利用簽到數(shù)據(jù)的空間互動模型

溫廣檳 於志勇 劉 琦 陳羽中 沈 堯

(1.福州大學數(shù)學與計算機科學學院 福州 350108) (2.倫敦大學學院巴特雷特建筑學院 倫敦 WC1E 6BT)

利用簽到數(shù)據(jù)的空間互動模型

溫廣檳1於志勇1劉 琦1陳羽中1沈 堯2

(1.福州大學數(shù)學與計算機科學學院 福州 350108) (2.倫敦大學學院巴特雷特建筑學院 倫敦 WC1E 6BT)

理解空間互動(即人們在城市不同區(qū)域間的流動)可以更加智能地輔助交通規(guī)劃、商業(yè)選址等決策。空間互動模型利用開放的社交網(wǎng)絡用戶簽到數(shù)據(jù),計算各地區(qū)聯(lián)系指數(shù)、內部用戶流動指數(shù)、外部用戶流動指數(shù)、出行質量指數(shù)等四個維度。聚合了多個社交網(wǎng)絡的簽到數(shù)據(jù),進行了興趣點匹配和起止點計算,并可視化了一個具體城市的模型實例。結果表明該空間互動模型能夠反映城市的空間動態(tài)結構,為各行業(yè)用戶提供直觀的咨詢信息。

空間互動; 計算模型; 簽到數(shù)據(jù)

Class Number TP311

1 引言

我國對公共空間的規(guī)劃、建設與管理尤為重視,于2016年2月發(fā)布的《關于進一步加強城市規(guī)劃建設管理工作的若干意見》第十六條中提出“新建住宅要推廣街區(qū)制,原則上不再建設封閉住宅小區(qū)。已建成的住宅小區(qū)和單位大院要逐步打開,實現(xiàn)內部道路公共化”。隨著住宅小區(qū)的開放,城市規(guī)劃將迎來大規(guī)模的調整和優(yōu)化,如何優(yōu)化城市交通,怎么建設有科學依據(jù)的城市道路,這一切工作都需要具體的數(shù)據(jù)和理論的支持,而本文的工作將為其提供真實有效的參考。

公共空間是城市功能的主要組成部分之一,是城市中為順利進行各項經(jīng)濟活動和其他社會活動而建設的關鍵,空間互動表征的是城市空間中人的行為活動以及由此產(chǎn)生的社會生活與空間的內在聯(lián)系。空間互動主要研究由人們在城市空間中的流動交互數(shù)據(jù),本文通過建立一個空間互動模型將其轉化為更直觀的表現(xiàn)形式(四個維度的指數(shù),每個指數(shù)都有客觀實際的意義),得出城市的空間性與人們的日常生活的密切聯(lián)系,為交通道路建設、城市規(guī)劃、商業(yè)選址以及其他與城市公共空間建設相關的行業(yè)提供較為直觀且準確的信息。

本文建立的互動空間模型,利用社交網(wǎng)絡中的簽到數(shù)據(jù),計算出各地區(qū)聯(lián)系指數(shù)、內部用戶流動指數(shù)、外部用戶流動指數(shù)、出行質量指數(shù)等指數(shù),并通過可視化進行展示,提供了對一個城市中人口流通,互動的有效參照,其中各地區(qū)聯(lián)系指數(shù)可以對加強對城市區(qū)域聯(lián)系強度的認知,內部用戶流動指數(shù)可以加強對小區(qū)域的活動強度的認知,外部用戶流動指數(shù)可以加強對一個區(qū)域外部進入人流的數(shù)量的認知,出行質量指數(shù)可以加強對城市各種土地利用類型(例如商業(yè),餐飲,娛樂等)在各個區(qū)域活躍程度的認知,這將會為城市規(guī)劃提供有效的參考。

2 相關工作

對于空間互動的計算,許多學者針對此都進行了相應的研究,并提出了一些計算模型。

在城市規(guī)劃領域里,文獻[1]定性分析了當前蘭州城市生活性街道在空間互動存在的問題以及建議,但數(shù)據(jù)來源采用問卷調查的形式,不夠全面,導致收集的數(shù)據(jù)不夠完備,存在一定的片面性。文獻[2]采用衛(wèi)星遙感圖像為數(shù)據(jù)源獲得土地覆蓋情況,從而構建相互作用模型以確定城市空間的擴展方向,但遙感圖像耗資大,缺乏時效性,且在建立模型時沒有將人類活動考慮在內。

