多源地理大数据视角下的城市动态研究

朱递，刘瑜

北京大学遥感与地理信息系统研究所, 北京 100871

多源地理大数据视角下的城市动态研究

朱递，刘瑜

北京大学遥感与地理信息系统研究所, 北京 100871

海量具有个体标记和时空语义信息的地理大数据，为我们定量理解城市提供了手段。利用时空模式挖掘的方法，集成多源地理大数据中的个体时空间行为特征，在聚合层面揭示城市社会经济现象的分布、联系和过程等规律，可以实现城市的动态感知。本文梳理了目前城市研究中常见地理大数据的优缺点和应用场景，归纳了基于地理大数据感知城市动态的思路，介绍了相关的代表性研究成果，并对地理大数据的前景进行了探讨与展望。

地理大数据；城市动态；社会感知；时空数据挖掘

1 大数据与城市动态

近年来，移动定位、无线通讯和移动互联网技术的快速发展以及具有位置感知能力的移动计算设备的普及，带来了海量具有个体标记和时空语义信息的数据。这些能够描述个体行为的地理大数据，如社交媒体数据、移动手机数据、公共交通数据、出租车数据等，为人们定量地理解城市动态提供了新的手段，也得到了来自计算机科学、地理学、交通和城市规划等领域学者们的广泛研究[1-5]。

与此同时，在我国广泛开展的智慧城市建设却存在以下两个明显的缺陷：第一，对城市的动态感知能力不足。当前的智慧城市感知层是利用条形码、RFID、智能卡、信息终端等，对物体的地址、身份及静态特征进行标识，至多能对物体某一个时刻的状态进行标识，是一种静态的感知。然而，城市是一个高速运转的聚合体，在其内部，人流、物流、资金流、信息流都处于高速的运动状态，如何对城市进行动态感知，是智慧城市建设必须解决的课题。第二，人的活动，如人类时空间行为模式、社会关系、人地相互作用等，是城市动态要素中最核心的部分，当前我国的智慧城市建设存在对人的关注不足的问题。

地理大数据最大的独特性在于它带有时间标识和空间坐标两个维度的信息。每一条记录都含有可以关联到个体的时空标记，反映了相应的人类时空间行为特征。对于一个个体而言，其空间行为具有一定的随机性，价值有限。然而当数据量增大时，海量样本在聚合层面所反映出来的群体行为模式就能展现出较为明显的规律性，人类的时空间行为规律性与城市地理环境相关联，能够帮助我们揭示与理解城市的动态社会经济特征。Liu在近日提出了“社会感知 (Social sensing)”概念及其研究框架，指出社会感知是借助于各类地理大数据来研究人类时空间行为特征，进而揭示社会经济现象的时空分布、联系和过程的理论和方法[6]。

传统的城市研究依赖于粗糙的统计数据和小尺度的调查问卷，一方面缺乏对个体的人文关注，另一方面，很难有足够样本量的个体行为数据用以构建定量模型。地理大数据的出现以更高的时间分辨率和更低的空间聚合尺度，为城市地理学的研究带来了前所未有的巨大改革[7]。在社会感知的研究框架下，目前已有的集成地理大数据来理解城市的几个主要研究方向包括：(1) 基于活动的时间变化特征分析城市用地功能[8-9]；(2) 基于空间交互发现城市空间结构[10-12]；(3) 基于社交媒体语义数据提取地理事件或感知地理环境[13-15]。

2 多源地理大数据归纳

地理大数据的类型很多，其中获得普遍应用的数据集包括移动手机定位数据、公共交通数据、出租车GPS 轨迹数据、社交媒体数据等。这些数据在采集方式、空间分辨率、用户属性的表达能力、活动语义表达能力、轨迹完整性等方面存在差异，在感知城市动态时也具备各自的特点。

