留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

融合多源时空大数据感知城市动态

涂伟 曹劲舟 高琦丽 曹瑞 方志祥 乐阳 李清泉

涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态[J]. 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
引用本文: 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态[J]. 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
TU Wei, CAO Jinzhou, GAO Qili, CAO Rui, FANG Zhixiang, YUE Yang, LI Qingquan. Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
Citation: TU Wei, CAO Jinzhou, GAO Qili, CAO Rui, FANG Zhixiang, YUE Yang, LI Qingquan. Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535

融合多源时空大数据感知城市动态

doi: 10.13203/j.whugis20200535
基金项目: 

国家自然科学基金面上项目 42071360

国家自然科学基金与欧洲城市化联合研究计划合作研究项目 71961137003

深圳市基础研究学科布局项目 JCYJ20170412105839839

详细信息
    作者简介:

    涂伟,博士,副教授,主要从事城市感知和时空优化研究。tuwei@szu.edu.cn

  • 中图分类号: P208

Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data

Funds: 

The General Program of National Natural Science Foundation of China 42071360

Joint Research Project of the National Natural Science Foundation of China and the European Urbanization Joint Research Program 71961137003

the Discipline Layout Project of Shenzhen Basic Research JCYJ20170412105839839

More Information
    Author Bio:

    TU Wei, PhD, associate professor, specializes in urban sensing and spatiotemporal optimization. E-mail: tuwei@szu.edu.cn

图(6)
计量
  • 文章访问数:  1564
  • HTML全文浏览量:  905
  • PDF下载量:  503
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-10
  • 刊出日期:  2020-12-05

融合多源时空大数据感知城市动态

doi: 10.13203/j.whugis20200535
    基金项目:

    国家自然科学基金面上项目 42071360

    国家自然科学基金与欧洲城市化联合研究计划合作研究项目 71961137003

    深圳市基础研究学科布局项目 JCYJ20170412105839839

    作者简介:

    涂伟,博士,副教授,主要从事城市感知和时空优化研究。tuwei@szu.edu.cn

  • 中图分类号: P208

摘要: 城市是人类活动的主要场所,是人流、物流、信息流和资金流的交换枢纽,具有高度的动态性和复杂性。智慧城市建设提供了卫星与无人机遥感、移动感知、社会感知、众包感知等多种时空感知大数据的数据获取手段,为分析城市空间、人类行为及其二者之间的交互等城市动态提供了新途径。介绍了城市动态感知的框架,论述了空间动态、人类行为动态、“空间-行为”交互动态感知等典型应用,讨论了融合多源时空大数据感知城市动态研究中存在的时空大数据不确定性、城市感知多视角学习、结果验证、城市多要素级联影响等问题。展望未来,城市动态研究应结合泛在物联网产生的实时数据,捕捉多维、多时空分辨率的多维城市动态,提升时空大数据在精细化城市治理中的应用深度,切实解决城市问题。

English Abstract

涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态[J]. 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
引用本文: 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态[J]. 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
TU Wei, CAO Jinzhou, GAO Qili, CAO Rui, FANG Zhixiang, YUE Yang, LI Qingquan. Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
Citation: TU Wei, CAO Jinzhou, GAO Qili, CAO Rui, FANG Zhixiang, YUE Yang, LI Qingquan. Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
  • 城市是人类活动的主要场所,是人流、物流、信息流和价值流的交换枢纽,对经济、社会与生态的可持续发展有着重大影响[1]。近年来,城镇化,尤其是新型城镇化,已成为中国经济社会发展的重要动力。据统计,2019年中国城镇化率超过60%[2],新型城镇化、城市化进程进入新阶段:工业园区、住宅小区、商业中心、道路等构成的城市建成区不断扩张;社交网络、在线购物、外卖配送、工业互联网、网络游戏等数字空间形态快速迭代。新型城镇化、信息化和智慧化正在合流,智慧城市建设不断加速[3-5]

