城市人群移动呈现出高时空动态变化的特征。掌握精细时空尺度下的城市人群发展动态,可为探索城市居民活动规律、优化公共资源配置、协助城市交通诱导、制定公共安全应急预案等提供重要科学依据。为此,我们使用城市手机定位大数据,提出了一种精细尺度下的城市人群数量近实时预测方法。
精细时空尺度下城市人群数量的近实时预测可为探索城市居民活动规律、优化公共资源配置、协助城市交通诱导、制定公共安全应急预案等提供重要科学依据。然而,现有的人口预测模型在城市人群活动行为的时空高动态性及交互复杂性等方面存在缺陷。为此,我们使用城市手机定位大数据,提出了一种精细尺度下的城市人群数量近实时预测方法。
城市人群数量的近实时预测方法,其核心在于构建人群数量复杂的时空相关性。这里,我们基于人群流动过程中的一种朴素的认知,即任一区域上的人群流动状态可划分为三种:流入、流出和静止,某一时段内,该区域上的人群数量与流入人群数量和静止人群数量相关(流出人群已离开该区域)。据此,我们一方面通过当前人群流动趋势估计未来人群流动模式以此构建人群数量的时间依赖性(图1),另一方面通过神经网络模型构建人群数量的空间相关性(图2),进而开展高动态、近实时的城市人群数量预测。
图1 网格静止人群与流入人群估计
图2 神经网络模型结构
我们使用上海市(图3)约1700万手机用户在2012年某一天的手机信令数据,利用基站的位置来代表用户的位置。每条记录包含经匿名处理的用户ID、用户发生通讯行为的时间及所在基站的经纬度、通讯行为类型。我们将研究区划分为500米×500米的规则格网,将一天划分为48个等长时段,对手机数据进行时空重构。
图3 研究区
基于本研究提出的城市人群数量近实时预测方法,上海市中心城区典型时段人群数量预测结果如图4所示。其中,99%的网格其预测人数与实际人数差异在1000人以内。上海市人民广场附近区域其预测人数与实际人数差异最大,因该区域云集政府结构、商业中心及大型交通枢纽,人口密集,其预测人数与实际人数差异在绝对数量上相较于其他区域更为显著。
图4 研究区典型时段网格人数预测结果
我们分别从人群规模(图5)、时空分布(图6、7)、多时间尺度(图8)、人群聚集事件(表1)等多个角度对本研究提出的城市人群数量近实时预测方法进行误差分析,结果表明:本研究提出的城市人群数量近实时预测方法误差小,且预测误差随预测时间尺度的增加仅呈现缓慢的上升。在大型人群聚集事件场景下,该方法对于因突发事件引起的人群数量突变现象展现出良好的自适应性能。
图5 基于网格人群规模的预测误差分布
图6 预测误差时序分布
图7 预测误差空间分布
图8 基于多时间尺度的预测误差分布
表1 基于人群聚集事件的误差分布
★ 结论 ★
针对现有人口预测模型在城市人群活动行为的时空高动态性及交互复杂性等方面存在缺陷,我们使用城市手机定位大数据,提出了一种精细尺度下的城市人群数量近实时预测方法。实验结果表明,该方法预测方法误差小,且预测误差随预测时间尺度的增加仅呈现缓慢的上升。在大型人群聚集事件场景下,该方法对于因突发事件引起的人群数量突变现象展现出良好的自适应性能。
研究论文
陈洁, 裴韬*, 萧世伦, 陆锋, 李明晓, 程诗奋, 刘希亮, 张恒才. 基于手机数据的城市人群数量近实时预测方法. International Journal of Geographical Information Science.
引用格式:
Jie Chen, Tao Pei*, Shih-Lung Shaw, Feng Lu, Mingxiao Li, Shifen Cheng, Xiliang Liu & Hengcai Zhang (2018). Fine-grained prediction of urban population using mobile phone location data, International Journal of Geographical Information Science, 32:9, 1770-1786.
THE END
地理大数据挖掘
www.geobigdata.cn
IGSNRR | LREIS | GEOBIGDATA
联系客服