EN中文

地理学报 >

2023 , Vol. 78 >Issue 2: 490 - 502

DOI: https://doi.org/10.11821/dlxb202302014

城乡发展

基于轨迹数据的多层网络动态社区提取与时空变化分析

  • 张媛钰 ,
  • 贾涛
展开
  • 武汉大学遥感信息工程学院，武汉 430079
贾涛(1983-), 男, 山西运城人, 博士, 副教授, 硕士生导师, 研究方向为时空地理大数据挖掘与分析。E-mail:

张媛钰(1998-), 女, 湖南岳阳人, 硕士生, 研究方向为多层时空交互网络。E-mail:

收稿日期: 2021-08-02

  修回日期: 2022-09-20

  网络出版日期: 2023-02-16

基金资助

国家自然科学基金项目(41401453)

收起

Dynamic community detection and evolution analysis in multilayer interaction network based on trajectory data

  • ZHANG Yuanyu ,
  • JIA Tao
Expand
  • School of Remote Sensing Information Engineering, Wuhan University, Wuhan 430079, China

Received date: 2021-08-02

  Revised date: 2022-09-20

  Online published: 2023-02-16

Supported by

National Natural Science Foundation of China(41401453)

Fold

摘要

相比于其余部分空间实体，动态社区本质上是彼此之间通过群体移动紧密连接的一系列地理实体的集合，具有生命周期特征。然而目前对于动态社区的时空变化分析仍缺少系统的研究方法。对此，本文首先基于群体出行，对时空交互复杂系统进行网络建模；第二，提取网络中的动态社区，其本质上是由于城市功能活动场所和社会资源分布不均匀、群体出行行为的规律性和多样性导致的动态人地交互而产生的动态城市空间组织；第三，融合景观生态学理论，构建动态社区时空变化模型，分析社区时空变化聚类模式，形成社区提取—动态变化—聚类分析方法框架；最后，以武汉市三环内区域为例应用该方法框架。结果表明：① 基于群体出行活动提取的社区与武汉市现有行政区划具有相似性与差异性，其更能反映以人为中心的城市动态空间组织；② 社区表现出明显的“形成—扩张—稳定—收缩—消亡”的生命周期规律；③ 不同社区时空变化规律具有差异性，通过聚类，其可以被分为短时社区、中时社区与长时社区，且每类社区具有稳定、鞍形、波动等一种或多种形态模式特征，对于城市动态规划管理具有重要意义。本文突破了传统静态社区分析方法的局限性，有助于推动网络动态特征的探索，加深对动态人地交互规律的理解。

关键词： 动态社区; 社区时空变化模型; 层次聚类分析; 动态人地关系

本文引用格式

张媛钰 , 贾涛 . 基于轨迹数据的多层网络动态社区提取与时空变化分析[J]. 地理学报, 2023 , 78(2) : 490 -502 . DOI: 10.11821/dlxb202302014

Abstract

Dynamic community with life cycle is a collection of geographical entities in spatial interaction networks. They connect closely through human movement compared with other spatial entities. However, there is still a lack of systematic approaches for analyzing spatio-temporal variation. In this regard, this paper first constructs the spatio-temporal interaction multilayer network (STIMN) based on human mobility data. Secondly, we extract dynamic communities of STIMN, which reveal the uneven distribution of urban resources and the regularity and diversity of human movement. Thirdly, based on the theories of landscape ecology, we propose a dynamic community evolution model and analyze the clustering patterns, forming the framework of "the community detection - dynamic evolution - clustering analysis". Finally, we apply the framework in the third-ring core area within Wuhan, which shows that: (1) Communities extracted from public activities have similarities and differences with the existing administrative divisions of Wuhan City, which can better reflect the people-oriented urban dynamic spatial organization; (2) Community evolution shows an apparent life cycle of "occurrence - expansion - stability - contraction - disappearance"; (3) The life cycle of different communities is different. Through clustering, communities can be divided into short-term, medium-term and long-term communities. Each type of community has one or more dynamic patterns, such as stability, saddle-shaped and wave-shaped pattern, which are significant to dynamic urban planning and management. This study breaks the limitations of traditional community analysis methods, helps explore the dynamic characteristics of the STIMN and deepens the understanding of the dynamic man-land interaction.