    城市中的空间、人流、物流、信息流和资金流等不断发生变化,具有时间尺度上的动态性。近40 a来,中国的城市建成区总面积从7 438 km2(1981年)增长到58 455.7 km2(2018年),呈现长期性的空间扩展态势[6]。城市中的人类行为也是高度动态的,实时人口、道路交通量、居民日常活动等指标呈现昼夜周期性变化的特点。除此之外,城市空间、人、物体、信息和资金等要素互相关联、相互作用,构成了复杂的城市系统。感知城市动态并解析其交互机制是人工智能时代下精细化城市治理的关键。

    近年来,北斗导航、卫星遥感、传感器、物联网等不断成熟,智慧城市建设正在深入,集成卫星、无人机、移动测量车、环境监测站、智慧灯杆、智能手机、物联网等监测城市物理空间、人类行为和信息流动,获取了多时空分辨率的城市影像、激光点云、社交媒体、公交刷卡数据和手机定位等数据[3-4, 7]。这些时空大数据记录了从城市空间到人类个体的多维城市信息,为立体化、综合化、多维度城市感知提供了新途径[7]。相关城市研究趋势呈现以下特点:①从“静”到“动”,从静态的空间分析走向时空动态建模,提供动态化的时空过程描述,并且在空间分辨率和时间分辨率上不断提升[8-10]。②从“地”到“人”,时空大数据间接或直接地观测到了人类行为,重点关注场所中的人,刻画人类行为动态[11-12]。③从“一”到“多”,研究从使用单一来源时空数据逐渐转向多源时空数据集成与融合,提供多视角、多维度的城市动态感知[13-14]。④虚实结合,研究构建全面感知物理实体空间和虚拟网络空间的交互复杂系统,实现城市虚实交互的新感知体系[15-16]

    • 城市动态指的是城市中的物理空间环境(建筑物、道路、水系、植被、空气质量等)及其承载的人类活动的多时间尺度变化。城市动态感知依赖于“天-空-地-人”一体化的城市感知网络及其获取的多源、多尺度、多维度的城市时空大数据。图 1展示了城市动态感知的框架。

      图  1  融合多源时空大数据感知城市动态框架

      Figure 1.  Framework of Sensing Urban Dynamic Using Multi-Source Spatiotemporal Data

      城市动态感知手段主要分为两类:一类是以专业传感器为中心,包括遥感和移动感知两类。其中,遥感以卫星和无人机为平台,获取多时相、多分辨率、多光谱城市高清影像[8]。移动感知以运动车辆为移动平台,搭载高清相机、线结构光、激光雷达、环境监测仪器等,获取道路、建筑物、植被、水系以及温度、湿度、空气污染物等数据。例如,麻省理工学院城市感知实验室在垃圾收集车上安装温度、湿度、红外相机和空气质量传感器,监测街道上的环境信息[7]

      另一类是以人为载体,借助普及化、非专业的传感器,通过社会感知或众包感知,测量人类活动、群体情绪、社会态势等。其中社会感知借助于通信与互联网、公共交通、社交网络等获得与人相关的各类时空大数据[11]。众包感知利用海量个体的日常活动,采用廉价传感器,如定位传感器、惯性传感器,车载摄像头等,完成特定的城市空间感知任务[17]。社会感知和众包感知大数据均与人紧密相关,通过研究人类时空间行为特征,揭示社会经济现象的时空分布、联系及过程。

      在研究方法体系上,多源时空大数据通过与数据挖掘、复杂网络、机器学习等方法进行融合和集成,实现从空间形态、建成环境、人类活动、群体情绪,到空间-行为交互的多维城市动态感知。

