Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (9): 100-110     https://doi.org/10.11925/infotech.2096-3467.2020.0104
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于演化分析的动态城市画像研究*
叶光辉(),徐彤
华中师范大学信息管理学院 武汉 430079
Dynamic City Profile Based on Evolutionary Analysis
Ye Guanghui(),Xu Tong
School of Information Management, Central China Normal University, Wuhan 430079, China
全文: PDF (1001 KB)   HTML ( 6
输出: BibTeX | EndNote (RIS)      
摘要 

目的】 基于公众对城市的认知数据,从更长时段揭示城市特征的迁移过程,感知城市画像演化规律。【方法】 以旅游产业作为揭示城市画像的分面,采集社交媒介中大量游记文本,借鉴网络分析以及文本分析方法,探究城市画像演化路径与动力。【结果】 就个体特征而言,景点旅游功能逐渐呈现出多级分化趋势;群体特征则表现为在旅游网络中社团结构愈发稳定与固化;此外,依据相关性研究得知,城市画像的动态演化与景点之间的地理距离为负相关关系,但其与景点主题之间为正相关关系,表明景点主题对城市画像动态演化影响更为显著。【局限】 部分属性数据未得到充分利用,有待结合其他文本挖掘方法,以实现更进一步的城市数据分析与城市画像探索工作。【结论】 本文研究有效揭示城市画像动态演进过程,为政府及行业相关举措的规划与实施提供参考。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
叶光辉
徐彤
关键词 城市画像演化分析网络分析    
Abstract

[Objective] This paper reveals the changing of urban characteristics, aiming to describe the evolution of urban profiles.[Methods] We collected tourism data from social media, and used network analysis to exploring the evolution and driving forces of urban profiles.[Results] The tourism functions of scenic places were more multi-polarized, while the community structure of tourism network was more stable. The theme of scenic places posed positive impacts on the dynamic evolution of urban profile while the geographical distance among places of interest left negative impacts.[Limitations] More research is needed to extract extra insights from the collected data.[Conclusions] Our study effectively reveals the dynamic evolution of urban profiles, which benefits the urban planning process.

Key wordsCity Profile    Evolution Analysis    Network Analysis
收稿日期: 2020-02-17      出版日期: 2020-06-17
ZTFLH:  TP391  
基金资助:*本文系国家自然科学基金项目“基于标签语义挖掘的城市画像计算与应用模型研究”(71804055);中央高校基本科研业务费资助(创新资助项目)“基于时序分析的城市画像动态演化研究”的研究成果之一(2019CXZZ130)
通讯作者: 叶光辉     E-mail: 4081@163.com
引用本文:   
叶光辉,徐彤. 基于演化分析的动态城市画像研究*[J]. 数据分析与知识发现, 2020, 4(9): 100-110.
