基于出租车GPS数据的居民就医时空特征分析

城市医疗服务在很大程度上影响着城市居民的生活质量,在公共服务领域中发挥着极其重要的作用。近年来,中国城市化发展过程中产生了海量的大数据,基于这些海量数据分析居民就医出行特征对于优化和改善城市医疗资源布局具有重要意义。本文以北京市主要医疗机构空间位置数据为基础,基于出租车GPS移动轨迹数据,采用时空统计分析方法,研究了出租车出行模式下的居民就医出行时空特征。结果表明,利用医院的OD（Origin-Destination）网络结构特征分析,可以识别出不同医院的服务范围以及受众的时空分布模式。市区尤其是四环以内医院的就医网络密集、紧凑,就医密度较高,而四环以外尤其是郊区周边,就医网络稀疏、分散,医疗资源的级别及地理位置影响了居民的就医倾向。本研究基于浮动车GPS数据开展居民就医时空行为模式挖掘研究,可以为城市医疗资源供需分析和优化配置提供决策支持。     

基于交通大数据的城市医疗可达性分析研究

随着社会发展的进步和人民生活水平的提高,人们对健康的需求也随之提高,近年来,医疗可达性逐渐成为城市研究领域的重点关注对象.尤其是2020年爆发的新冠疫情,让人们认识到医疗可达性和社会资源配置的公平性是至关重要的.现存的可达性计算方法通常建立在一个假设的基础之上,即假设居民选择就近的医院就医,这忽略了人们选择医院的主观意向.本文提出了一种新的方法,融入行人移动大数据,用移动大数据来模拟人们产生就医行为时对医院的主观选择.结果显示:①很多居民愿意增加出行距离选择更好的医疗服务机构就医;②利用出租车轨迹数据和地铁刷卡数据计算的医疗可达性结果有明显差异;③深圳市医疗可达性整体上呈现出分布不均匀和多中心的发展趋势;④城市交通状况也是影响医疗可达性结果的重要因素.     

基于时间序列聚类方法分析北京出租车出行量的时空特征

受城市资源配置、区域功能分化的影响,城市中居民的出行往往呈现出特定的模式和规律,而这种出行模式的背后反映出城市的功能结构。城市车辆GPS导航的广泛使用,以及车辆轨迹数据的大量获取,为分析城市居民出行模式及理解城市功能结构提供了数据支撑。本文以道路分割城市得到的地块为研究单元,利用北京市一个月的出租车轨迹数据,对北京居民的出行模式及城市功能格局进行分析。在轨迹数据分析中,本文从轨迹数据中提取每个地块的出行量时间序列信息,然后采用结合时间序列距离度量和时间序列自身相关性的聚类方法,对出行量时间序列数据进行聚类分析,从而研究乘客出行的时空分布特征,最后结合北京市POI数据,探讨了不同区域乘客出行规律和区域功能类型的相互关系。结果表明,出租车出行量时间序列模式在工作日和周末间存在明显差异。此外,工作日的2个出行高峰与通常的通勤早晚高峰不同。由出行量所得的区域聚类结构,除具有重要交通枢纽功能的地块外,总体上以市中心为圆心大致呈同心圆分布,且距离市中心越远出行量越小。研究结果对于分析北京市居民出行行为、辅助城市交通规划具有一定的意义。     

