基于居民行为周期特征城市空间研究

来源：www.xysxzl.com时间：2021-03-06 09:41

面状旅游空间行为

1 引言

这些研究成果充分表明对城市空间的周期特征研究正是手机信令数据的优势所在,具有重要研究价值,其中,手机信令数据,其具有的精细化个体信息、实时动态性和近乎全覆盖性,成为地理研究和城市规划中时空间行为研究的有力工具,在城市空间结构和功能识别研究领域,已有国内外研究学者根据手机数据的时空分布绘制出揭示人们在城市空间中活动规律的动态地图(Calabrese et al, 2011),尝试根据区域的话务量随时间的不同变化曲线,区分城市不同区域和功能的土地利用特征(Calabrese et al, 2010);验证手机话务量与城市社会经济结构的相关关系(Sevtsuk et al, 2008);通过手机数据判断城市中的人口密集区(Rubio et al, 2013; 钮心毅等, 2014),通过聚类(Pei et al, 2014)、不同区域的人口流入和流出记录量(Yang et al, 2016)等方法对城市空间进行分类,随着信息技术的发展,获取大量动态的、带有精准空间信息的个人数据成为可能,大数据的价值得到越来越多的重视(Liu et al, 2015; 杨振山等, 2015; 甄峰等, 2015),且已广泛运用到时空间行为研究(秦萧等, 2013)、城市特定区域的识别和空间结构的认识(吴康敏等, 2016; 谢永俊等, 2017)、地铁站等设施类型的识别(尹芹等, 2016)、城市感知(杨微石等, 2017; 易峥等, 2017)等研究中,并且探讨了基于时空轨迹(龚玺等, 2011)、基于特征的时间序列(宋辞等, 2012)等大数据的聚类方法,已发表许多重要研究成果(郭璨等, 2014; 王德, 王灿等, 2015; 王德, 钟炜菁等, 2015; 钟炜菁等, 2017)。

基于居民行为周期特征城市空间研究

2.2 分析框架构建

研究整体分析框架如图2所示,按照“特征描述—空间分类”的逻辑顺序,首先,从对上海市中心城区空间活动的周期特征分析入手,发现城市空间活动的两个主要特征,即平日一日周期和平日加周末的二日周期,从活动曲线、昼夜差异比较、平日周末活动强度比较等角度具体分析这两个主要周期特征;其次,在此空间活动的周期特征认识的基础上,根据相似性与差异性,将具有相似时间周期特征的空间进行聚类,以区分城市中心区城市空间的不同类型,通过对分类结果的解释分析,形成基于居民行为周期特征的上海市中心城区活动空间的新认识,为空间活动品质的提升、优化提供参考和依据。

图2 分析框架

Fig.2 Analytical framework。

2.3 数据处理与分析方法

2.3.1 空间单元选择

2.3.2 数据处理和指标构建

(1) 城市整体活动曲线。

对两周内的10个平日内,中心城区各基站的总记录量以2小时为时间单元(6由于本次数据的自动更新周期普遍为两小时,以两小时为时间单元,可避免因自动更新带来的数据误差,)进行平均统计,并计算各时段记录量占一天总记录数的比例 R_avgj,公式如下：。

R_avgj=∑k=1,i=1k,iTi_j∑k=1,i=1,j=1k,i,jTi_j(1)。

式中：k为基站编号(k=1, 2, …7608); Ti_j为k基站在第i日第j个时段内的记录数,i为10个平日数据中的天数序号(i=1, 2, …10),j为2小时时间段的起始时间(j=0, 2, …22); R_avgj表示j时段记录量占一天总记录数的比例,如 R_avg0表示0-2点时段中心城区总记录量占一天总记录数的比例。

计算每个时段的 R_avgj(j=0, 2, …22)即得到中心城区整体的平日活动曲线,公式为：。

R_avg0,R_avg2,…,R_avgj,…,R_avg22(2)。

(2) 栅格空间数据统计向量构建。

原始数据为每个用户在各基站产生的单条记录,利用相关统计软件,基于前文所述的以栅格为空间单元的自适应半径的核密度分析,对每一个栅格内,以2小时为时间单元,构建一个记录强度统计向量T,公式如下：。

