[论文解读] UrbanFACET: Visually Profiling Cities from Mobile Device Recorded Movement Data of Millions of City Residents

Lei Shi, Tao Jiang+3 more|arXiv (Cornell University)|Jul 13, 2017

Human Mobility and Location-Based Analysis参考文献 43被引用 5

一句话总结

UrbanFACET 是一个视觉分析系统，利用数百万用户通过移动设备签到产生的数据，提取并可视化基于熵的移动性度量——流畅性（Fluidity）、活力（Vibrancy）、通勤（Commutation）、多样性（Diversity）和密度（DensitY）（统称为 FACET），以刻画城市在不同区域和时间维度上的城市功能与动态特征。该系统支持跨区域和跨时间的交互式大规模移动模式比较，用户研究结果表明，这些度量能够揭示传统密度图无法提供的新颖且非冗余的洞察。

ABSTRACT

Cities are living systems where urban infrastructures and their functions are defined and evolved due to population behaviors. Profiling the cities and functional regions has been an important topic in urban design and planning. This paper studies a unique big data set which includes daily movement data of tens of millions of city residents, and develop a visual analytics system, namely UrbanFACET, to discover and visualize the dynamical profiles of multiple cities and their residents. This big user movement data set, acquired from mobile users' agnostic check-ins at thousands of phone APPs, is well utilized in an integrative study and visualization together with urban structure (e.g., road network) and POI (Point of Interest) distributions. In particular, we novelly develop a set of information-theory based metrics to characterize the mobility patterns of city areas and groups of residents. These multifaceted metrics including Fluidity, vibrAncy, Commutation, divErsity, and densiTy (FACET) which categorize and manifest hidden urban functions and behaviors. UrbanFACET system further allows users to visually analyze and compare the metrics over different areas and cities in metropolitan scales. The system is evaluated through both case studies on several big and heavily populated cities, and user studies involving real-world users.

研究动机与目标

• 为解决利用大规模真实人类移动数据对城市功能区域和居民行为进行规模化画像的挑战。
• 开发有意义的信息论度量，以捕捉超越简单人口密度的复杂城市移动性特征。
• 设计一个交互式视觉分析系统，支持跨城市和时间周期的移动模式比较性、多尺度分析。
• 评估移动性度量是否能提供传统基于密度的可视化无法获得的新颖、可操作的洞察。

提出的方法

• 该系统采用可扩展的基于网格的数据处理管道，处理并聚合来自数千个应用程序的移动用户签到数据，同时保留用户上下文信息和时空分辨率。
• 提出一组基于熵的度量，源自香农熵，通过用户在空间网格和城市功能类别（如购物、餐饮、商务）中的移动分布计算得出。
• 通过对用户层面熵的分解，实现区域层面移动性度量的计算，包括：活力（签到的空间多样性）、流畅性（移动流动）、通勤（通勤模式）、多样性（POI类型种类）和密度（签到频率）。
• UrbanFACET 系统将这些度量与地图背景、POI分布和道路网络集成，支持跨城市和时间周期的可视化关联与筛选。
• 通过区域和城市的选择、过滤与比较，支持交互式探索，动态可视化度量分布和概率密度函数。
• 通过16名受试者的用户研究，采用被试间设计和非参数统计检验（Mann-Whitney U 检验），对比了移动性度量与传统密度图在可用性和信息丰富性方面的表现。

实验结果

研究问题

• RQ1 信息论度量能否有效捕捉并表征城市居民和城市区域的多维度移动行为？
• RQ2 这些新型移动性度量与经典人口密度相比，在揭示城市功能结构与动态方面有何差异？
• RQ3 与基于密度的地图相比，移动性度量的可视化在城市分析任务中能否提供新颖且非冗余的洞察？
• RQ4 哪些交互式视觉分析功能在大都市尺度下对跨城市和时间周期的移动模式比较最为有效？

主要发现

• 在八项任务中的七项中，移动性度量（尤其是活力、流畅性和多样性）提供的新颖信息显著多于密度图，用户研究结果证实了这一点。
• Mann-Whitney U 检验显示，在判断度量值对称性（T1a）时，用户使用移动性度量与使用密度图的响应存在显著差异（p < .001），表明前者的区分能力更强。
• 在另外两项与流畅性和多样性相关的任务中，p 值接近显著性水平（p = .083），表明移动性度量在识别复杂城市模式方面具有一致优势。
• 在一项任务（T3b）中未观察到显著差异，归因于用户对 DIV 中心位置的不确定，表明度量的解释依赖于上下文知识。
• 该系统成功将复合移动性度量与城市结构及 POI 数据结合可视化，使用户能够将移动性特征与城市功能和基础设施相关联。
• 用户研究证实，移动性度量使用户能够比仅依赖密度图更准确地推断城市功能与动态特征，例如识别高流量枢纽或通勤走廊。