基于网络地图的多交通模式医疗设施可达性分析

由于城镇化发展迅速、居民对医疗服务需求的提高,使得城市人口密集区域医疗服务压力增大,因此进行医疗服务设施可达性分析具有重要意义。本文以福州市主城区为例,医疗数据来自于福州市卫健委,利用爬虫技术获得小区户数进行人口估算,基于早、中、晚各时段的实时路况信息,计算居民点到医疗服务设施的最优路径旅行时间,并绘制医疗服务等时区,利用高斯距离衰减函数改进的两步移动搜法（Gaussian-Two Step Floating Catchment Area Method, Ga-2SFCA）,考虑出行模式,对福州市主城区二级以上医院进行可达性分析。结果表明：① 驾车出行模式下,医疗服务覆盖率和居民就医可达性要明显好于公共交通出行模式;② 驾车出行模式下,医疗服务可达性受出行时段影响较大;而公共交通出行方式下,各时段差异较小;③ 随着时间阈值的增大,居民点的医疗服务可达性等级提升,且高等级可达性范围逐渐扩大;④ 驾车模式下的医疗可达性空间分布和道路保持一致,呈现出“环线层次”的现象;而公共交通模式下的可达性空间分布由于受到城市公交微循环系统的影响,呈现出“轴向扩张”的现象。     

网约车数据挖掘的全流程方法研究

网约车数据挖掘对居民出行时空特征、智慧交通和人口流动等研究有着重要意义.由于网约车数据体量大,分析挖掘中存在数据处理复杂、交互困难、需要的软硬件条件高和技术实现难度大等问题,本文集成数据处理、数据存储、时空分析和可视化等多种技术手段,构建了一套适用于中小规模网约车数据挖掘的全流程解决方案:针对3个月的网约车数据,通过数据纠偏和数据压缩预处理技术,改善数据质量、减少数据体量;根据数据特点和轨迹数据时空分析共性特点,设计适宜的数据库结构,进一步提升数据查询及分析效率;再通过总结轨迹数据时空分析方法,采用核密度分析、空间聚类和统计分析,实现OD分析、车速分析和车流量分析,并通过开源时空大数据可视化库进行分析成果的展示.最后以重庆中心城区3个月的网约车数据为例进行验证,分析结果表明该方案具有一定适用性和可操作性.     

顾及出租车OD点分布密度的空间Voronoi剖分算法及OD流可视化分析

为对城市各区域出租车OD轨迹流进行可视化分析,需对城市作空间剖分处理,以产生研究所需的子区域。传统的欧氏距离空间剖分方法,在空间上进行硬性切割不能有效地顾及城市人、物的时空流动模式,因此,本文提出了一种空间约束条件下,顾及出租车OD点分布密度的网络Voronoi剖分方法。首先,将道路网的边细分成线性单元,然后,设定空间约束以产生合适的发生元,让各发生元在路网上以线性单元为单位扩散步长,以不同的速度向周围联通道路进行扩散,最终将城市空间划分成一系列与出租车OD点分布密度相适应的空间子区域。利用OD流可视化理论与技术,基于划分的城市子区域分析出租车在这些区域的时空流动,并结合图论知识探究城市空间OD流拓扑图结构的变化,分析不同划分区域出租车流动模式。最后,通过北京地区一天的出租车轨迹数据,对本文提出的算法及分析方法进行了实验。     

一种逐级合并OD流向时空联合聚类算法

现有OD流向聚类多将O点和D点相分离或者将OD流向看作4维空间的数据点进行聚类处理,忽视了流向长度、方向、时间对流向聚类的影响。本文以流向作为研究对象,提出一种基于流向间相似性度的逐级合并OD流向时空联合聚类算法。首先在充分研究OD流向的空间信息和时间信息的基础上,构建合理的OD流向间时空相似性度量方法,对OD流向间的时空相似性进行量化;然后提出逐级合并OD流向聚类策略,优化类簇合并的顺序,以减少层次聚类的时间开销,实现OD流向的时空联合聚类。以成都市的滴滴出行OD数据和纽约市出租车数据为例对本文方法进行了验证,结果表明：① 本算法聚类获得的流向类簇不仅带有空间特征还具备时间特征;② 在不同参数下本方法可以得到不同时空尺度的聚类结果;③ 与现有较高水平的流向聚类算法相对比,本文方法的聚类效果更好。这体现在流向类簇内部的流向之间有着充分的相似性,以及本文方法不仅可以提取出显著的流向类簇,还可以提取出非热点区域之间的流向类簇。本算法顾及空间因素和时间因素,可以通过调整时空相似性度量方法中的时间参数和空间参数以实现不同时空尺度的流向聚类,这使得从不同时空角度研究城市居民出行模式成为可能。本文提出的OD流向时空联合聚类算法从联合时间信息和空间信息的角度获得对运动数据的新见解,有助于合理全面地研究居民的移动模式、区域之间的空间联系、已知出行结构的确定以及出行目的的探索,是后续一系列分析工作的基础。     