Tk_168=Tw1_0,Tw1_2,…,Twi_j,…,Tw10_22,Tnw1_0,Tnw1_2,…,Tnwi_j,…,Tnw4_22(3)。

对工作日(周一至周五,两周共10天)和周末(周六和周日,两周共4天)的记录强度数据进行相关性分析,结果显示,不同工作日内相同时间段的记录量数据在0.01水平上呈现显著相关,因此,对10天工作日和4天非工作日的数据分别计算记录量,再除10天工作日和4天非工作日,计算得到日均记录数,将数据维度由168维度降至24维,公式如下：。

Xk_24=Xw_0,Xw_2,…,Xw_j,…,Xw22,Xnw_0,Xnw_2,…,Xnw_j,…,Xnw_22(4)。

式中： Xi_j为该栅格在第i日第j个时段内平均记录数;i为日期(i=w, nw);其中,w表示工作日,nw表示非工作日即周末;j为时间段(j=0, 2, …22);如 Xw_0表示工作日0-2点时段日均记录数。

(3) 昼夜比指标

Indexk_day_night=Xw_10Xw_22(5)。

(4) 平日周末活动强度差异指标。

对每个栅格,以10天平日的日记录总量与4天周末的日记录总量的比值作为平日周末活动强度差异的整体指标 Indexk_twoday,计算公式如下：。

Indexk_twoday=∑wi=1wiTwi_j∑nwi=1nwiTnwi_j(6)。

式中：k、 Twi_j、wi、j、 Tnwi_j、nwi意义均与式(3)相同。

2.3.3 空间聚类方法

聚类数据上,为避免由于记录量差异带来的影响,对每个栅格,计算每个时段的记录量占该栅格24个时间段的总记录量的比值,得到24维度的记录强度占比数据,数据向量 Rk_24如下：。

Rk_24=Rw_0,Rw_2,…,Rwj,…,Rw22,Rnw0,Rnw2,…,Rnwj,…,Rnw_22(7)。

式中： Ri_j为该基站点在第i日第j个时段内的日平均记录数占24个时间段的比值;k、i、w、nw、j的意义与式(4)相同;如 Rw_0表示工作日0-2点时段的日平均记录数占24个时间段总记录数的比值;因此,每个栅格共有24个时间段,可以形成16962×24的数据矩阵,每一行表示了某栅格空间内的记录活动强度随时间变化特征。

3 空间周期特征分析。

3.1 一日周期特征

3.1.1 活动曲线

6-8点时段数据量开始增加,占一天总体数据规模的比例升至4.73%,表明了居民一天日常活动的开始,可以看出,2-6点时段,作为居民传统的睡眠时间,信令数据记录量最小,其中,2-4点时段和4-6点时段记录量仅占全天总数据规模的2.77%和2.87%,是全天记录量最小的2个时段,之后居民活动逐渐频繁,数据量也快速上升,至10点时段达到最高峰,约占全天记录总量的13.09%,18点时段下班之后,数据量又逐渐回落,但仍然保持着较高比例,说明居民在日常工作、学习后,随着可支配时间的增加以及活动内容的丰富(购物、餐饮、娱乐等休闲活动增多),活动仍较频繁,并持续到22点时段,中午12点时段,伴随着居民午餐、午休等活动,记录量有所下降(约占全天11.13%),但之后伴随下午上班开始,记录量又开始回升,在16点时段达到另一个高峰,约占全天记录总量的13.07%,而22点时段往后到次日凌晨,随着夜间休息时段的到来,数据规模又开始明显的下降,中心城区整体的平日活动曲线如图3所示。