Key words： dynamic community; community evolution model; hierarchical clustering; dynamic human-land relationship

1 引言

在城市地理领域，社区定义为具有某种互动关系和共同文化维系力的，在一定领域内相互关联的人群形成的共同体及其活动区域，表现为自上而下根据城市区位、政治、经济等因素，经过长期历史变革而形成的城市行政区划。随着中国城市化与机动化的快速发展，群体出行需求、交通设施建设与资源分配需要日益迫切，但城市行政区划仍是一个静态的概念，无法描述城市复杂的动态结构。因此城市决策管理部门对于群体出行规律与城市复杂的内部交互模式理解不足，导致城市内部资源分配不合理、管理协调效率较低，规划和建设滞后于城市发展，更不能反映以人为本的城市规划管理，有必要从群体移动的角度，纳入时间因子开展城市动态结构的研究，优化对城市的规划管理。
大数据的不断发展使我们能够获取群体移动数据，此时社区被定义为通过群体移动产生频繁交互而聚合的空间单元。目前已经对通过使用网络划分提取社区的方法进行了广泛的研究[1]，但大多数研究集中在空间单元的静态组织上[2]。事实上，空间单元之间的交互在时间上可能会发生变化，例如，由于区域中功能活动场所分布不均匀导致群体移动的动态性，社区可能在一个时间段上出现或扩大，但在另一个时间段消失或收缩，这反映了空间单元的动态组织，是文献中很少提及的。因此本文致力于提取的动态社区，不同于城市地理领域的行政社区，也不同于采用复杂网络技术提取的传统静态社区，其本质上为相比于其余部分地理实体，彼此之间通过群体移动紧密连接的一系列地理实体的集合。现有的动态社区提取算法大致可以分为3类：独立/依赖社区检测匹配法、三维动态社区检测法和直接匹配跟踪法[3]，但很少将其应用于揭示动态的人地关系空间格局，且在构建网络时大多忽略层间边的影响。
此外，跟踪分析动态社区的时空变化过程，也是理解网络交互机制的重要手段，目前对于社区时空变化事件的判断，多依赖于网络节点与连接边的统计指标，通常将其描述为形成、消亡、扩张、收缩、稳定、合并和分裂中的一种或多种[4-5]，但对于如人地交互网络[6]、世界论文合作网络[7]等地理领域的网络，社区时空变化事件又可以根据其独有的社区斑块特征被进一步细分，这是文献中很少提及的。
鉴于此，本文基于群体移动，利用随机游走算法，考虑层间边提取动态社区。在此基础上，顾及社区斑块的空间性特征，构建一套系统性的能够定量表达动态社区“形成—扩张—稳定—收缩—消亡”五阶段生命周期特征的时空变化模型，并从动态社区时空变化角度分析研究区内社区聚类模式特征，形成社区提取—动态变化—聚类分析方法框架。本文有助于揭示城市时空交互模式[8]、群体活动行为模式等，有助于理解城市动态结构[9]、优化城市区域划分[10]、提高城市管理效率以及平衡资源分配[11]。

2 数据来源与研究方法

2.1 研究区与数据来源

本文研究区为武汉市三环以内的区域（图1a），使用的武汉市出租车轨迹数据来源于武汉市交通管理局，去除空载状态轨迹记录，共获得2017年7月3日约510万条轨迹数据（图1b），该数据主要包含车辆ID、轨迹ID、时间、位置（经纬度）等属性，蕴含着群体活动目的、地点、起止时间、相关出行等信息。武汉市三环内人口普查区数据来源于武汉市人口调查成果，该数据包含1043个人口普查区空间位置信息。
图1 研究区概况与武汉市三环内出租车轨迹点分布

Fig. 1 Study area and distribution of trajectory points in the third-ring core area within Wuhan

