Research progress on the space of flow using big data

Yanjie YANG; Dan YIN; Ziwen LIU; Qingxu HUANG; Chunyang HE; Kang WU

doi:10.18306/dlkxjz.2020.08.013

Journals >Progress in Geography >Volume 39 >Issue 8 >Page 1397 > Article

Progress in Geography
Vol. 39, Issue 8, 1397 (2020)

Research progress on the space of flow using big data

Yanjie YANG^1、2, Dan YIN^1、2, Ziwen LIU^1、2, Qingxu HUANG^1、2、*, Chunyang HE^1、2, and Kang WU³

Author Affiliations

¹Center for Human-Environment System Sustainability (CHESS), State Key Laboratory of Earth Surface Processes and Resource Ecology (ESPRE), Beijing Normal University, Beijing 100875, China

²School of Natural Resources, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

³Beijing Key Laboratory of Megaregions Sustainable Development Simulation, Capital University of Economics and Business, Beijing 100070, China

show less

DOI: 10.18306/dlkxjz.2020.08.013 Cite this Article

Yanjie YANG, Dan YIN, Ziwen LIU, Qingxu HUANG, Chunyang HE, Kang WU. Research progress on the space of flow using big data[J]. Progress in Geography, 2020, 39(8): 1397 Copy Citation Text

show less

Fig. 1. 流空间研究的发展历程Fig.1

Download full size | View in the Article

Fig. 2. 2001—2018年论文数量和被引频次的年际变化Fig.2

Download full size | View in the Article

Fig. 3. 基于大数据的流空间研究单词云注：对选取的268篇中文文献和260篇英文文献的题目、摘要和关键词分进行单词云分析;单词云中的字号大小表征单词出现的频率,频率越高字号越大。图a基于CiteSpace制作,依据单词共现关系和出现时间,将其用不同颜色聚类;图b基于VOSviewer制作,依据单词的共现关系将其用不同颜色聚类。Fig.3

Download full size | View in the Article

Fig. 4. 基于大数据的流空间研究框架Fig.4

Download full size | View in the Article

文献类型	文献来源	发表年份	论文题目	期刊	引用量/次
中文	李山等^[43]	2008	基于百度指数的旅游景区络空间关注度: 时间分布及其前兆效应	地理与地理信息科学	203
	甄峰等^[44]	2012	基于网络社会空间的中国城市网络特征——以新浪微博为例	地理学报	304
	熊丽芳等^[45]	2013	基于百度指数的长三角核心区城市网络特征研究	经济地理	132
	王波等^[46]	2013	基于微博用户关系的网络信息地理研究——以新浪微博为例	地理研究	81
	董超等^[47]	2014	基于通信流的吉林省流空间网络格局	地理学报	55
英文	Gonzalez等^[48]	2008	Understanding individual human mobility patterns	Nature	2042
	Song等^[49]	2010	Limits of predictability in human mobility	Science	1015
	Lu等^[50]	2012	Predictability of population displacement after the 2010 Haiti earthquake	PNAS	144
	Liu等^[40]	2014	Uncovering Patterns of Inter-Urban Trip and Spatial Interaction from social media Check-In data	PLoS One	122
	Long等^[51]	2015	Combining smart card data and household travel survey to analyze jobs-housing relationships in Beijing	Environment and Urban Systems	55

Table 1.

高被引的中文和英文论文

大数据	数据概述	特点	流空间类型	文献来源
手机信令数据	记录手机用户在发生通话、收发短信、位置更新等事件时手机连接的基站位置信息	覆盖人群广,时间连续性好;存在精度受基站分布影响、数据质量取决于用户通话的频率和数据跳站等问题	人流、信息流	王垚等^[63]
社交媒体签到数据	来源于社交平台,具有地理位置信息	容易获取,具有语义特征;存在数据不能覆盖所有年龄段的人群、签到数据不完整和签到位置间不合理的快速移动等问题	人流、信息流	Zhen等^[64]
公共交通刷卡数据	记录乘客的卡号、上下车位置和时间等信息	数据获取成本低,覆盖人群广;数据连续性差,空间分辨率低,只能反映用户在不同刷卡位置间的移动	人流、交通流	陆锋等^[6]
出租车轨迹数据	记录地理位置、时间和是否载客等信息	数据精度高,可以详细记录车辆的行驶轨迹;存在覆盖范围集中于城市内部、移动轨迹受路网限制、覆盖人群较小等问题	人流、交通流	Barbosa等^[42]

Table 2.

基于大数据的流空间研究中主要涉及的大数据

方法	原理	特点	典型应用
流分析	通过探究流量、方向和强度等特征来揭示流的时空特征,主要包括流量分析、流向分析和流强度分析等	流分析方法可以有效衡量流的时空规律,从而直观地表现流特征	人口通量变化^[82]高性能空间聚类^[98]
网络分析	通过社会网络分析和复杂网络分析等方法探究网络中各节点的联系程度,并揭示人流、物流和信息流等在不同节点间的流动特征	可以有效揭示流空间的节点特征和网络特征;难以利用大数据中的语义信息	信息流强度^[99]网络密度和中心度^[100]
人员移动建模	通过建立模型挖掘海量数据中所隐藏的规律,揭示人员移动特征和预测人员移动行为	人员移动模型有助于揭示流空间规律的深层机制,深化人们对流空间的理解;现有模型在模型普适性和机理解释方面存在不足	总体模型^[8]时空语义模型^[94]

Table 3.

基于大数据的流空间研究中主要涉及的方法

Yanjie YANG, Dan YIN, Ziwen LIU, Qingxu HUANG, Chunyang HE, Kang WU. Research progress on the space of flow using big data[J]. Progress in Geography, 2020, 39(8): 1397

Download Citation

Tools

Save the article for my favorites

Paper Information