面向轨迹起止特征点数据的多比例尺可视化方法

本研究以北京市出租车GPS轨迹数据为例,建立了一种面向轨迹起止特征点(Origin-Destination, OD)的多比例尺可视化表达方法。首先,依据轨迹点描述信息提取OD特征点,并进行无效点清理与排除;然后,利用分布密度指标和辅助行政区划数据实施聚类分析,对OD数据分布空间进行区域划分;最后,定义参量统计各区域间OD数据隐含的流向特征,并设计专门符号进行可视化。其中,通过调整最小区域面积控制参数建立与街区、商圈、城区等不同层次地理单元相对应的区域划分,从而获得涵盖3种不同级别的OD数据多比例尺表达结果。试验结果表明,本文提出的方法能够对轨迹OD数据进行有效降维,获取不同尺度下区域间的车辆移动关系,对揭示车流人流时空交互模式及辅助决策有参考意义。     

基于多源数据的北京市儿童专科医院空间可达性研究

儿童专科医院空间布局的合理性对提高儿童就医可达性和改善儿童健康水平具有重要作用。本研究采用北京市出租车轨迹、医院及人口等多源数据,运用增强两步移动搜寻法分析了北京市六环内儿童专科医院的潜在就医可达性和实际就医可达性。结果表明：六环内儿童专科医院的潜在可达性分布不均,五环与六环间的西北部、西南部和东部地区是明显的缺医区;六环内实际可达性均值高于潜在可达性,但空间差异性更大;潜在可达性的评价结果低估了三环内及规模较大医院周围地区的实际可达性,而高估了三环到五环之间区域的实际可达性。研究结果揭示了儿童专科医院医疗服务供给的空间不平等性,有助于为促进北京市儿科就医均等化提供依据。     

利用导航大数据挖掘城市热点区域关联性

导航大数据是大量与导航相关且具有泛在导航、定位、授时特征的数据集合。城市环境的特性影响居民的出行活动,而居民出行活动中产生的导航大数据则蕴含了城市环境的时空信息。热点区域空间分布以及热点区域之间的关联性特征是城市环境时空特性的重要组成部分,由客观的环境现状和主观的人为活动造成。通过挖掘导航大数据可以揭示这些特征。本文提出了利用导航大数据的城市热点区域关联性挖掘方法。首先,通过对居民出行的起点和终点坐标进行空间聚类,挖掘城市中的热点区域,并依据点的分布特点对城市热点区域进行离散化;然后,利用基于谱聚类和蚁群算法的方法分析居民出行特征,揭示城市中热点区域之间存在的关联性。本文提出的方法能够充分利用导航大数据对城市动态的感知能力。以上海市2007年2月20日的出租车轨迹数据为例进行分析,结果表明：利用导航大数据分析城市热点区域之间的关联性,可以得到具有紧密关联性的热点区域的空间分布特征;上海市居民出行活动频繁的热点区域被划分为15个内部紧密关联的子图,形成该分布特征的内在机制以及居民流通规律与上海市的土地资源利用及道路交通建设现状密切相关。分析方法和结果可为合理的城市功能区域规划,智慧城市建设等提供决策支持和参考信息。     