2.1 移动手机数据

移动手机数据 (Mobile Phone Data，MPD) 是地理大数据中最常见的一种类型，通常可被划分为通话记录和信令数据[5]。其中通话记录数据的采样频率低，能够反映用户之间的联系，常用于人群划分和嵌入空间社交网络的构建。而后者采样频率高，无交互信息，往往可以重建出用户的出行链。当用户接打电话时，承担通信服务的基站位置会被自动记录下来。典型的移动手机数据包含用户的匿名 ID、基站 ID、经纬度、通话对象 ID、通话时长等信息，通过记录的基站位置序列，研究者可以提取出个体的时空轨迹信息，从而进行相关的应用分析研究。MPD 具有群体覆盖率高、定位范围广、适合大规模采集等优点，但同时，手机数据无法记录个体的属性信息[16]，这种信息缺失是无法通过问卷调查进行补充的。需要注意的是，由于手机数据属于被动采集的位置数据 (仅有当用户打电话时才能记录位置)，获取的个体轨迹与实际移动轨迹存在差异[17]。同时，用户位置由基站位置近似估算得到，精度有限。对于手机定位数据，目前多采用建立泰森多边形的方法进行定位，多边形的面积表示了定位的精度。图1 显示了两个匿名手机用户的轨迹信息。每一个点代表一个基站。每次用户使用手机时，对应基站会确定其近似位置。图中灰色的线围成的区域代表泰森多边形。

图1 移动手机数据轨迹及定位精度可视化 [20]Fig.1 Illustration of mobile phone trajectory data and the position accuracy (Song et al., 2010)

移动手机数据最初应用在个体移动模式建模[19-21]和交通分析和模拟中[18]，后续被应用于区域和城市研究之中。由于样本量巨大、群体覆盖率高等优点，移动手机数据能在多个尺度识别城市的时空特征，从而为更进一步的空间分析和规划提供基础。

2.2 社交媒体数据

随着 Web 2.0 以及移动互联网的发展，用户通过手机 App 等各类在线社交媒体平台感知城市地理环境，随时随地分享观点、情感以及知识。这些可以从社交媒体平台中挖掘出来的地理信息数据往往含有空间位置信息、时间信息和情感语义信息等丰富的内容。截止到 2014年初，全球最早提供位置签到应用的服务商 Foursquare 已拥有约 4500 万注册用户，50 亿条签到数据。随着传统的社交网络服务商如 Facebook、Twitter、新浪微博、大众点评等加入位置分享服务之后，社交媒体数据呈现出指数级增长的趋势[22]。

社交媒体数据 (Social Media Data, SMD) 除了含有精确的用户签到位置信息之外，还包括了用户的活动信息，如餐馆、商场、机场等兴趣点 (Points of Interest, POI) 信息。虽然在样本量和数据代表性上相比移动手机数据有所欠缺，也存在个体轨迹采样频率较低等问题，但由于其丰富的语义信息，研究者可以通过文本挖掘、自然语言处理、图像识别等技术获取到个体层面的属性信息，如偏好、情感、动机、满意度以及社交网络等。SMD 对城市热点区域和事件较为敏感，研究尺度多样，是对社会经济环境、特殊事件以及生活状态有效的记录，被广泛应用于区域结构分析[23]、城市规划与评估[24]、紧急事件响应[13,25-26]等领域。图2展示了利用含有地理位置的Twitter数据进行地震应急响应监测的可行性[26]。左上角为 USGS DYFI 提供的地震强度图，其余五个面板展示的是通过实施监测推文数目在不同时间节点推测的地震强度的空间分布。

2.3 公共交通刷卡数据

公共交通刷卡数据 (Smart Card Data, SCD) 从公交车、地铁、共享自行车等公共交通系统中追踪城市人口的移动信息，是一种具有时空标识的移动数据。目前，公共交通 IC 卡已经被广泛地应用于交通费用支付，记录了刷卡用户的 ID、公交线路编号、出行时常、上下车站点、费用等信息。SCD 能够较全面地覆盖城市各年龄人群，反映城市居民的实时出行情况和通勤行为。同时由于其含有费用信息、能够实时更新等优点，在研究城市人口通勤[27]、社会经济环境[28]以及城市结构[29]上得到了广泛的应用。图3 展示了利用公交刷卡数据识别出的北京市六环内主要通勤OD 流。