    • 城市物理空间正以空前速度向外扩张。卫星遥感已成为城市空间扩张的主要监测手段。基于MODIS产品、Landsat影像、夜间灯光遥感影像等,利用机器学习、深度学习等研究方法,能够智能识别城市边界、不透水面、水系、植被、城市土地利用与覆盖等,持续监测城市空间动态[8, 12, 18]。如Yang等[9]利用长周期的Landsat卫星影像,训练随机森林模型,监测粤港澳大湾区城市群1987年以来的空间扩张过程,如图 2所示。

      图  2  粤港澳大湾区城市群空间扩张遥感监测[9]

      Figure 2.  Monitoring the Urban Growth of the Urban Agglomeration in the Guangdong-Hong Kong-Macao Greater Bay Area[9]

      当前,城市空间发展主旨从增量开发转变为存量优化。粗放式城市空间扩张容易形成不合理的空间格局,带来交通拥堵、城中村蔓延、生态失衡等问题。城市空间的更新与优化是未来城市化发展的主要方式。在此背景下,实时监测城市空间格局的动态变化是合理管理城市、规划城市政策的基础。智慧城市时代,利用亚米级高分辨率遥感影像、无人机影像、时序定位数据等,能够监测精细的地块或者建筑物功能,描绘城市功能格局,进而支撑城市规划、城市更新决策的制定和实施[19]

      Cao等[13]通过构建基于端到端的深度神经网络,有效融合了卫星遥感影像和基于人群活动的社会感知数据,精准识别了城市中的功能区,如图 3(a)所示。研究表明,遥感影像与社会感知数据具有显著的互补性。Tu等[20]通过融合遥感影像和手机定位数据,揭示了从城市中心到城市郊区的城市功能与人类活动空间动态,如图 3(b)所示。研究发现,高密度城市中物理景观指标变化并不显著,但是人类活动强度变化显著。

      图  3  融合卫星影像和社会感知大数据的城市功能识别[12]与城市梯度分析[20]

      Figure 3.  Fusing Remote Sensing Imaginaries and Social Sensing Data to Infer Urban Functions[12] and Urban Gradient Analysis[20]

      人类在搜索引擎、社交媒体、购物网站、点评网站等互联网虚拟空间留下了海量数据,这类数据因其反映了使用人群的情感偏好,逐渐成为感知城市虚拟空间动态的主要数据源[15, 21]。例如,Kim等[21]和谢永俊等[22]基于Twitter或微博数据,对城市人群的热点话题进行追踪和可视化。Zhai等[23]、Yan等[24]和王圣音[25]等利用大众点评的用户数据,实现对城市不同餐馆和景点等实体场所受欢迎程度的情感语义感知。潘碧麟等[26]利用社交网络关系数据,对城市人群联系强度进行测度,分析中国城市群的空间结构。不同于物理空间的距离衰减效应,研究发现,虚拟网络空间的距离因子对城市间联系强度的影响已经明显减弱。虚拟空间动态不仅是城市实体活动在网络空间中的体现,也能反映群体间的虚拟关系和空间联系。

    • 人是城市中最主要的因素,人类行为感知是理解城市动态的重要内容,即从多源时空大数据中识别人的出行和活动等时空行为,反映城市居民行为特征,揭示其高频行为动态及规律[27]

      手机定位和通话数据已被广泛用于揭示个体和集体层面的行为规律。在个体层面,其访问活动地点的数量相当有限,只存在少数高频访问地点;个体到访频率随着出行距离的增加而减少[28];个体活动具有典型的模式,已有研究表明,90%以上的人类日常活动可以被10种典型的活动模式所概括[29],如图 4(a)所示。利用社会感知大数据能够实时监测热点地区的人口密度,感知区域人类活动的强度。学者通过对时间序列数据进行分析,发现城市中人类活动指标在空间上和时间上均存在明显的分异[30]。手机定位、公交刷卡等社会感知数据记录了个体活动的时间和地点,蕴含着大体量的居民活动信息[31-33]。集成支持向量机、随机森林、深度神经网络等方法,能够从社会感知大数据中智能推断固定地点的居民活动及其相应的公交、地铁、自行车、步行等出行模式,为感知高渗透率的人类行为动态提供了新手段。例如,Tu等[12]利用980万深圳市手机用户的高时间分辨率定位数据,结合社交网络中签到数据的居民活动时空规律,获取了渗透率超过50%城市居民的居家、工作、上学、就医、娱乐、休闲、出行等日常活动。图 4(b)展示了日常居民活动在一天中的动态,可以发现:各种居民活动呈现典型的昼夜动态,居家和娱乐活动白天低、晚上高,工作、上学、就医、休闲和出行活动均是白天高、晚上低。

