面向移动位置数据的移动性指标计算工具:设计实现与实践应用

发布时间：2021-12-31 08:24

　　大规模个体移动位置数据的涌现,为在个体移动特征的基础上充分理解群体移动特征、从精细的时空尺度全面理解居民出行行为规律提供了条件,对时空行为、城市、交通等领域的研究以及空间规划的编制与评估、交通需求的分析与预测等领域的实践应用有重要意义。目前,尽管移动位置数据已在城市和交通等研究领域取得了广泛应用,但对其分析仍缺少通用的分析思路和操作便捷的工具软件。为方便相关领域的研究者和从业者使用移动位置数据,提升移动位置数据的应用价值,基于活动空间的概念,选取可表征活动空间外部形态和内在结构的移动性指标,提出了对个体移动位置数据进行定量化描述性分析的方法思路,设计并实现了计算移动性指标的工具软件。通过手机信令、出租车、公交刷卡、公共自行车4种不同类型的常见移动位置数据,展示了工具软件的不同应用场景。 

【文章来源】：地理信息世界. 2020,27(05)

【文章页数】：7 页

【部分图文】：

活动空间示意图

3 应用案例选用公交刷卡、公共自行车、出租车轨迹、手机信令4种常见的移动位置数据,利用计算软件,分别测算其各项移动性指标。并利用配置为Intel Core i7-6700 HQ处理器,CPU@2.60 GHz,内存12.0 GB的笔记本电脑进行测试,记录对各数据测算移动性指标所需要的时间,具体见表4。由于计算软件是根据每个移动主体的活动点计算其移动性指标,因此,计算时间受到数据中所涉及到移动主体数量的影响。在计算结果的基础上,进一步结合描述性统计分析、地图可视化等方法揭示数据中所蕴含的人群活动规律及其在空间上的映射。

从南京市2018年6月某运营商手机信令数据中随机提取了18 858名用户的599 995条位置记录,采用500 m正方形格网作为空间分析单元,1 h为时间分析单元,利用计算软件测算了手机用户的各项移动性指标。图3利用累计概率分布对样本用户的移动性指标特征进行了分析。累计概率分布是将任意连续随机变量x的分布定义为:F(x)=∫-∞x f(x),进而计算出变量x的值小于任意特定值的概率。它可在个体指标的基础上,反映在集合层面上的数据特征,理解人群移动的整体规律。从图3中可以看出,60%的手机用户的活动半径小于5 km,80%的手机用户的活动半径小于10 km。从活动空间的形态指数来看,仅20%的手机用户的形态指数小于0.6,而近40%的手机用户的活动空间形态指数大于0.8,这说明大部分手机用户的活动空间更趋近于直线型。而从活动的多样性来看,南京手机用户活动的位置熵集中在[0,4]这一区间,而活动的时间熵集中在[3,5]这一区间。

【参考文献】：
期刊论文
[1]城市社区生活圈划定模型——以北京市清河街道为例[J]. 柴彦威,李春江,夏万渠,王珏,张雪,孙道胜.  城市发展研究. 2019(09)
[2]基于手机数据的城市公共空间活力评价方法研究——以南京市公园为例[J]. 罗桑扎西,甄峰.  地理研究. 2019(07)
[3]从出行到活动：国外时空行为调查的演变与发展[J]. 焦健,王德.  国际城市规划. 2020(03)
[4]基于居民行为周期特征的城市空间研究[J]. 钟炜菁,王德.  地理科学进展. 2018(08)
[5]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]. 杨喜平,方志祥.  地理科学进展. 2018(07)
[6]城市交通热点区域的空间交互网络分析[J]. 秦昆,周勍,徐源泉,徐雯婷,罗萍.  地理科学进展. 2017(09)
[7]轨迹数据挖掘城市应用研究综述[J]. 牟乃夏,张恒才,陈洁,张灵先,戴洪磊.  地球信息科学学报. 2015(10)
[8]信息时代的地理学与人文地理学创新[J]. 甄峰,秦萧,席广亮.  地理科学. 2015(01)
[9]大数据时代的人类移动性研究[J]. 陆锋,刘康,陈洁.  地球信息科学学报. 2014(05)
[10]大数据时代城市时空间行为研究方法[J]. 秦萧,甄峰,熊丽芳,朱寿佳.  地理科学进展. 2013(09)



本文编号：3559932