2. 陕西省旅游信息科学重点实验室, 西安 710119;
3. 青海省地理空间信息技术与应用重点实验室, 西宁 810000;
4. 青海省地理空间和自然资源大数据中心, 西宁 810000
2. Shaanxi Key Laboratory of Tourism Informatics, Xi'an 710119, China;
3. Geomatics Technology and Application key Laboratory of Qinghai Province, Xining 810000, China;
4. Big Data Center of Geospatial and Natural Resources of Qinghai Province, Xining 810000, China
城市居民出行时空行为研究一直是地理学关注的焦点问题之一,它帮助理解居民出行特征及其与建成环境之间的关系,为解读城市空间结构重构提供重要的视角,对指导城市规划、管理和为居民提供智慧服务具有应用意义[1]。近年来,我国时空间行为研究经历了快速的发展,研究成果已涉及到居民时空行为的多个方面,包括通勤行为[2]、休闲行为[3]、购物行为[4]等,并深入分析了居民出行活动的时空间分异及建成环境、性别、年龄、收入、教育等因素对居民出行行为的影响[5-9]。这些研究主要利用问卷调查数据,从个体微观的视角解析居民在城市中的时空行为,透析人类活动与城市空间之间的复杂的相互作用关系,进一步加深理解中国城市生活方式[10]。
最近,随着信息与通讯技术的发展、感知设备的普及,获取和存储大规模的城市居民时空轨迹数据成为可能,为研究居民时空间行为特征注入新鲜血液。与传统问卷调查数据相比,时空轨迹大数据具有覆盖范围广、样本量大、更新快等优点,成为研究城市人群移动行为与空间结构的主要数据源,给时空行为研究带来了新的机遇和变革[11-14]。学者们已利用时空轨迹大数据从宏观、群体、时空动态等多个新的角度探讨城市人群移动行为,不仅包括职住关系和通勤出行[15, 16]、活动空间与社区分异[17, 18]、出行活动链[19]以及居民活动特征与收入的关系[20, 21]等传统的研究领域,还包括群体聚散模式[22]、土地功能动态探测[23]、空间多中心结构[24]等新的研究视角解析城市居民的时空行为和城市的空间结构以及两者的关系。
无论是轨迹大数据还是问卷调查数据,在时空行为研究中都具有各自的优劣势。轨迹大数据虽然可以从宏观群体角度度量人群在城市空间中的时空变化,但由于缺乏个体详细的社会经济属性和出行活动目的等语义信息,因此无法从微观角度分析个体出行背后的潜在影响因素,但这却是问卷调查数据的优势所在,因此,将轨迹大数据与问卷调查数据进行融合,从多角度综合理解人群在城市地理空间中的移动特征,是未来研究方向之一[11, 25]。此外,目前基于这两种数据的研究主要集中在北京、上海、广州等大城市和东部沿海地区,西部和中小城市的相关研究较少,北京大学柴彦威教授利用出行问卷调查数据针对西宁市的居民出行展开了一系列研究,从活动空间、时间分配、休闲满意度等角度分析了西宁市居民出行模式以及影响因素[26-29],但是由于受到数据和样本的限制,没有系统的对城市不同群体的出行差异进行研究,因此本研究以西宁市为例,采用定义移动距离、回转半径、出行频次和停留位置个数四个指标,利用手机轨迹数据来定量分析西宁市居民的出行特征及群体差异,系统的比较西宁市不同年龄段人群出行特征及差异、同一年龄段男性和女性的出行特征差异以及同一年龄段相同性别的人群在工作日和休息日的出行特征差异,为西部城市居民出行及规划等提供科学依据。
2 数据与研究方法 2.1 研究区域西宁市处于湟水中游河谷盆地,是青海省政治、经济、科教和文化中心,由于受山地和河流的限制,西宁市的空间结构呈东西“十字”的放射条带状(图 1)。由于海拔相对较低,西宁是青藏高原上比较宜居的大城市,到2018年末,西宁市常住人口237.11万。目前,西宁市辖有城东区、城中区、城西区、城北区、湟中区5个区以及湟源县、大通回族土族自治县2个县,此外设有西宁(国家级)经济技术开发区、城南新区(属城中区)、高新技术开发区(生物科技产业园区)、海湖新区共4个功能区。总面积约7660km2,其中城东、城中、城西和城北四个区是西宁市的中心主城区,是居民工作和生活的主要区域,面积约360km2。本研究选取四个主城区作为研究区域,分析主城区居民的主要出行特征。
由于覆盖范围内广、数据量大且更新及时,手机数据已经成为研究城市人群移动的重要数据源。本研究的手机数据来自中国联通通信有限公司,主要覆盖西宁市主城区,包括工作日(2018年8月1日周三)和休息日(2018年8月4日周六)两天的轨迹,每天约36万用户,约覆盖西宁市城镇人口的20%,轨迹点记录数约4300万,平均每个人一天约120个记录点,其中每个记录点的属性包括用户ID(加密)、性别、年龄、归属地(西宁市)、活动类型(包含通话、上网流量和短信三种类型)、活动开始时间、活动结束时间以及提供服务的基站经纬度,为了保护用户的隐私,在获取数据之前,通讯公司已对数据进行了严格的加密处理。本文手机数据中共识别出约2600个基站,基站空间分布如图 1所示,主城区路网“十字”交汇处分布比较密集,远郊区分布较稀疏。