2.2 多层网络的构建与表达

本文将一天以1 h为时间间隔，划分为24个时间段，使用出租车轨迹OD代表群体移动行为，并插值出跨时间层的轨迹数据中的时间分层点。将行程OD与时间分层点匹配至对应的人口普查区上，以武汉市三环内人口普查区作为节点，以行程OD流作为层内边，以时间分层点在上下两时间层的连接作为层间边，构建时空多层交互网络（图2a、2b）。为保留所有层内信息与层间信息，使用时序张量进行网络表达[12]（图2c）。时间维度的引入使网络能够描述连边关系随时间间断性地出现和消失的特征，突破了单层网络中静态连接的限制，反映了对应空间实体之间的动态交互。
图2 多层网络、时序张量表达示意图与时空交互网络构建结果

Fig. 2 Multilayer network, temporal tensor and the construction result of STIMN

2.3 基于随机游走的动态社区发现算法

基于随机游走的动态社区发现算法[13-14]是在多层网络张量表达基础上的优化算法，其利用马尔可夫过程的无记忆特性和平稳分布特性，结合条件概率，通过以下迭代方程计算出访问各节点的概率 p i n与访问各张量层的概率 q t n：
p i n = α ∑ j = 1 N ∑ t = 1 M p j n - 1 × o i , j , t × P r o b n - 1 t | j + 1 - α × 1 / N
q t n = β ∑ i = 1 N ∑ j = 1 N p j n - 1 × r i , j , t × P r o b n - 1 i | j + 1 - β × 1 / M
式中：N表示网络节点数量；M表示网络层数；n表示随机游走发生的时刻； p j n - 1表示n-1时刻j节点被访问的概率；α为网络的三阶张量表达；oi, j, t表示在t张量层上j节点向i节点的转移概率；ri, j, t表示j节点与i节点的转移在不同张量层出现的概率；条件概率 P r o b n - 1 t | j、 P r o b n - 1 i | j分别表示给定节点j的条件下，其在t张量层上随机游走的概率和游走至i节点的概率，常量 α和 β的设置以便能够处理零度的孤立节点。
利用上述计算的概率分布向量 q → = ( q 1 ,   q 2 ,   … ,   q M )构建时间加权静态网络，其中 W i j = ∑ t = 1 M q t × a i , j , t，然后在单层静态网络中使用任意传统社区检测算法（如Leiden算法[15]）进行社区提取，再将提取出的社区映射回多层上，得到三维动态社区。该社区发现算法同时考虑所有的时间快照及层间边以发现连续的三维动态社区，在方法论上是对独立社区检测跟踪法的一种改进，具有一定的可移植性。该动态社区提取技术流程如图3所示。
图3 动态社区提取技术流程

Fig. 3 The approach of dynamic community detection

2.4 动态社区时空变化模型

2.4.1 动态社区时空变化事件定义

本文以动态社区为对象，将其生命周期分为五阶段：形成、扩张、动态稳定、收缩、消亡。此外，根据动态社区斑块的空间性特征扩展社区扩张和收缩阶段的时空变化事件，其具体定义如下：填充式扩张，指沿社区斑块边缘向内填充，使社区整体趋向规则化的扩张事件；蔓延式扩张，指沿社区斑块边缘向外的扩张事件；跳跃式扩张，指新形成的社区斑块与原社区斑块在空间上不相邻的扩张事件；穿孔式收缩，指原社区斑块内部收缩成孔洞，使社区整体趋向复杂化的收缩事件；紧凑式收缩，指沿社区斑块边缘向内的收缩事件；分裂式收缩，指原社区斑块分裂收缩为多个在空间上不相邻的小社区斑块的收缩事件。

