群构成

Fig. 12 Spatial distribution and composition of typical streets.

5 结论与讨论

5.1 结论

本文提出了一种面向城市小活动人群活动特征发觉与空间分布特征分析的方法,并采用上海市的一套手机信令数据对其有效性进行了验证,结果发现：① 基于面积的轨迹相似性方法可以反映用户基于家庭位置进行活动的时空特征,同时可以反映用户因为各种活动距离家庭位置的距离,保留了用户活动时间,活动持续时间等重要特征;② 逐级合并的层次聚类方法每次迭代有多个类簇进行合并,减少了迭代次数,提高了聚类的运行效率,有助于研究城市居民的移动模式;③ 上海市小活动空间人群分布呈现出圈层结构,主要分布在中心城区郊区的工厂和大学城以及各区的商业中心附近,在郊区过渡区相对较少。本文提出的方法在城市社区生活圈规划时,能够用于分析城市小活动空间人群的活动特征来为目前各大城市提出建设社区生活圈的决策提供方法支撑。

5.2 讨论

本文研究存在一些不足：首先,城市社区生活圈内涵丰富,人的活动模式分复杂,本文仅为社区生活圈规划中涉及的小活动空间人群活动模式提供一种分析方法,科学合理地规划社区生活圈需要面向不同问题,来设计更合理和详尽的方法进行支撑。其次,本研究为验证所提方法的有效性而采用的数据较为陈旧,且持续时间仅为1 d,同时也缺少个人的属性信息（如性别、职业等）,仅在一定程度上直观地展示并体现了本文提出方法能力有效性,同时上述数据的不足也限制了本文方法验证的时效性以及对分析结果具体实践的指导性意义。最后,未深入从定量的角度分析地理环境因素（如土地利用类型、公共设施可达性等）等对不同类型人群活动模式空间分布的影响。在未来的研究中,可以结合城市社区生活圈规划的具体需求,在更好的数据条件下,进一步深入分析包括小活动空间人群在内的细分人群活动模式、空间分布特征,以及其背后的影响因素,更好地服务于“以人为本”的智慧城市建设。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
柴彦威. 人本视角下新型城镇化的内涵解读与行动策略[J]. 北京规划建设, 2014(6):34-36.

[Chai Y W. Connotation interpretation and action strategy of new urbanization from the perspective of Humanism[J]. Beijing Planning Review, 2014(6):34-36. ]

[2]
柴彦威, 于一凡, 王慧芳, 等. 学术对话:从居住区规划到社区生活圈规划[J]. 城市规划, 2019, 43(5):23-32.

[Chai Y W, Yu Y F, Wang H F, et al. Academic dialogue: from residential area planning to community life circle planning[J]. City Planning Review, 2019, 43(5):23-32. ]

[3]
长沙市人民政府. 长沙市人民政府办公厅关于印发长沙市“一圈两场三道”圈建设两年行动计划(2018-2019年)的通知[EB/OL]. http://rjhj.changsha.gov.cn/xxgk/xxgkml_46104/ghjh_46112/202007/t20200720_8719865.html. 2018-4-13.

[Changsha Municipal People's Government. Circular of the general office of Changsha Municipal People's Government on printing and distributing the two-year action plan for Changsha City's "one circle, two fields, three roads" construction (2018-2019) [EB/OL]. http://rjhj.changsha.gov.cn/xxgk/xxgkml_46104/ghjh_46112/202007/t20200720_8719865.html. 2018-4-13..]

[4]
袁舒琪. 厦门:完善公共设施构建“15分钟生活圈”[N/OL]. 新华网, 2017-12-18. http://www.fj.xinhuanet.com/shidian/2017-12/18/c_1122127054.htm. 2018-10-15.

[Yuan S Q. Xiamen: Improve public facilities and build a "15-minute living circle"[N/OL]. Xinhuanet, 2017-12-18. http://www.fj.xinhuanet.com/shidian/2017-12/18/c_1122127054.htm. 2018-10-15.]

[5]
上海市人民政府. 上海城市总体规划(2017-2035)[Z]. 2018.

