大数据时代城市时空间行为研究方法

信息技术的快速发展带来了“大数据”时代的到来,改变了城市的空间组织和居民行为,并使得城市时空间行为研究方法面临变革。本文在总结传统城市时空间行为研究方法存在问题的基础上,对影响其变革的数据获取与处理技术进行梳理,重点从居民时空行为、城市空间及城市等级体系3个方面综述了国内外应用大数据进行城市时空间行为研究的最新进展,构建了基于大数据应用的城市时空间行为研究方法框架。本文认为,大数据时代城市时空间行为研究方法的变革主要取决于对反映居民时空行为的网络或移动信息设备数据的挖掘、处理及应用,但是还需要进一步推动相关学科间的交叉与融合,加强社交网站等网络数据在居民时空行为和城市空间研究中的应用,并指导城市规划编制与管理方法的创新。     

利用出租车轨迹数据挖掘城市居民出行特征

通过用户产生的历史轨迹数据对城市的热点区域以及居民出行行为的时空特性进行挖掘研究逐渐受到重视,且取得了一定的进展。受电动力学中高斯定律的启发,该文在前人关于轨迹数据处理的基础上,针对出租车轨迹数据,将轨迹的方向和数量特征考虑在内,提出了一种基于高斯定律思想的轨迹挖掘方法,通过对不同时段出租车轨迹数据的挖掘,发现城市居民出行行为的时空特征以及城市的热点区域。     

个体时空行为的规律性与可预测性研究——以上海市居民工作日活动为例

理解居民日常行为的规律性和随机性是空间行为研究从行为描述向行为预测推进的基础,对空间政策的制定具有重要意义。论文从上海市10个工作日的手机信令数据中提取个体的时空轨迹,从规律性的视角展开多方面分析。首先,根据活动的周期重现、前后联系等特征界定了无出行(包括仅有短距离出行)、仅有随机出行、有规律工作出行和有其他规律出行4种时空行为模式,发现后2种强规律性模式的人数、出行次数、出行距离的占比分别为49.3%、83.6%、82.0%。然后,测度了个体时空轨迹的熵值,推算出个体时空位置的平均可预测性高达0.84。这些结果均表明居民工作日的时空行为整体上具有非常强的规律性。在此基础上,论文还分析了不同行为模式、个体时空位置可预测性的空间分布,发现了强规律性模式人群在外围郊区密集分布等一系列特征,体现了城市空间环境的差异对行为特征和规律性的影响。     

基于轨迹数据场的热点区域提取及空间交互分析 ——以深圳市为例

以深圳市出租车GPS数据为基础，运用时空拓展的轨迹数据场聚类方法提取城市交通热点区域，结合城市POI（Point of Interest）数据和地理实况对热点区域加以理解和分析。基于复杂网络的视角，计算交互分析指标并可视化热点区域的空间交互网络，探究城市交通和居民出行的时空规律。结果表明：1）交通枢纽（机场、火车站和口岸）、综合性商圈、城市重要主干道周边和城市商务中心在节假日和工作日均表现为持续热点区域；2）节假日热点区域分布较“发散”，主要反映了居民个性化出行需求；3）工作日热点区域分布较“收敛”，主要表现为职住分离的通勤模式；4）不同热点区域在空间交互网络中的重要性存在明显差异，其空间交互体现了距离衰减效应和局部抱团现象，居民出行的热点区域网络本身具有小世界效应和无标度特征。     

时空轨迹聚类方法研究进展

时空轨迹(Trajectory)是移动对象的位置和时间的记录序列.作为一种重要的时空对象数据类型和信息源,时空轨迹的应用范围涵盖了人类行为、交通物流、应急疏散管理、动物习性和市场营销等诸多方面.通过对各种时空轨迹数据进行聚类分析,可以提取时空轨迹数据中的相似性与异常特征,并有助于发现其中有意义的模式.本文根据时空轨迹数...     

人类活动轨迹的分类、模式和应用研究综述

各种传感器的应用与发展,如车载GPS、手机、公交卡、银行卡等,记录了人类的活动轨迹。这些海量的人类活动轨迹数据中蕴含着人类行为的时空分布模式。通过对这些轨迹的研究可以挖掘个体轨迹模式,理解人类动力学特征,进而为对轨迹预测、城市规划、交通监测等提供支持。因此,研究各类传感器记录的人类活动轨迹数据成为当前的研究热点。本文对人类活动轨迹的获取与表达方式进行剖析,并将人类的活动轨迹按照采样方式和驱动因素的不同分为基于时间间隔采样、基于位置采样和基于事件触发采样等3类轨迹数据。由于各类轨迹数据均由起始点、锚点和一般节点等构成,因而将轨迹模式挖掘的研究按照锚点、出行范围、形状模式、OD流模式、时间模式等进行组织,研究成果揭示人类活动轨迹在时间、空间的从聚模式、周期性等特点。在此基础上,将人类活动轨迹在城市研究中的应用,按照用户轨迹预测、城市动态景观、城市交通模拟与监控、城市功能单元识别以及城市中其他方面的研究应用进行系统综述,认为人类活动模式挖掘是城市规划、城市交通、公共安全等方面应用的基础。     