2.4.2 动态社区时空变化指标体系

目前对于动态社区时空变化的研究，一直缺少系统的描述。本文致力于使用定量的方法，通过改进相关景观指数[16]，提出描述动态社区面积、形状、破碎化等空间性特征的定量指标体系，来描述社区时空变化特征。
（1）基本面积指标（ C A i t）：
C A i t = ∑ j = 0 n A i j t
式中： A i j t为t时段i社区中第j个斑块的面积。
（2）形状指数（ A W M C F D i t）：
A W M C F D i t = ∑ j = 1 n 2 l n 0.25 × p i j t / l n A i j t × A i j t / A i t
式中： p i j t为t时段i社区中第j个斑块的周长； A i t为t时段i社区所有斑块的总面积。理论取值范围 1 ≤   A W M C F D i t < 2， A W M C F D i t越接近1，社区形状越简单。
（3）加权辛普森指数（ W S i m p s o n i t）：
W S i m p s o n i t = 1 - ∑ ( A i j t / A i t ) 2 × W i t                             W i t = ∑ j = 1 n d i j t × A i j t / A i t
式中： W i t表示t时段i社区各个斑块中心到i社区整体中心的距离权重的面积加权和； d i j t为t时段斑块j的中心与社区整体中心的距离。 W S i m p s o n i t越大，社区越破碎。改进的加权辛普森指数为了考虑到社区斑块布局的空间范围特征，引入斑块中心到社区整体中心距离的影响，从而突出因为跳跃式扩张或其他变化事件造成的斑块空间移动特征，更为准确地表征社区整体的破碎化程度。

2.4.3 动态社区时空变化模型

结合以上定量化指标，提出基于决策树的动态社区时空变化模型。如图4所示，以 C A i t / C A i t - 1为根节点，首先判断i社区所处的时空变化阶段（社区形成阶段、扩张阶段、动态稳定阶段、收缩阶段以及消亡阶段）；然后以 A W M C F D i t / A W M C F D i t - 1与 D W S i m p s o n i t / D W S i m p s o n i t - 1为中间节点，分别判断相邻时刻社区i形状复杂程度与破碎化程度变化情况，从而判断社区的具体时空变化事件，包括社区扩张阶段的跳跃式扩张、蔓延式扩张，社区收缩阶段的穿孔式收缩、分裂式收缩。该模型丰富了社区时空变化事件，其方法论对城市地理学领域具有一定的贡献。
图4 动态社区时空变化模型

Fig. 4 Evolution model of dynamic community

3 结果分析

3.1 动态社区的提取

本文使用出租车轨迹代表群体移动行为，反映对应空间实体之间的交互，在此基础上应用基于随机游走的社区发现算法动态组织交互密集的空间实体，形成三维动态社区（图5）。其本质上是由于城市功能活动场所和社会资源分布不均匀，群体出行行为存在规律性和多样性的特征导致的，是人地交互在空间单元组织上的动态反映。以离散的时间切片为单位，图5c展示了研究区24个时间段的动态社区快照，包括动态社区108个；图5d、5e展示了其中两个典型动态社区的三维立体结构。与以往的研究对比[8]，本文社区划分的结果更能表现出群体移动的差异性特征，比如本文的社区能够将江汉区和江岸区分开，且在江汉区能够明显划分二环、三环内的区域为不同社区。此外，本文提取的动态社区与城市行政区划和城市功能分区相比，既相似又存在差异。
图5 动态社区

Fig. 5 Dynamic community

一般来说群体出行倾向于就近原则，因此基于群体移动提取出的动态社区整体上受制于城市行政区划，如图5c所示，这验证了社区提取的合理性。但其在局部与城市行政区划存在的差异性，说明了本文提取的社区能够反映人类活动的特征，是以人为中心的城市空间组织。例如，在图5a中武汉市洪山区与武昌区行政上以八一路为界，但是群体出行活动并没有受制于八一路，反而交界处附近的居民因为距离因素更倾向于跨区活动，因此本文提取的社区没有因八一路分隔。此外，商圈能够吸引大范围人群频繁移动，因此商圈所在的社区也没有被限制在单一行政区划内，例如徐东商圈所在的社区跨武昌区和洪山区；武广商圈所在的社区跨江岸区、江汉区和硚口区。
另一方面，功能上的城市社区是以某一功能为主导的，根据经济、社会、历史、行政等因素人为划分的区域。本文反映群体活动的动态社区多包含多类城市功能分区，是由于城市中群体活动需求多样，使得群体出行不仅发生在同一类功能分区中，更多地发生在不同的功能分区之间，例如群体休闲娱乐活动常常发生在居住用地或教育科研用地与商业服务业设施用地之间，如图5b所示的社区中包含教育科研用地、居住用地、商业服务设施用地等混合城市功能分区。
此外，城市行政区划和功能上的城市社区都描述一种静态的城市结构，而群体活动的动态性决定了本文社区是以人为中心的动态社区，弥补了静态划分单一性的缺陷，是一种对城市区划的补充和优化。