      图  4  融合手机定位数据和社交媒体签到数据感知居民日常活动时变动态

      Figure 4.  Portraying the Dynamics of the Residents' Daily Activities by Fusing Mobile Phone Positioning Data and Social Media Check-ins

    • 城市空间与人类活动相互影响,相互作用,二者之间的交互是驱动城市发展的重要动力。人作为城市的主体,一方面通过活动需求和社交联系对城市空间布局和形态结构产生影响,驱动城市发展;另一方面,人类活动行为也时刻受到城市空间结构的塑造和制约。因此,揭示城市空间与人类活动的交互作用是研究城市动态的必然需求。

      城市空间和人类活动的交互研究主要包含以下几个方面。首先,关注城市空间扩张对城市居民活动出行的影响。研究表明,伴随城市快速郊区化,城市居民的通勤距离也显著增长[34]。城市多中心结构发展显著改变了城市居民的职住空间格局和通勤模式[35]。其次,探究建成环境变化对城市居民活动的作用机制[36],尤其关注轨道交通发展对于城市居民活动行为的影响,如出行方式等[37]。与此同时,人类活动不断改变局部的城市物理空间。通过城市更新,提升社区的建成环境,通过街区立面改造,提升街区水平。通过人口迁移和日常流动,改变城市空间交互模式,重塑城市空间格局等[38]

      高时空分辨遥感和社会感知数据可以观测精细尺度的交互影响。例如,融合表征人类活动的夜间灯光数据和社交媒体数据可揭示城市多中心空间结构[39]。使用时间序列的手机定位数据精细化来描绘城市居住空间格局动态[40]。利用长周期的公交智能卡数据和公交车GNSS(global navigation satellite system)轨迹,推断公交出行用户的出行与活动规律,揭示城市职住空间的动态变化[38, 41]图 5揭示了深圳市房价剧烈上涨期间,公共交通人群从城市中心向城市次中心迁居的趋势,NFR(net flow ratio)为净流量比率,是单位面积的流出人口与流入人口之差。图 5中红色区域为人口流出大于人口流入,蓝色反之。由此可见,多源时空数据的高分辨率和实时性为城市空间和人类活动交互的精细化研究提供了机遇,使得城市空间与人类活动之间的交互动态监测成为可能。

      图  5  基于公交智能卡数据的中低收入人群迁居[38]

      Figure 5.  Residential Relocation Trend of the Low and Middle-Income Group in Shenzhen Revealed by Public Transit Smart Card Data

      虚拟空间的用户活动行为与实体空间的交互作用也备受关注。首先,由于虚拟空间突破了传统的地理区域限制,方便用户进行跨区域的活动与联系,逐渐对实体活动产生了替代和促进影响[42]。例如,网络购物的增加会减少实体购物场所的需求和流量[43]。虚拟活动的大量出现丰富了城市居民的日常活动类型,使得城市虚拟空间延伸到物理空间,开始改变传统城市的功能边界划分[44]、社会隔离程度[45]和城市交互特征[46]。其次,城市居民在虚拟空间的带有强烈个人偏好的行为记录,有助于实现对城市实体空间的灾害应急[47]、犯罪预测[48]、旅游规划[49]等城市现实问题的精准分析。