地理环境与时空行为对主观幸福感的影响研究进展

主观幸福感是目前国内外研究热点,与提升居民生活质量和建设宜居城市密切相关。已有大部分文献侧重单一空间尺度的研究,分析社会经济属性和地理环境要素(包括建成环境、社会环境、环境污染)对主观幸福感的影响;也有部分研究关注居民日常出行属性和活动特征对主观幸福感的作用机制,探讨长期幸福感与短期幸福感的内在关系。论文对上述研究进行较为系统的梳理与评价,综合考虑地理环境、时空行为与主观幸福感的复杂关系,构建主观幸福感的理论研究框架,总结时空行为视角下多尺度、多维度地理环境要素对主观幸福感的影响机制以及作用路径,并探讨主观幸福感的时空动态规律以及微观行为机制,为改善城市人居环境、优化居民行为模式提供科学依据和政策建议。     

城市居民时空行为序列模式挖掘方法

通过问卷调查获得北京市500个家庭的活动日志数据.运用序列比对方法对时空行为序列数据进行序列模式挖掘,对每类序列模式通过频繁模式挖掘出其中潜在有用的行为模式.试验结果表明,序列比对方法与频繁模式挖掘相结合在城市居民行为模式分析中应用成功,其弥补了传统数据分析方法的不足,为复杂时空行为数据的分析提供了一种新视角.     

北京郊区居民日常生活方式的行为测度与空间—行为互动

郊区化及其对居民日常生活的影响成为近年来城市研究的重要议题。时空行为研究认为推动日常生活方式的郊区化是解决郊区化过程中出现的社会与空间问题的根本措施。从日常生活方式的角度出发,需要利用多维度时空行为指标刻画群体的生活方式类型以分析郊区居民的空间—行为互动机制。本文采用活动空间和出行频率指标构建个体日常生活方式的行为测度方法,并基于2012年在北京上地—清河地区进行的GPS调查数据将郊区居民划分为“空间排斥”、“本地化”、“郊区性”、“两极化”、“城市依赖”五种日常生活方式类型。研究发现不同日常生活方式群体在活动分布、活动频率和交通方式上存在差异;并通过多项logistic模型分析郊区化对于个体日常生活方式的影响,发现工作日居民的日常生活方式受到性别、收入、年龄和工作时长等社会经济属性的影响。同时郊区设施配置直接影响着居民对郊区空间的利用程度,土地混合利用、商业设施密度提高更有可能实现日常生活的郊区化。日常生活方式的行为测度方法有助于分析郊区居民日常行为的复杂性,为理解郊区化提供了独特的视角,为构建城市研究的空间—行为互动理论提供了有力的支持。     

基于GPS数据的城市居民通勤弹性研究——以北京市郊区巨型社区为例

通勤是居民出行行为的重要组成部分,受到地理、规划、交通等领域的广泛关注,已有对通勤的研究多利用问卷调查数据,定位技术与信息通信技术为个体行为时空数据的采集带来了新的契机。本研究关注个体在不同工作日中通勤的可变性,将活动弹性的概念引入对通勤行为的研究中,提出通勤弹性的概念,并界定了时间、空间、方式、路径4 个通勤弹性维度,通过探讨4 种弹性之间的相互作用关系,提出7 种基于弹性的理论通勤模式。研究以北京市天通苑与亦庄两个郊区巨型社区为案例,基于活动日志与GPS 定位数据相结合的为期一周的居民时空行为数据,分别利用传统方法和通勤弹性视角研究居民的通勤特征,验证通勤弹性现象的存在以及该视角透视城市居民通勤行为的合理性,并利用GIS 三维可视化技术对7 种理论通勤模式居民的活动—移动时空特征进行刻画,从而透视北京市郊区巨型社区居民的通勤特征及复杂模式,为北京市城市与交通问题的解决提供了独特的视角。     

休息日与工作日居民购物时空间决策因素及差异比较

居民购物时空间决策及其影响机制的研究往往将时间与空间分裂开来单独进行考虑,忽略时间与空间自身的内在联系。利用2007年北京市居民活动日志调查获取的第一手数据,通过构建影响居民购物时空间决策的9个选项,利用多项Logit模型,探讨北京市居民购物行为的时空间决策因素,并对休息日与工作日之间的差异进行比较。结果表明,休息日居民购物时空间决策属于单因素主导影响模式,购物持续时间的影响最为显著;工作日居民购物时空间决策属于多因素综合影响模式,是否多目的购物和巡回次数的影响显著提升。说明工作日由于受到工作等生存性活动的影响,购物等非生存性活动的时空间选择受到较大制约。     