图3 上海中心城区平日活动曲线。

Fig.3 Diurnal changes in records distribution。

总体而言,手机数据记录量的日节奏曲线呈现出典型的双峰型曲线,在居民的工作上班时间段达到高峰,休息时段达到低谷,与居民的日常行为规律有着明显的相似性。

3.1.2 时空分布

中心城区北部四区(即虹口区、杨浦区、普陀区和静安区)晚上记录强度较大,以居住为主,而南部四区(即黄浦区、徐汇区、长宁区和浦东新区外环线以内的中心城区部分)则白天记录强度较大,以就业为主,浦西地区整体记录强度明显高于浦东,在浦西内环以内的中心城区核心区,高强度活动空间成片分布,并沿交通廊道带状向外扩散;而浦东地区高强度活动地区则以点状分布为主,具体可以归纳为以下3个空间特征：首先,记录强度南北差异明显,最后,中心城区呈现出较为明显的核心—边缘的单中心结构,且核心—边缘差异明显,强度等级差异呈现圈层结构分布,从中心城区日记录强度的空间分布变化来看(以活动强度最大的时间段的分位数为等级划分标准⑦,对所有12个时间段进行统一等级划分,以不同颜色显示,图4展示了其中6个时段的空间分布),也存在较为明显的等级集聚特征,其次,黄浦江两岸差异对比明显。

图4 上海中心城区内人口平日6时段纪录强度变化。

Fig.4 Dynamic characteristics of population distribution in the city center of Shanghai。

中心城区各栅格平均昼夜比为1.71,即白天记录量高于夜晚,相反,大片集中居住社区(如浦兴路街道、中原新江湾城、大华居住区、共康新村)、村镇集中居住区(如北蔡镇、高桥镇)、集中安置区(如张江东部),以及老城区,则为主要的昼夜比低值区,计算昼夜比指标结果如图5所示,空间分布上,主要的昼夜比高值区为全市的核心就业区(如静安寺、南京路、陆家嘴中心)、区域副中心(如大宁路中心、徐家汇中心、花木中心)、经济技术开发区(如漕河泾新兴技术开发区、张江高科技园区)以及进出口加工区(如金桥出口加工区、外高桥保税区)等,因此,上海中心城区空间活动的总体结构为核心区呈T字型就业集中区,加散布的外围就业据点。

图5 上海中心城区记录强度的昼夜比空间分布。

Fig.5 The ratio of records in the city center of Shanghai at daytime and nighttime。

3.2 二日周期特征

3.2.1 活动节奏差异

Tab.1

表1

表1 平日周末活动节奏比较。

Tab.1 Comparison of record changes between weekdays and weekends。

时间段平日周末

平均记录量/(万条/日)占全天比重/%平均记录量/(万条/日)占全天比重/%0-2点1007.733.191032.634.11。

2-4点835.542.64832.243.31。

4-6点853.442.70814.413.24。

6-8点1354.934.281170.884.66。

合计31638.15100.0025144.31100.00。

3.2.2 时空分布

中心城区平均平日周末强度比为2.5,计算平日周末活动强度差异的整体指标,结果如图6所示,空间分布上,主要的昼夜比高值区为内环的核心区,包括静安寺、长寿路、南京西路、南京东路以及陆家嘴中心,高值已连片分布;其次,区域副中心,如大宁路中心、徐家汇中心,以及主要的就业区,如漕河泾新兴技术开发区、张江高科技园区、金桥出口加工区、外高桥保税区等,都是平日周末差异明显的区域,平日活动强度远高于周末。

图6 上海中心城区整体平日周末差异。

Fig.6 The ratio of records on weekdays and weekends in the city center of Shanghai。

）代表下午和晚上,分别计算各时段平日记录量和周末记录量的比值(图7),可以发现,在下午时段,平日周末记录量差异比在空间分布上呈现出就业中心(如静安寺商务区、陆家嘴、漕河泾新兴技术开发区、张江高科技园区、金桥进出口加工区、外高桥保税区等)比值高,这些区域平日和周末伴随着工作人员的流入流出,记录量强度差异明显,平日周末记录量差值比较大的区域集中分布在浦东地区,且以各集中就业区表现得尤为明显,这也进一步反映了在浦东的稳定居住人口较少,并且夜间的活动场所有限,因此在周末,浦东的夜间活动强度与浦西相比明显不足,而在晚上时段的差异比,与下午时段呈现出较为明显的差异,整体分布格局并非呈现核心—外围区域差异结构,而是浦西和浦东地区比值差异显著。

