2017-【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_19页-11mb

文档内容总结

核心内容概述

本文档主要探讨了城市大数据在交通、人口统计和土地利用等领域的融合应用，重点分析了多源数据（如手机信令、互联网数据、刷卡数据等）在构建数据证据链中的作用与挑战。同时，文档还涉及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，以及如何通过数据校核提高分析的可信度。

主要观点

• 多源数据融合的重要性：通过融合不同来源的数据（如手机信令、IC卡刷卡、互联网平台数据等），可以更全面地理解城市运行状态和人口分布特征。
• 数据的可靠性与可信度：数据来源的合法性、采集误差、数据清洗和处理误差、统计误差等都会影响最终结论的可靠性，因此需要通过多源数据校核来提高可信度。
• 技术与艺术的结合：数据的使用不仅是技术问题，也涉及对数据的理解与应用，强调在数据分析中需要结合技术手段和人文洞察。
• 数据的多样性：不同数据类型（如有时效性与无时效性、数值型与非数值型、空间型与非空间型）在城市研究中有各自的应用场景和价值。

关键信息

数据类型分类

• 有时效性：如手机信令数据、社交媒体数据（新浪微博、大众点评、微信、支付宝）等。
• 无时效性：如人口普查数据、统计年鉴数据等。
• 数值型：如交通指数、客流数据等。
• 非数值型：如用地类型、人口属性等。
• 空间型：如地铁客流的空间分布、居民居住地与工作地的空间关系等。

多源数据证据链的形成

• 数据来源合法性：确保数据采集的合法性是构建数据证据链的前提。
• 误差处理：包括采集误差、数据清洗误差、统计误差和结论推理误差。
• 数据校核：通过多源数据的对比和校核，提高分析结果的准确性。

居民出行调查数据

• 地铁客流数据：
  • 1号线：进站（手机信令）395,297人，出站（手机信令）395,914人；进站（IC卡）520,406人，出站（IC卡）519,271人。
  • 2号线：进站（手机信令）53,798人，出站（手机信令）54,801人；进站（IC卡）53,144人，出站（IC卡）53,842人。
  • 4号线：进站（手机信令）95,873人，出站（手机信令）98,325人；进站（IC卡）135,933人，出站（IC卡）138,480人。
  • 注：手机信令数据计算时缺少个别站点，因此结果小于IC卡数据。
• 流动人口比例：
  • 所有轨道线路：流动人口比例为21.05%。
  • 双休日：流动人口比例为22.70%。
  • 工作日：流动人口比例约为13.9%。

人口统计数据与手机信令数据的融合

• 人口统计：
  • 居住总人口：65.6万人，约占总居住人口的10.0%。
  • 单日乘地铁的居住人口：约5.28万人。
  • 工作总人口：37.3万人，约占总工作人口的13.9%。
  • 单日乘地铁的工作人口：约3.11万人。
• 常住人口分类分布：
  • 大学园区：约194,909人。
  • 普通居民点：约177,221人。
  • 工业区：约107,521人。
  • 已安置本地居民：约77,848人。
  • 贸易市场区：约15,942人。
  • 汇总：约573,441人。

土地利用与人口分布

• 下沙片区划分：根据用地类型相似性和空间临近度，将下沙片区划分为23个单元，并进一步归类为6种主要用地类型和4种人口组合类型。
• 不同用地类型中的人口属性：
  • 大学园区：主要为学生。
  • 居住小区：多为城市常住居民，较为稳定。
  • 已安置本地居民用地：可能聚集大量低收入务工群体，流动性较强。
  • 工业区：多为流动人口，工作流动性较高。

结论

本文档强调了在城市大数据应用中，多源数据融合对于提高数据可信度和分析深度的重要性。同时，通过具体案例展示了如何利用不同数据类型进行人口统计、交通分析和土地利用研究，提出了在面对数据不确定性时，应注重数据校核和多源证据链的构建。此外，文档还引用了技术与艺术结合的理念，以及建立可信数据标准的重要性，为城市大数据应用提供了理论和实践指导。