[Shanghai Municipal Peoples Government. Shanghai City Master Plan (2017-2035)[Z]. 2018. ]

[6]
柴彦威, 李春江. 城市生活圈规划:从研究到实践[J]. 城市规划, 2019, 43(5):9-16,60.

[Chai Y W, Li C J. Urban life cycle planning: From research to practice[J]. City Planning Review, 2019, 43(5):9-16, 60. ]

[7]
Kwan M P. Gender, the home-work link, and space-time patterns of nonemployment activities[J]. Economic Geography, 1999, 75(4):370-394.

[8]
刘玉亭, 何深静, 李志刚. 南京城市贫困群体的日常活动时空间结构分析[J]. 中国人口科学, 2005(S1):85-93.

[Liu Y T, He S J, Li Z G. An analysis of temporal spatial structure of daily activities of urban poor groups in Nanjing[J]. Chinese Journal of Population Science, 2005(S1):85-93. ]

[9]
周素红, 邓丽芳. 城市低收入人群日常活动时空集聚现象及因素——广州案例[J]. 城市规划, 2017, 41(12):17-25,81.

[Zhou S H, Deng L F. Spatio-temporal agglomeration of low-income People's daily activities and related factors: A case study of Guangzhou[J]. City Planning Review, 2017, 41(12):17-25,81. ]

[10]
张纯, 柴彦威, 李昌霞. 北京城市老年人的日常活动路径及其时空特征[J]. 地域研究与开发, 2007, 26(4):116-120.

[Zhang C, Chai Y W, Li C X. The characteristics of daily activity of the elderly in Beijing city[J]. Areal Research and Development, 2007, 26(4):116-120. ]

[11]
柴彦威, 李春江, 张艳. 社区生活圈的新时间地理学研究框架[J]. 地理科学进展, 2020, 39(12):1961-1971.

DOI

[Chai Y W, Li C J, Zhang Y. A new time-geography research framework of community life circle[J]. Progress in Geography, 2020, 39(12):1961-1971. ]

[12]
傅行行, 申悦. 面向社区生活圈构建的郊区居民社区依赖性研究——以上海市为例[J]. 地理科学进展, 2019, 38(6):818-828.

DOI

[Fu X X, Shen Y. Neighborhood attachment of suburban residents in the context of community life circle construction: A case study in Shanghai[J]. Progress in Geography, 2019, 38(6):818-828. ]

[13]
塔娜, 柴彦威, 关美宝. 北京郊区居民日常生活方式的行为测度与空间—行为互动[J]. 地理学报, 2015, 70(8):1271-1280.

DOI

[Ta N, Chai Y W, Kwan M P. Suburbanization, daily lifestyle and space- behavior interaction in Beijing[J]. Acta geographica sinica, 2015, 70(8):1271-1280. ]

[14]
申悦, 柴彦威. 基于日常活动空间的社会空间分异研究进展[J]. 地理科学进展, 2018, 37(6):853-862.

DOI

[Shen Y, Chai Y W. Progress of research on sociospatial differentiation based on daily activity space of urban residents[J]. Progress in Geography, 2018, 37(6):853-862. ]

[15]
孙道胜, 柴彦威. 城市社区生活圈体系及公共服务设施空间优化——以北京市清河街道为例[J]. 城市发展研究, 2017, 24(9):7-14, 25,2.

[Sun D S [Chai Y W. Study on the urban community life sphere system and the optimization of public service facilities: A case study of Qinghe area in Beijing[J]. Urban Development Studies, 2017, 24(9):7-14, 25,2. ]

[16]
Yue Y, Lan T, Yeh A G O, et al. Zooming into individuals to understand the collective: A review of trajectory-based travel behaviour studies[J]. Travel Behaviour and Society, 2014, 1(2):69-78.

DOI

[17]
程昌秀, 史培军, 宋长青, 等. 地理大数据为地理复杂性研究提供新机遇[J]. 地理学报, 2018, 73(8):1397-1406.

DOI

[Cheng C X, Shi P J, Song C Q, et al. Geographic big-data: A new opportunity for geography complexity study[J]. Acta Geographica Sinica, 2018, 73(8):1397-1406. ]

[18]
黄洁, 王姣娥. 交通大数据在人文与经济地理学的应用及学科影响[J]. 地球信息科学学报, 2020, 22(6):1180-1188.

