現實與賽博空間數據相結合的城市活動事件時空建模

2019-06-10 01:15:00唐爐亮

測繪學報 2019年5期

關鍵詞：活動

唐爐亮，戴領，任暢，張霞

1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢 430079; 2. 武漢大學城市設計學院，湖北武漢 430070

城市活動事件是指在城市中發生的計劃性事件或時空現象，如體育賽事、娛樂演出、游行集會等活動，是城市環境、人群和管理系統三者之間交互的產物[1]，可預見性的人群聚集與長時的演變過程是其主要特點。城市居民通過參與事件而獲得獨特的體驗，對一座城市而言，城市活動事件是城市品牌化[2](City Branding)的重要手段之一，在促進城市經濟、文化、娛樂、體育等發展上具有重要意義。近年來，城市活動事件規模、影響力逐漸擴大，報告顯示，北京2017年營業性演出場次多達24 557場，觀眾人數共計1 075.8萬人次[3]。

城市活動事件的發生對城市的現實空間與賽博空間都會產生影響，易引起交通擁堵、局部資源緊缺、網絡通信不暢等城市問題。因此，從現實空間與賽博空間對城市活動事件的感知與表達，分析城市活動事件的時空變化過程，建立城市活動事件時空模型，刻畫事件全過程中城市地理空間與行為空間的時空特征演變，對城市建設與管理具有重要的理論研究與應用價值。

現有對城市活動事件的研究大多立足于交通或社交媒體單一數據源，以事件發現為目標，采用交通異常檢測[4-12]、文本挖掘[12-15]等手段進行事件的探測，而忽視對事件的感知和刻畫。在以現實空間交通數據為核心的城市事件研究中，對事件的刻畫與表達常輔助于事件的探測，如文獻[8]采用有向圖結構表示交通異常，利用出租車軌跡、公共自行車租借數據計算交通流量作為圖的邊屬性，從而探測交通聚集事件；文獻[12]提出路段模式(routing pattern,RP)以描述道路交通流量的變化情況，并結合社交媒體數據，對異常情況作出對應的事件解釋；文獻[16]在基于數據立方的時空框架下刻畫并探測城市擁堵事件。以賽博空間社交媒體數據為核心的城市事件研究則側重于探究事件的發展與演變趨勢[15,17-19]，如文獻[18]利用社交媒體數據提取事件脈絡，采用圖結構構建事件模型，根據社交媒體數據的相似度和關聯度追蹤事件前后發展；文獻[19]基于社交媒體建立突發事件的應急主題分類模型，探究暴雨、災害等事件的時間趨勢和空間分布。從以上分析可知，從交通數據研究城市活動事件，現多側重于異常探測，忽視事件的全過程感知與分析，對事件的刻畫也局限在事件發生的場所周圍，缺乏從城市尺度來分析事件。從社交媒體數據中研究城市活動事件，則存在分析方法單一、統計方法與時空信息分離等問題。更重要的是采用現實空間交通數據或賽博空間社交媒體數據的單一數據源研究，導致城市活動事件刻畫分析不夠全面，不能真實反映城市事件對城市地理空間和行為空間的影響。

筆者提出了一種結合現實空間交通數據集與賽博空間社交媒體數據集的城市活動事件時空建模與分析方法，從事件進行中的交通軌跡，探測識別與事件顯著相關的城市時空區域和交通流，分析現實空間事件熱度的時空變化；從事件發生全過程的社交媒體數據中，探測分析賽博空間事件熱度的時空變化；通過將現實空間和賽博空間數據集融合，建立城市活動事件時空模型，刻畫事件全過程中城市地理空間與行為空間的時空特征演變。

