城市人口流动感知与建模方法综述

李锐; 刘朝辉; 吴华意

doi:10.13203/j.whugis20240082

您当前的位置：

首页 >

文章列表页 >

城市人口流动感知与建模方法综述

地图制图学与地理信息工程 | 更新时间：2026-11-05

- 城市人口流动感知与建模方法综述
- A Review of Urban Population Mobility Perception and Modeling Methods
- 武汉大学学报（信息科学版） 2025年50卷第5期页码：973-995
- 作者机构：
  
  1.武汉大学测绘遥感信息工程全国重点实验室，湖北武汉，430079
  2.地球空间信息技术协同创新中心，湖北武汉，430079
- 作者简介：
  
  李锐，博士，教授，研究方向为行为计算与智能服务。ruili@whu.edu.cn
  吴华意，博士，教授。wuhuayi@whu.edu.cn
- 基金信息：
  
  国家自然科学基金(U20A2091)
- DOI：10.13203/j.whugis20240082
  中图分类号： P208
- 收稿：2024-05-13，
  
  纸质出版：2025-05-05
- 稿件说明：
移动端阅览
李锐,刘朝辉,吴华意.城市人口流动感知与建模方法综述[J].武汉大学学报（信息科学版）,2025,50(5):973-995.

LI Rui,LIU Zhaohui,WU Huayi.A Review of Urban Population Mobility Perception and Modeling Methods[J].Geomatics and Information Science of Wuhan University,2025,50(5):973-995.
李锐,刘朝辉,吴华意.城市人口流动感知与建模方法综述[J].武汉大学学报（信息科学版）,2025,50(5):973-995. DOI：10.13203/j.whugis20240082

LI Rui,LIU Zhaohui,WU Huayi.A Review of Urban Population Mobility Perception and Modeling Methods[J].Geomatics and Information Science of Wuhan University,2025,50(5):973-995. DOI：10.13203/j.whugis20240082

摘要

近年来，与人口流动相关的地理空间数据激增，给定量研究人口流动模式创造了前所未有的条件，生成了许多捕获和再现人口流动时空结构和规律的方法和模型，为城市规划、交通出行、公共卫生等城市应用提供了科学依据，极大提高了人们理解和管理城市的水平。以城市人口流动感知与建模为核心，从以下几个方面展开综述：① 城市人口流动数据，介绍了流动数据形式及处理方法、数据可靠性分析和隐私保护方法；② 城市人口流动感知方法，介绍了认知并理解人口流动行为的分析与挖掘方法；③ 城市人口流动建模方法，分机理驱动和数据驱动两类模型进行了详细阐述；④ 人口流动感知与建模应用：介绍了人口流动感知与建模研究在城市发展中的主要应用。在此基础上，指出了现有人口流动研究在感知手段和建模方法上存在的问题，同时探讨了未来可能的研究方向。

Abstract

In recent years

the surge of geospatial data related to population mobility has created unprecedented opportunities for quantitatively studying population mobility patterns. This influx of data has led to the development of numerous methods and models that capture and reproduce the spatiotemporal structures and dynamics of population mobility

providing a scientific basis for urban planning

transportation

public health

and other urban applications. Consequently

it has significantly enhanced our understanding and management of urban environments. From the perspective of the intersection between human mobility research and spatial interaction studies

we review the research framework and recent advancements in urban population mobility perception and modeling methods

further discuss their applications in urban development and anticipate future research directions

aiming to inspire and facilitate innovation and deeper application in population mobility research. (1) Types and processing methods of urban population mobility data: This section analyzes various kinds of urban population mobility data

including location point data

trajectory data

and flow data

while addressing issues related to data reliability analysis and privacy protection. (2) Perceiving methods for urban population mobility: This section introduces methods for understanding population mobility dynamics

network analysis

and population mobility data mining

which provide deeper insights into the spatiotemporal interaction patterns of population mobility. (3) Modeling methods for urban population mobility: This part provides a detailed exposition of modeling methods

encompassing both mechanism-driven and data-driven models

such as gravity models

intervening opportunity models

population flow prediction models

and origin-destination flow generation models. These methods provide the theoretical foundation and tools for describing

simulating

and predicting urban population mobility. (4) Applications of population mobility perception and modeling: This section explores the application of research in urban planning

transportation

public health

and public safety

illustrating how these findings can provide scientific support for addressing urban issues. For example

in urban planning

population mobility data can aid in identifying urban spatial structures and regional functions; in transportation management

flow models can predict traffic volumes and optimize traffic planning; in public health

mobility models can simulate and control the spread of infectious diseases; and in public safety

mobility perception technologies benefit disaster early warning and emergency response. Despite significant advancements in population mobility perception and modeling

existing research still faces shortcomings

such as low spatiotemporal accuracy

poor model interpretability

and insufficient understanding of urban application scenarios. Based on an analysis of these issues

we propose potential research directions for the future

including the acquisition of high spatiotemporal resolution population mobility data through multi-source data integration

the construction of hierarchical population mobility networks

mechanism-driven population mobility modeling

and scenario-driven urban applications. These research directions are hopeful to significantly advance the development of population mobility perception and modeling

providing powerful scientific support for urban applications. As the pace of urbanization accelerates and information technology evolves

the study of population mobility perception and modeling will play an increasingly important role in urban management and services.

关键词

Keywords

references

LYNCH K . The Image of the City ［M］. Cambridge ： MIT Press ， 1960 .

LIU Z H ， LI R ， CAI J ， et al . Mobility Difference Index： A Quantitative Method for Detecting Human Mobility Difference ［J］. GIScience & Remote Sensing ， 2024 ， 61 （ 1 ）： 2301274 .

GIANNOTTI F ， PAPPALARDO L ， PEDRESCHI D ， et al . A Complexity Science Perspective on Human Mobility ［M］// Mobility Data：Modeling， Management， and Understanding . Cambridge ： Cambridge University Press ， 2021 .