在地理信息系統(tǒng)空間分析中,文獻[3]進行了石河子市建筑分布密度統(tǒng)計與分析,采用2005年Quick bird正射影像為主要數(shù)據(jù)源,但只計算了空間互動中建筑間聯(lián)系強度情況,對于計量空間互動而言在維度上偏少,不能完全作為依據(jù)進行土地決策。文獻[4]對北京地區(qū)進行Voronoi圖空間剖分,收集車載GPS的信息作為數(shù)據(jù),數(shù)據(jù)源單一,且只反映了空間互動中的區(qū)域內行車用戶流動指數(shù)。文獻[5]以上海市為例計算城區(qū)內的空間關聯(lián)情況,得出老年與外來人口因子、商服與農(nóng)業(yè)人口因子、住房情況等因子并進行分析,但使用的數(shù)據(jù)是采用2000年第五次人口普查的一個時間斷面,存在一定的局限性,不能很好地揭示空間關聯(lián)性的時空演化。

現(xiàn)今社會已經(jīng)逐步跨入了全面信息化時代,越來越多用戶使用開放的社交網(wǎng)絡接觸新鮮事物,利用所在的地理位置提供簽到數(shù)據(jù)等,在計算機領域里,文獻[6～8]采用了網(wǎng)絡中用戶提供的簽到數(shù)據(jù)作為人口流動指標,但所計算的空間互動維度指數(shù)只側重于某一方面(分別為商業(yè)選址、旅游業(yè)),缺乏普遍性,即其他行業(yè)的適用性不大。

3 空間互動模型和計算框架

本文提出的空間互動模型Mi包含四個指數(shù)〈UCIi,UIIIi,r,UEIIi,r,TQIi,r〉,分別是各地區(qū)聯(lián)系指數(shù)UCIi、內部用戶流動指數(shù)UIIIi,r、外部用戶流動指數(shù)UEIIi,r以及出行質量指數(shù)TQIi,r,其中i表示地塊編號(地塊由路網(wǎng)劃分而成,我們將市內道路交通網(wǎng)絡劃分的區(qū)域作為計算的基本單元),r表示可達范圍。各地區(qū)聯(lián)系指數(shù)是量化城市中區(qū)域的外向服務功能(即各地區(qū)與其他區(qū)域的聯(lián)系強度)的指標,反映了一個城市的地區(qū)間人口交叉程度,對發(fā)展經(jīng)濟建設、區(qū)域定位等有重要意義。內部用戶流動指數(shù)是城市的區(qū)域內部人口的自身流移程度,可以觀察到區(qū)域內部的活動旺盛程度。外部用戶流動指數(shù)是指在城市的區(qū)域外人口的流入程度。內部、外部用戶流動指數(shù)有利于探索人口發(fā)展變化規(guī)律。出行質量指數(shù)刻畫了城市居民從一地到另一地的移動過程中,對從出發(fā)到終止過程中各個交通環(huán)節(jié)所提供服務的滿意程度,是目前宜居城市逐漸看重的指標。

得到城市空間互動變化情況后,還需將模型結果轉化為一種視覺形式,即可視化,使我們更有效地觀察、操縱、研究、瀏覽、探索、過濾、對比與理解大規(guī)模數(shù)據(jù),并與之方便交互,從而可以及其有效地發(fā)現(xiàn)隱藏在信息內部的特征和規(guī)律,更直觀地反應城市空間的動態(tài)結構,針對不同行業(yè)用戶提供更為準確的咨詢信息與建議。

圖1 空間互動模型計算框架

空間互動模型的計算框架如圖1所示,共分為三個子系統(tǒng),分別是數(shù)據(jù)子系統(tǒng)、分析子系統(tǒng)和表現(xiàn)子系統(tǒng)。在數(shù)據(jù)子系統(tǒng)中,從各類社交網(wǎng)絡平臺獲取數(shù)據(jù)并對其進行處理從而得到結構化的數(shù)據(jù)。在分析子系統(tǒng)中,根據(jù)得到的結構化數(shù)據(jù)進行四個維度的指數(shù)計算得到空間互動的結果。最終,在表現(xiàn)子系統(tǒng)中,將結果可視化表現(xiàn)出來。

