复杂网络视角下时空行为轨迹模式挖掘研究

针对时空行为轨迹大数据的序列性、时空交互性、多维度性等复杂特性,构建结合时间地理学与复杂网络的分析框架,建立时空行为路径与时空行为网络之间的转换关系,利用复杂网络社群发现算法对时空行为轨迹进行社群聚类、模式挖掘与可视化。基于北京郊区居民一周内活动出行GPS轨迹数据的案例分析发现：① 复杂网络分析方法可以有效挖掘具有相似行为的群体特征和识别出典型的行为模式。② 可以灵活处理多元异构与多维度的行为轨迹大数据以及满足不同叙事、不同空间相互作用、不同时序的应用需求。③ 北京郊区被调查居民的行为模式存在日间差异与空间分异。     

时空轨迹聚类方法研究进展

时空轨迹(Trajectory)是移动对象的位置和时间的记录序列.作为一种重要的时空对象数据类型和信息源,时空轨迹的应用范围涵盖了人类行为、交通物流、应急疏散管理、动物习性和市场营销等诸多方面.通过对各种时空轨迹数据进行聚类分析,可以提取时空轨迹数据中的相似性与异常特征,并有助于发现其中有意义的模式.本文根据时空轨迹数...     

利用出租车轨迹数据挖掘城市居民出行特征

通过用户产生的历史轨迹数据对城市的热点区域以及居民出行行为的时空特性进行挖掘研究逐渐受到重视,且取得了一定的进展。受电动力学中高斯定律的启发,该文在前人关于轨迹数据处理的基础上,针对出租车轨迹数据,将轨迹的方向和数量特征考虑在内,提出了一种基于高斯定律思想的轨迹挖掘方法,通过对不同时段出租车轨迹数据的挖掘,发现城市居民出行行为的时空特征以及城市的热点区域。     

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

了解城市人群移动行为和空间结构对城市规划、交通管理、应急响应等具有重要的意义。近年来,随着信息技术(ICT)的快速发展,采集大规模、长时间序列的人群移动定位大数据变得容易,为人群移动行为研究带来了新的机遇和挑战。本文首先介绍了目前用于城市人群移动行为和空间结构研究的主要数据源及其特征,并分别从人群移动行为、城市空间结构2个方面对近3年国内外相关研究进行归纳总结。目前的研究主要从移动定位大数据中挖掘人群移动模式,理解人群移动时空规律,进一步透视城市的空间结构特征;而对城市空间结构与人群移动行为影响的研究较少。未来可通过融合多源时空数据,综合研究人群移动行为与城市空间结构之间的相互作用,发展大规模群体移动行为时空分析理论和模型,进一步深入理解人群移动行为与城市空间结构的耦合关系。     

时空行为数据的GIS分析方法

基于时间地理学的概念模型,建立时空路径分析的GIS数据模型,并通过GIS三维可视化工具,实现了个体时空路径的三维可视化.运用2007年北京城市居民日常活动调查数据,对所提出的数据模型和方法进行实验.结果表明,时空行为数据的GIS分析方法有效地集成了GIS的空间分析和三维可视化功能,为人类时空行为数据的直观表现和分析提供了有效的技术手段.最后,讨论和展望了时空行为数据GIS分析方法的研究方向.     

大数据时代城市时空间行为研究方法

信息技术的快速发展带来了“大数据”时代的到来,改变了城市的空间组织和居民行为,并使得城市时空间行为研究方法面临变革。本文在总结传统城市时空间行为研究方法存在问题的基础上,对影响其变革的数据获取与处理技术进行梳理,重点从居民时空行为、城市空间及城市等级体系3个方面综述了国内外应用大数据进行城市时空间行为研究的最新进展,构建了基于大数据应用的城市时空间行为研究方法框架。本文认为,大数据时代城市时空间行为研究方法的变革主要取决于对反映居民时空行为的网络或移动信息设备数据的挖掘、处理及应用,但是还需要进一步推动相关学科间的交叉与融合,加强社交网站等网络数据在居民时空行为和城市空间研究中的应用,并指导城市规划编制与管理方法的创新。     

基于众源地理数据的个性化路线服务框架及应用实验

随着移动通信与LBS的蓬勃发展,能够描述个体行为的众源时空大数据大量涌现,为感知群体时空行为模式与探究个性化路线提供了新视角。该文将众源时空信息与出行者的个人意愿映射到实际路网空间,融合大众偏好和定制趋势,构建包含主题序列生成、POI推荐、历史路线推荐的局部路网模型,进而实现一种利用众源时空数据改进的HMM路线规划方法,为用户提供合适且个性化的出行方案;以长沙市岳麓区为研究案例,利用真实路网数据与相关兴趣点作为实验数据,基于该方法可在短时间内提供满足用户需求的不同月份的最优路线。     