1 城市活動事件的時空建模

1.1 城市活動事件過程的定義與描述

城市活動事件是一個長時的連續過程。如圖1所示，本文將事件過程定義為3個階段，即事件前期(④)、事件中期(⑤)、事件后期(⑥)。事件前期是事件發展階段，開始于某個事前時刻，終止于事件當天活動開場前N小時，包括事件信息發布、網絡售票、群眾討論等過程。在這一階段賽博空間社交媒體數據是感知事件的有效手段。事件中期是事件發生進行階段，始于活動開始前N小時，終于活動結束后M小時。在這一階段，賽博空間社交媒體數據和現實空間交通軌跡均可反映事件的影響。事件后期是事件延伸階段，始于活動結束后M小時，終于某個事后時刻，包括新聞發布、群眾討論等過程。這一階段，賽博空間數據集將作為事件描述的主要手段。

圖1 事件過程定義Fig.1 The course of events

1.2 基于交通軌跡的城市活動事件現實空間信息提取

對整個城市劃分地理格網，格網單元r是基本地理分析單元，基于格網的定義如下：

格網車流量υ：在時間間隔t內，格網r的車流量υ為經過該格網區域的車輛數目。

格網ri到rj的交通流ei-j：在時間間隔t內，從格網ri駛向格網rj的車的數目，通過有向邊表示。其中，ri為ei-j的起始格網，rj為ei-j的終止格網，ri與rj在空間上相鄰。

事件格網Le：事件發生場所所在的格網單元。

從現實空間交通軌跡看，體育賽事、娛樂演出等城市活動事件是一個事前交通聚集、事后交通分散的過程，因此，本文對事件在現實空間的表達從區域交通量和交通流兩方面進行。

1.2.1 基于EBP模型的交通異常似然比檢驗

文獻[11]指出，在一天中特定時間間隔內沿格網i流向格網j的觀測交通流量近似滿足泊松分布。該文獻采用基于期望的泊松模型[20](expectation-based poisson,EBP)檢測交通異常，從而探測城市活動事件的發生。其基本思想是假設Ce是在時間間隔t內邊e上的觀測交通流量值，Be是在同一時間間隔內的邊e上的基準交通流，則進行以下假設檢驗。

原假設H0：Ce～P(Be);

備擇假設H1：Ce～P(qBe),q>1;

EBP檢驗公式為

(1)

當LLR(e)>0且在α水平上顯著時，則認為交通流e顯著異常，LLR(e)越大，異常程度越高。

本文在該方法基礎上，將交通異常拓展到格網交通量上，在城市尺度上刻畫城市活動事件。在格網交通量的異常探測中，采用卡方檢驗(chi-square test)檢驗格網車流量υ的顯著性，該統計量服從期望值為相同時間間隔內格網車流量均值的泊松分布。因此，對格網車流量υ的異常探測采用式(1)的計算方法，顯著性檢驗采用p值(P-Value，Probability，Pr)檢驗。LLR(v)在α水平上顯著的充分條件是1-Pr(X

1.2.2 事件地點已知的路徑搜索策略

本文通過連接鄰接交通流有向邊表征事件中人群的聚集、分散的路徑，從局部時間、局部區域刻畫城市活動事件中人群的流動過程。在文獻[11]基礎上將路徑的搜索由四方向拓展到八方向，由對車流聚集過程的路徑搜索拓展到聚集過程和分散過程。由于本研究側重對事件的表達而非探測，因此采用一種事件位置已知的路徑搜索策略。

對一場城市活動事件而言，在人群聚集過程中，人們由城市各個部分向事件發生地(體育場、演唱會場地等)行進，路徑搜索是尋找聚集路徑的過程。路徑由前后相鄰的交通流有向邊構成，即S=〈e1,e2,…,en〉。考慮到交通流具有空間、時間連續性，故車流路徑的每一個子單元ek都必須是流量顯著異常的有向邊。對聚集過程采用的路徑搜索策略如下：

(1) 設每個交通流有向邊與事件格網(Le)的距離d為該交通流的終止格網與Le的棋盤距離，以Le為中心，設置最大搜索范圍dmax和8個方向，分別為上(U)、右上(UR)、右(R)、右下(DR)、下(D)、左下(DL)、左(L)、左上(UL)。