Ye Guanghui,Xu Tong. Dynamic City Profile Based on Evolutionary Analysis. Data Analysis and Knowledge Discovery, 2020, 4(9): 100-110.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0104      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I9/100
Fig.1  城市画像动态演化分析研究框架
时间窗口 游记数 路线数 时间窗口 游记数 路线数
2018.10 85 52 2019.5 84 74
2018.11 47 41 2019.6 97 67
2018.12 101 68 2019.7 68 62
2019.1 62 48 2019.8 53 42
2019.2 102 85 2019.9 61 47
2019.3 76 62 2019.10 77 65
2019.4 98 79
Table 1  不同时间窗口城市旅游分面数据量
类型 特征
A类节点 出度与入度都很高,是网络中的热门景点,对其他旅游节点具有一定的辐射作用
B类节点 高出度、低入度,该类节点在网络中扮演发送者的角色,更有可能为旅游路线中的起点
C类节点 低出度、高入度,该类节点在网络中扮演接受者的角色,更有可能为旅游路线中的终点
D类节点 出度与入度都很低,在网络中处于边缘位置,游客到访量不高
Table 2  不同类型节点的特征
派系 规模 成员
1 18 昂坪 彩虹邨 大馆 东涌 兰桂坊 庙街 石澳 太平山 铜锣湾 湾仔 旺角 西贡 西环 香港大学 香港动植物园 油麻地 中环街区 重庆大厦
2 16 昂坪 彩虹邨 大馆 庙街 石澳 太平山 天星码头 铜锣湾 湾仔 旺角 西环 香港大学 香港动植物园 油麻地 中环街区 重庆大厦
3 19 彩虹邨 怪兽大楼 尖沙咀 弥敦道 庙街 上环街区 深水埗 石澳 太平山 天星码头 铜锣湾 湾仔 旺角 西环 香港大学 油麻地 中环半山扶梯 中环街区 重庆大厦
4 17 昂坪 彩虹邨 怪兽大楼 尖沙咀 庙街 深水埗 石澳 太平山 天星码头 铜锣湾 湾仔 旺角 西环 香港大学 油麻地 中环街区 重庆大厦
5 15 昂坪 彩虹邨 东涌 庙街 深水埗 石澳 太平山 铜锣湾 湾仔 旺角 西环 香港大学 油麻地 中环街区 重庆大厦
6 15 昂坪 彩虹邨 大馆 迪士尼乐园 庙街 石澳 太平山 天星码头 铜锣湾 湾仔 旺角 香港大学 香港动植物园 油麻地 中环街区
Table 3  2018年10月旅游路线网络派系分析(部分)
节点 关系节点 共现次数
彩虹邨 太平山;庙街 58
石澳 铜锣湾;旺角;太平山 58
油麻地 彩虹邨;中环街区;旺角;庙街 39
昂坪 太平山 36
香港大学 石澳;太平山;铜锣湾;旺角 34
天星码头 彩虹邨 33
维多利亚港 旺角;太平山 31
中环半山扶梯 彩虹邨;中环街区;旺角;铜锣湾 27
重庆大厦 中环半山扶梯;昂坪 27
Table 4  派系成员共现统计表(部分)
月份 节点 链接
2018年10月 36 1 620
2018年11月 39 1 202
2018年12月 53 2 345
2019年1月 42 1 804
2019年2月 52 2 762
2019年3月 38 1 373
2019年4月 52 2 328
2019年5月 51 1 494
2019年6月 50 1 519
2019年7月 44 1 920
2019年8月 40 960
2019年9月 36 655
2019年10月 49 866
Table 5  2018年10月-2019年10月中国香港旅游路线网络规模
Fig.2  节点类型演变图(部分)
Fig.3  旅游节点角色统计图
Fig.4  旅游路线规模
月份 路线
2018年10月 彩虹邨-太平山-庙街
2018年11月 太平山-维多利亚港
2018年12月 尖沙咀-维多利亚港-中环街区-太平山
2019年1月 太平山-维多利亚港-中环街区-中环摩天轮
2019年2月 维多利亚港-尖沙咀-星光大道
2019年3月 铜锣湾-维多利亚港-太平山
2019年4月 尖沙咀-维多利亚港
2019年5月 尖沙咀-维多利亚港
2019年6月 维多利亚港-中环街区-西环
2019年7月 尖沙咀-星光大道-维多利亚港
2019年8月 天星码头-太平山-尖沙咀
2019年9月 尖沙咀-太平山-维多利亚港
2019年10月 尖沙咀-维多利亚港-中环街区
Table 6  热门旅游路线
Fig.5  “昂坪”组织结构演化图
组织核心 组织成员 组织规模
昂坪 昂坪360;太平山;维多利亚港;尖沙咀;星光大道 6
昂坪360 昂坪 2
北潭凹 西贡;咸田湾 3
彩虹邨 尖沙咀;中环街区 3
赤径 西贡;咸田湾;西湾 4
赤柱 尖沙咀;维多利亚港;浅水湾 4
大澳 昂坪 2
大馆 太平山;维多利亚港;中环街区;旺角 5
迪士尼乐园 尖沙咀;太平山;维多利亚港 4
东涌 尖沙咀 2