    • 和传统测量或者调查数据相比,时空大数据覆盖更广、采样频率更高、人群渗透率更高,因而在城市动态感知研究中使用更加广泛。然而,时空大数据仍然具有相当的有偏性。手机定位数据一般采用基站定位方式获取,空间精度一般在100~500 m之间。街景影像的采集频率受制于街景服务提供商,其更新频率通常较低,分析结果存在时间维度上的不确定性。因此,需要定量研究城市感知数据的有偏性[50-51],通过空间抽样、时间抽样、人群抽样等方法,分析时空大数据分析结果在空间模式、时间动态、交互动态等方面的偏差。

    • 多源时空大数据覆盖的时段、空间或渗透人群存在明显的差异,产生了多视角的感知[52-53]。手机定位数据随居民日常活动而产生,通常认为覆盖了各阶层的城市居民;公交智能卡数据记录了用户刷卡进出公交或地铁的时间和位置,主要覆盖出行相对规律的通勤者;出租车GNSS轨迹则记录了出租车司机的载客、巡游、加油、休憩等活动过程,主要反映出租车出行者的规律。仅使用单一来源的时空大数据感知城市有可能使得研究结果有所偏颇。有效解决以上问题的途径是集成多源时空大数据进行集成学习,利用交叉分析量化单一感知数据的代表性[54];拓展机器学习方法,融合时空推理,构建多视角学习框架,逐渐逼近全覆盖的城市动态感知,避免单一感知数据在时间、空间和人群等维度上的代表性问题。

    • 城市动态结果的可信度是其应用的基础。如何近似地获得城市动态的真值是关键。然而,由于缺乏城市人群活动动态与交互动态的观测手段,因此真值的获取充满挑战。可行方法包括利用多源时空大数据进行交叉验证;选取关键区域进行调查,获得小范围、可靠的城市动态结果;或计算特定指标进行比对分析,增加多源时空数据分析的可靠性。Tu等[55]利用兴趣点、社交媒体签到、手机定位数据等构建了4种空间活力指标,发现多维空间活力在整体上较为一致,局部区域存在差异。更进一步,利用地理加权回归方法,分析得出土地利用、建筑物密度和区位对4种空间活力指标有共同影响,而工作岗位、路网和地铁站点对空间活力的影响存在差异,如图 6所示。

      图  6  基于多源时空数据的城市活力比较分析[33]

      Figure 6.  Comparative Analysis of Urban Vibrancy Using Multi-source Spatio-temporal Data

    • 城市是由多要素构成的复杂系统。该系统中的人与环境要素都具有自组织性和时空交互特性。这种特性导致城市多要素之间会产生级联效应[56-57]。城市系统单一要素的时空动态模型难以全面反映城市间要素的级联影响。因此,构建城市多要素的相互作用的网络模型是极其必要的。通过引入复杂网络理论[58]、多层神经网络[59]等模型,构建城市区域间、人与区域间、人与人间的多层网络,从网络视角实现国土、产业、人口、交通多要素的级联框架,分析多要素之间的级联关系和潜在影响。

    • 智慧城市建设提供了遥感、移动感知、社会感知、众包感知等多种城市时空数据获取手段,为分析人类行为动态,理解城市空间动态及其交互作用提供了新途径。本文介绍了城市动态感知的框架,以空间动态、人类行为动态、空间-行为交互动态感知为例,论述了城市动态感知典型应用,并针对目前融合多源时空大数据感知城市动态的研究中存在的几个问题进行了探讨。

      目前利用时空大数据来感知城市动态的研究工作仍在探索阶段,城市动态的研究内容、感知计算模型、结果评估方法等方面还有待提升和完善。随着智慧城市建设的不断深入,结合泛在物联网产生的实时数据,捕捉高时空分辨率的多维城市动态,提升时空大数据在精细化城市治理如城市规划、生态治理、智能交通、社区治理等中的应用深度,切实解决城市问题是根本。

参考文献 (59)

目录

    /

    返回文章
    返回