【T112017-智慧城市与政府治理分会场】多源位置大数据融合技术应用_18页_11mb

多源位置大数据融合技术应用总结

核心内容

本文档围绕多源位置大数据的融合技术应用展开，探讨了城市大数据在实际应用中的可信度与价值，并分析了不同数据类型的特性及其在城市研究中的应用。同时，文档还介绍了居民出行调查中位置小数据与手机及互联网数据的融合方法，以及人口统计数据与手机信令数据的整合分析。

主要观点

1. 技术与艺术的融合
   在城市大数据应用中，我们正站在技术与艺术的十字路口。这表明大数据不仅需要技术手段进行处理，还需要对数据背后的社会意义和应用场景进行深入理解与艺术性表达。

2. 大数据的可信度问题
   同济大学施澄博士认为，目前城市大数据在应用层面的可信度尚未达到西医对中医的颠覆性程度。因此，在某些情况下，传统经验或小数据仍可能更具参考价值。

3. 大数据的双重价值
   杨东援教授提出，大数据既可用于验证已知信息，也可用于探索未知领域。在实证层面的印证具有重要意义，甚至比探索新应用更重要。

4. 多源数据的校核与处理
   文档强调，面对“脏数据”（dirty data），我们的主要工作不是如何处理干净数据，而是如何校核和处理不准确的数据，确保结论的可靠性。

关键信息

数据类型与特性

• 有时效性：如城市道路交通指数、道路事故数据、匝道关闭情况等。
• 数值型：如地铁客流、公交刷卡数据等。
• 非数值型：如手机信令数据、微博交通数据、大众点评数据、微信使用数据、支付宝使用数据等。
• 空间型：如地铁乘客进站前一小时与出站后一小时的空间分布。

数据来源与处理

• 多源数据证据链的形成：包括数据来源合法性、采集误差、数据清洗和处理误差、统计误差、结论推理误差等。
• 数据校核：通过多源数据进行校核，提升数据的可信度和应用价值。

居民出行调查数据融合

• 数据融合方法：将位置小数据（如居民出行调查）与手机及互联网数据（如手机信令、微博、大众点评等）进行整合。
• 地铁与公交数据：展示了各线路的进站与出站数据，以及不同时间段的客流分布情况。
• 地铁客流活跃用户分析：基于2015年11月的数据，分析了地铁乘客的分布特征，包括居住总人口、工作总人口、以及不同时间段的空间分布。

人口统计数据与手机信令数据融合

• 人口分类：将下沙片区根据用地类型相似性和空间临近度划分为23个单元，进一步归纳为6种主要用地类型和4种人口组合类型。
• 人口分布特征：
  • 大学园区：主要为学生，人口数量较大。
  • 居住小区：多为城市常住居民，稳定性较强。
  • 已安置本地居民：可能聚集大量低收入务工群体，流动性较强。
  • 工业区：居住人口数量较多，但社会属性较为单一。
• 数据对比：展示了第六次人口普查、2016统计年鉴、2015公安局人口数据与基于手机信令计算结果的对比，突显了手机信令数据在人口统计中的补充作用。

数据融合应用实例

地铁客流分析

• 线路客流统计：
  • 1号线：进站（手机信令）395,297人，出站（手机信令）395,914人。
  • 2号线：进站（手机信令）53,798人，出站（手机信令）54,801人。
  • 4号线：进站（手机信令）95,873人，出站（手机信令）98,325人。
• 流动人口比例：约为21.05%，说明地铁客流中包含大量流动人口。
• 时间分布：展示了工作日和双休日的地铁客流时间分布，反映不同时间段的出行规律。

人口统计数据与手机信令数据融合

• 居住人口：下沙片区居住总人口约为65.6万，其中单日乘地铁的居住人口约为5.28万。
• 工作人口：工作总人口约为37.3万，其中单日乘地铁的工作人口约为3.11万。
• 人口分布：通过手机信令数据划分出不同用地类型和人口组合类型，揭示了不同社会属性人群的空间分布特征。

结论

多源位置大数据的融合应用为城市研究提供了新的视角和方法。尽管数据处理面临诸多挑战，但通过合理校核与融合，可以提升数据的可靠性与应用价值。同时，大数据在验证已有知识和探索未知领域方面都具有重要作用，其应用前景广阔。