基于手机定位数据的城市人口分布近实时预测

精细时空尺度下城市人口分布的近实时预测可为优化公共资源配置、协助城市交通诱导、制定公共安全应急预案、探索城市居民活动规律等提供重要科学依据。本文采用城市手机定位数据,基于时间序列分析方法,分别建立参数预测模型和非参数预测模型,对精细尺度下的城市人口空间分布开展近实时预测。预测结果表明,基于时间序列分析方法的预测模型可为精细尺度下的城市人口分布近实时预测提供方法支持;在本文实验条件下,从人口规模、时空分布、多时间尺度、特殊事件等多个角度评估模型精度,非参数预测模型其预测误差均小于参数预测模型,且预测结果更为稳定。     

城市建筑物人口时空分布模型与实验分析——以北京东华门街道为例

精细尺度上的城市人口分布是解决城市规划与管理、预警与应急等问题的关键。研究精细尺度上城市人口的时空分布需要还原与模拟城市人口与城市建筑物之间的关系。本文利用高分辨率遥感影像提取城市精细尺度的建筑物信息,建立了适用于城市人口分布研究的城市建筑物功能分类体系,并获取了不同使用功能的建筑物人口容纳系数;在实际调查和前人研究的基础上得到不同使用功能的城市建筑物人口吸引率曲线,建立城市建筑物人口分布模型,实现城市精细尺度上的人口分布情况的模拟。以北京东华门街道为例,对16个时间点(0∶00、6∶00、7∶00、8∶00、9∶00、10∶00、11∶00、12∶00、13∶00、14∶00、15∶00、16∶00、17∶00、18∶00、19∶00、22∶00)的城市建筑物人口分布情况进行了模拟,并根据建筑物功能的聚集及道路空间分割情况划分为4个区域进行了人口数量变化分析和原因探讨。最后,讨论了研究中存在的问题,并提出了增加实际调查数据等可能的改进方法。     

上海市精细时空尺度人口分布估计与特征分析

城市人口实时分布与动态变化特征是城市规划与综合治理的重要依据。受数据获取手段的局限性,准确地获取城市人口的实时分布状况一直是技术瓶颈,而移动通讯技术的迅速普及为这一问题的解决提供了技术途径。本文基于移动通讯信令的连续轨迹数据,实现了城市精细尺度人口分布时空估算的方法流程,并以上海市为研究区,对城市人口分布特征及时空移动过程进行了量化分析。研究表明：① 在数据方面,基于移动通讯信令数据估算城市人口分布的方式样本覆盖广、时空精度高、时效性较强且支持时空尺度灵活多变的应用研究需求,能够定量地描述城市人口分布时空动态特征且能推算城市真实人口规模;② 在人口分布时空特征方面,上海市在全市尺度上,各时段人口空间分布较为稳定且差异较小,而在中心城区日间人口较夜间人口呈现更为显著的空间集聚特征;③ 在人口移动时空特征方面,城市功能承载区与其它区域之间人口移动很少,早晚高峰期各城市功能承载区之间人口移动均体现为中心城区与其它新城之间的移动,且2个方向移动人数较为平衡;各城市功能承载区内均有超过半数的人口全天仅在其所在城区内部活动。本文的研究成果可为上海城市规划、应急管理、交通出行等提供更精准的科学依据。     

利用手机通话位置数据估计城市24 h人口分布误差

手机通话位置数据已经成为全球范围内广泛使用的人类活动研究数据,其为高时空分辨率的人口分布估计提供了一种新的途径。然而,手机通话位置数据具有不规则稀疏采样的特点,其反映出的人口分布可能具有一定误差。本研究以深圳市为例,首次结合24 h连续定位的手机信令数据,分别从时间和地理维度量化分析了使用手机通话位置数据估计24 h人口分布的偏差,同时探讨了剔除低频用户对上述偏差的影响。本研究揭示,在居民活跃时间段,使用通话用户的分布估计人口分布时,相对误差的中位数在25%~30%之间;城市内部的土地利用类型与通话用户人口估计偏差具有显著的关联;剔除低频用户会略微减小土地利用对人口分布偏差的影响。本研究成果可帮助理解手机通话位置数据在估计高时空分辨率人口分布上的局限性和适用性,为合理使用手机通话位置数据进行相关研究和应用提供科学依据。     