3.2 动态社区时空变化分析

动态社区的时空变化规律本质上是由群体出行活动规律决定的，为描述动态社区的时空变化特征，挖掘其背后的人地关系动因，根据2.5节提出的动态社区时空变化模型对人地交互产生的动态社区进行定量建模，并统计社区具体时空变化事件的出现概率（图6）。研究区内社区在19.21%的时段内发生跳跃式扩张，这是由于群体活动范围扩大，在距离较远的空间实体间频繁交互而导致的空间上不连续的扩张；在4.11%的时段内发生蔓延式扩张，这是由于群体活动范围持续向四周蔓延而导致的空间上连续的扩张；在2.46%的时段内发生分裂式收缩，这是由于群体活动范围缩小到一系列不连续的热点区域，导致的空间上不连续的收缩；在19.13%的时段内发生紧凑式收缩，这是由于群体出行目的突变或出行量骤减导致群体活动范围持续向中心收缩，导致的空间上连续的收缩；社区在55.10%的时段内都处于动态稳定状态，说明群体在一半以上的时段内都保持着出行的规律性。结合武汉市部分典型社区的时空变化过程（图7）分析社区时空变化机制。
图6 社区存在时长概率分布与时空变化事件出现概率分布

Fig. 6 The probability distribution of community's duration and the probability distribution of evolution event

图7 动态社区时空变化图

Fig. 7 Evolution result of dynamic community

岱家山科技园、光谷产业园所在的社区分布着许多工业园、软件园与物流基地，同时穿插分布着许多住宅小区，是以社区内上班通勤为主的办公区—住区交互热区。在早高峰时段群体的出行增加，使得空间实体之间的交互变得频繁，因此社区发生扩张，但是该区域存在一定的职住分离现象，例如东湖高新区具有较高职住比，部分群体为提高居住质量会选择距离相对较远但是更为繁华的商业地段作为居住地。因此与就近通勤造成的蔓延式扩张不同，这一类群体早通勤距离较远，即距离较远的两地理实体之间在早高峰会发生频繁的交互，导致社区发生跳跃式扩张；后由于稳定的日常生活通勤使得社区维持动态稳定；在晚高峰时段由于群体陆续回家，并在家附近活动，或直接从工作地或学校等回家后在家休息，导致群体活动范围不断缩小，使得原社区发生收缩。根据《中国主要城市通勤监测报告》，后疫情时代武汉中心城区内部通勤人口占比下降0.60%，郊区居住城区就业占比提高0.40%，是职住分离度和平均通勤距离指标恶化最快的城市，因此推测在后疫情时代，武汉市社区扩张阶段发生跳跃式扩张、收缩阶段发生分裂式收缩的比例将会有所提高。
武广商圈、街道口商圈、江滩—司门口商圈所在的社区与以上社区不同，该区域各项功能设施齐全，经济活力旺盛，大型商场、医院、景点均有所分布，如武汉国际广场、中山广场等大型娱乐购物场所；户部巷、黄鹤楼等著名景点；湖北省妇幼保健院、中部战区总院等三甲医院，该类空间实体能够吸引大范围的人群移动。因此在群体下班后的时段，工作地或居住地与这类空间实体之间交互增多，使得该商圈所在的社区在晚高峰时段进一步扩大形成更大范围的社区，且能够在一段时间内持续保持频繁交互的状态，使社区维持动态稳定。
此外，图7中的不同社区存在时长表现出明显的差异性。因此，本文进一步统计社区存在时长概率分布，并进行高斯多峰拟合（图6a），其 R 2为0.8828，说明在2~6 h、7~15 h、16~24 h范围内，社区存在时长概率都大致遵循高斯分布。结合动态社区时空变化过程与社区存在时长、变化事件概率分布，发现某些社区在一天内的时空变化表现出一定的相似性，例如图7d和图7g所示的社区存在时长都为17 h，时空变化过程都大致遵循“形成—扩张—动态稳定—收缩—消亡”的规律。为探索社区时空变化模式特征，本文将进一步对研究区内动态社区进行聚类分析。