北京郊区居民一周时空间行为的日间差异

时空间行为是解读城市空间结构的重要视角。转型期中国城市居民的时空间行为呈现出复杂化、弹性化与个性化等趋势,短期行为与长期行为的关系与作用机理亦成为关键研究问题。本研究基于北京市GPS调查获取的100位郊区居民的一周时空间行为数据,采用三维可视化、描述性统计与方差分析的方法,研究居民一周的时空路径和时间分配的日间差异。结果表明:一周之内居民时空间行为在工作日与休息日之间的差异显著。工作日中,周一的工作时间最长,家外非工作活动的发生率及发生时间均较低;周二至周四居民行为的差异性相对较小;周五是工作日向休息日的过度时期,居民具有较高的时间分配自由度。休息日之间居民的时间分配差异不显著。     

Why did a vehicle stop? A methodology for detection and classification of stops in vehicle trajectories

ABSTRACT

Trajectory data mining is a lively research field in the domain of spatio-temporal data mining. Trajectory pattern mining comprises a set of specific pattern mining methods, which are applied as consecutive steps on a trajectory with the goal to extract and classify re-occurring spatio-temporal patterns. Despite the common nature and frequent usage of such methods by the GIScience community, a methodological approach is missing so far, especially when it comes to the use of machine learning-based classification methods. The current work closes this gap by proposing and evaluating a machine learning-based 3-steps trajectory data mining methodology using the detection and classification of stop points in vehicle trajectories as example. The work describes in detail the applied methodologies with respect to the three mining steps ‘stop detection’, ‘feature extraction’ and ‘classification in traffic-relevant and non-traffic-relevant stops’ and evaluates six machine learning-based classification algorithms using a real-world dataset of 15,498 vehicle trajectories with 5,899 detected stops (thereof 2,032 manually classified). Due to its exemplary nature, the presented methodology is suited to act as blueprint for similar trajectory data mining problems.     

基于词向量数据场轨迹引力的多中心识别和空间交互分析

多中心化是分散城市人口,疏解交通拥堵,调节职住失衡,应对“大城市病”的重要手段。针对轨迹大数据,先利用词向量描述其空间特征和行为规律,再结合数据场理论表达城市区域对轨迹的吸引强度,并完成多中心识别,最后借鉴复杂网络理论对多中心空间交互规律进行探索和挖掘。结果表明：① 郑州市轨迹吸引强度呈核心强、外围弱、沿线蔓延的圈层空间分布形态,识别出的21个多中心轨迹引力差异较大,区域吸引能力不均衡;② 外围次级中心的区域引力强度和交互频次低,交互方向主要指向一级中心,呈现出外溢型多中心结构,为了实现其应有的分散疏解作用,还需加强统筹规划,带动其科学发展。提出基于词向量数据场轨迹引力的多中心识别分析方法,对于轨迹隐含的出行规律描述更加完整,对轨迹引力的表达更准确,从流动角度呈现了多中心的演化机理,为城市规划实践提供了新思路。     

地理大数据挖掘的本质

针对地理大数据的内在本质以及地理大数据挖掘对于地理学研究的意义,本文解释了地理大数据的含义,并在大数据“5V”特征的基础上提出了粒度、广度、密度、偏度和精度等“5度”的特征,揭示了地理大数据的本质特点。在此基础上,从地理大数据的表达方式、地理大数据挖掘的目标、地理模式的叠加与尺度性、地理大数据挖掘与地理学的关系等4个方面阐述了地理大数据挖掘的本质与作用,并从挖掘目标的角度对地理大数据挖掘方法进行分类。未来地理大数据挖掘的研究将面临地理大数据的聚合、挖掘结果的有效性评价以及发现有价值的知识而非常识等几方面的挑战。     