此外,为确保数据的有效性和准确性,本研究在数据分析之前对手机轨迹数据做如下处理:①由于通讯信号的不稳定性,手机信号可能在邻近几个基站间频繁跳动的震荡点和出现远距离的漂移点,会导致计算用户出行特征时出现误差。本研究采用林楠等[30]提出的方法对原始轨迹进行噪声处理,减少震荡点和漂移点对计算移动特征的影响。②由于轨迹点的记录数与用户对手机的使用(通话、上网和短息)频率有关,如对很少使用手机的用户,可能一天只记录了几个轨迹点,这样在计算用户出行特征时出现较大误差。本研究对工作日和休息日,分别遍历每个用户一天的记录,挑选出一天中每个小时段都有记录的用户。③手机数据中有些用户工作日存在记录而休息日没有记录,或休息日有记录而工作日没有记录,为了更好的比较西宁市居民工作日和休息日人群移动特征差异,本研究在②挑选出的基础上,进一步挑选出工作日和休息日均具有记录的用户。
经过以上三个步骤处理,筛选出本研究的手机数据集,该数据具有以下两个特点:①由于挑选每个时段都有记录的用户,能全天每个时段都能感知用户在城市的空间位置,能完整构建用户一天的出行轨迹,提高了计算居民出行特征的精度。传统的调查数据只能通过被访问者的回忆来确定活动位置和时间,不能客观的感知居民的出行时空路径;单纯的手机信令数据只有在用户通话时才记录用户的位置,当用户的通话频率较小时,导致记录的时空分辨率较低,使得在计算用户的出行特征时出现较大偏差。②不同于一般的信令数据,本数据不仅有轨迹数据,还包含用户的性别、年龄等人口特征信息,因此,可以用来研究城市不同群体的出行差异。本研究共选出54199个用户,其中男性占64%,女性占36%。为了分析不同年龄段居民出行差异,分别将男性和女性用户按年龄≤20、21—30、31— 40、41—50、51—60、>60岁分成6个年龄段,分别统计了男性和女性用户各年龄段样本量及所占的比例,如图 2和表 1所示,可以看出男性和女性在各年龄段的分布基本一致,20—30岁年龄段的用户最多。
随着时空轨迹大数据的兴起,学者们已提出多种指标从不同方面(如空间和时间)定量人群移动特性[21]。本研究选取移动距离、活动半径、出行频次和停留位置个数四个基本的指标来定量西宁市人群移动特征。
针对每个用户,将其一天的轨迹点按时间顺序串联,构建用户出行的时空轨迹,如下:
(1) |
其中(xi, yi) 为基站的坐标,ti为记录时间,n为记录点的个数。下面将基于该轨迹,计算人群移动距离、活动半径、出行次数和停留位置个数。
(1)移动距离。移动距离反映了个人一天移动总距离,是描述人群移动特征最基本的指标,是时空轨迹中相邻两个点的距离之和,本研究采用直线欧氏距离来衡量两个轨迹点的距离,基于用户的时空轨迹,移动距离的计算公式如下:
(2) |
(2)回转半径。在手机轨迹数据研究中,回转半径被频繁的用来定量用户的活动半径,基于用户时空轨迹,回转半径的计算公式如下:
(3) |
其中xc和yc是一天中所有轨迹点的几何质心。因此,回旋半径是采用一天中用户轨迹点偏离其几何质心的程度来定量用户的活动空间,R越大,表示用户的活动范围就越大。
(3)出行频次和停留位置个数。出行频次反映了个体日常出行的需求量,是城市交通需求分析和规划的重要信息。停留位置个数反映了个体一天访问位置的个数,对应用户参与活动的情况。个体一天的轨迹是由移动和停留两个部分组成,分别对应着出行与活动,因此出行频次与停留位置个数是反映个体出行特征的重要指标。本研究采用经典的轨迹的停留与移动模型(Stop and Move of Trajectory, SMoT)来识别用户轨迹中移动部分和停留部分[31]。在识别停留时,需要设置即空间和时间阈值,即个体在设定的空间范围内停留的时间超过一定的时间阈值才将其视为一次停留。结合既有研究以及手机基站的空间分辨率,本研究选定空间阈值为500m。在时间阈值的选择上,本研究选择30分钟作为阈值来捕捉人们日常生活的持续时间较长的重要活动。基于SMoT方法,将用户出行的时空轨迹转换成移动和停留的分段模型[32],如下:
(4) |
其中stay和move分别表示停留和移动部分,每个停留包括停留位置基站sitei、开始时间sti和结束时间eti三个属性,移动包括起点基站siteo和终点基站sited两个属性。基于该分段模型,个体的日出行频次即等于移动的个数:
(5) |
从停留部分stay,可以提取出个体一天中停留基站序列(site1, …, sitei, …, siten),n为停留个数,值得注意的是个体有可能一天中在同一基站停留次数多于一次,因此个体一天的停留个数并不一定等于其停留位置个数,因此需要对上面停留基站序列中的基站进行去重,即可得到用户一天中访问的位置序列,从而求出一天中个体的停留位置个数:
(6) |