3.3 社区聚类分析

以一个社区为单位，以其在一天内的时空变化过程为特征，采用基于相似性度量的层次聚类方法，来刻画社区之间的相似性，其中社区相似度度量指标为编辑距离[17]与规整路径距离[18]。如图8所示，研究区内动态社区可以被聚为3类：短时社区（图8a）、中时社区（图8b）和长时社区（图8c），且每类动态社区时空变化具有多种形态模式特征（表1）。具有相同形态模式特征的社区具有相似的群体出行规律：① 短时社区，研究提取的短时社区占比29.90%，其平均存在时长为5 h，对应群体小范围低强度短时间的活动，如凌晨的晚归，而产生的空间实体之间的稀疏交互；② 中时社区，研究提取的中时社区占比20.62%，其平均存在时长为11 h，对应群体下午至夜间时段强烈的休闲娱乐活动及其他持续时间较长的群体聚集活动，而产生的例如工作地或居住地与娱乐休闲场所之间的大范围的交互，该类社区多为3.2节提到的商圈所在的社区；③ 长时社区，研究提取的长时社区占比49.48%，其平均存在时长为19 h，对应群体一天内的工作生活通勤或其他长时间持续的群体聚集活动，而产生的较小范围但长时间内空间实体之间的交互，该类社区多为3.2节提到的类似工业园与产业园所在的社区。
图8 动态社区时空变化聚类结果图

Fig. 8 Clustering result of dynamic community evolution

表1 动态社区时空变化形态模式

Tab. 1 Evolution pattern of dynamic community

社区类别 时空变化形态模式 平均存在时长(h) 时空变化规律
短时社区 短时鞍形模式 5 形成—稳定—收缩—消亡(图8a左)
短时稳定模式 形成—稳定—消亡(图8a右)
中时社区 中时阶形模式 11 形成—扩张—稳定—消亡(图8b左)
中时稳定模式 形成—稳定(或波动)—消亡(图8b右)
长时社区 长时稳定模式 19 形成—稳定—消亡(图8c左)
长时波动模式 形成—波动—消亡(图8c中)
长时鞍形模式 形成—扩张—稳定—收缩—消亡(图8c右)
总的来说，基于群体出行活动提取的动态社区及其时空变化规律的研究对于城市规划管理和城市政策的制定具有重要的现实意义。
在城市规划方面，动态社区能够协助资源的动态管理与调配。当前城市公共设施多为固定均匀分布，在某些人流量较小的时段会形成资源冗余，随着可移动垃圾箱、广告牌等可移动设备的出现[19]，可以以动态社区为管理单元摆放垃圾桶，在社区收缩阶段适量减少垃圾桶摆放数量，以最大化利用公共设施，减少资源冗余。
在交通方面，动态社区能够指导交通管理。当前对于潮汐车道时间的设置多是凭借长时间道路流量调研，需要耗费大量人力物力[20]，此时可以通过识别动态社区时空变化阶段来判断高峰期所对应的时段，从而灵活调整不同地区潮汐车道的设置时间，可有效避免交通拥堵，提高交通管理效率。
在疾病传播和预防方面，动态社区能够辅助政府制定相关政策。当前世界流行传染疾病COVID-19的社区传播被认为主要是群体频繁出行驱动的[21]，在当前常态化疫情防控背景下，可以以动态社区为管理单元监测空间交互模式，在社区扩张时段内适应性地实施强制戴口罩或限制人群聚集等措施，在一定程度上可以减轻大流行的影响。
此外，其在其他领域中也具有一定的潜在应用价值，如在事件监测方面，动态社区可用于捕捉群体异常事件；在推荐系统和市场营销方面，动态社区可用于目标用户的分类，以进行相互推荐和定向广告宣传；对于群体行为分析、链路预测以及国家间关系的动态变化分析等方面均具有重要意义。