ZHAO K ， TARKOMA S ， LIU S Y ， et al . Urban Human Mobility Data Mining： An Overview ［C］// IEEE International Conference on Big Data （Big Data）， Washington D C， USA ， 2016 .

WANG R X ， ZHANG X Y ， LI N . Zooming into Mobility to Understand Cities： A Review of Mobility-Driven Urban Studies ［J］. Cities ， 2022 ， 130 ： 103939 .

WANG A Q ， ZHANG A S ， CHAN E H W ， et al . A Review of Human Mobility Research Based on Big Data and Its Implication for Smart City Development ［J］. ISPRS International Journal of Geo⁃Information ， 2021 ， 10 （ 1 ）： 13 .

AXHAUSEN K W ， ZIMMERMANN A ， SCHÖNFELDER S ， et al . Observing the Rhythms of Daily Life： A Six-Week Travel Diary ［J］. Transportation ， 2002 ， 29 （ 2 ）： 95 - 124 .

AXHAUSEN K W ， LÖCHL M ， SCHLICH R ， et al . Fatigue in Long-Duration Travel Diaries ［J］. Transportation ， 2007 ， 34 （ 2 ）： 143 - 160 .

Wang J ， Wang F ， Ban X J ， et al . Comparative Analysis of Big and Small （Survey） Data for Deriving Human Mobility Patterns ［C］// The 98th Annual Meeting of Transportation Research Board ， Washington D C，USA ， 2019 .

WANG J Z ， KONG X J ， XIA F ， et al . Urban Human Mobility： Data-Driven Modeling and Prediction ［J］. ACM SIGKDD Explorations Newsletter ， 2019 ， 21 （ 1 ）： 1 - 19 .

LOUAIL T ， LENORMAND M ， CANTU ROS O G ， et al . From Mobile Phone Data to the Spatial Structure of Cities ［J］. Scientific Reports ， 2014 ， 4 ： 5276 .

GHAHRAMANI M ， ZHOU M C ， HON C T . Mobile Phone Data Analysis： A Spatial Exploration Toward Hotspot Detection ［J］. IEEE Transactions on Automation Science and Engineering ， 2019 ， 16 （ 1 ）： 351 - 362 .

TOCH E ， LERNER B ， BEN-ZION E ， et al . Analyzing Large-Scale Human Mobility Data： A Survey of Machine Learning Methods and Applications ［J］. Knowledge and Information Systems ， 2019 ， 58 （ 3 ）： 501 - 523 .

BARBOSA H ， BARTHELEMY M ， GHOSHAL G ， et al . Human Mobility： Models and Applications ［J］. Physics Reports ， 2018 ， 734 ： 1 - 74 .

ZHAO C ， ZENG A ， YEUNG C H . Characteristics of Human Mobility Patterns Revealed by High-Frequency Cell-Phone Position Data ［J］. EPJ Data Science ， 2021 ， 10 （ 1 ）： 5 .

JARDIM B ， de CASTRO NETO M ， CALÇADA P . Urban Dynamic in High Spatiotemporal Resolution： The Case Study of Porto ［J］. Sustainable Cities and Society ， 2023 ， 98 ： 104867 .

刘康 . 人类移动数据生成方法：研究进展与趋势探讨［J］. 地球信息科学学报， 2024 ， 26 （ 4 ）： 831 - 847 .

LIU Kang . Approaches for Human Mobility Data Generation： Research Progress and Trends ［J］. Journal of Geo⁃Information Science ， 2024 ， 26 （ 4 ）： 831 - 847 .

刘瑜，姚欣，龚咏喜，等 . 大数据时代的空间交互分析方法和应用再论［J］. 地理学报， 2020 ， 75 （ 7 ）： 1523 - 1538 .

LIU Yu ， YAO Xin ， GONG Yongxi ， et al . Analytical Methods and Applications of Spatial Interactions in the Era of Big Data ［J］. Acta Geographica Sinica ， 2020 ， 75 （ 7 ）： 1523 - 1538 .

PAPPALARDO L ， MANLEY E ， SEKARA V ， et al . Future Directions in Human Mobility Science ［J］. Nature Computational Science ， 2023 ， 3 （ 7 ）： 588 - 600 .

LI B ， SHI X ， ZHU A ， et al . New Thinking in GIScience ［M］. New York ： Springer ， 2022 .

ZHOU Y R ， LAU B P L ， YUEN C ， et al . Understanding Urban Human Mobility Through CrowdSensed Data ［J］. IEEE Communications Magazine ， 2018 ， 56 （ 11 ）： 52 - 59 .

ALESSANDRETTI L ， SAPIEZYNSKI P ， LEHMANN S ， et al . Multi-scale Spatiotemporal Analysis of Human Mobility ［J］. PLoS One ， 2017 ， 12 （ 2 ）： e0171686 .

DONG W H ， WANG S K ， LIU Y . Mapping Relationships Between Mobile Phone Call Activity and Regional Function Using Self-organizing Map ［J］. Computers， Environment and Urban Systems ， 2021 ， 87 ： 101624 .

LI R P ， ZHAO Z F ， YANG C Y ， et al . Wireless Big Data in Cellular Networks： The Cornerstone of Smart Cities ［J］. IET Communications ， 2018 ， 12 （ 13 ）： 1517 - 1523 .

LI L ， YANG L ， ZHU H H ， et al . Explorative Analysis of Wuhan Intra-urban Human Mobility Using Social Media Check-in Data ［J］. PLoS One ， 2015 ， 10 （ 8 ）： e0135286 .

TRAUNMUELLER M W ， JOHNSON N ， MALIK A ， et al . Digital Footprints： Using Wi-Fi Probe and Locational Data to Analyze Human Mobility Trajectories in Cities ［J］. Computers， Environment and Urban Systems ， 2018 ， 72 ： 4 - 12 .

YAO H ， XIONG M Z ， ZENG D Z ， et al . Mining Multiple Spatial-Temporal Paths from Social Media Data ［J］. Future Generation Computer Systems ， 2018 ， 87 ： 782 - 791 .