基于智能手机的个体室内时空行为分析

智慧城市近年来在全球范围内得到了广泛的重视,智慧城市的基础是对城市各要素的感知与理解。人是城市的主导因素,对个人的时空行为分析是城市感知的关键,对智慧城市的建设具有重要意义。个体时空行为分析一直受限于时空数据的获取手段,使得相关理论研究及应用受到了很大的限制。个体时空行为数据获取的挑战之一在于室内空间位置信息的获取。随着智能手机功能的日益强大和室内定位技术的发展,可以通过智能手机获取个体的室内位置信息;另外,智能手机内置的多种传感器使其具备强大的感知能力,可以检测用户的行为。因此,智能手机成为获取个体室内时空行为数据的理想终端。本文对基于智能手机的个体室内时空行为进行分析,首先介绍了室内定位的研究进展,然后给出基于智能手机进行个体室内时空行为分析的实例,最后对基于智能手机的个体室内时空行为分析对智慧城市建设的意义进行了讨论。通过智能手机获取的个体室内时空行为数据可以分析城市居民的实时空间分布及行为模式,对于智慧城市建设中的智慧交通、智慧安防以及智慧城管等应用提供数据支撑;基于大规模的历史个体室内时空行为数据,可以分析城市功能的时空变化特征,服务于智慧城市建设。     

基于移动定位的行为数据采集与地理应用研究

微观个体行为的研究是人文地理学者解释人文地理现象的重要视角,而个体时空数据的获取是制约行为研究的重要瓶颈之一。随着手机的普及,移动定位服务为个体时空数据的获取提供了新的技术手段。通过与人口普查、交通调查等传统移动性数据获取方法的比较,基于移动定位的时空行为数据所具有特点包括:(1)采集个体位置和移动信息真实;(2)定位精度高、信号覆盖广;(3)可持续实时动态获取移动信息;(4)可减少行为数据编码过程的信息损失,适合大规模采集。详细介绍了基于移动通信网络和手机终端的移动定位技术原理,并通过微观个体行为分析和宏观城市动态空间规划的两个典型案例,实证基于移动定位的时空行为数据在城市规划等领域的可行性和适用性。移动定位方法显示出了巨大的技术优势和应用前景,但一些重要的基础性问题仍没有解决,特别是个人的隐私保护和移动定位的地理尺度问题。现有的研究成果表明,基于移动定位数据的地理应用仍处在试验和探索阶段,新的数据获取协议、数据分析方法、地理时空模式提取方法等研究亟待展开。     

基于GPS数据的城市居民通勤弹性研究——以北京市郊区巨型社区为例

通勤是居民出行行为的重要组成部分,受到地理、规划、交通等领域的广泛关注,已有对通勤的研究多利用问卷调查数据,定位技术与信息通信技术为个体行为时空数据的采集带来了新的契机。本研究关注个体在不同工作日中通勤的可变性,将活动弹性的概念引入对通勤行为的研究中,提出通勤弹性的概念,并界定了时间、空间、方式、路径4 个通勤弹性维度,通过探讨4 种弹性之间的相互作用关系,提出7 种基于弹性的理论通勤模式。研究以北京市天通苑与亦庄两个郊区巨型社区为案例,基于活动日志与GPS 定位数据相结合的为期一周的居民时空行为数据,分别利用传统方法和通勤弹性视角研究居民的通勤特征,验证通勤弹性现象的存在以及该视角透视城市居民通勤行为的合理性,并利用GIS 三维可视化技术对7 种理论通勤模式居民的活动—移动时空特征进行刻画,从而透视北京市郊区巨型社区居民的通勤特征及复杂模式,为北京市城市与交通问题的解决提供了独特的视角。     

空间数据挖掘与发展趋势探讨

基于空间数据挖掘的含义,分析空间数据挖掘的特点、主要方法分类和面临的主要问题;结合空间数据的特点,提出一种空间数据挖掘体系结构,并分析空间数据挖掘的基本过程,阐述了当前空间数据挖掘面临的主要问题并展望其发展趋势。     