首先,从手机时空轨迹中计算所有用户的移动距离、回转半径、出行频次和停留位置个数,从总体上分析西宁市居民的出行特征(图 3)。从移动距离来看,西宁市居民出行遵循距离衰减的长尾分布特征,西宁市超过80%的居民出行距离小于40km(图 3a),休息日和工作日的出行距离略有差异,当距离小于20km时,工作日居民出行的比例较高,大于20km后,休息日居民出行的比例较高,说明休息日居民的移动距离比工作日长;就回旋半径而言(图 3b),工作日和休息日居民的回转半径分布基本相同,表明居民在工作日和休息日的活动范围基本相当,超过60%的居民的回转半径在2km范围之内;出行频次方面,工作日居民的出行频次集中在2—4次,休息日居民的出行频次集中在2—6次,休息日出行频率明显高于工作日(图 3c);居民在工作日的停留次数最多为3次,占到了约25%,而在休息日居民的停留位置个数明显大于工作日,从图 3d可以看出,当停留位置个数大于3时,休息日居民的比例大于工作日。
本研究分别计算出每位用户工作日和休息日出行的移动距离、回转半径、出行频次和停留位置个数四个指标。移动距离和回转半径是连续性指标,本研究通过对数据进行从小到大排序,然后计算其下四分位数、中位数、上四分位数和均值四个特征值来分析不同年龄段、性别之间人群移动差异。出行频次和停留位置个数是离散型指标,本研究统计不同年龄、性别居民其比例分布来描述移动特征差异。此外,本研究采用方差分析检验不同年龄段、性别、工作日和休息日人群移动特征差异在统计上是否具有显著性。
4.1 不同年龄段人群移动差异分析不同年龄段人群由于各自所处的人生阶段不同,对出行需求也会存在差异。通过人群的移动距离、回转半径、出行频次和停留位置个数进行方差检验,发现不论是男性还是女性,工作日还是休息日,西宁市不同年龄段人群移动均存在显著的差异。
如图 4和图 5所示,在31—40岁年龄段人群的移动距离最长和活动空间最大。从表 2和表 3可以看出,工作日和休息日男性的平均移动距离分别为27.38km和31.36km,女性的平均移动距离分别为19.86km和22.69km。工作日和休息日男性的平均活动半径分别为1.86km和1.83km,女性的平均活动半径分别为1.65km和1.66km。该年龄段的人群正处于人生精力旺盛期,工作和生活处于奋斗上升期,每天的移动距离和活动半径较其他年龄段人群大。年龄大于60岁的人群移动距离和活动半径最小,工作日和休息日男性的平均移动距离分别为14.16km和15.91km,女性的平均移动距离分别为11.99km和14.95km。工作日和休息日男性的平均活动半径分别为1.12km和1.11km,女性的平均活动半径分别为0.97km和1.04km。此外,21—30岁和41—50岁年龄段人群移动距离和活动半径的分布相近。
对于出行频次和停留位置个数,无论工作日还是休息日,男性还是女性,除了年龄大于60岁的人群外,其他年龄段人群的出行频次和停留位置个数具有相似的分布,大部分人群的出行频次主要集中在2—6次,停留位置个数在2—5个,峰值出现在3左右。年龄大于60的人群,出行频次为0和停留位置个数为1的人数所占的比例最大,随着出行频次和停留位置个数的增加会人数出现递减的趋势(图 6和图 7)。此外,对于21—30,31—40,41—50,51—60岁四个年龄段,出行频次和停留位置个数的分布差异较小,而年龄小于20岁的男性在出行频次和停留位置个数小于等于2时,所占的比例明显大于其他四个年龄段。
即使同一年龄段,不同性别的人群,在社会和家庭中扮演的角色不同,如与男性相比,女性在家庭中可能会承担更多的家务活动,会导致男性女性出行特征存在差异。本研究利用方差检验分析了工作日和休息日同一年龄段男性和女性的移动特征差异,发现男性在移动距离、回转半径、出行频次和停留位置个数普遍高于女性(图 4—图 7)。
就移动距离而言,不论那个年龄段,工作日男性的移动距离都显著大于女性,其中31—40年龄段移动距离差距最大,男性平均移动距离为27.38km,女性仅为19.86km,平均值相差将近7.5km。21—30和41—50年龄段人群移动距离分布相近,因此该两个年龄段男性和女性平均移动距离相差约6km左右。年龄小于20岁的人群和大于60岁的人群中,男性的平均移动距离分别比女性高2.52km和2.17 km。在休息日,大于60岁人群男性和女性的平均移动距离并没有显著差异,但其他各年龄段男性与女性平均移动距离差异显著,而且差距比工作日的差距有所增大(表 4和表 5)。
回转半径方面,如表 4所示,在工作日年龄小于20岁的男性和女性的活动空间差异不显著,但其他五个年龄段都存在显著差异,男性的平均活动空间要大于女性,其中21—30岁年龄段的差距最小,男性平均活动空间仅比女性大0.07km,而其他四个年龄段男性的平均活动空间比女性约大0.2km。在休息日,年龄小于20岁的男性和女性的活动空间出现显著差异,而且是女性的平均活动空间大于男性0.13km,该年龄段人群可能以学生为主体,女性学生可能更喜欢在休息日去逛街,导致其活动范围大于男性。对于年龄大于60岁的人群,男性和女性的活动空间差异并不显著,说明在周末老年男性和女性的活动范围无明显差异。而其他年龄段男性的平均活动范围要大于女性,与工作日相似,21—30岁年龄段的差距最小,为0.06km,其他三个年龄段男性的平均活动空间比女性约大0.2km(表 5)。
