基于大规模手机定位数据的群体活动时空特征分析

被引：25

作者：

曹劲舟 ^{[1
]}

涂伟 ^{[2
,3
,4
]}

李清泉 ^{[1
,2
,3
,4
]}

曹瑞 ^{[5
]}

机构：

[1] 武汉大学测绘遥感信息工程国家重点实验室

[2] 深圳大学土木工程学院空间信息智能感知与服务深圳市重点实验室

[3] 海岸带地理环境监测国家测绘地理信息局重点实验室

[4] 深圳大学智慧城市研究院

[5] 宁波诺丁汉大学国际博士创新研究中心

来源：

地球信息科学学报 | 2017年 / 04期

关键词：

手机定位数据; 轨迹分析; 时空大数据; 群体活动; 时空特征;

D O I：

暂无

中图分类号：

P208 [测绘数据库与信息系统]; C912.6 [社会心理、社会行为];

学科分类号：

070503 ; 081603 ; 0818 ; 081802 ; 040203 ;

摘要：

城市空间与居民行为不断交互,相互影响。探究城市空间中的群体活动分布及其时空变化能够帮助数据驱动的城市规划与城市治理。基于大数据的时空间群体活动研究是当前时空大数据研究的一个热点。本文以深圳市为例,基于约1000万手机用户在某一工作日的基站尺度的手机定位数据,识别用户停留位置和停留活动,重建活动语义信息,分析用户的停留点和停留活动的分布差异,研究群体活动的时空分布模式,探讨人群活动模式的多样分布特征。研究表明:停留位置和活动分布存在差异,每人每天平均的停留个数约为2.1个,而每人每天平均从事的活动约为3.4个;不同类型的活动在时间上存在波动;群体活动存在空间分异特征,整体上服从"空间幂律"。本研究揭示了城市空间中群体活动的多样性及其时空分布特征,对于城市居民活动研究、城市交通优化和城市规划具有重要的意义。

引用

页码：467 / 474

页数：8

共 13 条

[1] 城市海量手机用户停留时空分异分析——以深圳市为例 [J].

徐金垒 ;

方志祥 ;

萧世伦 ;

尹凌 .

地球信息科学学报, 2015, 17 (02) :197-205

[2] 大数据GIS [J].

李清泉 ;

李德仁 .

武汉大学学报(信息科学版), 2014, 39 (06) :641-644+666

[3] 人类行为时空特性的统计力学 [J].

周涛 ;

韩筱璞 ;

闫小勇 ;

杨紫陌 ;

赵志丹 ;

汪秉宏 .

电子科技大学学报, 2013, (04) :481-540

[4] Analysis of the pattern and intensity of urban activities through aggregate cellphone usage [J].

Demissie, Merkebe Getachew ;

Correia, Goncalo ;

Bento, Carlos .

TRANSPORTMETRICA A-TRANSPORT SCIENCE, 2015, 11 (06) :502-524

[5] Characterizing activity sequences using profile Hidden Markov Models [J].

Liu, Feng ;

Janssens, Davy ;

Cui, JianXun ;

Wets, Geert ;

Cools, Mario .

EXPERT SYSTEMS WITH APPLICATIONS, 2015, 42 (13) :5705-5722

[6] Detecting the dynamics of urban structure through spatial network analysis [J].

Zhong, Chen ;

Arisona, Stefan Mueller ;

Huang, Xianfeng ;

Batty, Michael ;

Schmitt, Gerhard .

INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE, 2014, 28 (11) :2178-2199

[7]

Urban activity pattern classification using topic models from online geo-location data[J] . Samiul Hasan,Satish V. Ukkusuri.Transportation Research Part C . 2014

[8] The real-time city? Big data and smart urbanism [J].

Kitchin, Rob .

GEOJOURNAL, 2014, 79 (01) :1-14

[9]

Understanding individual mobility patterns from urban sensing data: A mobile phone trace example[J] . Francesco Calabrese,Mi Diao,Giusy Di Lorenzo,Joseph Ferreira,Carlo Ratti.Transportation Research Part C . 2013

[10]

Spatiotemporal analysis of critical transportation links based on time geographic concepts: a case study of critical bridges in Wuhan, China[J] . Zhixiang Fang,Shih-Lung Shaw,Wei Tu,Qingquan Li,Yuguang Li.Journal of Transport Geography . 2012

← 1 2 →