Mining spatiotemporal association patterns from complex geographic phenomena

ABSTRACT

Spatiotemporal association pattern mining can discover interesting interdependent relationships among various types of geospatial data. However, existing mining methods for spatiotemporal association patterns usually model geographic phenomena as simple spatiotemporal point events. Therefore, they cannot be applied to complex geographic phenomena, which continuously change their properties, shapes or locations, such as storms and air pollution. The most salient feature of such complex geographic phenomena is the geographic dynamic. To fully reveal dynamic characteristics of complex geographic phenomena and discover their associated factors, this research proposes a novel complex event-based spatiotemporal association pattern mining framework. First, a complex geographic event was hierarchically modeled and represented by a new data structure named directed spatiotemporal routes. Then, sequence mining technique was applied to discover the spatiotemporal spread pattern of the complex geographic events. An adaptive spatiotemporal episode pattern mining algorithm was proposed to discover the candidate driving factors for the occurrence of complex geographic events. Finally, the proposed approach was evaluated by analyzing the air pollution in the region of Beijing-Tianjin-Hebei. The experimental results showed that the proposed approach can well address the geographic dynamic of complex geographic phenomena, such as the spatial spreading pattern and spatiotemporal interaction with candidate driving factors.     

Spatial co-location pattern mining of facility points-of-interest improved by network neighborhood and distance decay effects

The aim of mining spatial co-location patterns is to find the corresponding subsets of spatial features that have strong spatial correlation in the real world. This is an important technology for the extraction and comprehension of implicit knowledge in large spatial databases. However, existing methods of co-location mining consider events as taking place in a homogeneous and isotropic context in Euclidean space, whereas the physical movement in an urban space is usually constrained by a road network. Furthermore, previous works do not take the ‘distance decay effect’ of spatial interactions into account, which may reduce the effectiveness of the result. Here we propose an improved spatial co-location pattern mining method, including the network-constrained neighborhood and addition of a distance-decay function, to find the spatial dependence between network phenomena (e.g. urban facilities). The underlying idea is to utilize a model function in the interest measure calculation to weight the contribution of a co-location to the overall interest measure instance inversely proportional to the separation distance. Our approach was evaluated through extensive experiments using facility points-of-interest data sets. The results show that the network-constrained approach is a more effective method than the traditional one in network-structured space. The proposed approach can also be applied to other human activities (e.g. traffic accidents) constrained by a street network.     

A visualization approach for discovering colocation patterns

Colocation mining is one of the major spatial data mining tasks. When discovering colocation patterns, spatial statistics or data mining approaches are commonly used. Colocation mining results are typically presented in a textual form and do not provide any spatial information; thus, the results lack an intuitive approach to obtain cognition of colocation rules. Here, we propose a visualization approach to discover colocation patterns for two independent point distributions and generate visual results. This approach makes use of the ability of human color perception. For two geographic features, our approach first generates density surfaces of the input features and then visualizes the density surfaces using a red or green light with different intensities. Then, based on the law of additive color mixing, our approach mixes the colors of the two density surfaces to generate a colocation rule map. The visualization approach can also provide local details of colocation and be used for local colocation analysis. Users can detect colocation patterns and their distribution from the colocation rule maps. We use both synthetic data and real data to test the performance of our approach.     

基于GIS的网络犯罪空间管理系统设计

当前急剧增长的网络犯罪行为与有限警力、人工监控之间的结构性矛盾日益突出,针对网络犯罪的广泛性、隐蔽性、超时空性等特点,迫切需要开发应用先进技术手段,建立“网络犯罪空间管理系统”,使打击网络犯罪从突发事件、被动应对走向重点监控、主动预防。从当前公安网监部门实际需求出发,以地理信息系统为核心,结合网络搜索、IP追踪技术,建立“网络犯罪空间数据库”,进行相关空间数据挖掘,探索网络犯罪要素的空间结构、空间行为及其与环境间互动关系,以制定打击防范的对策方案。     

空间关联规则挖掘研究进展

随着空间数据获取技术的进步, 空间数据量日益增大, 已超出人们的分析能力。传统的空 间数据分析方法只能进行简单的数据分析, 无法满足人们获取知识的需要。空间关联规则是空间 数据挖掘一个基本的任务, 是从具有海量、多维、多尺度、不确定性边界等特性的空间数据中进行 知识发现的重要方法。本文从基本概念、分类、挖掘过程、挖掘方法、目前研究成果等方面对其进 行综述, 重点阐述了空间关联规则挖掘效率的改进策略、基于不确定空间信息的挖掘方法、挖掘 过程及结果的可视化、弱空间关联规则的挖掘方法等。通过对现有空间关联规则研究成果和存在 问题的深入剖析, 指出了其未来主要的发展方向。