SCD 在帮助我们理解城市动态时存在以下几个缺点：(1) 数据量较小，轨迹的连续性较低；(2) 真实的出发地和目的地与记录的站点存在地理位置的偏差，无法反映真正的出行目的；(3) 缺少用户的个体属性信息，活动类型较为单一。

2.4 出租车轨迹数据

图2 利用 Twitter 数量监测地震强度Fig.2 Monitoring the magnitude of earthquake using Twitter (Earle et al., 2010)

图3 交通分析小区 (Traf fic analysis zone, TAZ) 尺度下的北京市六环内主要通勤模式示意图(箭头表示出行方向从家到工作地)Fig.3 Illustration of the commuting pattern in Beijing urban area under the scale of traf fic analysis zones (Long et al., 2015), the directions of arrows denote the trips from home to work place

随着城市交通网络日趋复杂，越来越多的车辆开始配备全球定位系统 (Global Positioning System) 以实现定位监控和路径导航。目前大部分研究采用的出租车轨迹数据是从配备有 GPS 的浮动出租车处获取到的轨迹采样数据，以文本形式存储，其信息包括终端唯一标示 ID、经纬度、行驶速度、航向、载客状态等。在北京，大约有 67000 辆配备有 GPS 的出租车，每天可以采集约 120 万条轨迹信息，相当于北京真实交通量的 4.2%[30]。出租车轨迹数据与公交刷卡数据类似，未记录出行者的个体属性信息，加之数据代表性有限，往往适用较为宏观的城市动态研究。由于出租车轨迹数据与路网有很高的一致性，具有轨迹采样完整、时空分辨率高等优点，常被应用于分析城市交通结构、出行模式和交通流量预测等。同时，在识别城市热点、土地利用类型、社区结构等领域也有大量的学者基于出租车轨迹数据进行研究。图4 是上海市某出租车一天的轨迹可视化结果，沿着路网的红色线路代表载客轨迹，蓝色代表空车轨迹，而黑色箭头则反映了轨迹中的 OD 信息。

2.5 小结

图4 上海某出租车 2009年6月1日一天的轨迹Fig.4 A taxi's one-day trajectory in Shanghai on June 1, 2009 (Liu et al., 2012)

从地理大数据中挖掘个体属性、活动与移动以行为模式感知，即在短时间尺度对人的移动、活动以及社交关系的感知，时间和空间上均是微观层面的感知；(2) 区域动态活动与联系感知，通过对个体行为模式进行空间聚合和长时间尺度的观测，实现对城市扩展、结构演化等区域层面的动态感知；(3)场所情感及语义感知，在人的情感认知与地理场所之间形成映射，从大数据中发现地理空间更加丰富的人文属性。及聚合层面的时空交互等信息，是大数据时代进行城市研究和规划实践的基础。前文提到的几类最典型的地理大数据在感知和理解城市动态时存在各自的优缺点，适用场景也有所差异，如表1 所示。

表1 各类地理大数据的优缺点及应用场景归纳Table 1 A taxi's one-day trajectory in Shanghai on June 1, 2009 (Liu et al., 2012)

3 城市动态感知

根据社会感知研究框架的基本概念，在集成多源地理大数据来研究城市问题时可以划为“人”和“地”两个层面，并在研究静态特征的基础上，加入时间维的演变特征来理解城市动态。因此，城市动态特征的感知可以从以下三个方面着手：(1) 人类动态