基于大规模手机定位数据的群体活动时空特征分析

城市空间与居民行为不断交互,相互影响。探究城市空间中的群体活动分布及其时空变化能够帮助数据驱动的城市规划与城市治理。基于大数据的时空间群体活动研究是当前时空大数据研究的一个热点。本文以深圳市为例,基于约1000万手机用户在某一工作日的基站尺度的手机定位数据,识别用户停留位置和停留活动,重建活动语义信息,分析用户的停留点和停留活动的分布差异,研究群体活动的时空分布模式,探讨人群活动模式的多样分布特征。研究表明：停留位置和活动分布存在差异,每人每天平均的停留个数约为2.1个,而每人每天平均从事的活动约为3.4个;不同类型的活动在时间上存在波动;群体活动存在空间分异特征,整体上服从“空间幂律”。本研究揭示了城市空间中群体活动的多样性及其时空分布特征,对于城市居民活动研究、城市交通优化和城市规划具有重要的意义。     

融合多源空间数据的城镇人口分布估算

精细尺度的城镇人口空间分布是分析人类-资源-环境相互关系的重要指标。本文提出了一种融合地理空间大数据和高分辨率遥感数据估计精细尺度城镇人口分布的方法。通过对比各指标与人口相关性,选取R2>0.7的建筑面积、到道路距离、夜间灯光强度、商服中心、EAHSI指数、幼儿园、公园、小学、加油站、医院、公交车站、长途汽车站作为影响人口分布的变量因子。结合城市功能区数据确定人口分布区域,利用随机森林模型对宁波市2018年人口数据进行了500 m格网空间化,从而得出宁波市城镇人口空间分布图。最后,基于随机森林模型的变量因子重要性分析宁波市人口空间分布的影响因素。研究结果表明,本文所提出的城镇人口分布模型在街道尺度的估算精度为81.2%,平均相对误差MRE为0.29、RMSE为3279.89;网格级别的MRE为17.16,RMSE为1149.9,因此模型能精确地反演城镇内部街道人口分布信息。通过对变量因子重要性进行比较,发现建筑面积重要性约为0.22,对宁波市人口估算影响最大;到道路的距离、夜间灯光强度、商服中心、EAHSI（Elevation-Adjusted Human Settlement Index）、幼儿园、公园对宁波市人口估算具有重要作用。本文在格网级别进行的人口分布精度验证对于研究城市精细人口分布具有重大意义。     

基于多源时空大数据的区际迁徙人群多层次空间分布估算模型——以COVID-19疫情期间自武汉迁出人群为例

已有研究很少关注区际迁徙人群在不同尺度上空间分布的动态估算问题。COVID-19疫情爆发以来,坚决防止疫情扩散成为社会最紧迫的事情。在2020年1月23日武汉“封城”前夕,已有500多 万人离开了武汉,快速准确地推算这部分人群的去向,可以为防止疫情扩散和制定防疫决策提供科学依据。本文以此为例,基于开源腾讯位置请求大数据、百度迁徙大数据、土地覆盖数据等多源地理时空大数据,提出一种区际迁徙人群多层次空间分布动态估算模型,用于推算2020年除夕 （2020年1月24日）之前从武汉流入湖北省内各地的人群数量及其分布特征。结果显示：① 春节时段湖北省各地级市农村地 区人群增加数量占人群变化总量的比例平均达124.7%,从武汉市迁入各地级市的人群中至少51.3%流入农村地区;② 区县尺 度人群变化总量的空间分布呈现3个圈层结构：第一圈层为疫情核心区,包括武汉及其周边地区,以人群流出为主;第二圈层为 重点关注区,包括黄冈、黄石、仙桃、天门、潜江、随州、襄阳,以及孝感、荆门、荆州和咸宁的部分地区,以人群总量和农村地区人 群数量大幅增加为主;第三圈层为次级关注区,包括湖北西部宜昌、恩施、神农架和荆门部分地区,以人群小幅流入为主。最后,建议湖北省内,尤其是位于第二圈层内的区县,应高度关注农村地区人群的疫情防控。此研究成果在2~3天完成,显示大数据是可以快速地响应重大公共安全事件,为决策的制定提供一定支持的。     

