136
136
136
136
136
139
139
139
139
139
142
142
142
142
142
145
145
145
145
145
148
148
148
148
148
151
151
151
151
151
154
154
154
154
154
157
157
157
157
157
160
160
160
160
160
163
163
163
163
163
时空大数据例子
大数据可以发现什么
认知、 情感
行为
社交网络
大数据为获 取三类信息 提供了新的 途径
社会感知(Social sensing)
➢ 借助于各类地理空间大数据研究人类时空间行为特征，并进而揭 示社会经济现象的时空分布格局、联系以及演化过程的理论和方 法。
➢ 相比于传统遥感技术主要用于捕获地理空间中的自然现象，社会 感知方法则长于发现社会经济现象，从而有效弥补遥感方法的不 足。
166
166
166
166
166
Pick-ups Drop-offs
Pick-ups Drop-offs
Pick-ups Drop-offs
Pick-ups Drop-offs
Pick-ups Drop-offs
A
B
C
D
E
下车分布与上车分布之差
分类结果
社会感知之二：交互<-->空间结构
➢ 什么数据可以用来获取交互信息 ➢ 手机通话 ➢ 微博互粉 ➢ 签到数据反映的空间移动 ➢…
地理空间大数据与社会 感知
目录
第一部分 地理空间大数据与社会感知 第二部分 从活动时空分布到土地利用 第三部分 从移动轨迹到空间交互 第四部分 总结与展望
时空大数据
随着IT技术，尤其是移动计算技术，的发展，大数据引发了越来越多的关 注 大数据特点： ➢ 数据量大、种类繁多、增长速度快、少量数据价值很低 ➢ 每条数据具有时空位置信息 ➢ 每条数据往往可以关联到个体 大数据类型 ➢ 微博、社交网络、银行卡数据、车辆轨迹、公交卡数据…
0
50
40
30
20
10
0
450 400 350 300 250 200 150 100
50 0
140 120 100
80 60 40 20
0
7 6 5 4 3 2 1 0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67
➢ 两个尺度 ➢ 个体交互 ➢ 区域交互
研究实例
基于签到数据获取的城市间交互
社区分割结果
城市内部的空间交互
感知场所语义和情感
社会感知研究框架
Spatial interaction inside a city
地理信息科学可以做什么？
➢ Objective ➢ Quantifying the interactions between human and environment at different spatio-temporal scales, in which geographical central geographical concepts (such as distance decay, spatial heterogeneity, scale effect) are considered.
Social Sensing数据的假彩色合成
8AM
2PM
8PM
Red: Social media Chick-in Green: Taxi Pick-up Blue: Taxi Drop-off
研究实例
Local temporal patterns
180 160 140 120 100
80 60 40 20
4th June
3rd June
2nd June 19pm 14pm 9am 5am 1st June
活动的节律性
18000 16000 14000 12000 10000 8000 6000 4000 2000
0
Number of pick-ups and drop offs
遥感
Social Sensing
1
1
1
1
4
4
4
4
7
7
7
7
10
10
10
10
13
13
13
13
16
16
16
16
19
19
19
19
22
22
22
22
25
25
25
25
28
28
28
28
31
31
31
31
34
34
34
34
37
37
37
37
40
40
40ቤተ መጻሕፍቲ ባይዱ
40
43
43
43
43
46
46
46
46
49
49
49
49
52
52
52
52
55
55
55
55
58
58
58
58
61
➢ 社会感知和传统遥感又有相通和相似之处，但是也有传统遥感所 不具有的长处。
社会感知之一：活动<-->土地利用
➢ 手机：通话 ➢ 签到数据：签到 ➢ 出租车：上下车 ➢ 公交卡：上下车
➢ 不同的表象活动背后对应了不同的真实活动
Drop off
Pick up
7th June
6th June
5th June
➢ Methods ➢ Data models ➢ Methods for identifying geographical impacts
➢ Tools ➢ Tools for managing and analyzing big data ➢ Geo-computational issues: CyberGIS
61
61
61
64
64
64
64
67
67
67
67
70
70
70
70
70
73
73
73
73
73
76
76
76
76
76
79
79
79
79
79
82
82
82
82
82
85
85
85
85
85
88
88
88
88
88
91
91
91
91
91
94
94
94
94
94
97
97
97
97
97
100
100
100
100
100
103
103
103
103
103
➢ Theories ➢ Data quality and representativeness ➢ Spatio-temporal scale issues ➢ Integrating multi-source social sensing data and other data (e.g. remote sensing data)
106
106
106
106
106
109
109
109
109
109
112
112
112
112
112
115
115
115
115
115
118
118
118
118
118
121
121
121
121
121
124
124
124
124
124
127
127
127
127
127
130
130
130
130
130
133
133
133
133
133