3.1 人类动态行为模式

人是城市中最主要的动态元素，对人的行为感知是理解城市动态至关重要的一环。多源地理大数据可以感知人的移动和活动等时空行为，在短时间内反映城市居民的活动特征，揭示城市的短期动态及规律。其中，移动是个体层次空间行为最直接的外在表现。对于个体移动而言，受到距离衰减效应的影响，长距离出行的概率较低，而短距离出行的概率较高，表征这种分布特征的函数包括幂律分布、指数分布、指数截断的幂律分布等[19,31,32]。另外，人类的移动模式还受到地理环境及中介机会的影响。城市范围内的移动受到城市用地结构的影响，通常城市中心区土地开发强度较大，出行密度相对较高，而在城市边远地区，土地利用强度与出行密度相对都较低。这种地理环境分布模式使得城市尺度的移动步长分布尾部不那么重[33]。Noulas等利用全球多个大城市的 Foursquare 签到数据研究城市人类移动模式的规律性，发现不同城市的人类移动步长分布存在差异，这种差异受到城市地理环境中场所的分布密度影响。如果使用中介场所的数量度量距离，可以发现在所有城市普适的幂率衰减特征，如图5 所示[32]。

图5 休斯顿、圣弗朗西斯科以及新加坡三个城市的人类移动模式概率密度分布函数。Fig.5 Probability density function (PDF) of spatial displacement for three cities: Houston, Singapore and San Francisco (Noulas et al., 2012).

移动轨迹丰富的地理大数据往往存在活动信息不足的缺点，这使得轨迹背后丰富的语义信息 (尤其是出行目的信息) 缺失。在交通地理学研究中，出行目的是理解出行移动模式的基础，不同的出行目的受到的空间约束也不同。一些学者试图结合轨迹数据、时间约束以及地理环境特征，推断出行目的，充实轨迹语义，从而更好地理解城市居民的活动。Gong 等将含义丰富的 POI 数据与语义缺失的出租车轨迹数据相结合，提出了一个推断出租车乘客出行目的的研究框架，并基于推断结果揭示了城市内九个基本日常活动类型的时空动态特征，包括时变规律性、空间分布动态特征以及出行距离和方向的分布特征等，如图6 所示[34]。

3.2 区域动态与空间结构

通过对多源大数据中个体动态特征的聚合，可以揭示出城市内区域尺度的动态活动以及人口分布状态。大数据中的时间标记可以用于解释人口分布的动态变化特征，而空间标记则能够将个体的地理位置编码到相应的地块或区域中，实现从人到地的感知。

Yuan 等利用城市地块间的人类移动数据和地块内的 POI 数据来推断地块的功能[35]。将地块视作文档，地块功能作为文档的主题，POI 分类作为文档的元数据，人类进入和离开地块的时空移动信息作为文档的单词，可以对城市内的地块进行基于主题功能的自动分类，结果如图7 所示。同时，城市居民在居住地点和工作地点之间的通勤行为产生了相关地理单元人口密度的时变特征。区域人口的变化特征往往具有较强的周期性，以日周期变化最为明显。利用出租车轨迹数据，Liu 等基于城市不同区域对应的活动日变化曲线来研究其用地特征和在城市运行中所承载的交通“源-汇”功能，并发现了上海市的辐射状特征[36]。

地理大数据中的个体移动轨迹以及个体之间的社交关系都可以在聚合层面量化两个场所间的空间交互强度，构建嵌入空间的网络 (Spatially-embedded network)，引入复杂网络分析的方法，探究城市的空间结构及其动态演化特征。基于城市空间结构对人们日常公交出行会产生影响的假设，Zhong 等利用新加坡 2010年至 2012年三年的公共交通刷卡数据来检测城市结构的演变[29]。OD 网络社区发现的可视化结果如图8 所示。

3.3 场所情感语义

图6 九类日常活动类型的时空动态特征Fig.6 Spatio-temporal features for nine types of daily human activity (Gong et al., 2016)

图8 基于新加坡 2010-2012年公交刷卡数据研究社区结构的演变Fig.8 Evolution of community structures in Singapore using smart card data from 2010 to 2012 (Zhong et al., 2014)