北京市居民地铁出行出发时间弹性时空分布特征研究

伴随城市转型进程的加快,交通需求不断膨胀,导致大城市交通拥堵日趋严重,以调节出行者的选择行为为核心要素的交通需求管理理念成为相关政策的重要理论基础,但现有研究也表明,交通需求管理对出行弹性较高的出行具有显著调节作用,而对出行弹性较低的出行调节作用并不明显。因此,加强出行弹性等居民出行行为研究日益迫切,而公交刷卡数据等新的时空数据为居民复杂出行行为的挖掘提供了新的契机。本文利用北京市2014年3月地铁刷卡数据,以出行者出发时刻的可变性来测度出发时间选择的可改变程度,对居民地铁出行出发时间选择弹性进行测度,并结合GIS空间分析技术对其时空分布特征进行分析。研究表明：① 北京市地铁出行的居民出行弹性平均值为0.521,出发时间选择弹性整体上较大,表明北京居民出发时间选择相对较为灵活;② 北京市居民地铁出行弹性存在时空差异,居民个体休息日出行弹性高于工作日,一天中高峰时段出行弹性高于非高峰时段;③ 居民出行弹性存在空间自相关,倾向于在空间上发生集聚,存在明显的冷热点区域;内城居民的出行弹性明显高于城市外围居民。     

基于WiFi探针数据的城市出行轨迹提取

为了更便捷地提取城市居民的出行轨迹,从而分析个体的日常空间行为,进而为城市管理的各项措施决策提供数据支撑,本文提出基于WiFi探针数据的城市出行轨迹提取方法,主要解决WiFi探针数据的路网匹配及丢失轨迹重构问题。首先,通过对终端MAC码和时间戳进行多列排序后提取出轨迹记录序列,利用信号强度RSSI值为每条记录提取坐落在路网上的候选点集。其次,设计基于局部评价的算法,对于每一个候选点,利用其前后相邻的几条记录提取的候选点集与其之间的时空关系,先后对其进行时间一致性评价和空间一致性评价,再结合以时间反比动态构建的权函数,得到最终评分;然后将每个候选点集中评分最高的点作为最佳匹配点,至此完成轨迹记录的路网匹配。最后,先采用基于深度优先的路径搜索算法搜索出丢失轨迹上下点之间的所有可行路径,再基于TOPSIS法决策出最优的重构路径。本文以东莞市市中心区域收集的WiFi探针数据为实验数据进行测试,平均每日可提取6万多条轨迹,与其中获取的GPS数据相比较验证了方法的可行性,为城市出行轨迹挖掘提供了新的解决方案。     

基于MapReduce的海量公交乘客OD并行推算方法

公交乘客出行OD能够反映居民出行特征和出行需求,是进行公交系统评价、调度和线路优化的重要基础数据,对城市规划具有重要的实用价值。现有公交OD推算方法多适用于少量公交数据,无法直接快速地推算海量公交乘客出行OD,因此本文提出了一种基于MapReduce的海量公交乘客OD并行推算方法。首先将公交数据从关系型数据库迁移至HBase数据库;接着利用MapReduce并行计算框架,根据HBase中IC卡数据的Region数量分成多个map任务,每个map任务中Map函数计算上车站点,Reduce函数将上车站点以用户为单位进行归并输出到HDFS;然后在上车记录数据的基础上,根据HDFS存储的块数量分成多个map任务,针对每个乘客的出行记录,综合考虑出行链方法和历史相似出行行为规律实现对公交乘客下车站点较为精确的推算。最后以厦门2015年6月13日至26日的IC卡数据和公交车辆GPS数据进行实例分析,共计算出295条公交线路,16 879 661条上车记录,14 410 058条完整OD记录,占IC卡数据的78.9%,计算效率相比传统方法有较大幅度提升。结果表明：该方法不仅可以较为准确地推算公交乘客上下车站点,而且计算效率较高。     

Spatial Structure of Urban Residents' Leisure Activities: A Case Study of Shenyang,China