4 结论与讨论

4.1 结论

本文基于群体出行活动，在时空多层交互网络的基础上，提取武汉市三环内动态社区，并分析其时空变化过程、聚类特征与形态模式特征。
（1）本文提取三维动态社区，方法上是对独立社区检测匹配跟踪方法的进一步改进，结果上弥补了城市行政、功能静态划分的单一性缺陷，进一步细化了以往研究的社区划分，将江汉区二环、三环内的区域划分为不同社区，且社区划分突破城市行政区划限制，更能反映群体活动的差异性特征，是以人为中心的城市动态空间组织。
（2）本文丰富了动态社区时空变化事件，且提出的社区时空变化模型能够感知到不同变化阶段的不同时空变化事件，如跳跃式扩张、蔓延式扩张、分裂式收缩、紧凑式收缩，以揭示多样的动态人地交互模式，有助于分析社区时空变化背后的人地关系动因。如职住分离导致早晚通勤时段社区的跳跃式扩张和分裂式收缩、日常生活通勤导致社区维持动态稳定以及商圈吸引大范围人群移动导致晚高峰时段社区的进一步扩大等。
（3）本文将动态社区聚类为短时社区、中时社区、长时社区，且每类社区都具有不同的时空变化形态模式特征，有助于揭示群体出行规律，如中时阶形模式社区揭示群体下午至夜间时段强烈的休闲娱乐活动及其他持续时间较长的群体聚集活动，长时鞍形模式社区揭示群体一天内的工作生活通勤规律等，从而进一步理解城市动态结构，对提高城市相关部门规划管理效率、优化城市资源分配等具有重要意义。

4.2 讨论

由于研究区内城市功能活动场所分布和人口分布在一定的时期内基本保持不变，因此群体打车出行规律与周期性基本保持不变，空间单元上的人地交互规律基本保持不变。数据是群体移动的载体，因此只要是使用打车数据得到的社区时空变化特征和聚类模式都是反映相同的动态人地交互特征，应该具有与本文相似的模式规律。采用不同数据源，尽管数据载体不同，但都是反映群体出行活动规律，社区聚类模式可能与本文类似。但是受制于其他数据的可获得性，我们希望在未来可以使用公交地铁、手机信令等数据对实验结果进行进一步验证与完善。此外，本文在动态社区时空变化的研究中对于社区时空变化事件的判断，依赖于阈值的选取，具有一定的敏感性，未来应进一步探索阈值对于社区时空变化事件判断的影响，并应用于更多的城市，来提高模型的可靠性与适用性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Javed M A, Younis M S, Latif S, et al. Community detection in networks: A multidisciplinary review. Journal of Network and Computer Applications, 2018, 108: 87-111.

DOI

[2]
Sobolevsky S, Szell M, Campari R, et al. Delineating geographical regions with networks of human interactions in an extensive set of countries. Plos One, 2013, 8(12): e81707. DOI: 10.1371/journal.pone.0081707.

DOI

[3]
Dakiche N, Benbouzid-Si Tayeb F, Slimani Y, et al. Tracking community evolution in social networks: A survey. Information Processing & Management, 2019, 56(3): 1084-1102.

DOI

[4]
Takaffoli M, Fagnan J, Sangi F, et al. Tracking changes in dynamic information networks. 2011 International Conference on Computational Aspects of Social Networks (CASoN), 2011: 94-101.

[5]
He Z W, Tajeuna E G, Wang S R, et al. A comparative study of different approaches for tracking communities in evolving social networks. 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA), 2017: 89-98.