社交媒体数据中的多媒体数据已成为当前大数据研究中语义信息获取的重要来源。带有位置的社交媒体数据通常占 3%，研究者可以利用这部分数据揭示与地理位置有关的语义信息。目前感知场所语义的研究主要包括以下三个方面：(1) 获取一个场所的评价指标或主题[37]；(2) 获取与场所有关的情感信息，如高兴还是抑郁[38,39]；(3) 对于热点事件的响应，如灾害[13,25-26,40]、疾病[41]和事故[42]等。

近年来，随着图像识别和深度学习技术的发展，自动提取照片中的语义信息并将其应用于场所感知成为了可能。结合传统的文本分析，丰富的语义信息能够更加客观和完整地揭示地理环境的特征，全面捕获场所给人们带来的体验。Zhou 等利用来自三个洲 21 个城市超过两百万张带有地理位置标记的图片，运用深度学习的方法提取能够反映城市的七个特征属性 (绿化程度、水体覆盖率、交通、建筑、高楼、体育运动、社交活动) 的图片，从而动态地捕捉城市意象的空间分布[43]。研究发现，不同的城市特征在空间上的分布是存在明显异质性的，这与城市结构、人口分布以及设施规划等因素相关，如图9 所示。

图9 巴塞罗那与纽约城市特征属性的空间分布Fig.9 Spatial distributions of urban features in Barcelona and New York City (Zhou et al., 2014)

4 总结与讨论

地理大数据为我们提供了一条透过海量人群的个体空间行为模式去观察、理解城市的渠道。各类地理大数据具有相应的特点，也适用于研究不同的城市问题。本文梳理了几类常见地理大数据的特点，介绍了集成多源地理大数据感知城市动态的思路及相关的代表性研究成果，并针对目前集成多源地理大数据理解城市动态的研究存在的几个问题进行了探讨与展望。

诚然，地理大数据的出现为传统的城市研究和规划实践带来了巨大的进步，更加精确的实证研究不断涌现，使得城市研究的框架更加完善。然而，目前利用地理大数据来感知城市动态的研究工作仍停留在如何从模型完整性、结果精确性、计算效率等方面进行提升，所用的大数据是预先采集存储好的，只能算是半动态的“静态”工作。实际上，现代化的城市系统极其复杂，也存在众多严峻的问题和挑战。全面地挖掘地理大数据的优势，需要将时空数据挖掘与分析方法应用于实时的城市场景中，切实解决城市问题。构建城市动态感知系统，将是一个严峻的考验，需要计算机学科与城市规划、交通、能源、经济、社会学等多个领域的交叉合作。真正动态甚至实时的城市数据流入、城市动态监控、城市模式挖掘和城市决策支持系统将能够保证人类未来的生活质量和可持续发展。

[1] Batty M.The new science of cities[M].MIT Press, 2013.

[2] Kitchin R.Big data and human geography: Opportunities, challenges and risks[J].Dialogues in Human Geography, 2013, 3(3): 274-279.

[3] Miller H J, Goodchild M F.Data-driven geography[J].GeoJournal, 2015, 80(4): 449-461.

[4] Zheng Y, Capra L, Wolfson O, et al.Urban computing: Concepts, methodologies, and applications[J].ACM Transactions on Intelligent Systems and Technology, 2014, 5(3): 1-55.

[5] Hao J, Zhu J, Zhong R.The rise of big data on urban studies and planning practices in China: Review and open research issues[J].Journal of Urban Management, 2015, 4(2): 92-124.

[6] Liu Y, Liu X, Gao S, et al.Social sensing: A new approach to understanding our socioeconomic environments[J].Annals of the Association of American Geographers, 2015, 105(3): 512-530.

[7] Glaeser E L, Kominers S D, Luca M, et al.Big data and big cities: The promises and limitations of improved measures of urban life[J].Economic Inquiry, 2016.

[8] Liu Y, Wang F, Xiao Y, et al.Urban land uses and traf fic‘source-sink areas’: Evidence from GPS-enabled taxi data in Shanghai[J].Landscape and Urban Planning, 2012, 106(1): 73-87.