图7 上海中心城区不同时段平日和周末记录量差异比较。

Fig.7 Comparison of the ratio of records on weekdays and weekends in two different periods in the city center of Shanghai。

4 空间分类

在上述对时间维度的上海中心城区空间特征分析结果的基础上,尝试从活动随时间变化的节奏曲线特征角度,对上海中心城区的空间进行划分。

4.1 分类结果分析

聚类过程在R软件中实现(Bodenhofer et al,2011),结果将中心城区归纳为4个大类8个小类活动区域,并显示了各类空间所对应的典型活动曲线和主要的用地类型⑨（⑨由于土地利用现状(2014年)数据采用的是国家《城市用地分类与规划建设用地标准GBJ137—90》用地分类标准,因此本研究中也使用这一分类标准,）(图8,表2)。

图8 上海中心城区基于二日周期活动曲线的空间聚类及各类典型波形。

Fig.8 Spatial clustering based on dynamic characteristics and typical curves in the city center of Shanghai。

Tab.2

表2

表2 上海中心城区空间分类结果。

Tab.2 Spatial clustering results of the city center of Shanghai。

周末活跃区平日活跃区平日周末均衡区其他总计。

持续型短时型差异较小型差异较大型昼间波动型昼夜波动型夜间波动型特征周末活动强度明显强于平日,且其白天的高强度活动有一定持续性周末活动强度明显强于平日,且其白天的高强度活动只在下午时段出现平日活动强度明显强于周末,且两者差异较小平日活动强度明显强于周末,而两者差异较大平日周末活动均衡,且昼夜波动小,白天波动较大平日周末活动均衡,且昼夜活动强度都有所波动平日周末活动均衡,且夜间强度明显下降,波动较大周末活动强度有所下降。

分布闵行体育公园东侧居住区和市场顾村公园南侧内环内的核心活动区域典型的集中就业区大型居住区功能多样的混合地带集中购物休闲区均衡区和平日活跃区之间。

面积/km26.602.8457.7656.88271.4085.6021.08176.32678.48。

占比/%0.970.428.518.3840.0012.623.1125.09100.00。

第一大类用地居住用地非建设用地居住用地工业用地居住用地居住用地居住用地居住用地。

用地占比/%44.8521.1331.0931.0846.0337.6638.7125.34。

第二大类

用地公共设施

用地绿地道路广场

用地公共设施

用地工业用地工业用地公共设施。

用地工业用地

用地占比/%26.6721.1322.9920.899.8011.7823.1519.46。

第三大类

用地对外交通

用地村镇建设

用地公共设施

用地村镇建设

用地公共设施

用地绿地公共设施

用地

用地占比/%8.4816.9021.3317.869.209.9111.0111.86。

该空间类型的特征是周末记录量占比明显高于平日,以周末活动为主,(1) 周末活跃区,其中,根据周末记录变化曲线的不同,又可细分为周末持续型和周末短时型,图8中深蓝色的持续型区域为闵行体育公园的东侧,其周末白天的高活动强度有一定的持续性,可以看出,周末活跃区主要为公园、公共设施用地等休闲娱乐类空间及周边地区,周末人群活动强度大,但不同地区或类型的休闲娱乐类空间,其活动的持续时间从波形来看有所差异,深绿色的短时型区域为顾村公园的南侧,非建设用地和绿地为最主要的用地类型,各占该类型的21.13%;另外,村镇建设用地也占比较高,为16.9%,其周末白天的高强度活动只在下午时段出现,从用地上来看,主要是位于公园周边的居住用地(占该类型的44.85%),以九星市场为主的公共设施用地(占比为26.67%),以及8.48%的交通用地。

红色的差异较小型区域主要为上海的中央核心活动区域,活动内容丰富,因此活动曲线呈现出昼夜差异明显,周末与平日相比有所下降;最主要的3类用地类型为居住用地、道路广场用地以及公共设施是用地,而灰色区域周末记录量与平日相比降低明显,为中心城区典型的集中就业区,包括陆家嘴的核心区、张江高科技园区、外高桥保税区、漕河泾工业园区等,这类空间集聚了大量就业岗位,但相关生活配套较少,因此在周末或夜晚非工作时间段,随着工作人员的离开,数据记录量骤降,(2) 平日活跃区,该空间类型的平日记录量占比明显高于周末,以平日活动为主,从用地构成上来看,也可以发现以工业用地、公共设施用地,以及村镇建设用地等这些集中提供就业岗位的用地类型为主。