[6]
Jia T, Yu X S, Shi W Z, et al. Detecting the regional delineation from a network of social media user interactions with spatial constraint: A case study of Shenzhen, China. Physica A: Statistical Mechanics and Its Applications, 2019, 531: 121719. DOI: 10.1016/j.physa.2019.121719.

DOI

[7]
Gui Q C, Liu C L, Du D B. Globalization of science and international scientific collaboration: A network perspective. Geoforum, 2019, 105: 1-12. DOI: 10.1016/j.geoforum.2019.06.017.

DOI

[8]
Qin Kun, Zhou Qing, Xu Yuanquan, et al. Spatial interaction network analysis of urban traffic hotspots. Progress in Geography, 2017, 36(9): 1149-1157.

DOI

[ 秦昆, 周勍, 徐源泉, 等. 城市交通热点区域的空间交互网络分析. 地理科学进展, 2017, 36(9): 1149-1157.]

DOI

[9]
Liu X, Gong L, Gong Y X, et al. Revealing travel patterns and city structure with taxi trip data. Journal of Transport Geography, 2015, 43: 78-90.

DOI

[10]
De Montis A, Caschili S, Chessa A. Commuter networks and community detection: A method for planning sub regional areas. The European Physical Journal Special Topics, 2013, 215(1): 75-91.

DOI

[11]
Gu Chaolin, Wang Ying, Shao Yuan, et al. Research on administrative divisions based on functional areas analysis: A case of Shaoxing metropolitan area. Acta Geographica Sinica, 2015, 70(8): 1187-1201.

DOI

[ 顾朝林, 王颖, 邵园, 等. 基于功能区的行政区划调整研究: 以绍兴城市群为例. 地理学报, 2015, 70(8): 1187-1201.]

DOI

[12]
Boccaletti S, Bianconi G, Criado R, et al. The structure and dynamics of multilayer networks. Physics Reports, 2014, 544(1): 1-122. DOI: 10.1016/J.PHYSREP.2014.07.001.

DOI

[13]
Sarantopoulos I, Papatheodorou D, Vogiatzis D, et al. Timerank: A random walk approach for community discovery in dynamic networks. International Conference on Complex Networks and their Applications. Berlin: Springer, Cham, 2018: 338-350.

[14]
Wu Z A, Cao J, Zhu G X, et al. Detecting overlapping communities in poly-relational networks. World Wide Web, 2015, 18(5): 1373-1390.

DOI

[15]
Traag V A, Waltman L, van Eck N J. From Louvain to Leiden: Guaranteeing well-connected communities. Scientific Reports, 2019, 9: 5233. DOI: 10.1038/s41598-019-41695-z.

DOI PMID

[16]
Liu X P, Li X, Chen Y M, et al. A new landscape index for quantifying urban expansion using multi-temporal remotely sensed data. Landscape Ecology, 2010, 25(5): 671-682.

DOI

[17]
Levenshtein V. Binary codes capable of correcting spurious insertions and deletion of ones. Problems of information Transmission, 1965, 1(1): 8-17.

[18]
Izakian H, Pedrycz W, Jamal I. Fuzzy clustering of time series data using dynamic time warping distance. Engineering Applications of Artificial Intelligence, 2015, 39: 235-244.

DOI

[19]
Ruan S J, Bao J, Liang Y X, et al. Dynamic public resource allocation based on human mobility prediction. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2020, 4(1): 1-22. DOI: 10.1145/3380986.

DOI

[20]
Li Meng, Zhang Pinchao, Chen Jieyu. Research on tidal lane scheme setting under dynamic traffic assignment. China Transportation Review, 2015, 37(7): 78-86.

[ 李萌, 张品超, 陈婕妤. 动态交通分配下潮汐车道方案设置研究. 综合运输, 2015, 37(7): 78-86.]

[21]
Coelho F C, Lana R M, Cruz O G, et al. Assessing the spread of COVID-19 in Brazil: Mobility, morbidity and social vulnerability. Plos One, 2020, 15(9): e0238214. DOI: 10.1371/journal.pone.0238214.

DOI

Options
文章导航

/

〈 〉