4 簽到數(shù)據(jù)處理

本文所用到的簽到數(shù)據(jù)來源于大眾點評網(wǎng)和帶有位置信息的新浪微博。通過城市道路網(wǎng)絡將城市劃分為若干個地塊,選取路網(wǎng)距離為可達半徑(即一個地點通過城市道路網(wǎng)絡能到達的距離),其中,路網(wǎng)數(shù)據(jù)為各個城市的道路交通構成的網(wǎng)絡,可以很好的和人們日常出行的道路相匹配,而路網(wǎng)距離則是計算兩個POI(Point Of Information)點(在本文中指代城市中具有實際意義的地點)通過路網(wǎng)連接的距離,這個數(shù)據(jù)可以很好地模擬來往于這兩個POI點的用戶的真正移動的路程,可達半徑是作為指數(shù)計算的一個參數(shù),本文認為用路網(wǎng)距離代替直線距離更為真實可靠。

4.1 數(shù)據(jù)介紹

數(shù)據(jù)分為興趣點(POI)數(shù)據(jù)和簽到數(shù)據(jù),POI點數(shù)據(jù)即擁有具體經(jīng)緯度坐標的點,它具有客觀存在的意義,而簽到數(shù)據(jù)則是基于POI點存在的表明用戶在某時某刻在該POI點出現(xiàn)的一條信息。將采集到的原始數(shù)據(jù)做了簡單的格式化處理并存儲在數(shù)據(jù)庫中,以下是對采集到的數(shù)據(jù)的舉例說明。

1) POI數(shù)據(jù)

大眾點評網(wǎng)的POI數(shù)據(jù)字段包括〈編號ID,名稱NAME,歸屬城市CITY,經(jīng)度LONGITUDE,緯度LATITUDE,土地使用類型CLASSIFY,地址ADDRESS,簽到次數(shù)SIGN_COUNT〉。

下面是一條大眾POI點數(shù)據(jù)：

{

“ID”:8897212,

“NAME”:青年快捷旅店,

“CITY”:天津,

“LONGITUDE”:117.64352,

“LATITUDE”:39.03744,

“CLASSIFY”:賓館酒店,

“ADDRESS”:濱海新區(qū)車站北路仕嘉花園底商1-1-1129號,

“SIGN_COUNT”:3

}

2) 簽到數(shù)據(jù)

大眾點評網(wǎng)由于并沒有簽到功能,所以搜集了大眾點評網(wǎng)用戶的評論數(shù)據(jù),將每一條評論數(shù)據(jù)作為一條簽到數(shù)據(jù)。簽到數(shù)據(jù)字段包括〈編號ID,所屬POI編號TENANT_ID,所屬POI名稱TENANT_NAME,用戶名USER,簽到時間SIGN_TIME〉。

下面是一條大眾簽到數(shù)據(jù)：

{

“ID”:184952,

“TENANT_ID”:4510942,

“TENANT_NAME”:全明星滑冰俱樂部,

“USER”:包紫包紫,

“SIGN_TIME”:2014-02-20 21:13:00

}

本文數(shù)據(jù)收集的是大眾點評網(wǎng)和位置微博的數(shù)據(jù),將兩種不同源的數(shù)據(jù)進行整合并以基于路網(wǎng)劃分的地塊為單位進行計算和展示,而不同來源的數(shù)據(jù)之間存在許多差異,如經(jīng)緯度標準不同,同一個POI點可能名稱不同等,因此需要進行數(shù)據(jù)處理,使其統(tǒng)一起來,其中包括基于名稱和地址不同的數(shù)據(jù)源POI模糊匹配、POI與地塊的模糊關聯(lián)和OD(Origin-Destination,OD)計算，即一條有起點和終點的軌跡。基于名稱和地址不同的數(shù)據(jù)源POI模糊匹配,是將POI的名稱和地址相結合,判斷兩個數(shù)據(jù)源對應的POI點是否屬于同一個POI點,過濾重復的POI。POI與地塊的匹配,是將某個POI點歸屬到符合條件的一個地塊中。OD計算,就是將用戶的連續(xù)不同的兩次簽到分別作為起始點和終點,形成起止點關聯(lián)矩陣。