该空间类型的平日和周末的记录量占比较为均衡,活动强度在平日周末之间没有很大的差异,但每日的波形特征有所差异,据此可细分为昼间波动型、昼夜波动型和夜间波动型3种小类空间,(3) 平日周末均衡区,其中,橙色表示的昼间波动型,主要集中在大型居住区,如中原社区、曲阳社区、金桥社区、孙桥集镇等,这些区域人群稳定,因此即使晚上时段占比也较高,整个波形一直处在较高的占比水平,在白天的上午10点和下午2点时段左右形成了4个明显的波峰,以白天波动较明显;蓝色的昼夜波动型区域则功能较为混杂多样,没有明显的主导功能,其波形特征也与中心城区整体的波形最为相似;紫色的夜间波动型区域主要与中心城区较为集中的购物休闲区相关,如五角场商圈、大宁路商圈、四川北路、中山公园、真如副中心、锦江乐园等,主要用地类型包括居住、公共设施用地和绿地,这些区域作为中心城区主要的商圈平日周末都人气较旺,但活动都集中在白天时段,因此夜晚活动明显下降,占比降低,昼夜差异较明显。

(4) 其他,该空间类型的特征是周末记录量与平日相比有小幅的下降,程度介于上述平日周末均衡区和平日活跃区之间,因此空间分布上也主要处于这2类空间区域的中间地带。

反观外围地区,各类用地大面积集中(如大型工业区、居住区、大学城),因此分区结果也表现出各类空间点状分散分布的特征,如城市公园为主要的周末活跃型区域,仍保留着居民活动曲线与用地类型的大致相关性,有较为明显的空间分区边界,这一特征与用地布局密切相关,上海内环内的核心区各类用地(如公共设施用地、居住用地、公园绿地等)布局混合,使得居民进行各类活动的空间灵活性提升,就业、休闲、居住等功能的空间边界日益模糊,研究的分类结果可大致看出上海中央活动区的空间边界,同时,内环以内地区的功能类型丰富混合,内环以外地区则功能区域更加集中和单一,总体来看,在上海中心城区范围内,大多数区域的活动记录在平日周末较为均衡,越往核心区即内环以内,由于以公共服务、商务办公等功能为主,平日活力逐渐强于周末,平日和周末之间的记录活动差异开始增加。

在认识空间的动态活动特征后,可结合其活动特征加以规划和管理,如周末活跃区和平日活跃区,其活动强度在平日和周末差异大,可考虑在其活动强度较低时段引入其他功能,如丰富陆家嘴就业区在周末的活动,虹口足球场增加白天时段的活动项目以提高空间全时段的活动效率,对于只有短时人群大量集聚的短时型周末活跃区(如活动集中在周末下午的顾村公园南侧区域),可考虑丰富其活动类型,提高活力的持续性,同时重视做好人群集聚爆发时段的预测预警,加强监控和管理工作。

5 结论与讨论

The authors have declared that no competing interests exist.。

[1]

柴彦威, 申悦, 马修军, 等. 2013.。

[Chai Y W, Shen Y, Ma X J, et al.2013.。

[2]

柴彦威, 沈洁. 2008.。

[Chai Y W, Shen J.2008.。

[3]

柴彦威, 塔娜. 2013.。

[Chai Y W, Ta N.2013.。

[4]

龚玺, 裴韬, 孙嘉, 等. 2011.。

[Gong X, Pei T, Sun J, et al.2011.。

[5]

郭璨, 甄峰, 朱寿佳. 2014.。

[Guo C, Zhen F, Zhu S J.2014.。

[6]