出行频率方面,无论工作日还是休息日,年龄小于20岁和大于60岁的人群,男性和女性的出行频率没有显著差异,这两个年龄段人群,一个以学生为主体,另一个以退休老人为主体,可能表明无需工作的人群男性和女性在出行次数上没有明显差异。其他四个年龄段,男性的出行频率比女性大,平均出行次数多0.2—0.4次。对于停留位置个数,在工作日和休息日大于60岁的人群男性和女性停留位置个数均无显著差异。对于小于20岁的人群,工作日男性和女性停留位置个数差异不显著,但在休息日,女性的停留位置个数显著大于男性,表明女学生群体在周末会去更多的地方参加活动。对于其他四个年龄段,男性的停留位置个数显著大于女性,但差异并不是很大(表 4和表 5)。
4.3 工作日和休息日人群移动差异分析在工作日,大部分居民由于工作活动需求,不得不在家和工作位置之间通勤移动,而在休息日,居民无需再去工作位置,可能会自由安排去其他地方,因此,工作日和休息日城市居民的出行特征存在差异。本研究利用方差检验分别分析了西宁市男性和女性不同年龄段居民在工作日和休息日移动特征差异,如表 6和表 7所示,无论男性还是女性,居民在工作日和休息日出行存在一定差异。
从移动距离来看,无论是男性还是女性,各年龄段人群工作日和休息日会出现显著差异,休息日西宁市居民的移动距离显著大于工作日,表明城市居民在休息日可能去更远的地方参加活动。对男性而言,各年龄段休息日和工作日平均移动距离的差异变化较大,60岁以上的老年男性在休息日和工作日的平均移动距离差异最小,为1.74km;而21—30岁的人群差异最大,接近5km(表 6)。从表 7可以看出,各年龄段女性人群休息日平均移动距离比工作日约大3km左右。
在活动空间方面,男性工作日和休息日的差异不显著,从表 6可以看出,男性工作日和休息日的平均回旋半径几乎相等,而女性中除了小于20岁的人群在休息日的活动空间大于工作日外,其他各年龄段女性休息日和工作日活动空间无显著差异(表 7)。
在出行频次和停留位置个数,可以看出无论是男性还是女性,各年龄段居民在休息日的出行次数和停留位置个数都显著大于工作日。具体而言,男性和女性各年龄段居民休息日的平均出行次数比工作日约大0.5次,各年龄段居民休息日平均停留位置个数比工作日约大0.25个,表明西宁市居民周末出行频率和访问的位置数量有所增加。
5 结论与讨论信息技术的快速发展使得获取大规模人群时空轨迹数据变的越来越容易,这些数据能感知居民在城市空间位置随时间的变化,成为研究城市大规模群体时空行为的主要数据源。与传统的问卷调查数据相比,这些数据可以帮助从宏观、动态和群体等角度理解居民的出行行为,可以作为传统调查数据的补充数据源,对城市居民出行进行微观和宏观、静态和动态、个体和群体全方面理解,加深对居民出行与建成环境相互作用的透析。
本研究利用手机数据,从移动距离、回转半径、出行频次和停留位置个数四个角度定量分析了西宁市居民的移动特征差异,主要分析不同年龄段居民出行差异、不同性别居民出行差异以及居民在工作日和休息日的出行差异,主要结论如下:
(1)不同年龄群体出行行为差异显著。随着年龄的不同,居民在社会和人生中扮演的角色存在差异,各年龄段对出行和活动的需求存在差异。就居民的移动距离、回转半径、出行频次和停留位置个数四个方面而言,无论是男性还是女性,工作日还是休息日,31—40岁年龄段居民的出行需求最为强烈,其次是21—30岁年龄段居民,41—50岁年龄段的居民出行需求比21—30岁年龄段稍弱一些,接下来是51—60年龄段的居民。对于年龄小于20的居民和大于60岁的居民,前者可能是学生,后者可能是退休老年人,因此,每日的出行需求较弱。可以看出,居民出行需求随着年龄的变化呈现出单峰的曲线,在小于20岁时,可能还处于学生阶段,出行需求较弱,随着年龄增加,出行需求逐渐增大,在31—40岁年龄段每日的出行需求最大,而此后随着年龄的增加,出行需求越来越弱。
(2)男性在出行距离、活动范围、出行频次和停留位置个数方面都全部高于女性。在性别方面,不同性别在家庭中扮演的角色不同,导致对出行特征存在差异。无论是工作日还是休息日,各年龄段男性在出行距离、活动范围、出行频次和停留位置个数方面普遍大于女性,表明男性可能参与更多的家外活动,女性由于要承担更多的家务活动,在出行需求方面弱于男性。
(3)居民在休息日的平均移动距离、出行频次和停留位置个数都显著大于工作日,但休息日和工作日的活动范围并没有显著差异。工作日和休息日由于居民的活动需求存在差异,故出行特征也存在差异。总体而言,无论男性还是女性,西宁市居民在休息日的平均移动距离、出行频次和停留位置个数都显著大于工作日。从统计分析结果来看,居民休息日和工作日的活动范围并没有显著差异,但这个结论似乎与我们的认知不符,比如居民在周末会去一些休闲娱乐场所参与活动,而在工作日主要在工作地附近活动,因此,该结论还有待进一步证实。