(2) 對滿足{d≤dmax}的任意顯著交通流ek，首先判斷它位于Le的哪一個方向，根據方向獲取其下一個可行格網，即ek+1的終止格網，并驗證該有向邊的流量是否顯著。如圖2，當前格網為邊ek的終點，當分別在事件格網的UR、U和R方向時，其下一個可行格網分別有3個、1個、1個。

(3) 從{d=dmax}中搜索滿足LLR(e)>0的顯著邊集合E1={e1,e2,…,ei,…,en}，以ei為起點按步驟(2)的原則搜索下一條顯著的交通流有向邊，直至到達Le，存儲每一條路徑途經的非重復格網編號G=distinct(id1,…,idm)。對路徑中的有向邊，采用圖3樹狀結構進行搜索，每個節點代表一個格網，由前一個節點指向后一個節點的線段代表一條有向邊，除起始節點外，每一個節點存在一個父節點和至多三個子節點。

(4) 從{d

(5) 對每一個初始有向邊e∈{E1,E2}的路徑搜索結構，其葉子節點都是事件格網Le且每一個節點只存在一個父節點，因此從葉子節點開始自下向上逆向搜索，存儲每一條路徑。

(6) 對每一條路徑S計算每一個組成交通流的似然比均值，作為路徑的得分值Ssc。考慮到有向邊為斜邊和直邊時，其分值對路徑的影響不同，因此對路徑總分值的計算采用式(2)，消除斜邊的距離影響

(2)

式中，ei表示直邊；ek表示斜邊；N為路徑S的構成有向邊的總數。

對獲取到的每一條路徑，存在路徑高度相似的情況，因此本文根據路徑相似度對所有路徑進行初步篩選。采用式(3)進行相似度計算。當sim(S1,S2)>80%時，則認為兩條路徑相似，并刪除S1、S2中分值較小的一條路徑，從而得到候選路徑集合

(3)

式中，L表示路徑的長。

圖4 相似路徑Fig.4 Similar routes

最后對所有候選路徑的分值進行排序，選取其中前N條路徑作為事件聚集路徑。

對分散過程的路徑追蹤，總體思路與聚集過程一致，主要差別體現在以下兩點：

(1) 搜索路徑的起點為事件格網，終點為{d=dmax}的交通流或{d

(2) 方向改變導致8個方向上的下一可行格網的變化，以U、UR和R方向為例，其可行格網如圖5所示。

實際上，根據事件發生場所的規模與格網大小，事件格網可能不止一個，因此，可設置多個事件格網，并對多組路徑進行比較。

1.3 基于社交媒體數據的城市活動事件賽博空間信息提取

城市活動事件的賽博空間熱度在城市尺度上的時空分布，是事件對城市賽博空間影響力的體現，這種影響力反過來也可作為刻畫城市活動事件的有效途徑，即將事件在社交媒體數據中的熱度分值及其時間和空間屬性作為事件在賽博空間的表達手段。

事件在社交媒體文本數據中通過關鍵詞表達，事件關鍵詞熱度近似等于事件的熱度。因此本文根據社交媒體文本和位置數據構建針對不同時間單元的關鍵詞集，每一個關鍵詞集中包含事件相關的關鍵詞。以目前國內熱門社交媒體平臺新浪微博的線上數據為例，對每一個關鍵詞，采用TF-IDF[21](term frequency-inverse document frequency)的思想，計算關鍵詞在對應的格網單元中的重要程度，從而表征事件的賽博空間熱度。

(4)

式中，wt(rk,tm)表示在時間間隔tm內、格網rk中關鍵詞t的重要程度；n為該格網中關鍵詞t的出現次數；Nt表示在所有格網中t的出現次數；|D|為所有格網中包含微博數據的格網數目；{j:t∈dj}表示所有包含關鍵詞t的格網數目，為保證分母不等于0，對其加1處理。

事實上，單條微博可能包含多個關鍵詞，而每一條微博所表征的事件熱度又是相等的，因此本文從每條微博中選取在該時間段內出現頻次最大的關鍵詞來表征這條微博。

對時間間隔tm內的一個格網單元rk，其賽博空間熱度T為每個關鍵詞熱度的加和值

(5)

1.4 融合現實空間和賽博空間的城市活動事件一體化建模方法

城市活動事件在特定時間范圍內對城市的地理空間和行為空間的影響，可描述為事件對城市的作用力，它同時體現在現實空間和賽博空間。以各個現實空間分量和賽博空間分量的乘積加和值Qijk表征特定事件對城市的特定時間和特定地理位置的作用力，以交通流的聚集與分散路徑來表達事件對城市行為空間的影響。其中

Qijk=(wm1*τijk+…+wmx*σijk)+

(wn1*ρijk+…+wny*φijk)

(6)

式中，事件的作用力Qijk由x個現實空間分量和y個賽博空間分量構成，每一個分量由權重和對應分值構成。如τijk可表示在k時刻，在格網(i,j)內私家車交通量通過似然比檢驗得到的異常分值，其對應權重為wm1；ρijk可表示在k時刻，在格網(i,j)內線上微博或微信數據的熱度分值，其對應權重為wn1。

圖6 城市活動事件的表達模型Fig.6 The expression model of city events

城市活動事件刻畫模型如圖6，對事件的刻畫采用類似快照模型的方式，在時間軸上利用線狀要素和面狀要素表征事件的發展過程。其中，面狀要素中每個格網單元對應了城市在特定時間特定位置受到的事件作用力的大小，線狀要素是通過基于現實空間交通流的路徑搜索策略提取得到的事件路徑，它從局部表達交通流的聚集過程和分散過程。二者對應的表達式分別為式(7)和式(8)

(7)

式中，I、J、K對應坐標軸中的空間和時間維度;Qijk表示在特定位置(i，j)和特定時間k下城市活動事件A對城市的作用力。

(8)

式中，K對應時間維度；Sn表示采用n條路徑刻畫事件的聚集和分散過程，在該城市活動事件中，共有M個時刻考慮現實空間交通流的聚集或分散過程。

根據式(7)和式(8)，本文對城市活動事件的分析內容和對應方法見表1。

表1 城市活動事件刻畫模型的時空分析方法

Tab.1 The spatio-temporal analytical method of city eventsmodel

分析內容分析方法特征描述在事件發展過程中城市特定區域事件作用力隨時間的變化ΔQK=Qi,j,k1-Qi,j,k2空間固定,時間變化城市區域內不同空間在同一時刻的事件作用力的差異ΔQIJ=Qi1,j1,k-Qi2,j2,k時間固定,空間變化城市活動事件時空演變過程ΔQIJK=Qijk1I×J-Qijk2I×J —局部時間、局部區域內城市活動事件中人群的流動過程ΔR=Snm1-Snm2?動態過程

*式中“-”表示前后的差異度，而非減號運算符。

事件發展是一個隨時間變化的過程，在事件發展的前、中和后期中包括多個事件階段。根據每個階段的時間特征、現實空間特征和賽博空間特征，劃分不同的分析子段，每個子段中的分析時間粒度、是否考慮交通軌跡、網絡關鍵詞個數等要素保持一致。如事件對交通流的可探測作用力只體現在距離事件發生時刻較近的時間范圍內，而不貫穿整個事件過程；且從整體上看，分析時間粒度隨著事件鄰近逐漸變小，隨著事件結束逐漸增大。

2 試驗與討論

本文選取2015年5月9日“魔天倫2.0”世界巡回演唱會(武漢站)這一城市活動事件作為試驗分析對象。該演出的場地為武漢體育中心體育場，觀演人數達6萬人。在本文試驗中，賽博空間數據集采用微博數據，現實空間的交通量僅采用出租車軌跡數據。試驗采集的數據包括2015年5月1日—5月7日和2015年5月9日武漢市城區的出租車GPS軌跡數據、2015年5月1日—5月14日武漢市城區范圍內的微博數據。其中，5月1日—5月7日的GPS軌跡數據作為計算基準交通流和基準格網車流量的歷史數據。

本文試驗事件的微博關鍵詞可分為歌手稱呼、演出地點、演出時間、演唱會名稱、演出進程、歌曲名稱、票務信息等類別，每個類別中包含若干詞匯，試驗中依據事件階段進行合理選取。

2.1 城市活動事件建模的空間尺度和時間粒度

在空間尺度上，選取武漢市城區為研究的城市空間范圍，其總面積約832.709 km2。由于本文試驗GPS軌跡數據的采樣間隔為60 s，以城市出租車平均行駛速度40 km/h計算，500 m×500 m格網大小能夠保證時間上相鄰的軌跡點在空間格網上呈相鄰分布，因此以500 m×500 m為空間尺度劃分地理格網，共得到3328個城市子單元。

表2 試驗數據量

在時間粒度上，根據事件3個階段劃分不同的分析時間粒度。對事件中期，采用最小時間粒度10 min，對距離演出較近的事件前期子段和事件后期子段，以30 min為分析時間單元，對距離演出較遠的事件前期子段和后期子段，以1 d為分析時間單元。

表3 事件過程分析

2.2 演唱會事件的時空建模與分析

2.2.1 權重討論

由于本文試驗中僅采用微博數據和出租車軌跡數據，因此式(6)可簡化為

Q(rk,tm)=wT*T(rk,tm)+wv*LLR(v:rk,tm)

(9)

式中，wT和wv分別為賽博空間微博數據和現實空間交通軌跡的權重；T(rk,tm)為時間間隔tm內格網rk的賽博空間作用力分值；LLR(v:rk,tm)為時間間隔tm內格網rk的交通量v的現實空間作用力分值。其中，現實空間作用力分值LLR(υ)和賽博空間作用力分值T(rk,tm)需要進行標準化處理。本文試驗采用z-score[22]計算法。對LLR(υ)和T(rk,tm)而言，其均值和標準差的計算數據集是事件全過程中對應的時間粒度下的變量值的集合。

在事件前期與后期，事件對城市的出租車物理軌跡影響極低，因此，對該部分不考慮現實空間物理軌跡，式(9)中的wT和wv分別為1和0。對事件中期演出前這一階段，根據經驗判斷，賽博空間權重wv隨時間逐步上升，到達一定峰值后，隨著演出開場時間逼近，wv逐步下降，直至演出開始，wv達到0。同理，演出結束后，現實空間物理軌跡的權重逐步上升再下降。其中，對于現實空間權重的峰值點，根據軌跡數據集和微博數據集的數據量演算得到。以演出當天13:30—20:00的權重推算為例，首先，對該階段每個分析時間單元內的出租車軌跡提取行程OD，計算到達場館周邊的OD數目Nrod與總OD數目NTOD的比值，選取比值最大的17：30—17：40時段作為峰值時間。當Nrad/Nrod越大，說明該時段的軌跡數據集與事件越相關，從而對事件的刻畫越有效。接著，計算該時段的峰值權重，同時考慮該時段的軌跡數據集和微博數據集與事件的相關程度。從參與人數上看，一條微博的參與人數為1人，一段OD的參與人數為1—4人，因此，微博數據集與軌跡數據集之間存在1：n的關系。根據經驗判斷，本文試驗中n取2，即認為一輛出租車的平均載客人數為2人。對這兩個數據集，根據事件相關人數占總體越大，其個體表征作用越小，即重要程度越小的原則[23-26]，對該時段的賽博空間權重與現實空間權重據式(10)計算得到，并使二者加和為1。

(10)

式中，NTOD為該時段的總OD數目；Nrod為事件相關的OD數目；NTWB為總微博數目；Nrwb為事件相關的微博數目。OD是否與事件相關的判別依據是OD的終點是否在演唱會場館周邊，微博是否與事件相關的判別依據是是否包含事件相關關鍵詞。

根據權重的起始點和峰值點及其對應的時間點構建線性函數，以每個時間單元中間時刻的權重作為該單元的權重，得到13:30—17:30每個時間單元的權重值。同理計算得到17:30—20：00和22：00—23:59的權重。最終2015-05-09 T13:30—23:59每隔10 min的賽博和現實空間權重如圖7。