基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化

格网化人口数据能够刻画实际人口空间分布状况,是实现人口数据更好地与自然、社会、经济等要素融合分析的有效途径。本文面向精细尺度格网人口数据的需求,以中国东部人口稠密的山东省为例,基于乡镇级人口统计数据,研究了结合夜间灯光和土地利用数据的空间化方法。其中以EVI修正DMSP/OLS夜间灯光数据来增加城镇用地内部人口分布的差异性,以城乡二级分区方法避免夜间灯光数据在农村低辐射亮度区模拟人口的缺点,提高了建模精度。利用其余地区的人口统计值检验建模精度,结果有78%的行政单元的相对误差绝对值小于20%。最终在2000年首次公布的乡镇级人口统计数据的基础上,生成了山东省100 m格网人口分布数据SDpop2000。通过与精度较高的全球WorldPop人口数据产品对比可见,SDpop2000和WorldPop在10 km网格尺度上的相关性系数高达0.93;SDpop2000在鲁中部、泰安西南部、济宁南部、临沂南部、枣庄北部和鲁北沿海等地的人口分布明显比WorldPop更准确;且SDpop2000较好地刻画了山东省在鲁西、鲁北平原区的人口较鲁中南山地丘陵区、鲁北沿海和山东半岛丘陵区的人口更为稠密的人口分布趋势。本文构建的基于DMSP/OLS与土地利用的乡镇级人口数据空间化方法明显提高了空间化精度,适用于乡镇尺度的人口精细模拟。     

引入城市公共设施要素的人口数据空间化方法研究

精细尺度的人口分布是当前人口地理学研究的热点和难点,其在灾害评估、资源配置、智慧城市建设等方面应用广泛。城区是人口分布集中的区域,揭示该区域人口分布差异是精细尺度人口空间化研究的核心内容。本研究基于城市公共设施要素点位数据,对居住建筑斑块进行分类,以社区作为人口数据空间化转换尺度,构建各类别斑块面积与人口数量的多元回归模型,生成了宣州城区居住建筑尺度的人口空间数据,揭示了研究区人口空间分布差异。结果表明：① 该方法生成的人口空间数据精度较高,结果可信。779个居住建筑斑块中,估算人数在合理区内的斑块个数占比为35.4%,相对误差在-20%~20%范围内的斑块个数比例之和为61.2%;城东社区、思佳社区作为精度验证单元,其人数估算的相对误差绝对值低于9%;② 城市公共设施要素数据,尤其是中小学及幼儿园、菜市场及水果店,是建筑物尺度上人口分布的指示性因素,其对多层居住建筑人数的估算精度较高,但对中高层居住建筑人数的估算精度偏低。     

沈阳市城市功能区分布与人口活动研究

从精细尺度上研究城市功能区分布与人口活动规律对于政府和相关部门合理调节城市内部资源配置、安排城市设施布局具有重要意义。以沈阳市中心城区为例,根据核密度估计原理,基于兴趣点（POI）数据探索沈阳市中心功能区分布情况,通过解读多时相百度热力图数据,探索工作日和周末城区人口时空分布规律,即从城市人口活动和城市功能设施分布2个角度解读沈阳市中心城区空间结构与组织形式。借助SPSS 20.0分析人口热度和设施分布的相关性关系,建立多元线性回归模型。主要结论如下：① 沈阳市城市活力区呈现多中心分布模式,大多位于商业中心、金融中心或者城市功能复合中心。② 工作日人口高热区空间分布较周末更为分散,面积较大,早晚波动较大。周末人口高热区主要集中在商业中心和城市复合功能区且白天存在较大波动。③ 功能区分布与人口热度显著相关,其中生活服务设施、金融设施、交通设施、住宿设施和景点设施是工作日人口热度的主要影响因子;教育设施、餐饮设施、交通设施、金融设施和公共服务设施是周末人口热度的主要影响因子。     

青藏高原城镇化格局的时空分异特征及影响因素

研究青藏高原城镇化格局的时空分异及其影响因素,有利于推动青藏高原现代人类活动时空过程的认知,对青藏高原就地就近城镇化及可持续发展具有参考意义。根据历次人口普查数据,本研究构建青藏高原县市尺度城镇化空间数据集,参考城镇化发展阶段,采用LISA空间类型划分法和空间计量回归模型,系统分析1990-2010年青藏高原内部城镇化格局的时空分异特征及影响因素。主要结论包括：① 青藏高原整体城镇化水平偏低,2017年底,青藏高原主体部分青海省和西藏自治区的常住人口城镇化水平分别为53.07%和30.8%,低于全国同期水平的58.52%,但青藏高原内不乏高水平城镇化地区,而且各地区间城镇化水平的空间差异缩小;② 青海西部柴达木盆地是高水平城镇化集聚区,羌塘地区是低水平城镇化集聚区,地级行政中心所在县市多呈现自身高、周边低的城镇化格局;③ 与内地相似,第二、三产业从业机会是推动青藏高原城镇化发展重要因素,社会公共服务资源对城镇化拉动作用开始凸显。研究结果可以为青藏高原人类活动研究和青藏高原就地就近城镇化可持续发展政策提供参考。     