钮心毅, 丁亮, 宋小冬. 2014.。

最后,对工作日、休息日昼夜手机用户密度比值、夜间手机用户密度进行比较,用于识别就业、游憩、居住功能区及其混合程度,随后,对工作日10点、休息日15点的手机用户密度空间分布进行空间聚类和密度分级,用于识别城市公共中心的等级和职能类型,首先,使用移动通讯基站地理位置数据和手机信令数据,依据基站汇总所连接用户数量,采用核密度分析法生成手机用户密度图,分别计算了上海中心城内工作日10点和23点、休息日15点和23点的多日平均用户密度图,以上海中心城为例,提出了利用手机定位数据识别城市空间结构的方法。

[Niu X Y, Ding L, Song X D.2014.。

[7]

秦萧, 甄峰, 熊丽芳, 等. 2013.。

[8]

宋辞, 裴韬. 2012.。

[Song C, Pei T.2012.。

[9]

王德, 王灿, 谢栋灿, 等. 2015.。

[Wang D, Wang C, Xie D C, et al.2015.。

[10]

王德, 钟炜菁, 谢栋灿, 等. 2015.。

[Wang D, Zhong W J, Xie D C, et al.2015.。

[11]

吴康敏, 张虹鸥, 王洋, 等. 2016.。

[Wu K M, Zhang H O, Wang Y, et al.2016.。

[12]

谢永俊, 彭霞, 黄舟, 等. 2017.。

[Xie Y J, Peng X, Huang Z, et al.2017.。

[13]

杨微石, 郭旦怀, 逯燕玲, 等. 2017.。

[Yang W S, Guo D H, Lu Y L, et al.2017.。

[14]

杨振山, 龙瀛, Douay N.2015.。

着重剖析了大数据对人文—经济地理学数据获取,研究思维与范式,研究内容、研究时空尺度与研究目标等方面的促进作用与存在问题,特别是由于大数据自身发展的不完善,在数据收集特别是数据属性方面还存在很大的局限,缺乏理论基础将会使得大数据与实际应用受到很大限制,同时,数据本身也不能替代研究者思维和决策过程,梳理和分析了目前大数据在人文—经济地理学主要研究领域,包括城市内部空间研究、交通与消费行为、社会空间与社会网络研究中的最近进展,以及大数据对参与式研究和决策平台的作用,因此,人文—经济地理学者应该科学对待大数据所带来的机遇,弥补和丰富以往发展中的短板,即完善学科数据建设、建立大数据应用较为完善的研究方法体系,促进跨域数据整合和跨域研究,以及推进研究对象和研究目的的转变,以人类社会经济活动为主要研究对象的人文—经济地理学与当前大数据建设和发展趋势具有高度一致性,大数据的发展对丰富和完善人文—经济地理学势必起到积极的推动作用,同时也对人文—经济地理学的学科思维和研究方法提出了新的挑战,大数据技术的诞生不仅快速推动着社会的进步,而且也将科学研究不断引向新的高度。

[Yang Z S, Long Y, Douay N.2015.。

[15]

易峥, 李继珍, 冷炳荣, 等. 2017.。

[Yi Z, Li J Z, Leng B R, et al.2017.。

[16]

尹芹, 孟斌, 张丽英. 2016.。

[17]

张文忠, 李业锦. 2006.。

研究表明,教育程度、职业类型、收入水平、交通出行方式和购物出发点等居民属性特征显著影响着居民消费区位的偏好,居民对区位、商品价格、服务质量、休息场所、配套设施、停车场等商业环境满意度的评价水平明显影响着居民的消费区位决策,但居民对交通条件、商业规模和商业氛围等满意度的评价水平对消费者区位选择决策的影响并不显著,以居民消费行为与商业区位选择为研究目的,从消费者属性和商业环境双重视角,构建计量经济模型分析居民消费区位偏好和区位决策行为,因此,针对不同消费者要开发和建设不同类别的商业区,以满足不同层次居民的消费需求;另外,良好的商业区位、多元化商品价格、高质量服务水平、完善的休息场所和配套设施、充足的停车场设施等是吸引居民消费的重要条件,也应该是商业区环境建设的重点内容。

[Zhang W Z, Li Y J.2006.。

[18]