本研究利用手机轨迹数据来刻画了西宁市居民的出行特征,从统计的角度初步讨论了性别、年龄以及居民在工作日和休息日的出行需求差异,从宏观的尺度对城市居民的出行进行定量理解,但缺乏对出行差异背后的影响因素(如居民居住地或工作地的建成环境特征)进行深入理解,从而可以对城市的规划和管理提供合理的建议,这也是本研究的后续的重点关注方向。目前,北京大学柴彦威教授已经利用问卷调查数据从微观角度对西宁市居民的出行行为以及与建成环境的关系进行了深入分析,本研究试图利用手机数据,从宏观的视角观察西宁市居民的出行特征差异。虽然手机大数据为我们理解城市大规模群体的移动特征和城市空间结构提供了新的视角,但仍然存在一些局限性,首先,由于用户使用手机的习惯不同,导致数据采样的时空分辨率存在差异,从而对人群移动性研究产生影响[32]。如本文选取每个时段都有记录的用户,这些用户可能使用手机比较频繁,而对于一些低年龄(青少年)或老年人口,不经常使用手机,导致两个年龄段的样本量较少。其次,时空轨迹大数据虽然能感知大规模群体的时空动态,但缺乏人群的出行方式和活动目的等语义信息,从轨迹中识别出的停留是参与何种活动(如工作、购物和娱乐等),导致无法从语义角度全面理解人群出行需求。因此,后续研究还需进一步融合时空轨迹大数据和问卷调查数据,利用各自数据源的互补优势,对城市居民出行时空行为进行全方位理解。
[1] |
柴彦威, 申悦, 肖作鹏, 等. 时空间行为研究动态及其实践应用前景[J]. 地理科学进展, 2012, 31(6): 667-675. [Chai Yanwei, Shen Yue, Xiao Zuopeng, et al. Review for space-time behavior research: Theory frontiers and application in the future[J]. Progress in Geography, 2012, 31(6): 667-675.] |
[2] |
赵鹏军, 孔璐. TOD对北京市居民通勤影响及其机制研究[J]. 人文地理, 2017, 32(5): 131-137. [Zhao Pengjun, Kong Lu. The impact of TOD on residents' commuting activities: A case study of Beijing[J]. Human Geography, 2017, 32(5): 131-137.] |
[3] |
齐兰兰, 周素红. 邻里建成环境对居民外出型休闲活动时空差异的影响——以广州市为例[J]. 地理科学, 2018, 38(1): 31-40. [Qi Lanlan, Zhou Suhong. The influence of neighborhood built environments on the spatial-temporal characteristics of residents daily leisure activities: A case study of Guangzhou[J]. Scientia Geographica Sinica, 2018, 38(1): 31-40.] |
[4] |
焦华富, 韩会然. 中等城市居民购物行为时空决策过程及影响因素——以安徽省芜湖市为例[J]. 地理学报, 2013, 68(6): 750-761. [Jiao Huafu, Han Huiran. Research on temporal and spatial decision-making process and influencing factors of residents' shopping behavior in medium-sized cities: A case study of Wuhu city in Anhui province[J]. Acta Geographica Sinica, 2013, 68(6): 750-761.] |
[5] |
申悦, 柴彦威. 基于日常活动空间的社会空间分异研究进展[J]. 地理科学进展, 2018, 37(6): 853-862. [Shen Yue, Chai Yanwei. Progress of research on sociospatial differentiation based on daily activity space of urban residents[J]. Progress in Geography, 2018, 37(6): 853-862.] |
[6] |
张文佳, 鲁大铭. 影响时空行为的建成环境测度与实证研究综述[J]. 城市发展研究, 2019, 26(12): 9-16. [Zhang Wenjia, Lu Daming. Measuring built environment for spatiotemporal behavior studies: A review[J]. Urban Development Studies, 2019, 26(12): 9-16.] |
[7] |