[9] Liu X, Kang C, Gong L, et al.Incorporating spatial interaction patterns in classifying and understanding urban land use[J].International Journal of Geographical Information Science, 2016, 30(2): 334-350.

[10] Pei T, Sobolevsky S, Ratti C, et al.A new insight into land use classi fication based on aggregated mobile phone data[J].International Journal of Geographical Information Science, 2014, 28(9): 1988-2007.

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

[12] Ratti C, Sobolevsky S, Calabrese F, et al.Redrawing the map of Great Britain from a network of human interactions[J].PloS one, 2010, 5(12): e14248.

[13] Crooks A, Croitoru A, Stefanidis A, et al.Earthquake: Twitter as a distributed sensor system[J].Transactions in GIS, 2013, 17(1): 124-147.

[14] Li L, Goodchild M F, Xu B.Spatial, temporal, and socioeconomic patterns in the use of Twitter and Flickr[J].cartography and geographic information science, 2013, 40(2): 61-77.

[15] Yang W, Mu L, Shen Y.Effect of climate and seasonality on depressed mood among twitter users[J].Applied Geography, 2015, 63: 184-191.

[16] Chai Y, Shen Y, Ma X, et al.The collection and management of space-time data of individual behavior based on location-based technology: A case study of activity-travel survey in Beijing[J].Geographical Research, 2013, 32(3): 441-451.

[17] Liu Y, Xiao Y, Gao S, et al.A review of human mobility research based on location aware devices[J].Geography and Geo-Information Science, 2011, 27(4): 8-13.

[18] Wu J, Huang L, Liu Y, et al.Traf fic flow simulation based on call detail records[J].Acta Geographica Sinica, 2012, 12(67): 1657-1665.

[19] González M C, Hidalgo C A, Barabási A L.Understanding individual human mobility patterns[J].Nature, 2008, 453(7196): 779-782.

[20] Song C, Koren T, Wang P, et al.Modelling the scaling properties of human mobility[J].Nature Physics, 2010, 6(10): 818-823.

[21] Song C, Qu Z, Blumm N, et al.Limits of predictability in human mobility[J].Science, 2010, 327(5968): 1018-1021.

[22] Goodchild M F.Citizens as sensors: Web 2.0 and the volunteering of geographic information[J].GeoFocus, 2007, 7: 8-10.

[23] Liu Y, Sui Z, Kang C, et al.Uncovering patterns of interurban trip and spatial interaction from social media checkin data[J].PloS one, 2014, 9(1): e86026.

[24] Shen Y, Karimi K.Urban function connectivity: characterisation of functional urban streets with social media check-in data[J].Cities, 2016, 55: 9-21.

[25] Vieweg S, Hughes A L, Starbird K, et al.Microblogging during two natural hazards events: What twitter may contribute to situational awareness[C]//Proceedings of the SIGCHI conference on human factors in computing systems.ACM, 2010: 1079-1088.

[26] Earle P, Guy M, Buckmaster R, et al.OMG earthquake! Can Twitter improve earthquake response?[J].Seismological Research Letters, 2010, 81(2): 246-251.

[27] Long Y, Liu X, Zhou J, et al.Early birds, night owls, and tireless/recurring itinerants: An exploratory analysis of extreme transit behaviors in Beijing, China[J].Habitat International, 2016, 57: 223-232.

[28] Long Y, Thill J C.Combining smart card data and household travel survey to analyze jobs-housing relationships in Beijing[J].Computers, Environment and Urban Systems, 2015, 53: 19-35.

[29] Zhong C, Arisona S M, Huang X, et al.Detecting the dynamics of urban structure through spatial network analysis[J].International Journal of Geographical Information Science, 2014, 28(11): 2178-2199.

[30] Zheng Y, Liu Y, Yuan J, et al.Urban computing with taxicabs[C]//Proceedings of the 13th international conference on Ubiquitous computing.ACM, 2011: 89-98.