DOI

[Huang J, Wang J E. Applications and influence of transport big data in human and economic geography[J]. Journal of Geo-information Science, 2020, 22(6):1180-1188. ]

[19]
王姣娥, 杜方叶, 靳海涛, 等. 基于交通出行链的就医活动识别理论框架与方法体系[J]. 地球信息科学学报, 2020, 22(4):805-815.

DOI

[Wang J E, Du F Y, Jin H T, et al. Identifying hospital-seeking behavior based on trip chain data: Theoretical framework and methodological system[J]. Journal of Geo-information Science, 2020, 22(4):805-815. ]

[20]
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.

[Shaw S H, 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. ]

[21]
周素红, 邓丽芳. 基于T-GIS的广州市居民日常活动时空关系[J]. 地理学报, 2010, 65(12):1454-1463.

DOI

[Zhou S H, Deng L F. Spatio-temporal pattern of residents' daily activities based on T-GIS: A case study in Guangzhou, China[J]. Acta Geographica Sinica, 2010, 65(12):1454-1463. ]

[22]
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):660-666.

[Liu Y, Kang C G, Wang F H. Towards big data-driven human mobility patterns and models[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):660-666. ]

[23]
钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J]. 地理研究, 2017, 36(5):972-984.

DOI

[Zhong W J, Wang D, Xie D C, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5):972-984. ]

[24]
王德, 李丹, 傅英姿. 基于手机信令数据的上海市不同住宅区居民就业空间研究[J]. 地理学报, 2020, 75(8):1585-1602.

DOI

[Wang D, Li D, Fu Y Z. Employment space of residential quarters in Shanghai: An exploration based on mobile signaling data[J]. Acta Geographica Sinica, 2020, 75(8):1585-1602. ]

[25]
钮心毅, 丁亮, 宋小冬. 基于手机数据识别上海中心城的城市空间结构[J]. 城市规划学刊, 2014(6):61-67.

[Niu X Y, Ding L, Song X D. Understanding urban spatial structure of Shanghai central city based on mobile phone data[J]. Urban Planning Forum, 2014(6):61-67. ]

[26]
杨喜平, 方志祥. 移动定位大数据视角下的人群移动模式及城市空间结构研究进展[J]. 地理科学进展, 2018, 37(7):880-889.

DOI

[Yang X P, Fang Z X. Recent progress in studying human mobility and urban spatial structure based on mobile location big data[J]. Progress in Geography, 2018, 37(7):880-889. ]

[27]
Song C M, Qu Z H, Nicholas B, et al. Limits of predictability in human mobility[J]. Science, 2010, 327(5968):1018-1021.

DOI

[28]
González M C, Hidalgo C A, Barabási A L. Understanding individual human mobility patterns[J]. Nature, 2008, 453(7196):779-782.

DOI PMID

[29]
Golledge R G, Stimson R J. Spatial behavior: A geographic perspective[J]. Economic Geography, 1998, 74(1):83-85.

[30]
Yuill R S. The standard deviational ellipse: An updated tool for spatial description[J]. Geografiska Annaler: Series B, Human Geography, 1971, 53(1):28-39.

DOI

[31]
申悦, 柴彦威. 基于GPS数据的北京市郊区巨型社区居民日常活动空间[J]. 地理学报, 2013, 68(4):506-516.

[Shen Y, Chai Y W. Daily activity space of suburban mega-community residents in Beijing based on GPS data[J]. Acta Geographica Sinica, 2013, 68(4):506-516. ]

[32]
Xu Y, Shaw S L, Zhao Z L, et al. Another tale of two cities: Understanding human activity space using actively tracked cellphone location data[J]. Annals of the American Association of Geographers, 2016, 106(2):489-502.

[33]
曹劲舟, 涂伟, 李清泉, 等. 基于大规模手机定位数据的群体活动时空特征分析[J]. 地球信息科学学报, 2017, 19(4):467-474.