甄峰, 席广亮, 秦萧. 2015.。

[19]

钟炜菁, 王德, 谢栋灿, 等. 2017.。

[Zhong W J, Wang D, Xie D C, et al.2017.。

[20]

朱玮, 王德. 2008.。

[Zhu W, Wang D.2008.。

[21]

Bodenhofer U, Kothmeier A, Hochreiter S.2011.。

[22]

Calabrese F, Colonna M, Lovisolo P, et al.2011.。

This paper describes a new real-time urban monitoring system. The system uses the Localizing and Handling Network Event Systems (LocHNESs) platform developed by Telecom Italia for the real-time evaluation of urban dynamics based on the anonymous monitoring of mobile cellular networks. In addition, data are supplemented based on the instantaneous positioning of buses and taxis to provide information about urban mobility in real time, ranging from traffic conditions to the movements of pedestrians throughout the city. This system was exhibited at the Tenth International Architecture Exhibition of the Venice Biennale. It marks the unprecedented monitoring of a large urban area, which covered most of the city of Rome, in real time using a variety of sensing systems and will hopefully open the way to a new paradigm of understanding and optimizing urban dynamics.。

[23]

Calabrese F, Reades J, Ratti C.2010.。

Researchers use eigendecomposition to leverage MIT's Wi-Fi network activity data and analyze to the physical environment. We proposed a method to analyze and categorize wireless access points based on common usage characteristics that reflect real-world, placed-based behaviors. It uses eigendecomposition to study the Wi-Fi network at the Massahusetts Institute of Technology (MIT), correlating data generated as a byproduct of network activity with the physical environment. Our approach provides an instant survey of building use across the entire campus at a surprisingly fine-grained level. The resulting eigenplaces have implications for reseach across a range of wireless technology as well as potential applications in network planning, traffic and tourism management, and even marketing.。

[24]

Clark C.1951.。

[25]

Frey B J, Dueck D.2007.。

[26]

Gollege R G.1997. Spatial behavoir: A geographical perspective[M]. New York: Guilford Press.。

[27]

Hagerstrand T.1970.。

[28]

Iovan C, Olteanu-Raimond A M, Couronné T, et al.2013.。

[29]

Liu Y, Liu X, Gao S, et al.2015.。

[30]

Pei T, Sobolevsky S, Ratti C, et al.2014.。

[31]

Reades J, Calabrese F, Sevtsuk A, et al.2007.。

Cellular networks hold out the promise of a continuously updated locational data stream for a very large sample of a city。

[32]

Rubio A, Sanchez A, Frias-Martinez E.2013.。

[33]

Sevtsuk A, Ratti C.。

Explorations into urban mobility patterns using aggregate mobile network data[R]. MIT Portugal Program, 2008.。

[34]

Vajakas T, Vajakas J, Lillemets R.2015.。

[35]

Yang X, Fang Z, Xu Y, et al.2016.。

Understanding spatiotemporal patterns of human convergence and divergence using mobile phone location data[J]. ISPRS International Journal of Geo-Information, 5(10): 177. doi:10.3390/ijgi5100177.。