[31] Liang X, Zheng X, Lv W, et al.The scaling of human mobility by taxis is exponential[J].Physica A: Statistical Mechanics and its Applications, 2012, 391(5): 2135-2144.

[32] Noulas A, Scellato S, Lambiotte R, et al.A tale of many cities: Universal patterns in human urban mobility[J].PloS one, 2012, 7(5): e37027.

[33] Liu Y, Kang C, Gao S, et al.Understanding intra-urban trip patterns from taxi trajectory data[J].Journal of geographical systems, 2012, 14(4): 463-483.

[34] Gong L, Liu X, Wu L, et al.Inferring trip purposes and uncovering travel patterns from taxi trajectory data[J].Cartography and Geographic Information Science, 2016, 43(2): 103-114.

[35] Yuan J, Zheng Y, Xie X.Discovering regions of different functions in a city using human mobility and POIs[C]// Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining.ACM, 2012: 186-194.

[36] Liu Y, Wang F, Xiao Y, et al.Urban land uses and traf fic‘source-sink areas’: Evidence from GPS-enabled taxi data in Shanghai[J].Landscape and Urban Planning, 2012, 106(1): 73-87.

[37] Long Y, Liu L.How green are the streets? An analysis for central areas of Chinese cities using Tencent Street View[J].PloS one, 2017, 12(2): e0171110.

[38] Mitchell L, Frank M R, Harris K D, et al.The geography of happiness: Connecting twitter sentiment and expression, demographics, and objective characteristics of place[J].PloS one, 2013, 8(5): e64417.

[39] Yang W, Mu L.GIS analysis of depression among Twitter users[J].Applied Geography, 2015, 60: 217-223.

[40] Sakaki T, Okazaki M, Matsuo Y.Earthquake shakes Twitter users: Real-time event detection by social sensors[C]//Proceedings of the 19th international conference on World wide web.ACM, 2010: 851-860.

[41] Signorini A, Segre A M, Polgreen P M.The use of Twitter to track levels of disease activity and public concern in the US during the in fluenza A H1N1 pandemic[J].PloS one, 2011, 6(5): e19467.

[42] Cheng T, Wicks T.Event detection using Twitter: A spatio-temporal approach[J].PloS one, 2014, 9(6): e97807.

[43] Zhou B, Liu L, Oliva A, et al.Recognizing City Identity via Attribute Analysis of Geo-tagged Images[C]//European Conference on Computer Vision.Springer International Publishing, 2014:519-534.

[44] Liu Y.Revisiting several basic geographical concepts: A social sensing perspective[J].Acta Geographica Sinica, 2016, 71(4): 564-575.

Urban Dynamics from Multi-Source Big Geo-Data

Zhu Di, Liu Yu
Institute of Remote Sensing and Geographical Information Systems, Peking University, Beijing 100871, PR China

Quantitative analysis of urban dynamics has bene fited greatly from the rapid development of massive big geo-data.By aggregating spatio-temporal behaviors from individual level, we can perceive the depiction of distributions, connections and procedures of urban socio-economic environment and thus understand the pattern of urban dynamics.This article reviewed the advantages and disadvantages of several types of typical data in urban studies, introduced the conception of sensing urban dynamics from multi-source big geo-data, provided representative researches in relevant areas and discussed the prospect of big geo-data.

big geo-data; urban dynamics; social sensing; spatio-temporal data mining

10.11871/j.issn.1674-9480.2017.03.002

国家自然科学基金 (41625003)

2017年1月20日

朱 递：北京大学遥感与地理信息系统研究所，博士研究生，主要研究方向为时空数据分析、地理信息科学等。

E-mail:patrick.zhu@pku.edu.cn

刘 瑜：北京大学遥感与地理信息系统研究所，博士生导师，主要研究方向为地理信息科学以及地理大数据支持下的社会感知等。

E-mail:liuyu@urban.pku.edu.cn