DOI

[Cao J Z, Tu W, LI Q Q, et al. Spatio-temporal analysis of aggregated human activities based on massive mobile phone tracking data[J]. Journal of Geo-information Science, 2017, 19(4):467-474. ]

[34]
徐金垒, 方志祥, 萧世伦, 等. 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

[Xu J L, Fang Z X, Xiao S L, et al. The spatio-temporal heterogeneity analysis of massive urban mobile phone users' stay behavior: A case study of Shenzhen city[J]. Journal of Geo-information Science, 2015, 17(2):197-205. ]

[35]
郑晓琳, 刘启亮, 刘文凯, 等. 智能卡和出租车轨迹数据中蕴含城市人群活动模式的差异性分析[J]. 地球信息科学学报, 2020, 22(6):1268-1281.

DOI

[Zheng X L, Liu Q L, Liu W K, et al. Discovery of urban human mobility patterns from smart card transactions and taxi GPS trajectories: A comparative study[J]. Journal of Geo-information Science, 2020, 22(6):1268-1281. ]

[36]
关庆锋, 任书良, 姚尧, 等. 耦合手机信令数据和房价数据的城市不同经济水平人群行为活动模式研究[J]. 地球信息科学学报, 2020, 22(1):100-112.

DOI

[Guan Q F, Ren S L, Yao Y, et al. Revealing the behavioral patterns of different socioeconomic groups in cities with mobile phone data and house price data[J]. Journal of Geo-information Science, 2020, 22(1):100-112. ]

[37]
周艳, 李妍羲, 黄悦莹, 等. 基于社交媒体数据的城市人群分类与活动特征分析[J]. 地球信息科学学报, 2017, 19(9):1238-1244.

DOI

[Zhou Y, Li Y X, Huang Y Y, et al. Analysis of classification methods and activity characteristics of urban population based on social media data[J]. Journal of Geo-information Science, 2017, 19(9):1238-1244. ]

[38]
Bachi R. Standard distance measures and related methods for spatial analysis[J]. Papers of the Regional Science Association, 1963, 10(1):83-132.

DOI

[39]
Golledge R, Stimson R. Spatial Behavior. A Geographic Perspective[M]. New York: The Guilford Press, 1977.

[40]
Xu Y, Shaw S L, Zhao Z, et al. Understanding aggregate human mobility patterns using passive mobile phone location data: A home-based approach[J]. Transportation, 2015, 42(4):625-646.

DOI

[41]
Xu Y, Shaw S L, Fang Z, et al. Estimating potential demand of bicycle trips from mobile phone data: An anchor-point based approach[J]. ISPRS International Journal of Geo-Information, 2016, 5(8):131-154.

DOI

[42]
Spaccapietra S, Parent C, Damiani M L, et al. A conceptual view on trajectories[J]. Data & Knowledge Engineering, 2008, 65(1):126-146.

DOI

[43]
Chen J, Shaw S L, Yu H, et al. Exploratory data analysis of activity diary data: A space-time GIS approach. Journal of Transport Geography, 2011, 19(3):394-404.

[44]
项秋亮, 邬群勇, 张良盼. 一种逐级合并OD流向时空联合聚类算法[J]. 地球信息科学学报, 2020, 22(6):1394-1405.

DOI

[Xiang Q L, Wu Q Y, Zhang L P. An OD flow spatio-temporal joint clustering algorithm based on step-by-step merge strategy[J]. Journal of Geo-information Science, 2020, 22(6):1394-1405. ]

[45]
周亚娟, 赵志远, 吴升, 等. 基于大规模手机位置数据的城市潜在自行车出行需求评估[J]. 地球信息科学学报, 2020, 22(6):1282-1293.

DOI

[Zhou Y J, Zhao Z Y, Wu S, et al. Estimating the potential demand for bicycle travel based on large-scale mobile phone location data[J]. Journal of Geo-information Science, 2020, 22(6):1282-1293. ]

[46]
王德, 傅英姿. 手机信令数据助力上海市社区生活圈规划[J]. 上海城市规划, 2019(6):23-29.

[Wang D, Fu Y Z. Mobile signaling data helps Shanghai community life circle planning[J]. Shanghai Urban Planning Review, 2019(6):23-29. ]

Options
文章导航

/

〈 〉