青藏高原旅游经济与生态环境协调效应测度及交互胁迫关系验证

青藏高原地区壮美的自然风光、神奇的人文景观和独特的民族文化,使其成为国内外旅游者倾心向往的世外桃源,亟需进一步探究其旅游经济与生态环境之间的交互耦合关系。本文创建青藏高原旅游经济与生态环境综合评价指标体系,采用青海省和西藏自治区15个地市州2000-2017年面板数据探究旅游经济与生态环境协调效应及交互胁迫关系。结果显示： ① 2000-2017年青藏高原仅有拉萨和西宁旅游经济指数呈现快速增长趋势,其余地市州均呈现缓慢增长趋势,生态环境指数整体较高,仅有西宁和海东呈现波动增长趋势,其余地市州变化平缓;② 青藏高原旅游经济与生态环境复合系统协调度时序上呈现波动增长趋势,空间上呈现南高北低、东高西低的分布格局;青海呈现以西宁为核心,逐层向外递减的核心-边缘空间格局;西藏呈现以拉萨为中心,南高北低的空间格局;③ 青藏高原复合系统协同效应子类型主要是旅游经济滞后型,西宁和拉萨呈现“旅游经济滞后-系统均衡发展-生态环境滞后”的变化趋势;④ 基于双指数模型证实了青藏高原旅游经济与生态环境之间具有交互胁迫关系。     

京津冀都市圈人口集疏过程与空间格局分析

人口集疏过程及其空间格局变化是人口空间分布最直观的表现。以1982-2010年4期人口普查数据为基础,采用人口总量和人口密度指标,结合人口增减变化分级、人口商度等方法,定量分析了京津冀都市圈人口集疏过程及其空间格局变化。研究表明:近30年来,京津冀都市圈人口总量呈现持续增长趋势,人口空间分布日益不均衡,区域人口分布存在明显的南北、东西差异;人口增加是主要特征,人口集聚效应凸显,人口增加地区的县域单元比例在80%以上,以人口显著增加为主;人口减少只是零星分布,人口减少地区的县域单元比例占不到20%;人口流动比较频繁,以人口流入为主,主要流向北京、天津和河北的市辖区,人口流出地区仅是散落分布在张家口和承德的山区贫困县域;无论从静态人口指标还是动态人口分析方法,都表明京津冀都市圈人口地域集疏特征十分明显,已形成以北京、天津、石家庄为中心,其他地市(县域)人口分别向外依次扩展的人口多中心分布的圈层结构。     

基于百度迁徙数据的中国城市网络结构特征研究

迁徙流作为互联网时代的新产物,信息流、资本流、交通流等流空间的基本载体,能客观地反映城市间地理行为关系,对于刻画城市网络结构具有重要意义。基于地级以上城市的百度迁徙大数据,本文尝试从全域和净迁徙的视角探索研究中国城市网络结构特征,对其网络的层级、关联关系和影响因素等进行挖掘提取。研究发现：① 全国城市网络呈现出稳定的、层级明确的三棱锥四顶点“钻石型”结构,与主要城市群的经济规模空间分布相吻合;② 区域网络表现出向高级别行政中心集聚的“核心—外围”放射状结构;③ 以省会城市为核心的典型小世界特征比较凸出,小世界网络的可达性和连通性较高;周口、阜阳、赣州、上饶、重庆等作为主要劳动力输出型城市,深圳、东莞、广州、北京、上海等城市成为了主要的外来人口聚集地,并形成了对应的人口就近输送网络关系;④ 城市的行政地位、经济规模、交通枢纽建设、劳动力资源等因素都对其网络控制力和影响力起到了决定性作用。最后,研究结合中国城市网络结构特征及其主要影响因素,提出相关政策建议,以期为中国城市网络结构均衡发展与建设提供借鉴依据。     

