基于公交数据融合的城市人群移动模式识别——以重庆市中心城区为例

揭示城市人群移动模式对理解人群移动行为、优化城市空间结构和解决交通问题具有重要意义。针对传统问卷方式存在数据量少、准确性差、实时性不足等问题,该文融合公交刷卡、公交GPS、公交线路和轨道交通刷卡数据,提出一种数据驱动的城市人群移动模式识别方法。首先,对多源公交数据进行匹配融合,提取公交、地铁联运的城市人群移动OD,再进行稳定居住地和稳定工作地识别,最后以稳定职住地匹配判别出行语义,识别居民通勤、购物、聚餐等社会活动出行模式。利用重庆市中心城区连续1周的公交数据进行验证,实验结果显示:①重庆市中心城区人群出行主要集中在工作日,且出行人数随出行频率的增加而降低;②79.34%的人群出行呈现“两点一线”移动模式,呈现三点、四点和多点移动模式的人群出行占比分别为13.03%、5.99%和1.64%。该文方法可以更全面精细地识别城市人群移动模式,有助于城市管理者、规划者了解城市人群移动方向,优化城市资源配置。

基于人群移动模式先验的兴趣点推荐

兴趣点推荐是基于位置的社交网络中的一项重要任务,为用户提供个性化的地点推荐。然而,当前的兴趣点推荐方法主要学习用户在兴趣点上的签到历史和用户间的社交关系网络,城市人群出行规律无法得到有效利用。首先提出了人群移动模式提取框架(Human Mobility Pattern Extraction,HMPE),利用图神经网络作为人群移动模式的提取器,引入注意力机制捕获城市交通模式的时空信息。HMPE通过制定下游任务,设计上采样模块将表征向量还原为任务目标,实现端到端的框架学习训练,完成人群移动模式提取器的预训练。其次,提出了兴趣点推荐算法HMRec(Human Mobility Recommendation),引入了人群移动模式的先验知识,使得推荐结果更符合城市中的人类出行意愿。对比实验结果显示,HMRec的表现优于基线模型。最后,讨论了兴趣点推荐存在的问题和未来的研究方向。

基于空间区域功能划分的人群移动模式可视分析

随着城市发展和城市人口密集化趋势的愈加明显,大量人群移动造成的交通拥堵、空气污染等城市问题日益突出;为了直观、有效地分析人群移动现象和理解背后的语义信息,提出了一可视分析方法,通过整合道路卡口数据和城市POI数据,采用改进后的DBSCAN算法将区域进行功能相似性划分以增强移动模式背后的意图,从而挖掘人群移动在数值和语义上的模式.进一步,基于Bubble Set可视化展示不同功能区域的分布和差异性,并连接不同的功能区块以展示区域之间的人群移动.最后通过案例分析,结合真实数据和区域功能特征,分析和探索人群移动意图,得到人群移动模式和功能区域之间的联系.