4.2 不同數(shù)據(jù)源的POI模糊匹配

對于不同平臺的數(shù)據(jù),需要對其進行整合,即對指代意義相同的POI點進行匹配,并將整合其所包含的信息(簽到,OD),但是,由于目前在國內GPS標準尚未統(tǒng)一,不同平臺使用的GPS標準各不相同,國內一般存在的GPS標準有WGS84即GPS設備獲得的坐標,GOOGLE地圖坐標,百度地圖坐標等,且不同平臺創(chuàng)建POI點時使用的經(jīng)緯度坐標可能存在偏差。為了解決這些問題,先進行數(shù)據(jù)樣本的訓練,獲取不同網(wǎng)站相同POI的經(jīng)緯度位置偏差,也就是計算出兩個不同源的POI數(shù)據(jù)的大致偏移范圍,然后基于名稱及地址進行文本模糊匹配。具體步驟如下：

1) 從兩個不同的網(wǎng)站中采集同城所有POI信息,其中包括名稱、地址、經(jīng)度、緯度等信息,這兩個網(wǎng)站的POI數(shù)據(jù)構信息構成A數(shù)據(jù)集和B數(shù)據(jù)集；

2) 從上述兩個數(shù)據(jù)集中找出名稱完全匹配,且偏差在正常范圍(經(jīng)過試驗為1km)的POI數(shù)據(jù)作為校準樣本,計算數(shù)據(jù)集A和數(shù)據(jù)集B中所有相互對應的POI的位置偏差,計算平均位置偏差,即偏差的距離和角度,確定匹配范圍,如圖2所示；

圖2 求平均位置偏差圖解

3) 取數(shù)據(jù)集A中的一個POI作為待匹配點,找出數(shù)據(jù)集B中所有在匹配范圍內的POI作為待匹配集；

4) 根據(jù)地址分詞[9]字段集合對采集到的POI數(shù)據(jù)的地址信息建立逐級的父子關系,然后根據(jù)地址分詞字段的關系將待匹配集元素和待匹配點進行逐級地址分詞,并形成地址詞典,根據(jù)地址詞典過濾待匹配點和待匹配集中POI點的名稱中的地址信息；

地址分詞字段集合F如下：

F=[省,市,區(qū),縣,街道,鎮(zhèn),鄉(xiāng),社區(qū),村,小區(qū),大廈,里,弄,園,支弄,公寓,路,街,巷,號]。

5) 采用KMP算法[10～11]對待匹配點和待匹配集元素進行匹配,當某個元素使匹配率最大,并且大于某個閾值時,則該元素與待匹配點屬于同一個POI。

4.3 POI與地塊模糊關聯(lián)

每個POI點對應一個地塊,當POI點沒有落在任何地塊上并且離臨近的地塊距離較遠時,會出現(xiàn)某個POI點不屬于任何地塊的情況。當POI點沒有落在任何地塊上,但是離臨近的地塊較近時,可視為該POI點落在兩個地塊之間的街道上,可劃入最近的一個地塊。具體步驟如下(如圖3所示)：

1) 判斷POI點是否直接落在地塊內部,地塊可視為一個不規(guī)則的多邊形。將POI點的經(jīng)緯度和地塊邊緣點的經(jīng)緯度轉換成XY坐標,然后根據(jù)地塊邊緣點的坐標轉換成多邊形,再判斷POI點所屬的地塊。

2) 如果POI點沒有直接落在地塊內部,那么需要進行進一步的判斷POI點是否落在兩個地塊之間的街道上。取POI點周圍1000m內的地塊作為POI點可能歸屬的地塊樣本,將每個地塊內部的邊緣點兩兩連接(地塊之間的邊緣點不需要相連),計算POI點與這些連線的距離,當最短距離小于某個值時,則該POI點屬于擁有這條連線的地塊,如果最短距離大于某個值,那么該POI點不屬于任何地塊。如圖4所示,該POI點位于街道上并且離箭頭方向的地塊較近,則該POI點屬于箭頭方向的地塊。