基于ICT的中国城市间人口日常流动空间格局——以百度迁徙为例

随着互联网时代的来临,网络数据已越来越成为表征居民地理行为的重要载体,用户迁移、社交网络、移动通信等地理行为大数据成为城市联系研究的重要数据来源。“百度迁徙”大数据通过LBS技术,全程、动态、即时和直观地记录了城市之间的人口日常流动轨迹。通过采集“百度迁徙”数据库中2015年一季度（2月7日至5月16日）国内369个城市之间的逐日的人口流动数据,分“季度平均、春运期间（春节前）、春运期间（春节后）、劳动节、周末和工作日”6个时间段,从人流集散层级、人流集散网络体系的分层集聚、人口日常流动空间格局及其与“胡焕庸线”之间的关系等角度分析各时间段的城市之间的人口日常流动相关特征与空间格局。研究发现,“百度迁徙”大数据清晰地显示了春运期间中部和沿海地区之间的人口流动格局。人流集散中心主要分布在京津冀、长三角、珠三角和成渝4大城市群中,并与其城市等级有较强的一致性。人口日常流动集散体系呈明显的分层集聚,京津冀、长三角、珠三角、成渝和乌鲁木齐5大集散体系在各时间段基本得到体现,而华中、东北、西南和福建沿海等地区并未出现高层级集散城市和高等级集散体系,与这些区域在国家区域发展战略中的地位在一定程度上不相匹配。“胡焕庸线”能较好地反映国家层面的城市之间人口日常流动格局,反映了地理环境对城市间人口日常流动的深刻影响。城市之间的人口流动强度是体现区域经济联系强度、城市等级和网络结构等的重要指标,此项研究可为形成国家区域经济发展新格局和促进区域平衡发展提供参考。     

中国城市间人口流动空间格局的网络分析——以国庆-中秋长假和腾讯迁徙数据为例

“腾讯迁徙”大数据基于位置服务,实时、动态、完整、系统地描述了用户日常出行活动的轨迹。通过采集“腾讯迁徙”数据平台中2017年国庆-中秋长假期间国内299个城市之间的逐日人口流动数据,分“出行期、旅途期、返程期”3个时间段,利用复杂网络分析方法,从人口流动集散层级、集散网络体系的分层集聚、人口流动空间格局、网络空间特征等角度分析各时间段城市间的人口流动特征与空间格局。结果表明,腾讯迁徙大数据直观地揭示了国庆-中秋期间中国各地级城市间人口的迁移规律,3个时段人口的净流入均呈现十字形骨架支撑的菱形分布,人流集散中心主要集中在京津冀、长三角、珠三角和成渝四大城市群,与城市等级有较强的一致性。人口流动集散体系呈明显的分层集聚,城市行政级别的高低与人口流动影响力存在一定的正相关关系,大部分城市人口流动处于“相对平衡”状态。人口流动空间格局呈现出明显的核心-边缘结构,大理-鹤岗一线是人口流动强度空间分布的显著分界线,以此线为界,城市网络呈现东密西疏的分布特征和东部并联、西部串联的网络关联特征。人口流动网络总体表现出“小世界”网络特征,局部具有较明显的“社区”结构特征,聚为2个国家级、2个区域级和3个地区级社区。     

北京居民活动与出行行为时空数据采集与管理

本研究对传统活动日志调查与基于GPS、LBS的移动数据采集在居民活动—移动数据的获取和应用方面进行对比,并以2010年7月在北京进行的居民活动与移动调查为例,探讨了个体行为时空数据采集的方法、存在问题和处理方式。北京市的实验调查采取活动日志调查与基于GPS、GSM两种不同定位方式的移动数据采集相结合的方法,以定位设备为基础、以互动式调查网站为平台、以面对面和电话访谈为补充,对天通苑和亦庄两个郊区居住区的样本居民进行了为期一周的行为时空数据采集。针对时空轨迹和活动日志存在的问题分别进行处理,并对数据质量进行管理,旨在为城市活动—移动系统研究中的精细化的数据采集与管理提供理论、方法和实践经验。     

广州市零售商业中心的居民消费时空行为及其机制

居民消费行为的空间选择及其影响因素是地理学的重点关注领域,已有研究对行为中时间选择、时空关系及内在机制的研究相对缺乏。为揭示居民消费时空行为形成的影响因素以及各因素内在相互作用机制,基于2016年广州城市居民消费行为调查数据,分析消费者到大型商业中心内消费的时空特征,构建结构方程模型,探讨消费时空行为影响因素和作用机制。研究表明：居民在商业中心的消费行为存在明显的时空差异。在影响路径方面,消费者社会经济属性通过影响消费偏好导致消费时空行为的差异,商业空间属性既可以直接影响消费时空行为,也可以通过影响消费偏好而间接对其施加影响,消费偏好既可以直接影响消费时空行为,又是消费者社会经济属性和商业空间属性影响消费时空行为的中间变量。在显著性因素方面,年龄、家庭结构、在广州居住时间、就业状况、家庭月收入等消费者社会经济属性变量会显著影响消费时空行为,各个商业空间属性变量都在不同程度上影响消费行为在时间和空间上的差异,仅有出行交通方式、出行花费时间2个消费偏好变量会显著影响消费者消费时空间行为。本文结论可以加深对商业中心内消费时空行为影响因素及其作用机制的理解,并为商业网点规划调整、商业中心转型升级提供建议。