怪兽大楼 彩虹邨;维多利亚港;中环街区 4
红磡 铜锣湾;油麻地;尖沙咀;维多利亚港;中环街区 6
黄大仙 维多利亚港 2
尖沙咀 维多利亚港 2
金紫荆广场 维多利亚港 2
九龙公园 尖沙咀;太平山;维多利亚港;星光大道 5
兰桂坊 尖沙咀;太平山;维多利亚港;中环街区;旺角 6
浪茄湾 西贡 2
乐华南邨 彩虹邨;太平山;旺角 4
弥敦道 尖沙咀;维多利亚港 3
Table 7  各个节点的社团结构(部分)
主题 代表性主题词
T1 香港海洋公园、海洋、乐园、喜欢、玩、天地、太、项目、企鹅、萌、东西
T2 麦理浩径、徒步、西贡、西湾、山、露营、帐篷、万宜水库、风景、沙田
T3 吃、买、排队、缆车、孩子、海洋公园、逛、迪士尼、项目
T4 拍照、街道、大澳、缆车、昂坪360、大屿山、看到、渔村、昂坪、看着
T5 香港迪士尼乐园、酒店、米奇、公主、玩、餐厅、表演、巡游、探险、旋转
T6 城市、中环、维多利亚港、电影、文化、感觉、尖沙咀、地铁、石澳、夜景
T7 中环、维多利亚港、尖沙咀、太平山顶、天星小轮、历史、维港、深水埗、购物、夜景
T8 香港会展中心、浅水湾、签名、煲仔饭、西营盘、免税、报团、梅艳芳、油麻地、会议展览
T9 店、好吃、买、推荐、味道、旺角、尖沙咀、打卡、庙街、油麻地、铜锣湾
T10 挪亚方舟、交通、彩虹邨、中环、夜景、石澳、拍照、美食、打卡、特色
T11 港币、巴士、地铁、酒店、高铁、澳门、尖沙咀、中环、码头、排队
T12 吃、真的、买、酒店、太、看到、妈妈、喜欢、好吃、胶片、味道、可能、拍摄、拍照
T13 飘摇、芭蕉、福田、美术馆、大佛、公路口岸、人工岛、免税、南丫岛、天坛大佛
Table 8  LDA主题模型挖掘出的主题以及代表性主题词
景点节点 主题
昂坪 人文景观类
北潭凹 自然风光类
彩虹邨 现代城市景观类
赤柱 人文景观类
迪士尼乐园 主题公园类
怪兽大楼 现代城市景观类
观塘 现代城市景观类
黄大仙 人文景观类
尖沙咀 现代城市景观类
金紫荆广场 人文景观类
九龙公园 主题公园类
Table 9  景点节点主题属性(部分)
月份 Obs Value Significance Average Std Dev
2018.10 0.1400 0.0010 0.0000 0.0350
2018.11 0.2790 0.0000 0.0010 0.0530
2018.12 0.2480 0.0000 -0.0010 0.0430
2019.1 0.2410 0.0000 -0.0010 0.0610
2019.2 0.1840 0.0000 0.0010 0.0400
2019.3 0.1840 0.0000 0.0000 0.0410
2019.4 0.0770 0.0660 -0.0010 0.0460
2019.5 0.2440 0.0000 0.0010 0.0430
2019.6 0.2140 0.0000 0.0000 0.0400
2019.7 0.2570 0.0000 -0.0010 0.0560
2019.8 0.1550 0.0000 0.0010 0.0460
2019.9 0.2620 0.0000 0.0000 0.0500
2019.10 0.2390 0.0000 -0.0010 0.0430
Table 10  旅游节点主题与旅游路线网络QAP相关分析结果
月份 Obs Value Significance Average Std Dev
2018.10 -0.174 0.034 -0.003 0.100
2018.11 -0.329 0.000 0.002 0.096
2018.12 -0.206 0.001 0.002 0.087
2019.1 -0.167 0.023 0.000 0.093
2019.2 -0.167 0.013 0.001 0.087
2019.3 -0.202 0.009 0.000 0.106
2019.4 -0.110 0.082 -0.001 0.078
2019.5 -0.246 0.000 0.000 0.077
2019.6 -0.232 0.000 0.000 0.072
2019.7 -0.267 0.001 -0.001 0.096
2019.8 -0.221 0.001 -0.001 0.084
2019.9 -0.311 0.000 0.001 0.092
2019.10 -0.224 0.000 -0.001 0.067
Table 11  旅游节点之间地理距离与旅游路线网络QAP相关分析结果
[1] 凯文·林奇. 城市的印象[M]. 项秉仁译. 北京: 中国建筑工业出版社, 1990.
[1] ( Lynch K. The Image of the City [M]. Translated by Xiang Bingren. Beijing: China Architecture & Building Press, 1990.)