多尺度视角下的青藏高原水资源短缺估算及空间格局

青藏高原水资源总量丰富,但由于水资源量与用水量在空间上分布不均衡,部分人口、城镇密集地区水资源短缺严重。本研究在多源数据的基础上,通过空间分析、降尺度处理等,建立了青藏高原省区、市域、县域空间尺度的水资源与用水量数据集。通过比较5、10、20、30年重现期多空间尺度的水资源短缺程度,分析水资源短缺在青藏高原的尺度效应,揭示青藏高原水资源短缺格局与特征,识别面临水资源短缺的人口与面积。结果表明,青藏高原在省区尺度无水资源短缺;在15个市域单元中,有3个市域出现水资源短缺;在115个县域单元中,有29个县域呈现出不同程度的水资源短缺,水资源短缺县域主要集中在青海省的河湟谷地、柴达木盆地与西藏自治区的一江两河流域等人口、城镇密集区域。总体而言,由于较大空间尺度地理单元内部各县域用水强度差异,在县域尺度面临水资源短缺的人口与面积大于市域与省区尺度面临水资源短缺的人口与面积。以县域为基本单元,发现青海省与西藏自治区30年重现期面临水资源短缺的人口占总人口的56.4%,出现水资源短缺的面积占总面积的10.4%。县域之间水资源短缺指数秩相关系数计算结果显示,省区内部各县域同时出现水资源短缺的可能性较大,而省区之间各县域同时出现水资源短缺的可能性相对随机。研究结果为制定青藏高原水资源短缺管理对策、促进区域城镇化与资源环境协调发展提供科学依据。     

ON THE RELATIONSHIP BETWEEN MARRIAGE AND POPULATION MIGRATION IN CHINA

Ｍａｒｒｉａｇｅｉｓｏｎｅｏｆｔｈｅｍｏｓｔｃｏｍｍｏｎｅｓｔａｎｄｏｌｄｅｓｔｃｕｌｔｕｒａｌｐｈｅｎｏｍｅｎａ，ａｎｄａｌｍｏｓｔａｌｌｍａｒｒｉａｇｅｓｉｎｖｏｌｖｅｔｈｅｍｉｇｒａｔｉｏｎｏｆｉｎｄｉｖｉｄｕａｌｓ．Ｆｒｏｍｔｈｉｓｐｏｉｎｔｏｆｖｉｅｗ，ｍａｒｒｉａｇｅｉｓｏｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆａｃｔｏｒｓｔｈａｔｒｅｓｕｌｔｉｎｐｏｐｕｌａｔｉｏｎｍｉｇｒａｔｉｏｎ．Ａｆｔｅｒｒｅｖｉｅｗｉｎｇａｌｌｐｒｅｖｉｏｕｓｒｅｓｅａｒｃｈｅｓｏｎｐｏｐｕｌａｔｉｏ…     

2005—2018年北京市外来人口迁移特征与影响因素分析

外来人口是大型或超大型城市人口结构的重要组成部分,研究特定城市外来人口的迁移特征及其影响因素不仅有助于从迁入地视角发现以特定城市为目标的人口迁移规律,对新城镇化背景下的城市化建设与发展也具有重要的现实意义。本文以北京市为例,通过收集2005—2018年的公安机关外来人口登记数据,对外来人口在不同年份的市级迁出地空间分布格局进行了研究,并利用空间回归模型对人口迁移的影响因素进行了分析,得到如下发现：① 北京市外来人口的迁出地在市级尺度下表现出明显的空间聚集效应,且聚集效应逐年增强;外来人口迁出地空间分布基本稳定,热点迁出地分布主要集中在河北-天津和河南省南部-湖北省北部2个主要聚集簇中;② 影响人口向北京迁移的主要变量为各迁出地的人口规模、交通时间、人均收入、高等教育水平、人口密度等,其中人口规模和人均收入对人口迁移的影响较为稳定,而高等教育水平和人口密度的影响分别从2010年和2014年后才开始显现,交通时间对人口迁移的障碍性作用虽然有所下降,但对人口迁移的影响变化不大;③ 空间误差项持续显著,表明迁出地的人口迁出量可能受相邻地市的社会文化等其他变量的影响。     

��ظ�ԭ���ϲ����ڵؿ�ˮƽ�α�

??1999-2011?????????????GPS??????????????????????????????????????????????????????????????????????????????????????μ??????????????????????????????ε?????????????????????????????????????????????????????????δ?????????????????????????????????в???????????????????????????????????????????????????????????????????????????????в???????????????????????????????????????????????????????????紦???????????????????????????????????????????о????????????????????