圖3 POI與地塊模糊關聯(lián)步驟流程圖

圖4 街道上POI所屬地塊

4.4 OD計算

OD計算是通過對某個用戶在不同時間在某些POI的簽到數(shù)據(jù)進行計算,假設在A點簽到,2個小時后在B點簽到,并且這兩個點之間在時間范圍內屬于可達的,A、B兩點為端點構成的邊視為一條有效的軌跡。

軌跡數(shù)據(jù)過濾,即軌跡計算時數(shù)據(jù)過濾,同一個用戶,從地點1移動到地點2,如果這個過程不在同一天內,那么此處移動視為無效；從地點1移動到地點2,如果移動速度超過80km/h,這種情況視為無效數(shù)據(jù)。

OD計算流程如算法1所示,把前面處理好的簽到數(shù)據(jù)集{S}作為輸入數(shù)據(jù),將其按用戶名字段(user_id),及簽到時間字段(sign_time)排序,即先按用戶名排序,同用戶名的按簽到時間排序。隨后,依次讀取數(shù)據(jù)集中的數(shù)據(jù),若用戶名相同且簽到時間為同一天,本文則用2個簽到生成一條OD數(shù)據(jù),然后判斷這條OD的有效性,若有效則將其加入OD集合{T}。重復這個過程,直到遍歷完數(shù)據(jù)集{S}。

Algorithm 1. OD calculate

Input :dataset sign {S}

Output : OD data {T}

Steps :

{T}=?;

|S|=n;

Sort {S} by user_id and sign_time,in ascending order;

k=0;

FOR i=1:n

If((Si-1.username==Si.username)&&

isSameDay(Si,Si-1)&&){

Tk={Si,Si-1};

If(DataIsNormal(Tk)){

Add Tkto {T};

k++;

}

}

END FOR

5 互動指數(shù)計算

互動指數(shù)計算公式的公共參數(shù)含義：i為城市中劃分的某個地塊編號；r為可達范圍,是以地塊i中心坐標為圓心,r為半徑的覆蓋區(qū)域；α為是否在地塊的可達半徑內；o為簽到用戶的起始地坐標；d為簽到用戶的目的地坐標；T(o,d)為從起始地到目的地的OD數(shù)據(jù)；Mi為之于地塊i的可達范圍,即統(tǒng)計單元；N為OD數(shù)據(jù)總數(shù)；U為統(tǒng)計單元的個數(shù),即地塊數(shù)；k為土地利用類型總數(shù)。

5.1 城市各地區(qū)聯(lián)系指數(shù)(Urban Connectivity Index-UCI)

UCIi是指i地通過OD關系與之相關的單元數(shù)。比如對于i地,它與10個POI有OD聯(lián)系,但是10個POI分別屬于3個單元,那i地的UCI就是3。這個指數(shù)有助于我們了解各個地區(qū)互相關聯(lián)的強度。

5.2 內部用戶流動指數(shù)(Urban Internal Intensity Index，UIII)

O坐標必須在i地的半徑r范圍內,D坐標也在其中,UIIIi,r為i地的內部用戶流動數(shù)。

這里內部用戶的判定在于一次出行的OD是否都在統(tǒng)計范圍內,在制定計算單元區(qū)域內,完整OD都在其中的數(shù)量。即是內部用戶一次出行完全在統(tǒng)計范圍內的數(shù)量。這個指數(shù)有助于了解一個地區(qū)的活動強度。

5.3 外部用戶流動指數(shù)(Urban External Intensity Index,UEII)

D坐標必須在i地的半徑r范圍內,而O坐標不在其中。

UEIIi,r是在指定的計算單元區(qū)域內,外部用戶進入其內的數(shù)量。即統(tǒng)計D在統(tǒng)計范圍,但是與之關聯(lián)的O不在范圍內的數(shù)量。這有助于了解一個地區(qū)是否有足夠多的外來人流。

5.4 出行質量指數(shù)(Transition Quality Index,TQI)