申悦, 柴彦威. 基于性别比较的北京城市居民活动的时空弹性研究[J]. 地理学报, 2017, 72(12): 2214-2225. [Shen Yue, Chai Yanwei. Space-time flexibility of daily activities and gender differences: A case study of Beijing[J]. Acta Geographica Sinica, 2017, 72(12): 2214-2225.] |
[8] |
古杰, 周素红, 闫小培. 生命历程视角下广州市居民日常出行的时空路径分析[J]. 人文地理, 2014, 29(3): 56-62. [Gu Jie, Zhou Suhong, Yan Xiaopei. The space-time paths of resident' daily travel in Guangzhou from a perspective of life course[J]. Human Geography, 2014, 29(3): 56-62.] |
[9] |
Wang D G, Zhou M. The built environment and travel behavior in urban China: A literature review[J]. Transportation Research Part D: Transport and Environment, 2017, 52: 574-585. DOI:10.1016/j.trd.2016.10.031 |
[10] |
塔娜, 柴彦威. 理解中国城市生活方式: 基于时空行为的研究框架[J]. 人文地理, 2019, 34(2): 17-23. [Ta Na, Chai Yanwei. Understanding the lifestyle in Chinese cities: A framework based on spacetime behavior research[J]. Human Geography, 2019, 34(2): 17-23.] |
[11] |
刘瑜. 社会感知视角下的若干人文地理学基本问题再思考[J]. 地理学报, 2016, 71(4): 564-575. [Liu Yu. Revisiting several basic geographical concepts: A social sensing perspective[J]. Acta Geographica Sinica, 2016, 71(4): 564-575.] |
[12] |
张博, 邓浩坤, 安宁, 等. 大数据背景下国内人文地理研究进展与方法审视[J]. 人文地理, 2019, 34(3): 14-21. [Zhang Bo, Deng Haokun, An Ning, et al. The re-examination of human geography research and the research methods in the context of big data[J]. Human Geography, 2019, 34(3): 14-21.] |
[13] |
柯文前, 俞肇元, 陈伟, 等. 人类时空间行为数据观测体系架构及其关键问题[J]. 地理研究, 2015, 34(2): 373-383. [Ke Wenqian, Yu Zhaoyuan, Chen Wei, et al. Architecture and key issues for human space-time behavior data observation[J]. Geographical Research, 2015, 34(2): 373-383.] |
[14] |
杨喜平, 方志祥. 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]. 地理科学进展, 2018, 37(7): 880-889. [Yang Xiping, Fang Zhixiang. Recent progress in studying human mobility and urban spatial structure based on mobile location big data[J]. Progress in Geography, 2018, 37(7): 880-889.] |
[15] |
龙瀛, 张宇, 崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行[J]. 地理学报, 2012, 67(10): 1339-1352. [Long Ying, Zhang Yu, Cui Chengyin. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012, 67(10): 1339-1352.] |
[16] |