[2] 毕崇武, 叶光辉, 李明倩, 等. 基于标签语义挖掘的城市画像感知研究[J]. 数据分析与知识发现, 2019,3(12):41-51.
[2] ( Bi Chongwu, Ye Guanghui, Li Mingqian, et al. Discovering City Profile Based on Tag Semantic Mining[J]. Data Analysis and Knowledge Discovery, 2019,3(12):41-51.)
[3] Laaksonen P, Laaksonen M, Borisov P, et al. Measuring Image of a City: A Qualitative Approach with Case Example[J]. Place Branding, 2006,2(3):210-219.
[4] Luque-Martinez T, Barrio-Garcia S D, Ibanez-ZapataJ A, et al. Modeling a City’s Image: The Case of Granada[J]. Cities, 2007,24(5):335-352.
[5] 任思源, 郭斌, 张曼, 等. 寄递大数据城市画像[J]. 浙江大学学报(工学版), 2019,53(9):1779-1787.
[5] ( Ren Siyuan, Guo Bin, Zhang Man, et al. Urban Profiling Using Express Big Data[J]. Journal of Zhejiang University(Engineering Science), 2019,53(9):1-9.)
[6] Pan Y H, Tian Y, Liu X L, et al. Urban Big Data and the Development of City Intelligence[J]. Engineering, 2016,2(2):171-178.
[7] 滕致遥. 基于时空数据的城市行为可视画像[D]. 成都: 电子科技大学, 2018.
[7] ( Teng Zhiyao. Visual Image of Urban Behavior Based on Spatiotemporal Data[D]. Chengdu: University of Electronic Science and Technology of China, 2018.)
[8] Liu L, Zhou B L, Zhao J H, et al. 2016. C-IMAGE: City Cognitive Mapping Through Geo-tagged Photos[J]. GeoJournal, 2016,81(6):817-861.
[9] 胡燕祝. 城市安全生产画像构建与应用探讨[J]. 安全, 2019,40(10):1-7,88.
[9] ( Hu Yanzhu. Discussion on the Construction and Application of Urban Safety Production Portrait[J]. Safety & Security, 2019,40(10):1-7,88.)
[10] 刘妍. 基于人群移动大数据的城市结构画像和动态感知[D]. 厦门: 厦门大学, 2018.
[10] ( Liu Yan. Sensing Urban Structure and Dynamics with Mobility Big Data[D]. Xiamen: Xiamen University, 2018.)
[11] 魏淑清. 人口与经济发展的相关性分析——基于西部11个省会城市的时序和截面数据[J]. 北方民族大学学报(哲学社会科学版), 2015(3):52-56.
[11] ( Wei Shuqing. Correlation Analysis of Population and Economic Development—Based on the Time Series and Section Data of 11 Western Provincial Capitals[J]. Journal of Beifang University of Nationalities, 2015(3):52-56.)
[12] 王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015,35(2):151-160.
[12] ( Wang Bo, Zhen Feng, Zhang Hao. The Dynamic Changes of Urban Space-time Activity and Activity Zoning Based on Check-in Data in Sina Web[J]. Scientia Geographica Sinica, 2015,35(2):151-160.)
[13] 李帅. 基于大规模快递数据的时序分析研究与实现[D]. 北京: 北京邮电大学, 2018.
[13] ( Li Shuai. Research and Implementation of Timing Analysis Based on Large Scale Express Data[D]. Beijing: Beijing University of Posts and Telecommunications, 2018.)
[14] 李文璟, 陈晨, 喻鹏, 等. 基于S-ARIMA模型的无线通信网络业务量预测方法[J]. 北京邮电大学学报, 2017,40(S1):10-14.
[14] ( Li Wenjing, Chen Chen, Yu Peng, et al. Traffic Prediction for Wireless Communication Networks Using S-ARIMA Model[J]. Journal of Beijing University of Posts and Telecommunications, 2017,40(S1):10-14.)
[15] 马超, 李纲. 基于城市大数据的城市数据画像构建[J]. 现代情报, 2019,39(8):3-9.
[15] ( Ma Chao, Li Gang. Construction of City Profile Based on Urban Big Data[J]. Journal of Modern Information, 2019,39(8):3-9.)