PAN G ， QI G D ， ZHANG W S ， et al . Trace Analysis and Mining for Smart Cities： Issues， Methods， and Applications ［J］. IEEE Communications Magazine ， 2013 ， 51 （ 6 ）： 120 - 126 .

WANG H H ， HUANG H ， NI X Y ， et al . Revealing Spatial-Temporal Characteristics and Patterns of Urban Travel： A Large-Scale Analysis and Visualization Study with Taxi GPS Data ［J］. ISPRS International Journal of Geo⁃Information ， 2019 ， 8 （ 6 ）： 257 .

Lee W C ， Krumm J . Trajectory Preprocessing ［M］. New York ： Springer ， 2011 .

吴华意，黄蕊，游兰，等 . 出租车轨迹数据挖掘进展［J］. 测绘学报， 2019 ， 48 （ 11 ）： 1341 - 1356 .

WU Huayi ， HUANG Rui ， YOU Lan ， et al . Recent Progress in Taxi Trajectory Data Mining ［J］. Acta Geodaetica et Cartographica Sinica ， 2019 ， 48 （ 11 ）： 1341 - 1356 .

BAO F Z ， SUN X Y ， LUO W L ， et al . Efficient Semantic Enrichment Process for Human Trajectories in Surveillance Videos ［C］// The 6th International Conference on Behavioral， Economic and Socio-Cultural Computing （BESC）， Beijing， China ， 2019 .

龙瀛，张宇，崔承印 . 利用公交刷卡数据分析北京职住关系和通勤出行［J］. 地理学报， 2012 ， 67 （ 10 ）： 1339 - 1352 .

LONG Ying ， ZHANG Yu ， CUI Chengyin . Identifying Commuting Pattern of Beijing Using Bus Smart Card Data ［J］. Acta Geographica Sinica ， 2012 ， 67 （ 10 ）： 1339 - 1352 .

HUANG J ， LEVINSON D ， WANG J E ， et al . Tracking Job and Housing Dynamics with Smartcard Data ［J］. Proceedings of the National Academy of Sciences of the United States of America ， 2018 ， 115 （ 50 ）： 12710 - 12715 .

胡秋实，李锐，吴华意，等 . 顾及城市场景变化的人口分析单元表达［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 10 ）： 1788 - 1799 .

HU Qiushi ， LI Rui ， WU Huayi ， et al . Population Analysis Unit Expression Considering Urban Scene Changes ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 10 ）： 1788 - 1799 .

PAPPALARDO L ， SIMINI F ， BARLACCHI G ， et al . Scikit-Mobility： A Python Library for the Analysis， Generation and Risk Assessment of Mobility Data ［EB/OL］.（ 2019-11-01 ）［ 2024-01-05 ］. https：//arxiv.org/abs/1907.07062v6 https://arxiv.org/abs/1907.07062v6 ， 2019 .

YU Q ， YUAN J . TransBigData： A Python Package for Transportation Spatiotemporal Big Data Processing， Analysis and Visualization ［J］. The Journal of Open Source Software ， 2022 ， 7 （ 71 ）： 4021 .

MARTIN H ， HONG Y ， WIEDEMANN N ， et al . Trackintel： An Open-Source Python Library for Human Mobility Analysis ［J］. Computers， Environment and Urban Systems ， 2023 ， 101 ： 101938 .

YUE Y ， WANG H D ， HU B ， et al . Exploratory Calibration of a Spatial Interaction Model Using Taxi GPS Trajectories ［J］. Computers， Environment and Urban Systems ， 2012 ， 36 （ 2 ）： 140 - 153 .

LU S W ， SHAW S L ， FANG Z X ， et al . Exploring the Effects of Sampling Locations for Calibrating the Huff Model Using Mobile Phone Location Data ［J］. Sustainability ， 2017 ， 9 （ 1 ）： 159 .

LI Z L ， NING H ， JING F R ， et al . Understanding the Bias of Mobile Location Data Across Spatial Scales and over Time： A Comprehensive Analysis of SafeGraph Data in the United States ［J］. PLoS One ， 2024 ， 19 （ 1 ）： e0294430 .

PETUTSCHNIG A ， ALBRECHT J ， RESCH B ， et al . Commuter Mobility Patterns in Social Media： Correlating Twitter and LODES Data ［J］. ISPRS International Journal of Geo⁃Information ， 2022 ， 11 （ 1 ）： 15 .

de MONTJOYE Y A ， HIDALGO C A ， VERLEYSEN M ， et al . Unique in the Crowd： The Privacy Bounds of Human Mobility ［J］. Scientific Reports ， 2013 ， 3 ： 1376 .

ABUL O ， BONCHI F ， NANNI M . Never Walk Alone： Uncertainty for Anonymity in Moving Objects Databases ［C］// IEEE 24th International Conference on Data Engineering ， Cancun， Mexico ， 2008 .

YAO L ， WANG X Y ， WANG X ， et al . Publishing Sensitive Trajectory Data Under Enhanced L-Diversity Model ［C］// The 20th IEEE International Conference on Mobile Data Management （MDM）， Hong Kong， China ， 2019 .

CHEN R ， FUNG B C M ， DESAI B C ， et al . Differentially Private Transit Data Publication： A Case Study on the Montreal Transportation System ［C］// The 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ， Beijing， China ， 2012 .

AL-HUSSAENI K ， FUNG B C M ， IQBAL F ， et al . SafePath： Differentially-Private Publishing of Passenger Trajectories in Transportation Systems ［J］. Computer Networks ， 2018 ， 143 ： 126 - 139 .

RAO J M ， GAO S ， ZHU S J . CATS： Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches ［J］. International Journal of Geographical Information Science ， 2023 ， 37 （ 12 ）： 2538 - 2574 .

WANG H D ， ZHANG Q Z ， WU Y C ， et al . Synthesizing Human Trajectories Based on Variational Point Processes ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2024 ， 36 （ 4 ）： 1785 - 1799 .

Zhu Y ， Ye Y ， Zhang S ， et al . DiffTraj： Generating GPS Trajectory with Diffusion Probabilistic Model ［C］// The 37th Conference on Neural Information Processing Systems ， New Orleans， United States ， 2023 .

YAO Z J ， FU Y J ， LIU B ， et al . Representing Urban Functions Through Zone Embedding with Human Mobility Patterns ［C］// The 27th International Joint Conference on Artificial Intelligence ， Stockholm， Sweden ， 2018 .

KANG C G ， MA X J ， TONG D Q ， et al . Intra-Urban Human Mobility Patterns： An Urban Morphology Perspective ［J］. Physica A： Statistical Mechanics and Its Applications ， 2012 ， 391 （ 4 ）： 1702 - 1717 .

李杰文，康朝贵 . 一种基于时空棱柱的乘车行程可拼性判断模型［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 9 ）： 1702 - 1711 .

LI Jiewen ， KANG Chaogui . A Ridesharing Model Based on Space-Time Prism for Shared Mobility ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 9 ）： 1702 - 1711 .

ZHU X ， GUO D S . Mapping Large Spatial Flow Data with Hierarchical Clustering ［J］. Transactions in GIS ， 2014 ， 18 （ 3 ）： 421 - 435 .

XU J ， LIU J ， XU Y ， et al . Identification of Spatial and Functional Interactions in Beijing Based on Trajectory Data ［J］. Applied Geography ， 2022 ， 145 ： 102744 .

CHEN Y M ， LIU X P ， LI X ， et al . Delineating Urban Functional Areas with Building-Level Social Media Data： A Dynamic Time Warping （DTW） Distance Based K -Medoids Method ［J］. Landscape and Urban Planning ， 2017 ， 160 ： 48 - 60 .

FANG Z X ， YANG X P ， XU Y ， et al . Spatiotemporal Model for Assessing the Stability of Urban Human Convergence and Divergence Patterns ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 11 ）： 2119 - 2141 .

XING X Y ， YUAN Y H ， HUANG Z ， et al . Flow Trace： A Novel Representation of Intra-Urban Movement Dynamics ［J］. Computers， Environment and Urban Systems ， 2022 ， 96 ： 101832 .

YANG X P ， ZHAO Z Y ， LU S W . Exploring Spatial-Temporal Patterns of Urban Human Mobility Hotspots ［J］. Sustainability ， 2016 ， 8 （ 7 ）： 674 .

ZHANG S Q ， YANG Y ， ZHEN F ， et al . Exploring Temporal Activity Patterns of Urban Areas Using Aggregated Network-Driven Mobile Phone Data： A Case Study of Wuhun， China ［J］. Chinese Geographical Science ， 2020 ， 30 （ 4 ）： 695 - 709 .

BIN ASAD K M ， YUAN Y H . The Impact of Scale on Extracting Urban Mobility Patterns Using Texture Analysis ［J］. Computational Urban Science ， 2023 ， 3 （ 1 ）： 33 .

XU Y ， BELYI A ， BOJIC I ， et al . Human Mobility and Socioeconomic Status： Analysis of Singapore and Boston ［J］. Computers， Environment and Urban Systems ， 2018 ， 72 ： 51 - 67 .

MORO E ， CALACCI D ， DONG X W ， et al . Mobility Patterns Are Associated with Experienced Income Segregation in Large US Cities ［J］. Nature Communications ， 2021 ， 12 ： 4633 .

LI D ， LIU J M . Uncovering the Relationship Between Point-of-Interests-Related Human Mobility and Socioeconomic Status ［J］. Telematics and Informatics ， 2019 ， 39 ： 49 - 63 .

GAO Y ， CHENG J ， MENG H H ， et al . Measuring Spatiotemporal Autocorrelation in Time Series Data of Collective Human Mobility ［J］. Geo⁃spatial Information Science ， 2019 ， 22 （ 3 ）： 166 - 173 .

LI X ， QIANG Y ， CERVONE G . Using Human Mobility Data to Detect Evacuation Patterns in Hurricane Ian ［J］. Annals of GIS ， 2024 ， 30 （ 4 ）： 493 - 511 .

LIU F ， BI W ， TANG J J ， et al . Understanding the Correlation Between Destination Distribution and Urban Built Environment from Taxi GPS Data ［J］. Transactions in GIS ， 2022 ， 26 （ 4 ）： 1821 - 1846 .

FANG L ， HUANG J L ， ZHANG Z Y ， et al . Data-Driven Framework for Delineating Urban Population Dynamic Patterns： Case Study on Xiamen Island， China ［J］. Sustainable Cities and Society ， 2020 ， 62 ： 102365 .

REN Z ， SEIPEL S ， JIANG B . A Topology-Based Approach to Identifying Urban Centers in America Using Multi-Source Geospatial Big Data ［J］. Computers， Environment and Urban Systems ， 2024 ， 107 ： 102045 .

YANG X P ， FANG Z X ， XU Y ， et al . Understanding Spatiotemporal Patterns of Human Convergence and Divergence Using Mobile Phone Location Data ［J］. ISPRS International Journal of Geo⁃Information ， 2016 ， 5 （ 10 ）： 177 .

CAI L ， XU J ， LIU J ， et al . Sensing Multiple Semantics of Urban Space from Crowdsourcing Positioning Data ［J］. Cities ， 2019 ， 93 ： 31 - 42 .

YANG X P ， FANG Z X ， YIN L ， et al . Revealing the Relationship of Human Convergence–Divergence Patterns and Land Use： A Case Study on Shenzhen City， China ［J］. Cities ， 2019 ， 95 ： 102384 .

GUO B Y ， PEI T ， SONG C ， et al . Trend Surface Analysis of Geographic Flows ［J］. International Journal of Geographical Information Science ， 2023 ， 37 （ 1 ）： 118 - 137 .

GRAELLS-GARRIDO E ， SERRA-BURRIEL F ， ROWE F ， et al . A City of Cities： Measuring how 15-Minutes Urban Accessibility Shapes Human Mobility in Barcelona ［J］. PLoS One ， 2021 ， 16 （ 5 ）： e0250080 .

ŠVEDA M ， MADAJOVÁ M S . Estimating Distance Decay of Intra-Urban Trips Using Mobile Phone Data： The Case of Bratislava， Slovakia ［J］. Journal of Transport Geography ， 2023 ， 107 ： 103552 .

HUANG W ， XU S S ， YAN Y W ， et al . An Exploration of the Interaction Between Urban Human Activities and Daily Traffic Conditions： A Case Study of Toronto， Canada ［J］. Cities ， 2019 ， 84 ： 8 - 22 .

GUO P ， SUN Y L ， CHEN Q Y ， et al . The Impact of Rainfall on Urban Human Mobility from Taxi GPS Data ［J］. Sustainability ， 2022 ， 14 （ 15 ）： 9355 .

BARBOSA H ， HAZARIE S ， DICKINSON B ， et al . Uncovering the Socioeconomic Facets of Human Mobility ［J］. Scientific Reports ， 2021 ， 11 （ 1 ）： 8616 .

LOBSANG T ， ZHEN F ， ZHANG S Q ， et al . Methodological Framework for Understanding Urban People Flow from a Complex Network Perspective ［J］. Journal of Urban Planning and Development ， 2021 ， 147 （ 3 ）： 04021020 .

ZHANG M Y ， HUANG T ， GUO Z X ， et al . Complex-Network-Based Traffic Network Analysis and Dynamics： A Comprehensive Review ［J］. Physica A： Statistical Mechanics and Its Applications ， 2022 ， 607 ： 128063 .

ZHANG G L ， JIA H F ， YANG L L ， et al . Research on a Model of Node and Path Selection for Traffic Network Congestion Evacuation Based on Complex Network Theory ［J］. IEEE Access ， 2019 ， 8 ： 7506 - 7517 .

WEI L ， LUO Y ， WANG M ， et al . Multiscale Identification of Urban Functional Polycentricity for Planning Implications： An Integrated Approach Using Geo-Big Transport Data and Complex Network Modeling ［J］. Habitat International ， 2020 ， 97 ： 102134 .

LIU X ， GONG L ， GONG Y X ， et al . Revealing Travel Patterns and City Structure with Taxi Trip Data ［J］. Journal of Transport Geography ， 2015 ， 43 ： 78 - 90 .

CAI J ， LI R ， LIU Z H ， et al . Quantifying Spatial Interaction Centrality in Urban Population Mobility：A Mobility Feature- and Network Topology-Based Locational Measure ［J］. Sustainable Cities and Society ， 2024 ， 114 ： 105769 .

HSU C W ， LIU C Y ， NGUYEN K M ， et al . Do Human Mobility Network Analyses Produced from Different Location-Based Data Sources Yield Similar Results Across Scales？［J］. Computers， Environment and Urban Systems ， 2024 ， 107 ： 102052 .

FORTUNATO S . Community Detection in Graphs ［J］. Physics Reports ， 2010 ， 486 （ 3/4/5 ）： 75 - 174 .

YANG X P ， FANG Z X ， YIN L ， et al . Understanding the Spatial Structure of Urban Commuting Using Mobile Phone Location Data： A Case Study of Shenzhen， China ［J］. Sustainability ， 2018 ， 10 （ 5 ）： 1435 .

WU C ， SMITH D ， WANG M S . Simulating the Urban Spatial Structure with Spatial Interaction： A Case Study of Urban Polycentricity Under Different Scenarios ［J］. Computers， Environment and Urban Systems ， 2021 ， 89 ： 101677 .

HU Q S ， LI R ， WU H Y ， et al . Construction of a Refined Population Analysis Unit Based on Urban Forms and Population Aggregation Patterns ［J］. International Journal of Digital Earth ， 2022 ， 15 （ 1 ）： 79 - 107 .

LIU Y ， WANG F H ， XIAO Y ， et al . Urban Land Uses and Traffic ‘Source-Sink Areas’： Evidence from GPS-Enabled Taxi Data in Shanghai ［J］. Landscape and Urban Planning ， 2012 ， 106 （ 1 ）： 73 - 87 .

HU S ， GAO S ， WU L ， et al . Urban Function Classification at Road Segment Level Using Taxi Trajectory Data： A Graph Convolutional Neural Network Approach ［J］. Computers， Environment and Urban Systems ， 2021 ， 87 ： 101619 .

HU J J ， GAO Y ， WANG X C ， et al . Recognizing Mixed Urban Functions from Human Activities Using Representation Learning Methods ［J］. International Journal of Digital Earth ， 2023 ， 16 （ 1 ）： 289 - 307 .

ZHANG B W ， ZHONG C ， GAO Q L ， et al . Delineating Urban Functional Zones Using Mobile Phone Data： A Case Study of Cross-Boundary Integration in Shenzhen-Dongguan-Huizhou Area ［J］. Computers， Environment and Urban Systems ， 2022 ， 98 ： 101872 .

TU W ， ZHU T T ， ZHONG C ， et al . Exploring Metro Vibrancy and Its Relationship with Built Environment： A Cross-City Comparison Using Multi-Source Urban Data ［J］. Geo⁃spatial Information Science ， 2022 ， 25 （ 2 ）： 182 - 196 .

GAO F ， DENG X D ， LIAO S Y ， et al . Portraying Business District Vibrancy with Mobile Phone Data and Optimal Parameters-Based Geographical Detector Model ［J］. Sustainable Cities and Society ， 2023 ， 96 ： 104635 .

SASABE M ， FUJII K ， KASAHARA S . Road Network Risk Analysis Considering People Flow Under Ordinary and Evacuation Situations ［J］. Environment and Planning B： Urban Analytics and City Science ， 2020 ， 47 （ 5 ）： 759 - 774 .

LIU Z ， WU J ， LI H ， et al . Spatiotemporal Analysis of Urban Economic Resilience During COVID-19 with Multilayer Complex Networks ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， 2023 ， XLVIII-1/ W2 - 2023 ： 361 - 368 .

WANG X ， CHEN J ， PEI T ， et al . I -Index for Quantifying an Urban Location’s Irreplaceability ［J］. Computers， Environment and Urban Systems ， 2021 ， 90 ： 101711 .

ZIPF G K . The P1 P 2 /D Hypothesis： On the Intercity Movement of Persons ［J］. American Sociological Review ， 1946 ， 11 （ 6 ）： 677 .

WILSON A G . A Statistical Theory of Spatial Distribution Models ［J］. Transportation Research ， 1967 ， 1 （ 3 ）： 253 - 269 .

STOUFFER S A . Intervening Opportunities： A Theory Relating Mobility and Distance ［J］. American Sociological Review ， 1940 ， 5 （ 6 ）： 845 .

SIMINI F ， GONZÁLEZ M C ， MARITAN A ， et al . A Universal Model for Mobility and Migration Patterns ［J］. Nature ， 2012 ， 484 （ 7392 ）： 96 - 100 .

YAN X Y ， ZHAO C ， FAN Y ， et al . Universal Predictability of Mobility Patterns in Cities ［J］. Journal of the Royal Society Interface ， 2014 ， 11 （ 100 ）： 20140834 .

LIU E J ， YAN X Y . New Parameter-Free Mobility Model： Opportunity Priority Selection Model ［J］. Physica A： Statistical Mechanics and Its Applications ， 2019 ， 526 ： 121023 .

LIU E J ， YAN X Y . A Universal Opportunity Model for Human Mobility ［J］. Scientific Reports ， 2020 ， 10 ： 4657 .

REN M Y ， LIN Y Y ， JIN M H ， et al . Examining the Effect of Land-Use Function Complementarity on Intra-Urban Spatial Interactions Using Metro Smart Card Records ［J］. Transportation ， 2020 ， 47 （ 4 ）： 1607 - 1629 .

YANG Y X ， HERRERA C ， EAGLE N ， et al . Limits of Predictability in Commuting Flows in the Absence of Data for Calibration ［J］. Scientific Reports ， 2014 ， 4 ： 5662 .

LENORMAND M ， BASSOLAS A ， RAMASCO J J . Systematic Comparison of Trip Distribution Laws and Models ［J］. Journal of Transport Geography ， 2016 ， 51 ： 158 - 169 .

LUCA M ， BARLACCHI G ， LEPRI B ， et al . A Survey on Deep Learning for Human Mobility ［J］. ACM Computing Surveys ， 2023 ， 55 （ 1 ）： 1 - 44 .

LEE S ， FAMBRO D B . Application of Subset Autoregressive Integrated Moving Average Model for Short-Term Freeway Traffic Volume Forecasting ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 1999 ， 1678 （ 1 ）： 179 - 188 .

KAMARIANAKIS Y ， PRASTACOS P . Forecasting Traffic Flow Conditions in an Urban Network： Comparison of Multivariate and Univariate Approaches ［J］. Transportation Research Record：Journal of the Transportation Research Board ， 2003 ， 1857 （ 1 ）： 74 - 84 .

KAMARIANAKIS Y ， PRASTACOS P . Space–Time Modeling of Traffic Flow ［J］. Computers & Geosciences ， 2005 ， 31 （ 2 ）： 119 - 133 .

ZHANG J B ， ZHENG Y ， QI D K . Deep Spatio-temporal Residual Networks for Citywide Crowd Flows Prediction ［C］// The AAAI Conference on Artificial Intelligence ， San Francisco， USA ， 2017 .

JIN W W ， LIN Y F ， WU Z H ， et al . Spatiotemporal Recurrent Convolutional Networks for Citywide Short-Term Crowd Flows Prediction ［C］// The 2nd International Conference on Compute and Data Analysis ， DeKalb， IL， USA， 2018 .

ZONOOZI A ， KIM J J ， LI X L ， et al . Periodic-CRN： A Convolutional Recurrent Model for Crowd Density Prediction with Recurring Periodic Patterns ［C］// The 27th International Joint Conference on Artificial Intelligence ， Stockholm， Sweden ， 2018 .

ZHOU Y R ， CHEN H ， LI J ， et al . ST-Attn： Spatial-Temporal Attention Mechanism for Multi-Step Citywide Crowd Flow Prediction ［C］// International Conference on Data Mining Workshops （ICDMW）， Beijing， China ， 2019 .

SUN J K ， ZHANG J B ， LI Q F ， et al . Predicting Citywide Crowd Flows in Irregular Regions Using Multi-View Graph Convolutional Networks ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2022 ， 34 （ 5 ）： 2348 - 2359 .

LUO C ， CAI R S ， GUO H Z ， et al . MG-ASTN： Multigraph Framework with Attentive Spatial–Temporal Networks for Crowd Mobility Prediction ［J］. IEEE Internet of Things Journal ， 2023 ， 10 （ 21 ）： 19054 - 19061 .

FISCHER M ， GOPAL S . Artificial Neural Networks： A New Approach to Modeling Interregional Telecommunication Flows ［J］. Journal of Regional Science ， 2000 ， 34 ： 503 - 527 .

BLACK W R . Spatial Interaction Modeling Using Artificial Neural Networks ［J］. Journal of Transport Geography ， 1995 ， 3 （ 3 ）： 159 - 166 .

MORTON A ， PIBURN J ， NAGLE N . Need a Boost？ A Comparison of Traditional Commuting Models with the XGBoost Model for Predicting Commuting Flows （Short Paper）［C］// International Conference Geographic Information Science ， Melbourne， Australia ， 2018 .

SIMINI F ， BARLACCHI G ， LUCA M ， et al . A Deep Gravity Model for Mobility Flows Generation ［J］. Nature Communications ， 2021 ， 12 ： 6576 .

LIU Z C ， MIRANDA F ， XIONG W T ， et al . Learning Geo-Contextual Embeddings for Commuting Flow Prediction ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2020 ， 34 （ 1 ）： 808 - 816 .

RONG C ， LI T ， FENG J ， et al . Inferring Origin-Destination Flows from Population Distribution ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2023 ， 35 （ 1 ）： 603 - 613 .

MAURO G ， LUCA M ， LONGA A ， et al . Generating Mobility Networks with Generative Adversarial Networks ［J］. EPJ Data Science ， 2022 ， 11 （ 1 ）： 58 .

YIN G M ， HUANG Z ， BAO Y ， et al . ConvGCN-RF： A Hybrid Learning Model for Commuting Flow Prediction Considering Geographical Semantics and Neighborhood Effects ［J］. GeoInformatica ， 2023 ， 27 （ 2 ）： 137 - 157 .

RONG C ， FENG J ， DING J T . GODDAG：Generating Origin-Destination Flow for New Cities via Domain Adversarial Training ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2023 ， 35 （ 10 ）： 10048 - 10057 .

PAPPALARDO L ， BARLACCHI G ， PELLUNGRINI R ， et al . Human Mobility from Theory to Practice： Data， Models and Applications ［C］// The 2019 World Wide Web Conference ， San Francisco， USA ， 2019 .

郑宇 . 城市感知体系［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 10 ）： 1770 - 1787 .

ZHENG Yu . Urban Sensing Systems ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 10 ）： 1770 - 1787 .

何建华，覃荣诺，丁愫，等 . 基于乡村宜居性和人口流动网络特征的农村居民点重构［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 3 ）： 402 - 409 .

HE Jianhua ， QIN Rongnuo ， DING Su ， et al . Reconstruction of Rural Settlement Based on the Characteristics of Livability and Population Flow Network ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 3 ）： 402 - 409 .

刘耀林，方飞国，王一恒 . 基于手机数据的城市内部就业人口流动特征及形成机制分析：以武汉市为例［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 12 ）： 2212 - 2224 .

LIU Yaolin ， FANG Feiguo ， WANG Yiheng . Characteristics and Formation Mechanism of Intra-Urban Employment Flows Based on Mobile Phone Data—Taking Wuhan City as an Example ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 12 ）： 2212 - 2224 .

NIE W P ， CAI S M ， ZHAO Z D ， et al . Examining the Impact of Urban-Rural Spatial Structure on Mobility Networks： A Case Study of Taxis ［J］. Cities ， 2023 ， 141 ： 104512 .

BASSOLAS A ， BARBOSA-FILHO H ， DICKINSON B ， et al . Hierarchical Organization of Urban Mobility and Its Connection with City Livability ［J］. Nature Communications ， 2019 ， 10 ： 4817 .

LONG Y ， HAN H Y ， TU Y C ， et al . Evaluating the Effectiveness of Urban Growth Boundaries Using Human Mobility and Activity Records ［J］. Cities ， 2015 ， 46 ： 76 - 84 .

LIU X ， KANG C G ， GONG L ， et al . Incorporating Spatial Interaction Patterns in Classifying and Understanding Urban Land Use ［J］. International Journal of Geographical Information Science ， 2016 ， 30 （ 2 ）： 334 - 350 .

ZHONG C ， ARISONA S M ， HUANG X F ， et al . Detecting the Dynamics of Urban Structure Through Spatial Network Analysis ［J］. International Journal of Geographical Information Science ， 2014 ， 28 （ 11 ）： 2178 - 2199 .

ZHANG S ， LIU X ， TANG J J ， et al . Urban Spatial Structure and Travel Patterns： Analysis of Workday and Holiday Travel Using Inhomogeneous Poisson Point Process Models ［J］. Computers， Environment and Urban Systems ， 2019 ， 73 ： 68 - 84 .

WANG N ， DU Y Y ， LIANG F Y ， et al . Disentangling Relations Between Dynamic Urban Structure and Its Efficiency in 287 Cities Across China ［J］. Sustainable Cities and Society ， 2023 ， 99 ： 104879 .

RÍOS S A ， MUÑOZ R . Land Use Detection with Cell Phone Data Using Topic Models： Case Santiago， Chile ［J］. Computers， Environment and Urban Systems ， 2017 ， 61 ： 39 - 48 .

NIU N ， LIU X P ， JIN H ， et al . Integrating Multi-Source Big Data to Infer Building Functions ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 9 ）： 1871 - 1890 .

CHOI J ， NO W ， PARK M ， et al . Inferring Land Use from Spatialtemporal Taxi Ride Data ［J］. Applied Geography ， 2022 ， 142 ： 102688 .

TOOLE J L ， ULM M ， GONZÁLEZ M C ， et al . Inferring Land Use from Mobile Phone Activity ［C］// The ACM SIGKDD International Workshop on Urban Computing ， Beijing， China ， 2012 .

PEI T ， SOBOLEVSKY S ， RATTI C ， et al . A New Insight into Land Use Classification Based on Aggregated Mobile Phone Data ［J］. International Journal of Geographical Information Science ， 2014 ， 28 （ 9 ）： 1988 - 2007 .

YUE Y ， ZHUANG Y ， YEH A G O ， et al . Measurements of POI-Based Mixed Use and Their Relationships with Neighbourhood Vibrancy ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 4 ）： 658 - 675 .

闫小勇 . 超越引力定律：空间交互和出行分布预测理论与方法［M］. 北京：科学出版社， 2019 .

YAN Xiaoyong . Transcending the Law of Gravity： Theory and Method of Spatial Interaction and Travel Distribution Prediction ［M］. Beijing ： Science Press ， 2019 .

闫小勇 . 空间交互网络研究进展［J］. 科技导报， 2017 ， 35 （ 14 ）： 15 - 22 .

YAN Xiaoyong . Advances in Modeling Spatial Interaction Network ［J］. Science & Technology Review ， 2017 ， 35 （ 14 ）： 15 - 22 .

LIANG Y X ， OUYANG K ， SUN J K ， et al . Fine-Grained Urban Flow Prediction ［C］// The Web Conference 2021 ， Ljubljana， Slovenia ， 2021 .

PERTENCE A A F G M ， MINI R A F ， MARQUES-NETO H T . Vulnerability Analysis of the Urban Transport System in the Context of Smart Cities ［C］// 2020 IEEE International Smart Cities Conference ， Piscataway， NJ， USA， 2020 .

QU Z W ， WANG X ， SONG X M ， et al . Location Optimization for Urban Taxi Stands Based on Taxi GPS Trajectory Big Data ［J］. IEEE Access ， 2019 ， 7 ： 62273 - 62283 .

XU Y Y ， GONZÁLEZ M C . Collective Benefits in Traffic During Mega Event s via the Use of Information Technologies ［J］. Journal of the Royal Society Interface ， 2017 ， 14 （ 129 ）： 20161041 .

JIANG P ， LIU Z K ， ZHANG L F ， et al . Advanced Traffic Congestion Early Warning System Based on Traffic Flow Forecasting and Extenics Evaluation ［J］. Applied Soft Computing ， 2022 ， 118 ： 108544 .

CHI D K ， AERTS R ， VAN NIEUWENHUYSE A ， et al . Residential Exposure to Urban Trees and Medication Sales for Mood Disorders and Cardiovascular Disease in Brussels， Belgium： An Ecological Study ［J］. Environmental Health Perspectives ， 2022 ， 130 （ 5 ）： 057003 .

NEWMAN P ， MATAN A . Human Mobility and Human Health ［J］. Current Opinion in Environmental Sustainability ， 2012 ， 4 （ 4 ）： 420 - 426 .

SCHLINK U ， STREBEL K ， LOOS M ， et al . Evaluation of Human Mobility Models， for Exposure to Air Pollutants ［J］. Science of the Total Environment ， 2010 ， 408 （ 18 ）： 3918 - 3930 .

PARK Y M ， KWAN M P . Individual Exposure Estimates May Be Erroneous when Spatiotemporal Variability of Air Pollution and Human Mobility Are Ignored ［J］. Health & Place ， 2017 ， 43 ： 85 - 94 .

SONG Y M ， HUANG B ， CAI J X ， et al . Dynamic Assessments of Population Exposure to Urban Greenspace Using Multi-Source Big Data ［J］. Science of the Total Environment ， 2018 ， 634 ： 1315 - 1325 .

SONG Y M ， CHEN B ， HO H C ， et al . Observed Inequality in Urban Greenspace Exposure in China ［J］. Environment International ， 2021 ， 156 ： 106778 .

HEINE C ， O’KEEFFE K P ， SANTI P ， et al . Travel Distance， Frequency of Return， and the Spread of Disease ［J］. Scientific Reports ， 2023 ， 13 ： 14064 .

HU T ， WANG S Q ， SHE B ， et al . Human Mobility Data in the COVID-19 Pandemic： Characteristics， Applications， and Challenges ［J］. International Journal of Digital Earth ， 2021 ， 14 （ 9 ）： 1126 - 1147 .

CHANGRUENNGAM S ， BICOUT D J ， MODCHANG C . How the Individual Human Mobility Spatiotemporally Shapes the Disease Transmission Dynamics ［J］. Scientific Reports ， 2020 ， 10 ： 11325 .

WANG H T ， GHOSH A ， DING J X ， et al . Heterogeneous Interventions Reduce the Spread of COVID-19 in Simulations on Real Mobility Data ［J］. Scientific Reports ， 2021 ， 11 ： 7809 .

钟雷洋，周颖，高松，等 . 突发公共卫生事件下的人口流动模式变化识别［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 7 ）： 1237 - 1249 .

ZHONG Leiyang ， ZHOU Ying ， GAO Song ， et al . Identifying Human Mobility Patterns Changes During Public Health Emergencies ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 7 ）： 1237 - 1249 .

HUANG Q ， LIU Q Y ， SONG C ， et al . Urban Spatial Epidemic Simulation Model： A Case Study of the Second COVID-19 Outbreak in Beijing， China ［J］. Transactions in GIS ， 2022 ， 26 （ 1 ）： 297 - 316 .

HUANG Z R ， WANG P ， ZHANG F ， et al . A Mobility Network Approach to Identify and Anticipate Large Crowd Gatherings ［J］. Transportation Research Part B： Methodological ， 2018 ， 114 ： 147 - 170 .

LIU X Y ， YANG S N ， YE T ， et al . A New Approach to Estimating Flood-Affected Populations by Combining Mobility Patterns with Multi-Source Data： A Case Study of Wuhan， China ［J］. International Journal of Disaster Risk Reduction ， 2021 ， 55 ： 102106 .

WANG R X ， WANG Y ， LI N . Revealing Disaster Dynamics and Disparities in Urban Facility Accessibility Using an Improved Utilization-Based Metric ［J］. Cities ， 2024 ， 144 ： 104636 .

XIA J ， LI R ， LIU X R ， et al . Scale Effects-Aware Bottom-up Population Estimation Using Weakly Supervised Learning ［J］. International Journal of Digital Earth ， 2024 ， 17 （ 1 ）： 2341788 .

DONG G S ， LI R ， WU H Y ， et al . Learning the Spatial Co-Occurrence for Browsing Interests Extraction of Domain Users on Public Map Service Platforms ［J］. Geo⁃spatial Information Science ， 2024 ， 27 （ 2 ）： 455 - 474 .

Zhou J ， Pei H ， Wu H . Early Warning of Human Crowds Based on Query Data from Baidu Maps： Analysis Based on Shanghai Stampede ［M］//Shen Zhenjiang，Li Miaoyi. Big Data Support of Urban Planning and Management： The Experience in China . Cham ： 2018 .

HU Q S ， LI R ， YANG X R ， et al . Multi-Scale Population Analysis Unit Construction Method Considering Scene Feature Variability and Long/Short-Term Patterns in Spatiotemporal Population Activities ［J］. International Journal of Digital Earth ， 2024 ， 17 （ 1 ）： 2358850 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一等水准成果构建的中国大陆垂直运动模型研究

星载温室气体激光雷达技术发展与展望

土壤水分机器学习遥感反演：进展与挑战

面向类脑空间智能的多模态大模型空间认知能力评估框架

复杂空间机器人自主测绘的现状与挑战