王俊蓉, 张景秋. 基于手机数据的北京城市女性职住关系研究[J]. 人文地理, 2019, 34(3): 30-36. [Wang Junrong, Zhang Jingqiu. A study on the female relationship between employment and residence in Beijing based on cell phone data[J]. Human Geography, 2019, 34(3): 30-36.] |
[17] |
闫晴, 李诚固, 陈才, 等. 基于手机信令数据的长春市活动空间特征与社区分异研究[J]. 人文地理, 2018, 33(6): 35-43. [Yan Qing, Li Chenggu, Chen Cai, et al. Characteristics of activity space and community differentiation in Changchun: A study using mobile phone signaling data[J]. Human Geography, 2018, 33(6): 35-43.] |
[18] |
钟炜菁, 王德, 谢栋灿, 等. 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[J]. 地理研究, 2017, 36(5): 972-984. [Zhong Weijing, Wang De, Xie Dongcan, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5): 972-984.] |
[19] |
董路熙, 贾梅杰, 刘小明, 等. 基于手机信令数据的居民工作日出行链判别方法[J]. 桂林理工大学学报, 2019, 39(4): 958-966. [Dong Luxi, Jia Meijie, Liu Xiaoming, et al. Discrimination method of residents trip chains on working days based on mobile phone signaling data[J]. Journal of Guilin University of Technology, 2019, 39(4): 958-966.] |
[20] |
郭思慧, 文聪聪, 何云, 等. 居民出行活动特征与收入水平的关系——以上海市为例[J]. 地理科学进展, 2017, 36(9): 1158-1166. [Guo Sihui, Wen Congcong, He Yun, et al. Relationship between travel behavior and income level of urban residents: A case study in Shanghai Municipality[J]. Progress in Geography, 2017, 36(9): 1158-1166.] |
[21] |
李秋萍, 刘逸诗, 巩诗瑶, 等. 基于居民出行活动特征的个体经济水平推断方法[J]. 武汉大学学报·信息科学版, 2019, 44(10): 1575-1580. [Li Qiuping, Liu Yishi, Gong Shiyao, et al. Individual income level inference method based on travel behavior of urban residents[J]. Geomatics and Information Science of Wuhan University, 2019, 44(10): 1575-1580.] |
[22] |
杨喜平, 方志祥, 赵志远, 等. 城市人群聚集消散时空模式探索分析——以深圳市为例[J]. 地球信息科学学报, 2016, 18(4): 486-492. [Yang Xiping, Fang Zhixiang, Zhao Zhiyuan, et al. Exploring urban human spatio-temporal convergence-dispersion patterns: A case study of Shenzhen city[J]. Journal of Geo-information Science, 2016, 18(4): 486-492.] |
[23] |
Tu W, Cao J Z, Yue Y, et al. Coupling mobile phone and social media data: A new approach to understanding urban functions and diurnal patterns[J]. International Journal of Geographical Information Science, 2017, 31(12): 2331-2358. |
[24] |
