[论文解读] Estimating hourly population distribution change at high spatiotemporal resolution in urban areas using geo-tagged tweets, land use data, and dasymetric maps

Ming‐Hsiang Tsou, Hao Zhang+2 more|arXiv (Cornell University)|Oct 15, 2018

Human Mobility and Location-Based Analysis参考文献 20被引用 5

一句话总结

本研究提出了一种时空框架，利用地理标签推文、土地利用数据和达西梅特制图法，估算美国加利福尼亚州圣迭戈县城市区域的小时级人口分布变化。通过半人工验证流程过滤人工生成的推文，作者在每小时和1km网格分辨率下计算唯一用户数量，再结合从人口普查数据和土地利用中提取的时间与空间因子对这些数量进行校正，从而在圣迭戈县实现了高分辨率的动态人口制图，并通过对比地图进行了强有力的验证。

ABSTRACT

This paper introduces a spatiotemporal analysis framework for estimating hourly changing population distribution in urban areas using geo-tagged tweets (the messages containing users' physical locations), land use data, and dasymetric maps. We collected geo-tagged social media (tweets) within the County of San Diego during one year (2015) by using Twitter's Streaming Application Programming Interfaces (APIs). A semi-manual Twitter content verification procedure for data cleaning was applied first to separate tweets created by humans and non-human users (bots). The next step is to calculate the number of unique Twitter users every hour with the two different geographical units: (1) census blocks, and (2) 1km by 1km resolution grids of LandScan. The final step is to estimate actual dynamic population by transforming the numbers of unique Twitter users in each census block or grid into estimated population densities with spatial and temporal variation factors. A temporal factor was based on hourly frequency changes of unique Twitter users within San Diego County, CA. A spatial factor was estimated by using the dasymetric method with land use maps and 2010 census data. Several comparison maps were created to visualize the spatiotemporal pattern changes of dynamic population distribution.

研究动机与目标

• 开发一种在城市环境中实现高时空分辨率动态人口分布估算的方法。
• 通过捕捉实时人类移动模式，弥补静态人口数据的局限性。
• 整合社交媒体数据（地理标签推文）与土地利用及人口普查数据，以提高人口估算的准确性。
• 通过时空人口模式的可视化与定量对比，对框架进行验证。

提出的方法

• 使用Twitter的流媒体API，在2015年全年内收集了美国加利福尼亚州圣迭戈县的地理标签推文。
• 应用半人工内容验证流程，以区分人工生成的推文与机器人活动。
• 按小时在两种空间分辨率下聚合唯一Twitter用户数量：人口普查区块和1km×1km LandScan网格。
• 基于研究区域内唯一用户数量的小时波动，计算时间因子。
• 使用达西梅特方法估算空间因子，基于2010年人口普查数据，按土地利用类型成比例分配人口。
• 结合时间与空间因子，将原始用户数量转换为具有小时变化和空间差异的估算人口密度。

实验结果

研究问题

• RQ1 在城市区域，地理标签推文在小时级别上能否准确反映实时人口分布变化？
• RQ2 土地利用数据和达西梅特制图在多大程度上能提升从社交媒体数据中获得的人口估算的空间分辨率与准确性？
• RQ3 社交媒体活动的时间模式与城市环境中实际的人类移动及人口动态之间存在何种相关性？
• RQ4 过滤非人类用户对社交媒体数据人口估算的可靠性有何影响？

主要发现

• 该框架成功为圣迭戈县生成了具有小时时间分辨率和1km×1km空间分辨率的高分辨率动态人口地图。
• 推文活动的时间模式与已知的昼夜人类移动趋势高度一致，例如白天商业区人口达到峰值，夜间则集中于住宅区。
• 达西梅特校正显著提高了空间准确性，使人口在土地利用类型之间的分布更加符合实际，相较于均匀分配或区块级分配更为合理。
• 对比地图清晰且一致地展示了人口变化的时空模式，验证了模型捕捉城市动态的能力。