6 模型實例化及可視化

6.1 實例化

本文以天津市為例求解空間互動模型,通過路網(wǎng)數(shù)據(jù)將天津市劃分為2754個地塊,選取1000m的路網(wǎng)距離為可達半徑。共收集了2014年天津市大眾點評網(wǎng)和位置微博的簽到數(shù)據(jù),其中大眾點評網(wǎng)包括13333個用戶、31496條簽到數(shù),位置微博包括277842個用戶、796529條簽到數(shù)。將收集到的數(shù)據(jù)以地塊為基本單元進行POI匹配和OD計算,求得的數(shù)據(jù)再分別進行城市各地區(qū)聯(lián)系指數(shù)、內部用戶流動指數(shù)、外部用戶流動指數(shù)、出行質量指數(shù)這四個維度的計算求出天津市區(qū)域內的空間流動情況。其中,出行質量指數(shù)與土地類型相關,模型中指定的土地類型為餐飲、娛樂、商業(yè),土地利用類型可在采集時獲得。

6.2 可視化

將用戶的簽到情況根據(jù)實驗步驟進行轉換后的數(shù)據(jù)可視化,能夠直觀地反映城市的空間互動情況,并作為評估互動的標準。如圖5～10所示。

圖5 天津市各地區(qū)聯(lián)系指數(shù)

由圖5可知,其聯(lián)系最密集區(qū)域分布較為分散,但主要在天津中心區(qū),且范圍較小,次密集區(qū)域多分布在周邊,且范圍較廣。

圖6 天津市內部用戶流動指數(shù)

由圖6可知,天津內部人口流動不大,中部偏上區(qū)域有小范圍的強流動,以其為中心的四周零散分布了一些次強流動,可見天津現(xiàn)在人口多往發(fā)達區(qū)域流動,符合城市居民的生活要求。

由圖7可知,天津的外部用戶進入流動大,中上部仍然為強流動區(qū)域,西部和東部都有大范圍的次強流動,呈現(xiàn)隨機分布的特點。外部用戶的流動,與居民的生產(chǎn)生活息息相關,隨機型分布可以照顧到居住在不同區(qū)域的城市居民,有利于外部用戶在各個區(qū)域創(chuàng)造自身價值,并為一方區(qū)域的和諧建設貢獻一份力。

圖7 天津市外部用戶流動指數(shù)

圖8 天津市土地類型為餐飲的出行質量指數(shù)

圖9 天津市土地類型為娛樂的出行質量指數(shù)

圖10 天津市土地類型為商業(yè)的出行質量指數(shù)

區(qū)域由圖8～10可知,天津作為環(huán)渤海地區(qū)經(jīng)濟中心,在餐飲業(yè)以及商業(yè)上尤為發(fā)達,在這兩方面的出行質量幾乎分布在整個市區(qū),且顏色較深,可見指數(shù)較大,這種分布既符合城市居民的生活習慣又能滿足城市居民出行的便利要求。但天津市的娛樂行業(yè)發(fā)展較為薄弱,最高指數(shù)零散地分布在中部地區(qū),四周有較大范圍的次高指數(shù),可見天津市的人對娛樂要求較低,娛樂活動也相對低頻。

7 結語

本文提出的空間互動模型利用大眾點評網(wǎng)和位置微博的數(shù)據(jù),以城市劃分的地塊為基本單位,進行POI模糊匹配,將不同數(shù)據(jù)源整合,并進行OD計算求用戶連續(xù)兩次簽到的路徑,得到各個地塊的空間互動指數(shù)。通過實例化驗證,具有一定的合理性,與實際情況較為符合。利用數(shù)字化、網(wǎng)絡化的方式進行空間互動模型的分析高效可靠,可以應用于各行各業(yè),適合在將來加大對這方面的深入研究。

[1] 李鴻飛,張晶晶.蘭州市生活性街道空間互動性研究[J].西部人居環(huán)境學刊,2015(3):92-95. LI Hongfei, ZHANG Jingjing. A Study on the Interaction of Street Life Space in Lanzhou City[J]. Human Settlements Forum in West China, 2015(3): 92-95.

[2] Christiane, Weber,周彥(譯),等.相互作用模型在城市規(guī)劃中的運用[J].國際城市規(guī)劃,2006,21(3):77-82. Christiane, Weber. Interaction Model Application for Urban Planning[J].Urban Planning Overseas,2006,21(3):77-82.