北京居民活动与出行行为时空数据采集与管理。

2013

北京居民活动与出行行为时空数据采集与管理。

2013

基于活动分析法的人类空间行为研究。

2008

基于活动分析法的人类空间行为研究。

2008

中国时空间行为研究进展。

2013

中国时空间行为研究进展。

2013

时空轨迹聚类方法研究进展。

2011

... 随着信息技术的发展,获取大量动态的、带有精准空间信息的个人数据成为可能,大数据的价值得到越来越多的重视(Liu et al, 2015; 杨振山等, 2015; 甄峰等, 2015),且已广泛运用到时空间行为研究(秦萧等, 2013)、城市特定区域的识别和空间结构的认识(吴康敏等, 2016; 谢永俊等, 2017)、地铁站等设施类型的识别(尹芹等, 2016)、城市感知(杨微石等, 2017; 易峥等, 2017)等研究中,并且探讨了基于时空轨迹(龚玺等, 2011)、基于特征的时间序列(宋辞等, 2012)等大数据的聚类方法.其中,手机信令数据,其具有的精细化个体信息、实时动态性和近乎全覆盖性,成为地理研究和城市规划中时空间行为研究的有力工具.已发表许多重要研究成果(郭璨等, 2014; 王德, 王灿等, 2015; 王德, 钟炜菁等, 2015; 钟炜菁等, 2017).在城市空间结构和功能识别研究领域,已有国内外研究学者根据手机数据的时空分布绘制出揭示人们在城市空间中活动规律的动态地图(Calabrese et al, 2011),尝试根据区域的话务量随时间的不同变化曲线,区分城市不同区域和功能的土地利用特征(Calabrese et al, 2010);验证手机话务量与城市社会经济结构的相关关系(Sevtsuk et al, 2008);通过手机数据判断城市中的人口密集区(Rubio et al, 2013; 钮心毅等, 2014),通过聚类(Pei et al, 2014)、不同区域的人口流入和流出记录量(Yang et al, 2016)等方法对城市空间进行分类.这些研究成果充分表明对城市空间的周期特征研究正是手机信令数据的优势所在,具有重要研究价值. ...。

时空轨迹聚类方法研究进展。

2011

智能手机定位数据应用于城市研究的进展与展望。

2014

智能手机定位数据应用于城市研究的进展与展望。

2014

基于手机数据识别上海中心城的城市空间结构。

2014

基于手机数据识别上海中心城的城市空间结构。

2014

大数据时代城市时空间行为研究方法。

2013

大数据时代城市时空间行为研究方法。

2013

基于特征的时间序列聚类方法研究进展。

2012

基于特征的时间序列聚类方法研究进展。

2012

基于手机信令数据的上海市不同等级商业中心商圈的比较: 以南京东路、五角场、鞍山路为例。

2015

基于手机信令数据的上海市不同等级商业中心商圈的比较: 以南京东路、五角场、鞍山路为例。

2015

手机信令数据在城市建成环境评价中的应用: 以上海市宝山区为例。

2015

手机信令数据在城市建成环境评价中的应用: 以上海市宝山区为例。

2015

广州市多类型商业中心识别与空间模式。

2016

广州市多类型商业中心识别与空间模式。

2016

基于微博数据的北京市热点区域意象感知。

2017

基于微博数据的北京市热点区域意象感知。

2017

基于大数据的文化遗产认知分析方法: 以北京旧城中轴线为例。

2017

基于大数据的文化遗产认知分析方法: 以北京旧城中轴线为例。

2017

大数据对人文: 经济地理学研究的促进与局限。

2015

大数据对人文: 经济地理学研究的促进与局限。

2015

基于微博语义分析的重庆主城区风貌感知评价。

2017

基于微博语义分析的重庆主城区风貌感知评价。

2017

基于客流特征的北京地铁站点类型识别。

2016

基于客流特征的北京地铁站点类型识别。

2016

北京城市居民消费区位偏好与决策行为分析: 以西城区和海淀中心地区为例。

2006

北京城市居民消费区位偏好与决策行为分析: 以西城区和海淀中心地区为例。

2006

基于地理视角的智慧城市规划与建设的理论思考。

2015

基于地理视角的智慧城市规划与建设的理论思考。

2015

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。

2017

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。

2017

南京东路消费者的空间选择行为与回游轨迹。

2008

南京东路消费者的空间选择行为与回游轨迹。

2008

APCluster: An R package for affinity propagation clustering。

2011

... 聚类过程在R软件中实现(Bodenhofer et al,2011),结果将中心城区归纳为4个大类8个小类活动区域,并显示了各类空间所对应的典型活动曲线和主要的用地类型⑨（⑨由于土地利用现状(2014年)数据采用的是国家《城市用地分类与规划建设用地标准GBJ137—90》用地分类标准,因此本研究中也使用这一分类标准.）(图8,表2). ...。

Real-time urban monitoring using cell phones: A case study in Rome。

2011

Eigenplaces: Segmenting space through digital signatures。

2010

Urban population densities。

1951

Clustering by passing messages between data points。

2007

1997

What about people in regional science?。

1970

2013