The spatial characteristics of residents' leisure activities not only reflect their demand for urban leisure space but also affect the urban spatial layout. This study takes Shenyang, China as an example and analyzes the characteristics of residents' leisure activities through questionnaires. On this basis, it uses point of interest data and mobile phone signaling data to identify various types of residential and leisure functional relationships, and uses spatial analysis and community detection to assess the distance characteristics, flow patterns, and community structure of residents' leisure activities, so as to discuss the spatial structure of residents' leisure activities in Shenyang. The results showed that: 1) in addition to leisure at home, Shenyang residents mainly went to shopping malls, supermarkets,and parks for leisure activities, and the proportions of residents of the two types of leisure activities were approximately equal; 2) the average distances that residents traveled for shopping and park leisure were near in the middle and far in the periphery, and the travel costs of peripheral residents for centrally located leisure were higher than those for residents in central areas; 3) the flow patterns of the residential-shopping and residential-park functional relationships displayed clustering mode characteristics, and Shenyang presented a significant monocentric structure; and 4) residents' shopping activities were concentrated in the southern community, and walking in the park activities were concentrated in the western community. Residents' leisure activities were characterized by centripetal agglomeration,which was prone to problems such as traffic congestion and big city diseases. The spatial expansion process in the city was characterized by obvious directional inheritance and path dependence, and the construction of sub-cities is needed to improve the related service facilities.     

融合地图数据的山地城市医疗设施服务覆盖评估方法研究

随着我国社会经济的不断发展,居民对医疗的需求不断增加,分析评估城市医疗设施服务范围,对解决医疗供需矛盾,提升城市健康水平具有重要意义。目前国内医疗设施服务覆盖评估,多忽视交通网络与人群分布因素,致使城市医疗服务存在不少覆盖盲区。山地城市复杂地形环境影响居民出行能力与出行方式,增大医疗设施服务覆盖的难度,传统方法难以对其准确评估。本文在分析比对现有医疗可达性研究方法优劣势的基础上,以重庆市主城区为实验区,试图针对性地采用优化两步移动搜寻法,并根据网络地图数据、官方统计数据,基于GIS平台建立医疗设施可达性分析模型,从市域、片区与社区3个层级科学评估医疗设施服务覆盖范围与各街镇医疗可达性。结果表明,改进后的方法更能处理海量医疗数据,准确模拟医疗服务范围,并输出全层级医疗设施服务覆盖评估结果,更适用于交通复杂的山地地区与多层级医疗设施服务覆盖评估。综合评估显示,重庆市主城区医疗设施服务存在大型综合医院空间分布不均、基层医疗设施内部覆盖不全的问题,并且医疗覆盖度较好的街镇仅占总数的33.1%。据此,建议老城区集聚的优质大型医疗资源向新城地区共享的同时,按照地理区位与技术能力划分、组建层级完备的医疗片区,补齐老城区基层医疗服务的短板,以期完善重庆主城区医疗设施配置。     

大型商场顾客消费行为轨迹推断

如何获取大型商场内海量顾客消费行为一直是行为地理学面临的难点问题,而近年来爆发式增长的室内轨迹数据为这一问题解决提供了机遇,但室内轨迹的语义信息缺失、数据质量差等问题给推断顾客消费行为造成了挑战。本研究提出了一种顾及文本-轨迹的商场顾客消费行为轨迹推断框架,无需隐私敏感的顾客消费记录数据,可以获取大量顾客消费行为,该方法通过爬取室内店铺的网络文本,增强室内店铺语义属性,进而实现顾客几何轨迹到语义轨迹的转化提升,并引入了轨迹嵌入特征表示学习方法,捕捉群体轨迹之间的移动特征,综合轨迹移动特征、轨迹语义特征及顾客嵌入特征,通过高维聚类实现了大型商场顾客消费模式的推断。通过某大型商场7045位顾客的真实轨迹进行实验分析,实验结果表明,本文提出的方法与传统特征提取方法相比,聚类结果在轮廓系数上提升最高达69.8%,顾客消费行为提取准确率更高。研究发现,室内顾客移动具有一定楼层倾向性,并且室内空间结构如店铺位置、扶梯位置、功能区划分等,会影响顾客消费模式。本文提出的方法可以有效识别不同消费水平、移动特征的顾客群体,实现顾客消费行为的轨迹推断。