[3] 劉琳,張正勇,唐澤君.基于GIS石河子市建筑密度空間分布規(guī)律的分析[J].石河子大學學報(自然科學版),2012,30(1):92-95. LIU Lin, ZHANG Zhengyong, TANG Zejun. Spatial Distribution Pattern of Shihezi City’s Building Density Based on GIS[J]. Journal of Shihezi University(Natural Science),2012,30(1):92-95.

[4] 信睿,艾廷華,楊偉,等.顧及出租車OD點分布密度的空間Voronoi剖分算法及OD流可視化分析[J].地球信息科學學報,2015,17(10):1187-1195. XIN Rui, AI Tinghua, YANG Wei, et al. A New Network Voronoi Diagram Considering the OD Point Density of Taxi and Visual Analysis of OD Flow[J].Journal of Geo-Information Science,2015,17(10):1187-1195.

[5] 宣國富,徐建剛,趙靜.基于ESDA的城市社會空間研究——以上海市中心城區(qū)為例[J].地理科學,2010(1):22-29. XUAN Guofu, XU Jiangang, ZHAO Jing.An Analysis of Urban Social Space Based on ESDA-A Case Study of the Central Urban District in Shanghai[J]. Scientia Geographica Sinica,2010(1):22-29.

[6] Dmytro Karamshuk, Anastasios Noulas, Salvatore Scellato,et al.Geo-Spotting: Mining Online Location-based Services for Optimal Retail Store Placement[J]. knowledge discovery and data mining,2013(13):793-801.

[7] Yu Liu, Zheng Weisui, Chao Guikang.Uncovering Patterns of Inter-Urban Trip and Spatial Interaction from Social Media Check-In Data[J].Plos One,2014(1):1-11.

[8] Lun Wu, Ye Zhi, Zheng Weisui, et al.Intra-Urban Human Mobility and Activity Transition:Evidence from Social Media Check-In Data[J].Plos One,2014(5):1-13.

[9] 程昌秀,于濱.一種基于規(guī)則的模糊中文地址分詞匹配方法[J]. 地理與地理信息科學, 2011, 27(3):26-29. CHENG Changxiu,YU Bin.A Rule-Based Segmenting and Matching Method for Fuzzy Chinese Addresses[J].Geography and Geo-Information Science,2011,27(3):26-29.

[10] Han Guanghui, Zeng Cheng. Theoretical Research of KMP Arithmetic[J].Microelectronics & Computer,2013(4):30-33.

[11] Knuth D E, Morris J H, Pratt V R. Fast Pattern Matching in Strings.[J]. Siam Journal on Computing,1977,6(2):323-350.

Spatial Interaction Modeling Using Check-in Data

WEN Guangbin1YU Zhiyong1LIU Qi1CHEN Yuzhong1SHEN Yao2

(1. College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350108) (2. Bartlett School of Architecture, University College London, London WC1E 6BT)

The spatial interaction is the human flow through different areas, which can make a more intelligent strategic decision of traffic planning, commercial location and many other industries. The paper aims at proposing a strategic analysis describing spatial interaction, and making an instantiation by check-in datum from some open social networks. There are four dimensions chosen to describe model: regional contact strength, natural flow index of internal users, entry index of external users and trip quality index, which can be estimated by popular check-in datum and have generality. The model firstly put many social networks’ check-in datum together, then matches them and calculates the distance from beginning to the end. After making a instantiation, the model provides data visualization solutions. The result shows that the strategic analysis has the ability of reflecting the cities’ spatial dynamic structure, providies advisory information to users of lots of types of industries.

spatial interaction, computation model, check-in data

2016年8月15日,

2016年9月30日

國家自然科學基金(編號:61300103)資助。

溫廣檳,男,碩士研究生,研究方向:移動社交網(wǎng)絡。於志勇,男,博士,副教授,研究方向:普適計算、移動社交網(wǎng)絡。劉琦,女,研究方向:移動社交網(wǎng)絡。陳羽中,男,博士,教授,研究方向:智能計算和數(shù)據(jù)挖掘。沈堯,男,博士,研究方向:城市規(guī)劃、智慧城市。

TP311

10.3969/j.issn.1672-9722.2017.02.012