[论文解读] Urban spatial-temporal activity structures: a New Approach to Inferring the Intra-urban Functional Regions via Social Media Check-In Data

Zhi Ye, Yu Liu+4 more|arXiv (Cornell University)|Dec 23, 2014

Human Mobility and Location-Based Analysis参考文献 29被引用 4

一句话总结

本文提出一种基于低秩近似（LRA）的模型，利用上海一年的社会媒体签到数据推断城市内部的功能区域。通过揭示潜在的城市时空活动结构（USTAS），该方法识别出五类不同的功能聚类——商业、交通、成熟住宅、发展中的住宅及其他——与官方城市规划高度一致，展示了其在城市分析与规划应用中的实用性。

ABSTRACT

Most existing literature focuses on the exterior temporal rhythm of human movement to infer the functional regions in a city, but they neglects the underlying interdependence between the functional regions and human activities which uncovers more detailed characteristics of regions. In this research, we proposed a novel model based on the low rank approximation (LRA) to detect the functional regions using the data from about 15 million check-in records during a yearlong period in Shanghai, China. We find a series of latent structures, called urban spatial-temporal activity structure (USTAS). While interpreting these structures, a series of outstanding underlying associations between the spatial and temporal activity patterns can be found. Moreover, we can not only reproduce the observed data with a lower dimensional representative but also simultaneously project both the spatial and temporal activity patterns in the same coordinate system. By utilizing the K-means clustering algorithm, five significant types of clusters which are directly annotated with a corresponding combination of temporal activities can be obtained. This provides a clear picture of how the groups of regions are associated with different activities at different time of day. Besides the commercial and transportation dominant area, we also detect two kinds of residential areas, the developed residential areas and the developing residential areas. We further verify the spatial distribution of these clusters in the view of urban form analysis. The results shows a high consistency with the government planning from the same periods, indicating our model is applicable for inferring the functional regions via social media check-in data, and can benefit a wide range of fields, such as urban planning, public services and location-based recommender systems and other purposes.

研究动机与目标

• 解决现有方法仅关注人类移动的时间节奏，而忽视空间与时间活动模式之间相互依赖关系的局限性。
• 利用高分辨率的社会媒体签到数据识别精细化的城市内部功能区域。
• 开发一种数据驱动模型，统一在低维坐标系中捕捉空间与时间活动模式。
• 通过与官方城市规划数据对比，验证推断的功能区域在现实应用中的适用性。
• 通过数据驱动的功能区域检测，支持城市规划、公共服务以及基于位置的推荐系统。

提出的方法

• 利用在上海一年内收集的约1500万条社交媒体签到记录数据集。
• 应用低秩近似（LRA）将时空活动矩阵分解为低维表示，以捕捉潜在结构。
• 利用LRA输出结果，将空间与时间活动模式同时投影到共享坐标系中。
• 对低秩表示应用K-means聚类，基于时间活动模式识别出五类不同的功能聚类。
• 根据时间行为模式为聚类标注主导活动类型（例如：商业、住宅、交通）。
• 通过城市形态分析验证聚类的空间分布，并与同期官方政府规划数据进行对比。

实验结果

研究问题

• RQ1 如何利用社交媒体数据，通过空间与时间人类活动模式的相互作用推断城市功能区域？
• RQ2 从大规模签到数据中涌现出哪些潜在的空间-时间活动结构（USTAS），它们如何反映城市功能组织？
• RQ3 所检测到的功能区域在多大程度上与官方城市规划和现实城市形态一致？
• RQ4 低秩近似模型是否能有效表示复杂的城市活动模式，同时保持可解释性？
• RQ5 不同城市功能区域（如住宅区、商业区和交通枢纽）具有怎样的独特时间活动特征？

主要发现

• 该模型成功识别出五类不同的功能聚类：商业、交通、成熟住宅、发展中的住宅及其他类型，每类均具有独特的时间活动模式。
• 检测到的聚类在空间分布上与同期官方政府城市规划数据高度一致，验证了模型的准确性。
• 低秩近似实现了有效的降维，同时在统一表示中保留了空间与时间活动模式。
• 该方法揭示了空间布局与时间节奏之间的潜在关联，揭示了仅通过时间分析无法察觉的潜在城市结构。
• 成熟住宅区表现出稳定、以傍晚为主的活动模式，而发展中的住宅区则表现出更零散且不规则的时间行为。
• 该模型通过低维表示高保真地还原了实际签到数据，展示了其高效性与鲁棒性。