2.2.2 演唱會事件的表達模型與可視化分析

根據式(9)計算各個時間間隔內每個格網區域的事件作用力Q，按照表3的粒度劃分進行可視化，每一個格網區域的高度代表Q值的大小。在該演唱會事件全過程中，任意時間、任意區域的事件作用力都有一個對應的數值Q表示。在考慮交通流的事件階段，將交通聚集路徑和分散路徑疊加在城市面狀要素上，進行車流聚集與分散過程的局部可視化。

圖8—圖11中，x、y軸正方向分別表示武漢市由西向東、由南向北的城市方向。該組圖展示了“魔天倫2.0”世界巡回演唱會(武漢站)的時空過程：①從1 d的時間粒度看，事件前期，事件熱度在城市多區域發酵，在整個事件過程中，事件的作用力呈現先增大、后減少的趨勢，在演唱會當天達峰值，從空間上看，事件發生地的作用力大小為峰值；②在演唱會當天，起初，事件熱度在空間上沒有明顯的分布規律，但隨著事件臨近，逐步向演唱會場所聚集，事后逐漸由事件中心向四周消散；③從交通流的變化上看，考慮到事件發生地位于城市西南方位，因此大量人群從東北方向聚集，其聚集過程形成較早，而西南方向的聚集路徑則在當天17：30左右開始形成。

2.2.3 與單一數據源事件模型的對比

為驗證方法的有效性，將本文城市活動事件表達模型與基于單一數據源的事件刻畫方法進行對比。以演唱會事件發生當天的19：00—19：50為例，對基于現實空間交通數據和基于賽博空間社交媒體數據的事件刻畫方法分別進行可視化，時間粒度為10 min。由表4可知，在基于交通數據的刻畫方法中，隨著演唱會開始時間的鄰近，事件作用力在逐漸減少，與事實不符，這主要是由于交通數據對事件的刻畫局限于人群的聚集和離散過程，對演唱會進行過程中的賽博空間作用力無法實現有效刻畫；基于社交媒體數據的刻畫方法則無法感知事件對現實地理空間的影響，事件作用力在城市賽博空間中呈現離散分布，在事件刻畫的全面性和有效性上略有欠缺。而本文方法中，隨著事件鄰近，事件作用力峰值逐漸向事件格網中心移動、在事件格網周圍持續高漲，而在城市其他區域逐漸衰退。因此，本文方法中現實空間數據集和賽博空間數據集的相互補充，能夠有效地刻畫城市活動事件的完整時空過程，并分析城市活動事件對靜態地理空間和動態行為空間的影響。

圖2 聚集過程中路徑的可行方向Fig.2 The feasible directions during gathering process

圖3 路徑的搜索結構Fig.3 Searching structures of routes

圖5 分散過程中路徑的可行方向Fig.5 The feasible directions during dispersing process

圖7 現實空間和賽博空間權重分布Fig.7 Weights for cyberspace and real space

圖8 事件全過程(時間粒度1 d)Fig.8 The whole process of event (time granularity 1 d)

3 結論

本文提出了一種城市活動事件時空建模分析方法，該方法融合現實空間和賽博空間，實現對城市活動事件的事件過程刻畫表達，事件時空動態建模，以及事件全過程的城市地理空間與動態行為空間的時空特征演變分析。試驗中以2015年5月9日武漢市“魔天倫2.0”世界巡回演唱會為例，采用2015年5月共8 d的軌跡數據和事件前后14 d的微博數據，展現事件的時空發展過程，并與單一數據源的事件表達模型進行了對比。結果顯示，本文方法在分析城市活動事件的時空演變過程、構建事件模型與可視化方面具有有效性和創新性。然而，由于本文在融合現實空間和賽博空間的事件模型中僅探討了兩類空間中的交通和社交媒體數據源的分量計算方法，數據采集的全面性和完整性將直接影響事件的刻畫與分析，在后續研究將進一步提高數據的全面性和完整性，融合其他數據源一起刻畫城市活動事件，提高對事件的時空分析與表達能力。