研究成果|基于出租车数据的空间交互与城市结构研究
新兴的地理大数据从更高的空间精度和更细的时间粒度记录了居民在城市中的时空轨迹，使得从居民时空行为入手，在社会感知的理论框架下分析和挖掘地理空间环境的深层次特征成为可能。本文基于上海市出租车GPS轨迹数据，从城市组团性结构和功能性结构两个方面入手，分析空间交互模式和其所反映出的城市结构特征。
Number1
研究背景
随着科技的发展，新兴的地理大数据从更高的空间精度和更细的时间粒度记录了居民在城市中的时空轨迹，使得从居民时空行为入手，在社会感知(Social Sensing)的理论框架下分析和挖掘地理空间环境的深层次特征成为了可能。居民在城市中的出行轨迹反映了城市区域之间的空间交互，体现了城市的结构特征。因此，从GIS传统的“点、线、多边形”视角到如今的“点、流、网络”的体系，利用地理大数据对空间交互与城市结构进行研究，具有重要的理论意义和应用价值。
Tobler第一定律指出，“任何事物之间都具有联系，但是距离越近的事物联系越紧密”。从空间交互的视角来看，城市中的各个地点之间是相互联系的，在距离衰减等多种因素的作用下，城市空间能够被分割成多个内部联系紧密的组团，体现出城市的组团性结构。而地理空间的异质性，在城市空间中则体现为地块不同的功能性。不同功能的地块为居民的各种活动提供了资源和场所，城市的功能性结构和用地特征同样是城市规划与建设的重要依据。本文基于上海市出租车GPS轨迹数据，从城市组团性结构和功能性结构两个方面入手，分析空间交互模式和其所反映出的城市结构特征。
Number2
城市组团性结构研究
在城市组团性结构研究中，基于居民不同长度出行的特征差异构建了一系列的空间交互网络，并采用网络科学中的社区分割（Community Detection）算法，揭示了上海市两层级的组团性城市结构。基于网络科学中的多种度量指标，本文分析了各个组团对应的空间交互子网络的结构特征，进而基于组团结构揭示了上海市的多中心结构，并从用地特征的视角入手，分析了该两层级多中心结构的成因。
在一个网络模型中，有些节点构成了组团，它们在组团内部的联系强度要大于组团之间的联系强度，这样的组团被称为社区（community）。基于城市空间和居民出行构建空间交互网络，首先将城市空间划分成格网，格网区域当作节点，节点间的出租车出行流量看作边，出行的次数看作边的权重，即可构建有向且带权的空间交互网络。通过对空间交互网络进行社区分割，得到网络的组团性结构特征，从而映射到城市系统，得到城市系统的组团性特征结构。
图1 构建空间交互网络及探究其组团性特征的过程。(a),(b),(c)将研究区域划分成格网并作为节点，格网之间的出租车出行聚合成边，出行次数为边的权重，即构成有向加权的空间交互网络；(d),(e)对空间交互网络进行社区分割，得到空间交互网络的组团性结构
居民在城市中的长程和短程出租车出行对应不同的活动，在空间交互网络中也具有不同的特征和作用。为了揭示更为细粒度和多层次的城市组团性结构，首先基于短程出行构建空间交互网络，以发现最基础的组团结构。然后逐渐地向空间交互网络中加入长距离的出行，从而探究长距离的空间交互如何影响城市组团结构的变化。在逐渐加入长程出行的过程中，各基础组团逐渐增长，然后到达稳定的结构，之后逐渐相互合并，清晰地展现出上海的两层级城市组团性结构。
图2 第一层级组团和第二层级组团的空间分布图
通过对每个组团的子网络利用介中心性指标和邻近性中心性指标等进行分析，发现每个组团都有在结构和功能上发挥中心节点作用的区域。市区的低强度节点之间具有更强的交互，而郊区的中心节点对组团内部的出行具有更强的影响力，体现出市区和郊区的发展程度不同对空间交互的影响。通过分析各个节点对应区域的出租车上下车时态变化曲线，发现组团中心节点区域用地和功能的差异可能是两层级多中心城市结构的成因。
图3 第一层级组团的多项统计指标。(a)各组团的内部出行数量；(b)各组团的空间交互子网络图密度；(c)各组团节点强度的互补累积频率曲线；(d)各组团中心节点的出行量占比；(e)各组团的介中心指标随度变化的斜率值；(f)各组团的临近中心指标随度变化的斜率值
Number3
城市功能性结构研究
在城市功能性结构研究中，本文基于地块之间的空间交互模式和地块交互对象的功能性特征，结合Expectation-Maximization算法，提出了不同于现有研究的地块用地类型分类方法。由于该方法引入了地块之间的交互特征，使用其基于上海市出租车数据对上海地块进行用地分类，得到的结果要优于现有的基于居民活动量时态变化的分类方法，并且能揭示不同类型地块之间交互的细节特征。
现有的利用地理大数据对地块功能和用地类型进行分类的研究多着眼于居民的活动量时态变化，或称为聚合交互特征（Aggregated Interaction Signature），比如居住区白天居民活动量低，夜晚居民活动量高。该特征忽略了地块之间的联系，忽略了地理空间的异质性，忽略了这些居民形成的交通流从哪儿来、到哪儿去，使得具有相似聚合交互特征的地块可能具有不同的功能，对居民出行的影响完全不同。而直接根据个体地块之间的联系特征，即个体交互特征（Individual Interaction Signature），也无法很好地对地块进行分类。由于距离衰减，距离相近的地块更容易具有相似的个体交互特征，并且地块的交互特征也十分稀疏。
图4 三种不同空间交互特征的例子。个体交互特征(a)体现了地块之间详细的交互情况(d)，聚合交互特征(b)体现了地块上居民活动量的时态变化，分组交互特征(c)体现了地块与不同类别地块的宏观交互特征(f)
本文基于该地块与不同类别地块交互的时态特征提出分组交互特征（Grouped Interaction Signature）。若一共有k种地块功能类型，t个时间段，则该地块每个时间段与地块类型k的交互量为一个特征，共k*t个特征用于分类。由于分类初始各地块功能类型未知，先随机赋予各个地块功能类型，结合EM算法的思想进行迭代分类，收敛后得到分类结果。以上海出租车数据为例，其分类结果要优于聚合交互特征。并且通过地块的空间交互曲线，能够挖掘出居民对城市空间使用的更为深层次的特征。
图5 结合EM算法思想进行用地分类的流程图
Number4
总结
空间交互与城市结构紧密相关，居民在城市中的时空行为体现了城市区域之间的空间交互，而空间交互反过来也描述了城市区域之间的联系，从多个角度反映了城市的结构特征。本文利用出租车出行数据，从城市组团性结构和功能性结构两个方面探索了城市中的空间交互模式及其反映出的城市结构特征，从新的视角讨论了空间自相关和异质性在城市结构中的体现。
参考文献
Liu, X. et al. (2015). Revealing travel patterns and city structure with taxi trip data. Journal of Transport Geography, 43, 78-90.
素材来源：S3-Lab
材料整理：刘 曦
内容编辑：吴晓瑜