城市居民动态移动的时空特征关联性挖掘及分布预测研究

Researchers have used various data sources to reveal human mobility patterns in complex urban space. However, studies on the spatial and temporal correlation characteristics of human mobility are insufficient, which leads to a low ability to predict the movement and distribution of people in space and time. Thus, according to the proposed idea of "pattern recognition - mechanism study - deep prediction - experimental verification", this proposal selects Wuhan and Shenzhen as case cities, and deeply analyzes the heterogeneity, tendency, periodicity and proximity characteristics, which could reflect the spatiotemporal correlations of human mobility. Besides, the mechanisms between spatial factors and human mobility are revealed through multi-level and multi-variable regression model from a microscopic perspective. Then, this proposal uses machine learning algorithm to deeply establish a spatial and temporal movement prediction model to estimate the mobility flows between different spatial locations. Finally, this proposal verifies the accuracy and practicability of the proposed model. This topic can promote multi-scale and multi-dimensional human mobility dynamics research, and provide a solid and reliable human mobility flow data foundation for urban planning, traffic management, urban public safety and emergency response.

国内外学者利用多种数据源对居民在城市空间中的移动特征展开了相关研究，但对人群移动内在的时空特征关联性研究不足，继而对时空移动和分布的预测能力还亟待提升。本课题按照“特征提取-作用机制-深度预测-实验验证”的思路，拟初步选取武汉市和深圳市作为案例城市，深入分析人群动态移动过程中的分异性、趋势性、周期性和临近性等来进一步反映时空间移动特性，挖掘各特征内在的关联性；并拟从中微观视角来测度空间要素，采用多元多层回归模型验证各类空间要素与人群移动时空特征之间的关联，揭示作用机制并解释外因；在此基础之上，利用机器学习算法建立融合城市空间多要素影响和人群自身移动特性驱动的不同位置之间人群时空移动联合学习预测模型；最后验证所提出预测模型的精度和实用性。本课题能够促进多尺度、多维度的人类移动动力学研究，还为城市规划与管理、交通工程和城市公共安全和应急响应等提供坚实可靠的人群流数据基础。

城市居民的日常移动行为是复杂城市系统运转的核心驱动，对居民动态行为的理解与精准建模有助于城市管理者在城市规划、交通管理等方面做出科学的决策。信息与通信技术（ICT）的快速发展，使得城市居民的位置和轨迹数据可以及时有效地被捕捉和存储，为开展基于个体和群体层面的居民出行行为分析和建模提供了前所未有的机遇。由此，本项目开展基于海量的滴滴出行轨迹数据、社交媒体签到、手机信令等时空大数据为基础的城市居民动态活动规律进行挖掘和分析，深入研究了不同异构空间环境的居民动态活动在时间和空间以及其他属性上具有的多重特性。其次，建构典型城市中微观尺度下（街道、街区以及社区）的多类要素（主要包括社会经济类要素、建成环境类要素）的测度方法并构建相应的指标体系，研究多类城市空间要素与居民活动之间的关联关系；重点分析城市空间建成环境要素对居民出行活动的交互作用，以及导致的居民活动差异化模式的作用机制。最后，利用机器学习的方法训练出城市居民在不同空间位置之间移动的时空转换数理基础，主要包括Exponential、(truncated)power-law、lognormal、Gamma以及Weibull、Burr和Rayleigh分布等，进一步解析居民是如何利用城市空间；在此基础之上构建不同功能区域之间的居民出行分布的机器学习预测模型，推断出整个城市不同空间位置之间的居民出行流。本项目对城市居民活动特性和行为规律的探索，为行为科学研究、城市科学研究、空间规划决策应用等提供坚实的技术支撑，从而在一定程度上有助于落实城市空间规划与发展从“以空间为本”到“以人民为中心”的人-地关系转型。