丁亮, 钮心毅, 宋小冬. 上海中心城就业中心体系测度——基于手机信令数据的研究[J]. 地理学报, 2016, 71(3): 484-499. [Ding Liang, Niu Xinyi, Song Xiaodong. Measuring the employment center system in Shanghai central city: A study using mobile phone signaling data[J]. Acta Geographica Sinica, 2016, 71(3): 484-499.] |
[25] |
Mei-Po Kwan, Tim Schwanen. Geographies of mobility[J]. Annals of the American Association of Geographers, 2016, 106: 2, 243-256. |
[26] |
柴彦威, 谭一洺. 中国西部城市居民时空间行为特征研究——以西宁市为例[J]. 人文地理, 2017, 32(4): 43-50. [Chai Yanwei, Tan Yiming. Examining the space-time behavior patterns of residents in cities of the western China: Evidence from Xining[J]. Human Geography, 2017, 32(4): 43-50.] |
[27] |
张雪, 柴彦威. 西宁城市居民家内外活动时间分配及影响因素——基于结构方程模型的分析[J]. 地域研究与开发, 2017, 36(5): 161-165. [Zhang Xue, Chai Yanwei. Time allocation of in-home and out-of-home activities and the influence factors of urban residents in Xining city: Based on SEM[J]. Areal Research and Development, 2017, 36(5): 161-165.] |
[28] |
谭一洺, 柴彦威, 关美宝. 地理背景的不确定性对时空行为模式分析的影响——基于西宁市的实证研究[J]. 地理学报, 2017, 72(4): 657-670. [Tan Yiming, Chai Yanwei, Kwan Mei-Po. The impact of the uncertain geographic context on the space-time behavior analysis: A case study of Xining, China[J]. Acta Geographica Sinica, 2017, 72(4): 657-670.] |
[29] |
何诗, 柴彦威, 郭文伯, 等. 基于整日尺度的城市女性休闲满意度及其影响因素——以西宁市为例[J]. 经济地理, 2019, 39(2): 224-231. [City women' leisure satisfaction and its influencing factors on a daily scale: A case study of Xining city[J]. Econonmic Geography, 2019, 39(2): 224-231.]
|
[30] |
林楠, 尹凌, 赵志远. 基于滑动窗口的手机定位数据个体停留区域识别算法[J]. 地球信息科学学报, 2018, 20(6): 762-771. [Lin Nan, Yin Ling, Zhao Zhiyuan. Detecting individual stay areas from mobile phone location data based on moving windows[J]. Journal of Geo-information Science, 2018, 20(6): 762-771.] |
[31] |
Moreno F, Pineda A, Fileto R, et al. SMoT+: Extending the SMoT algorithm for discovering stops innested sites[J]. Computing & Informatics, 2014, 33(22): 327-342. |
[32] |
Zhao Z, Shaw S L, Yin L, et al. The effect of temporal sampling intervals on typical human mobility indicators obtained from mobile phone location data[J]. International Journal of Geographical Information Science, 2019, 33(7): 1471-1495. |