最新发表：语义时空矩阵方法——用于挖掘人类活动轨迹大数据中的语义信息

+ 查看更多

       随着信息和通信技术的快速发展，大规模的人类活动观测得以实现。这些高精度、长时序的活动数据有助于理解人类活动的时空模式，进而表征驱动人类活动背后快速变化的社会规范。然而，对于目前广泛使用的人类活动轨迹数据，如GPS、手机信令、Wi-Fi数据等，与活动轨迹相关的语义信息（如活动个体的人口属性、活动地点的功能属性等）的缺失阻碍了对人类活动过程和动机的理解。例如，尽管GPS可以实现高精度的轨迹数据采集，但却无法获知个体在每个轨迹点位上进行的活动内容，需要进行后续的追踪调查。此外，目前的语义信息挖掘方法通常缺乏验证，影响了语义分析结果的进一步应用。

       针对上述问题，本研究提出一种语义时空矩阵（semantic space-time matrix, SSTM）方法，基于Wi-Fi数据从大规模的人类活动轨迹数据中提取语义信息，识别了北京市什刹海景区内到访者的人员属性及活动模式，并通过问卷调查对分析结果进行了实地验证。首先，我们将基于Wi-Fi数据的活动轨迹从传统的3-D时空空间转换到2-D语义空间，即用活动地点的语义信息代替二维的空间坐标（图1）；然后，通过累加同一个体在相应时间和语义空间的活动频数将多日活动轨迹整合为一日轨迹，得到未聚类的语义时空矩阵，再通过合并相邻的时间点以及具有相同语义的活动地点，进一步整合得到个体在研究期内的语义时空矩阵（图2）；最后，通过对语义时空矩阵进行聚类分析得到不同到访人员的活动模式（图3）。结果表明，基于语义时空矩阵方法得到的到访人员属性类型（N=463,874）与在研究区内问卷调查的结果（N=647）不存在显著性差异，验证了该方法的有效性。该研究已发表于Travel Behaviour and Society期刊。

                                                               图1 将个体活动轨迹从（a）传统的3-D时空空间转换到（b）2-D语义空间，纵轴表示时间

                                          图2将（a）同一个体多日的活动轨迹整合为（b）未聚类生成语义时空矩阵（USSTM），再进一步整合为（c）语义时空矩阵（SSTM）

                                                     

                                                                 图3 对语义时空矩阵（SSTM）聚类分析得到不同到访人员的活动模式

Li L, Chen X, Li Q, Tan X, Chen J, Wang D & Jia P. (2021) Contextualizing human dynamics: Understanding the semantics of movement trajectories with Wi-Fi data. Travel Behaviour & Society. 25, 183-192.

https://doi.org/10.1016/j.tbs.2021.07.005