[16] 夏立新, 曾杰妍, 毕崇武, 等. 基于LDA主题模型的用户兴趣层级演化研究[J]. 数据分析与知识发现, 2019,3(7):1-13.
[16] ( Xia Lixin, Zeng Jieyan, Bi Chongwu, et al. Identifying Hierarchy Evolution of User Interests with LDA Topic Model[J]. Data Analysis and Knowledge Discovery, 2019,3(7):1-13.)
[17] 谢永俊, 彭霞, 黄舟, 等. 基于微博数据的北京市热点区域意象感知[J]. 地理科学进展, 2017,36(9):1099-1110.
doi: 10.18306/dlkxjz.2017.09.006
[17] ( Xie Yongjun, Peng Xia, Huang Zhou, et al. Image Perception of Beijing’s Regional Hotspots Based on Microblog Data[J]. Progress in Geography, 2017,36(9):1099-1110.)
doi: 10.18306/dlkxjz.2017.09.006
[18] 张鹏, 郑垂勇, 丘萍. 基于引力模型的国内旅游实证研究[J]. 软科学, 2008,22(9):27-30.
[18] ( Zhang Peng, Zheng Chuiyong, Qiu Ping. Empirical Study on Domestic Tourism Based on Gravity Model[J]. Soft Science, 2008,22(9):27-30.)
[1] 叶光辉,曾杰妍,胡婧岚,毕崇武. 城市画像视角下的社会公众情感演化研究*[J]. 数据分析与知识发现, 2020, 4(4): 15-26.
[2] 关鹏,王曰芬. 国内外专利网络研究进展*[J]. 数据分析与知识发现, 2020, 4(1): 26-39.
[3] 毕崇武,叶光辉,李明倩,曾杰妍. 基于标签语义挖掘的城市画像感知研究 *[J]. 数据分析与知识发现, 2019, 3(12): 41-51.
[4] 陈芬, 付希, 何源, 薛春香. 融合社会网络分析与影响力扩散模型的微博意见领袖发现研究*[J]. 数据分析与知识发现, 2018, 2(12): 60-67.
[5] 王忠义, 张鹤铭, 黄京, 李春雅. 基于社会网络分析的网络问答社区知识传播研究[J]. 数据分析与知识发现, 2018, 2(11): 80-94.
[6] 曲佳彬, 欧石燕. 基于主题过滤与主题关联的学科主题演化分析*[J]. 数据分析与知识发现, 2018, 2(1): 64-75.
[7] 李飞, 张健, 王宗水. 社会化推荐研究进展与发展趋势演化*——基于文献计量和社会网络分析的视角[J]. 数据分析与知识发现, 2017, 1(6): 22-35.
[8] 范如霞, 曾建勋, 高亚瑞玺. 基于合作网络的学者动态学术影响力模式识别研究[J]. 数据分析与知识发现, 2017, 1(4): 30-37.
[9] 王曰芬,靳嘉林. 比较分析《现代图书情报技术》近10年发文特征与发展趋势*[J]. 现代图书情报技术, 2016, 32(9): 1-16.
[10] 武慧娟,JiaTinaDu,孙鸿飞,Jannatul Fardous. 基于K-核塌缩序列的社会化资源推荐中核心用户发现研究*[J]. 现代图书情报技术, 2016, 32(9): 58-64.
[11] 吴应良, 姚怀栋, 李成安. 一种引入间接信任关系的改进协同过滤推荐算法[J]. 现代图书情报技术, 2015, 31(9): 38-45.
[12] 任妮, 周建农. 合著网络加权模式下科研团队的发现与评价研究[J]. 现代图书情报技术, 2015, 31(9): 68-75.
[13] 谭旻, 许鑫. 学术博客推荐网络的h度实证——以科学网博客为例[J]. 现代图书情报技术, 2015, 31(7-8): 31-36.
[14] 毕强, 周姗姗, 马志强, 滕广青. 面向知识关联的标签云优化机理研究*[J]. 现代图书情报技术, 2014, 30(5): 33-40.
[15] 黄微, 高俊峰, 王晨, 齐玥. 基于社会网络分析的隐性知识推送服务方法研究[J]. 现代图书情报技术, 2014, 30(2): 48-54.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn