基于大数据的城市人群数字画像：技术与实证木

ＥＸＰＬＯＦｔＡＴＩＯＮ ＯＮ ＤＩＧｌｌ．ＡＬ ＰＯＲＴＲＡＩＴ ＯＦ ＵＲＢＡＮ ＣＲＯＷＤＳ ＢＡＳＥＤ ＯＮ ＢＩＧ ＤＡｌ－Ａ

ＴＥＣＨＮＯＬＯＧＹ ＡＮＤ ＥＭＰＩＲＩＣＡＬ ＡＮＡＬＹＳＩＳ

杨俊宴金探花史宜张殉
ＹＡＮＧ Ｊｕｎｙａｎ；ＪＩＮ Ｔａｎｈｕａ；ＳＨＩ Ｙｉ；ＺＨＡＮＧ Ｘｕｎ

【摘要】伴随着中国城镇化由粗放扩张走向存量 ｔｏ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｔｈｅ ｓｐａｔｉｏ—ｔｅｍｐｏｒａｌ ｂｅｈａｖｉｏｒｓ

发展，以人的需求为出发点，重视人群需求与资 ｏｆ ｔｈｅ ｕｒｂａｎ ｃｒｏｗｄｓ．Ａｎｄ ｏｎ ｔｈｉｓ ｂａｓｉｓ，ｔｈｅ Ｐａｐｅｒ

源配置的匹配正成为当下城市研究的重要议题。 ｅｘｐｌｏｒｅｓ ｔｈｅ ｄｉｇｉｔａｌ ｐｒｏｆｉｌｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｆｒｏｍ ｔｈｅ

因此，针对当代城市中行为模式日臻多元化、个 ｔｈｒｅｅ ｄｉｍｅｎｓｉｏｎｓ ｏｆ“ｔｉｍｅ ｓｅｒｉｅｓ，ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ，

性化的人群，如何利用大数据分析等技术手段， ａｎｄ ｂｅｈａｖｉｏｒ ｐａｔｔｅｍ”，ａｎｄ ｃａｒｒｉｅｓ ｏｕｔ ａｎ ｅｍｐｉｒｉｃａｌ

识别并解析不同城市人群的时空行为模式，以 ａｎａｌｙｓｉｓ ｏｎ ｔｈｅ ｄｉｇｉｔａｌ ｃｒｏｗｄ ｐｏｒｔｒａｉｔ ｂａｓｅｄ ｏｎ

实现对城市人群的整体性刻画，正成为需要重点 ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ ｂｅｈａｖｉｏｒｓ，ＳＯ ａｓ ｔｏ ａｃｃｕｒａｔｅｌｙ

攻克的技术难题。本文试图综合利用ＬＢＳ定位数 ａｎｄ ｅｆｆｅｃｔｉｖｅｌｙ ｉｄｅｎｔｉｆｙ ｔｈｅ ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ

据、业态ＰｏＩ数据和城市用地功能数据等多源大 ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆｔｈｅ ｕｒｂａｎ ｃｒｏｗｄｓ．

数据，以及时空行为识别技术，来精准把握城市 ＫＥＹＷＯＲＤＳ：ｄｉｇｉｔａｌ ｐｏｒｔｒａｉｔ ｏｆ ｕｒｂａｎ ｃｒｏｗｄ；ｂｉｇ

人群的时空行为；并在此基础上，探索“时间序 ｄａｔａ；ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ

列、空间分布、行为模式”５个维度的数字画像
一尊露特睁蒋斟＿史时弓长署
构建技术，最终形成基于时空行为的人群数字画 伴随着中国城镇化进入中后期阶段．城市正
像实证解析，精准有效地识别出不同城市人群的 面临着交通拥堵、空间浪费、公共空间失活等诸
时空分异特征。 多城市问题，而这些现象背后的本质是人群需求
一嫩叫汁潜茹啬薄哥＞鞲醛帅剜瘩。ｊ支＊打料．ｉ正
【关键词】城市人群数字画像；大数据；时空分 与城市资源配置之间的供需失配的矛盾…。与此
异 同时，城市作为一个复杂巨系统．信息技术的不
断发展改变了人们以往单一化、标准化的生活方
【文章编号】１００２—１３２９
ＡＢＳＴＲＡＣＴ．Ｗｉｔｈ Ｃｈｉｎａ’Ｓ ｕｒｂａｎｉｚａｔｉｏｎ ｍｏｖｉｎｇ 式，多元化、个性化的人群特征衍生出其日臻复 （２０２３）０４－００４５－１０
ｆｒｏｍ ｅｘｔｅｎｓｉｖｅ ｅｘｐａｎｓｉｏｎ ｔｏ ｓｔｏｃｋ ｄｅｖｅｌｏｐｍｅｎｔ，ｉｔ 杂的行为方式与空间需求睇１。因此．以人的需求
【中图分类号】ＴＵ９８４
ｂｅｃｏｍｅｓ ａｎ ｉｍｐｏｒｔａｎｔ ｔｏｐｉｃ ｉｎ ｃｕｒｒｅｎｔ ｕｒｂａｎ ｓｔｕｄｉｅｓ 为出发点，把握不同人群的特征、重视人群需求
【文献标识码】Ａ
ｔｏ ａｔｔａｃｈ ｉｍｐｏｒｔａｎｃｅ ｔｏ ｍａｔｃｈｉｎｇ ｔｈｅ ｎｅｅｄｓ ｏｆ ｔｈｅ 与资源配置的匹配正成为当下城市研究的重要议
［ｄｏｉｌ １０ １ １８１９／ｃｐｒ２０２３０４０６ａ
ｐｕｂｌｉｃ ｗｉｔｈ ｔｈｅ ａｌｌｏｃａｔｉｏｎ ｏｆ ｒｅｓｏｕｒｃｅｓ．Ｔｈｅｒｅｆｏｒｅ， 题。如何刻画与挖掘城市不同群体的特征以协调
【作者简介】
ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｉｎｃｒｅａｓｉｎｇｌｙ ｄｉｖｅｒｓｉｆｌｅｄ ａｎｄ 城市不同群体间的关系．也因而成为当下城市研
杨俊宴（１ ９７６一）．男．博士．
ｐｅｒｓｏｎａｌｉｚｅｄ ｂｅｈａｖｉｏｒ ｐａｔｔｅｒｎｓ ｏｆ ｔｈｅ ｕｒｂａｎ ｃｒｏｗｄｓ 究所亟需攻克的技术难题＿１。
东南大学建筑学院教授，智
ｉｎ
ｃｏｎｔｅｍｐｏｒａｒｙ ｃｉｔｉｅｓ，ｉｔ ｉｓ ｏｆ ｇｒｅａｔ ｓｉｇｎｉｆｉｃａｎｃｅ ｔｏ 针对城市中多样的人群．传统时间地理学主 慧城市研究院副院长，中国
ｕｓｅ ｂｉｇ ｄａｔａ ａｎａｌｙｓｉｓ ａｎｄ ｏｔｈｅｒ ｔｅｃｈｎｉｃａｌ ｍｅａｎｓ ｔｏ 要依托问卷和出行日志数据来对其进行研究。然 城市规划学会学术委员会

ｉｄｅｎｔｉｆｙ ａｎｄ ａｎａｌｙｚｅ ｔｈｅ ｓｐａｔｉｏ—ｔｅｍｐｏｒａｌ ｂｅｈａｖｉｏｒ 而．此类数据往往存在着收集成本很高、受主观 委员。

ｐａｔｔｅｒｎｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｕｒｂａｎ ｃｒｏｗｄｓ ｔｏ ａｃｈｉｅｖｅ ａｎ 因素影响较大，难以确保数据客观性与真实性等 金探花（１９９３一）．女．根特

大学地理系博士研究生。
ｏｖｅｒａｌｌ ｐｏｒｔｒａｉｔ ｏｆ ｔｈｅ Ｕｒｂａｎ ｃｒｏｗｄｓ，ｗｈｉｃｈ ｉｓ ａｌｓｏ 弊端一１。随着移动定位设备、通讯设备及信息技
术的迅速发展，手机定位数据、浮动车数据、传 史宜（１９８５－）．男．博士，
ｂｅｃｏｍｉｎｇ ａ ｋｅｙ ｔｅｃｈｎｉｃａｌ ｐｒｏｂｌｅｍ ｔｈａｔ ｎｅｅｄｓ ｔｏ ｂｅ
东南大学建筑学院副教授，
ｔａｃｋｌｅｄ ａｔ ｐｒｅｓｅｎｔ．Ｂｙ ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ ｕｓｉｎｇ ｔｈｅ 感器数据、公交ＩＣ卡数据等多种动态大数据逐渐
中国城市规划学会会员．本
ＬＢＳ（Ｌｏｃａｔｉｏｎ Ｂａｓｅｄ Ｓｅｒｖｉｃｅｓ）ｄａｔａ，ｔｈｅ ｂｕｓｉｎｅｓｓ 文通信作者。
ＰＯＩ ｄａｔａ，ｔｈｅ ｕｒｂａｎ ｌａｎｄ ｕｓｅ ｄａｔａ，ａｎｄ ｏｔｈｅｒ ｍｕｌｔｉ—
｝
国家自然科学基金重点项目“基于大数据 张殉（１ ９９７一）．女．东南
ｓｏｕｒｃｅ ｂｉｇ ｄａｔａ，ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌ 的城市中心区空间规划理论与关键技术研 大学建筑学院博士研究生。
ｂｅｈａｖｉｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ，ｔｈｉｓ ｐａｐｅｒ ａｔｔｅｍｐｔｓ 究”（５１ ８５８００２）。 【修改日期】２０２２—１２－０８

万方数据
 成为补充或替代传统调查数据的新型数据．借助
机器学习、人工智能等多种数字化技术来解析城
市人群时空行为、理解城市空间与规律已成为当
下不可逆的趋势瞄１。
由此可见．既有关于城市人群的研究呈现出
从关注人到聚焦人、从抽象到具象、从静态到动
态的数字化发展趋势ｍ・。然而，高精度数据也随
之带来了挖掘数据背后规律的研究方法的挑战。
与此同时，如何从城市规划的视角刻画和定义不
同的城市人群，特别是利用数字化技术手段，深
度挖掘人群特征，识别并解析不同城市人群的时
空行为模式，以实现对城市人群的整体性刻画．
正成为重点需要攻克的技术难题。为此，本文提
出“城市人群数字画像”理论方法．试图综合
ＬＢＳ定位数据．业态ＰＯＩ数据和城市用地功能数据
等多源大数据，研创时空行为识别技术来精准把
握城市人群的时空行为；基于”时间序列、空间
分布．行为模式”３个维度，通过数据测度和挖
掘对人群复杂行为进行数字刻画，进而建构基于
ｚ 时空行为的人群数字画像．精准有效地识别出不
同城市人群的时空分异特征，为城市空间优化与
提升提供针对性的规划指引，也在一定程度上改
变传统规划”见物不见人”的弊病。
１ 城市人群数字画像的理论溯源与概念内
涵 为分析结果与城市规划应用的衔接可进一步提
．ｏ一博㈦憎 ㈨Ｈ㈤侄旧”㈨㈤垤旧
一２０３主Ｆ越＾７．瞎艟．４鉴Ｖｏ广．４叫ｚｏ．Ｉ
１．１时空行为数字刻画
以时间地理学为核心的时空间行为研究奠定
ＡＰＲ时０２∞ 了时空间行为研究的理论与方法论基础。此外，
技术变革也为众多社会科学提供了重要参考，广
泛应用于交通行为决策．社会公共政策分析、旅
游规划等方面。在早期理论建构方面，２０世纪６０
年代哈格斯特朗（Ｈａｇｅｒｓｔｒａｎｄ）借助瑞典人口迁移
数据，创立了时空棱柱体这一表征微观个体活动
的时间地理学模型．成为时空间行为研究的起
源。其后．随着ＧＩＳ学科的发展．时空可达性测
度．时空路径可视化等逐渐成为有效的个体行为
计量与分析工具““１。２０世纪８０年代开始，随着
信息与通讯技术（ＩＣＴ）逐渐融入城市人群的日常
生活，时空间行为在形式与内容上发生了较大改
变。ＩＣＴ允许城市人群在异时异地进行活动（例如
交流可以通过移动电话完成），打破了时间地理
学对于时空间的定义及人的基本设定， “距离消
失”与”时空压缩”使得时空间行为及对应的活
动时空呈现出复杂的倾向Ｈｏ，也为进一步理解真
实城市空间的人群使用特征与机制提供了更为广
阔的渠道”……。
２０世纪９０年代初，柴彦威将西方时间地理学
引入中国，并逐步延伸至城市规划、城市交通等
万方数据
领域，推动了中国的本土化城市研究。例如．柴
彦威（２０１ ３）从微观视角下的个体Ｅｌ常活动时空模
式出发，探析了不同时间切片下的城市人群活动
和出行类型，时空行为研究与城市空间之间的
互动由此形成”…。王德（２０１ ５）、钮心毅（２０１ ９）
侧重于基于个体时空行为特征对城市建成环境
评价”“与活力特征测度”…；闰晴．李诚固（２０１ ８）
则从以社区为单位的居民行为时空数据出发．探
究小尺度空间单元上的活动空间分布规律，进而
感知城市社会空间体系…’。至此．随着研究方法
的多元化及数据采集．挖掘技术的飞速发展，时
空行为成为学者描述城市现象．解析背后机制的
重要视角．为面向规划实践的应用提供了重要的
理论与方法依据”…。
总体而言．伴随着移动定位设备与互联网
通讯设备的普及，海量的人群信息数据应运而
生，为居民时空行为与城市空间研究提供了新
的可能”””１。时空间行为挖掘、行为预测、异
常点检测等数字技术也进一步推动了对海量城
市人群开展高精度识别．分析与刻画的数字化
研究¨｜－”１。然而，高精度数据也带来了诸多挑
战：数据上．高精度定位数据在描述个人社会经
济特征方面存在一定局限，同时．由于该类数据
不存在活动类型信息的记录，因此往往需要借助
调查以完善活动类型信息；分析方法上．时空行
升ｉ研究实效上，基于时空行为的人群研究往往
聚焦于总体特征的挖掘或特定群体的刻画，尚未
将城市中差异化的海量群体类型结合起来。
１．２用户数字画像
”用户画像”有两种说法．其一为在传统
的商业领域中．阿兰・库珀（Ａｌａｎ Ｃｏｏｐｅｒ）较早地
提出了Ｕｓｅｒ Ｐｅｒｓｏｎａｓ（用户角色）的概念皿…，即根
据用户行为、动机等的不同将用户分为不同的类
型，并通过对用户使用需求特征的刻画来指导程
序开发人员针对特定角色进行研发，本质上是基
于抽象出来的群体需求特征来建立画像。其二为
Ｕｓｅｒ Ｐｒｏｆｉ ｌｅ，用于反映群体的真实信息，包括群
体的基本信息．生活模式特征．以及行为特征。
总体而言，Ｕｓｅｒ Ｐｅｒｓｏｎａｓ（用户画像）是基于目标
群体调研而对典型用户的自然属性，行为属性、
目标需求等进行刻画，而Ｕｓｅｒ Ｐｒｏｆｉ ｌｅ是基于大
数据对群体真实信息进行描述（表１）。虽然诸多
研究者对”用户画像”的理解依旧存在差异，但
基本内涵一致，即通过收集与分析用户的性别、
年龄、职业、消费习惯等各类数据．实现用户信
息的汇总与勾勒悼…。目前，研究者主要将用户画
像应用于网络消费．网络社交及用户分析领域，
应用成果较为丰硕岸…。
 用户画像的构建方法可被概括为用户特征的
标签化．其标签刻画的主要内容涵盖了人群特征
的多个维度，如静态特征主要指用户在较长一段
时间内稳定的信息属性；动态特征则指用户外在
的行为属性，包括浏览记录，购买行为掣２６】。在
应用价值方面．用户画像微观层面的主要作用
是价值发现悼“．利用用户有效数据对用户进行
认知发现．进而通过大量数据收集．构建用户
画像．实现用户的特征识别与需求分析【２８１；中观
层面的主要作用是运营优化．主要用于企业的
功能优化．精准营销和个性化推荐旧９‘；宏观层
面［２６１的主要作用是战略制定．主要用于市场走向
判断、用户群体划分和产品定位等方面例。
由此．将用户画像的对象从商业客户拓展
到城市的所有使用者．在清洗掉隐私信息的前提
下，把刻画的行为从单纯的商业行为拓展到人在
城市公共空间中可能发生的一切行为，从而得到
一个更加适用于城市规划领域的。用户画像“，
称之为。城市人群数字画像”。城市人群对于城
市空间的诉求不尽相同，通常情况下，城市管理
中，时间序列是指人群一日整体行为的节奏分
布：空间分布是指人群居住行为发生的空间位
置；行为模式是指对人一日出行链的整体性描述
（图２）。这３类维度能够更为有效地实现基于多源
数据的人群时空行为特征刻画．且为城市规划实
践提供可操作的人群解析方法。
２城市人群的时空行为识别技术
城市人群时空行为的基础数据主要包含人群
ＬＢＳ定位数据、业态ＰＯＩ数据和城市土地利用数据
等．在数据预处理的基础上通过停留点识别、行
为模型训练与识别等方法来实现海量人群的行为
识别与校核。为了更好地阐述城市人群的时空行
为识别技术．将威海作为案例进行具体的方法阐
述。
２．１数据来源与预处理
威海位于山东半岛东端．市域面积为
４７

者或规划师无法在海量的城市人群中轻易地找到
表１用户画像的相关概念
分类人群的规律．而“城市人群数字画像”正是 Ｔａｂ．１ Ｒｅｌｅｖａｎｔ ｃｏｎｃｅｐｔｓ ｏｆ ｕｓｅｒ ｐｏｒｔｒａｉｔ

这样一个化繁为简的解析手段，并且随着国内城
市规划实践的推进，对规划涉及的相关城市人群
进行精细化刻画将逐渐成为规划设计工作重要的
前期内容。
一茁海＊睁莉斟拇时果誉

１．３城市人群数字画像的内涵 资料来源：根据文献综述整理。
依托城市多源大数据对匿名人群“时间序
一啦叫汁肄击冒Ｂ薄斟＞君羊肄啪尉茹｝支＊－与糌岛
列、空间分布、行为模式”３维度的特征进行刻
画，从而划分出不同人群类别，通过解析其差异
化特征以洞察城市不同人群的客观行为规律．从
而更有针对性地优化城市公共空间资源与多元人
群之间的匹配关系．做到。见物又见人”。
本文在数据解析中关注的是个
体在城市空间中的公共行为，并借助
４Ｗ（Ｗｈｏ＋Ｗｈｅｎ＋Ｗｈｅｒｅ＋Ｗｈａｔ）模型对城市人群

进行标识。具体而言． 。Ｗｈｏ”是指在海量人群
中区分各类型群体； 。Ｗｈｅｎ”是指该公共行为
所发生的具体时刻与停留时间： “Ｗｈｅｒｅ”是指
行为发生地的位置属性； ”Ｗｈａｔ”则包含工作、 空间维度

购物、休闲等日常活动行为。基于ＬＢＳ数据和城
市高精度三维矢量空间数据．可以综合识别出人
在特定时间、特定地点、停留了多长时间等信
息，通过汇总。ｗｈｅｎ”“ｗｈｅｒｅ”’ｗｈａｔ”等信
息标签（图１）．实现人群的一日（２４ｈ）行为解析．
并形成海量人群的基础行为数据库。另外．通过
对人群行为分异特征的深度挖掘，识别并提取出 一一一 一
一３
不同类型的城市人群群体。
本文建构的人群整体性刻画框架的３个维度 一团晦料 Ｐ来 祗雾 藤一 一下盯表 ｜主；州畅 一群如有｜｜回劬注 一像甜明 雌均 叫凯 ｍ笔 ∞绘

万方数据
 ５７９７ｋｍ２，市区面积为４０８ｋｍ２．２０１ ７年中心城区
人口为７６．７万人．本文所使用的ＬＢＳ数据为经匿
名清洗处理的手机定位数据∞．覆盖空间范围
为威海市域．时间范围为２０１ ７年１０月至２０１８：年－－４
月．共计覆盖手机用户２００万人（图３）。其中．定
位数据的空间精度达到５ｍ范围以内，每个用户
的定位数据均包含时间，空间、编码．年龄．性
别属性．时间属性精确到。年月日时分秒”．空
鼍藿爹箩
勺甲
间属性则包含经纬度信息。。数据预处理主要针
对数据缺失、重复或错误的情况．清洗无效数
据。最终如图４所示．经过预处理后获得中心城
区范围内手机用户的行为点。
２．２城市人群行为识别
（１）停留点识别
停留点识别方法为具有时间与空间双维度的
ＳＴ－ＤＢＳＣＡＮ聚类算法。图５为典型个体运动轨迹
的示意图．当个体进行移动行为时．其轨迹点之
间距离较远；当个体在某处停留时，其生成的各
轨迹点之间距离较近（≤２００ｍ），其进行无规则
移动的虚线圈范围即为可识别个体的停留区域。
为了识别停留行为．可选取停留点来表征停留区
Ｐ汐

“舔：ｌ至雪笋 域．其涵义为个体驻足在停留区域．且正在从事
某一特定行为活动的点．其空间属性由范围内所
有轨迹点经纬度的均值来表示．时间属性则采用
停留区域内最后一个轨迹点（结束时间）与第一个
轨迹点（开始时间）之间的时间差来表示。
ｚ ； （２）行为分类与识别
在参考＜威海市居民出行调查报告）的基
础上．最终确立了居住、工作、休闲．生活服
一时ｏＭ∞椅艟．４ 务、游憩与其他６类行为分类。其中． ”工作”
包含。上班，上学、公务”，探亲访友等偶发
出行行为则不予讨论。在此基础上．将基于ｓＴ—
ＤＢＳＣＡＮ聚类算法识别得到的个体单日活动点．
７．滩艟．４蟹＜ＯＬ＿Ｊ４

一菡哥浴壁。一｛刁５ｚ圣ｏ刀ｍ＜而≤ 活动地块所属用地类型等数据信息载入隐形马尔
科夫模型。中，通过对模型进行训练以标记所有
个体的行为．可按照上述行为类型对行为点进行
７．ｚＯ．４＞可力＂ｏ¨∞ 识别。
此外．结合ＰＯＩ数据对行为识别效果进行校
核．得出：ＰＯＩ校核前后的居住和工作行为占比
图２人群画像分类的３个维度
Ｆｉｇ．２ Ｔｈｒｅｅ ｄｉｍｅｎｓｉｏｎｓ ｆｏｒ ｃｒｏｗｄ ｐｏｒｔｒａｉｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 反映出了居住和工作行为识别的准确率高．而
”其他”行为识别的准确率则相对较低。例如．
当发现。其他“行为识别比例较高时．通过对比
和验证．可以看出。其他‘类型中有多数点是在
距离购物场所１ ＯＯｍ的地方停留超过１ ５ｍ．ｎ．对于
这种情况则将其校核为生活服务行为。最终经校
正，其他行为的比例显著下降，休闲．生活服务
等行为的识别结果则显著提高（表２）。

３城市人群数字画像的构建技术

运用。时间序列．空间分布．行为模式”３
个维度划分威海人群类型．可有效辨识城市不同
人群活动的时空分异特征，且具备一定的实际操
作性．

图３威海市域人群轨迹线 ３．１ 人群数字画像的分类依据

Ｆｉｇ．３ Ｃｒｏｗｄ ｔｒａｊｅｃｔｏｒｙ ｉｎ Ｗｅｉｈａｉ Ｃｉｔｙ 依托城市人群的时空行为分异特征．可建构

万方数据
 。时间序列．空间分布．行为模式”的人群画像
维度。
（１）时间序列：分为朝九晚五、早出晚归．
足不出户印．早出早归、晚出晚归．晚出早归及
其他７种典型人群（表３）。其中．占比高于１ ５％的
为。足不出户” 。朝九晚五”人群．反映出威海
居民小范围活动出行及规律上下班的共性特征。
（２）空间分布：基于威海的城市建成区规
模．本文确立了以居住地与威海城市中心威高广
场的直线距离作为居住区位划分的判定规则。
依次划分出核心城市区，中心城区．近郊城
区．远郊城区４类空间模式（表４）。其中． 。远
郊城区”人群占比最高．高达２７．７％， “核心
城区” 。近郊城区”人群占比较为接近．约为
２６％。整体而言．各类空间分布的人群分类占
比差异较小。 图４威海中心城区ＬＢＳ数据点分布
Ｆｉｇ．４ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ＬＢＳ ｄａｔａ ｐｏｉｎｔｓ ｉｎ ｔｈｅ ｃｅｎｔｒａｌ ｕｒｂａｎ ａｒｅａ ｏｆ Ｗｅｉｈａ
（３）行为模式：将个体一日行为模式进行排
列，选取占比大于１％的排列结果对人群进行行 表２隐形马尔科夫模型直接行为识别结果与校核后行为识别结果对比
Ｔａｂ．２ Ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｄｉｒｅｃｔ ｂｅｈａｖｉｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｈｉｄｄｅｎ
为模式的类型划分。依此识别出１６种典型人群行
Ｍａｒｋｏｖ ｍｏｄｅｌ ａｎｄ ｔｈｅ ｂｅｈａｖｉｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ａｆｔｅｒ ｖｅｒｉｆｉｃａｔｉｏｎ
为模式（表５）。其中．宅居族，两点一线上班族 ．
，

居住 工作 休闲 生活服务 游憩 其他
两类群体的占比最高．均超过２０％，其余群体则
（Ｈ） ＩＷ） （Ｒ） （Ｃ） （Ｐ） （０｝
普遍占比较低。
Ｐｏｉ校核前
３６．３％ ２７，９％ ６．７％ ３．４％ ２．１％ ２３．６％
行为占比
３．２人群数字画像的类型构建
Ｐｏｉ校核后
通过前文构建的’时间序列．空间分布．行 ３６．９％ ２８．２％ ８．６％ ４．５％ ２ ９％ １８．８％
行为占比
为模式”３维度对威海人群进行了类型识别和特
征刻画．最终共计得到１４７类人群数字画像谱系。 一蕊南＊睁鞘斟拇时弓长署

其中，占比超过０．５％的典型人群共有１４类曰。可 ４城市人群数字画像的时空分异特征解析
以发现，在１４类典型人群中（表６）．时间序列和
一牲呻汁拜精磐藩斟＞骢群＊画癌。ｊ支＊町料＿ｉ正
行为模式构成了人群分异的主导性维度。时间序 在时空行为识别与人群数字画像谱系构建
列主要表现出了足不出户．朝九晚五．早出晚归 的基础上，进一步将人群数字画像的识别结果
的共性特征；而宅居族和两点一线上班族则构成 映射到城市空间中，以解析城市空间是如何被
了行为模式维度下的主导类型。 不同人群使用的，并有效辨识城市不同人群活

图５个体停留点识别示意图
Ｆｉｇ．５ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆｔｈｅ ｓｔｏｐ ｐｏｉｎｔ ｏｆａｎ ｉｎｄｉｖｉｄｕａ

万方数据
 表３时间序列下的人群分类占比 动的时空分异特征。利用人群数字画像的时间
Ｔａｂ．３ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｐｒｏｐｏｒｔｉｏｎ ｏｆ ｔｈｅ ｃｒｏｗｄ ｉｎ ｔｅｒｍｓ ｏｆ ｔｉｍｅ ｓｅｒｉｅｓ
分异、空间分异特征，能够科学地把握某一特
序号 时间序列 判定规则 占比 累计占比 定人群的空间需求，提出具有针对性的规划优
０７ ００一０９：ＯＯ进行非“居住行为” 化策略。
１ 朝九晚五 １ ９ ８％ １ ９ ８％
１ ７：ＯＯ～ｇ ００进行非”工作行为”

０７：００前进行“工作行为“ ４．１ 人群数字画像的时间分异特征

２ 早出晚归 １１ ６％ ３１ ５％
１ ９∞仍在进行”工作行为” 从威海不同人群的整体行为及其时间占比
３ 足不出户 一日 “居住行为”超过２２ｄ ｘ时 ２７ ８。７０ ５９ ３％ 来看，不同人群之间存在着较大差别的时间分
０７
异特征（表７）。 。朝九晚五”与。早出早归”人
００前已经进行非”居住行为”
４ 早出早９３ ８ ３％ ６７ ６％
１７ ＯＯ前已经在进行”居住行为“ 群行为较为相似，主要体现为在生活服务．休

１０：００以后仍在进行”居住行为” 闲、游憩等公共活动方面的行为持续时间长，
５ 晚出晚归 ３ ７％ ７１ ３％
２０ ００仍在进行非“居住行为“ ”早出晚归”人群的工作时长相对更长。值得
１０：ＯＯ以后仍在进行“居住行为” 注意的是． “晚出晚归”人群的公共活动时长
６ 晚出早归 ５ ３％ ７６ ６％
１６：００之前进行”居住行为“ 远远高于其他人群．构成了城市中的一类特殊
７ 其他 ２３ ４％ １００ ０％ 群体。
从各典型人群各类行为的一日（２４ｈ）波动图
（表８）中．可以发现各类人群之间的生活服务、
表４空间分布下的人群分类占比
Ｔａｂ．４ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｐｒｏｐｏｒｔｉｏｎ ｏｆ ｔｈｅ ｃｒｏｗｄ ｉｎ ｔｅｒｍｓ ｏｆ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ 休闲．游憩等”公共活动”变化曲线之间并未形

序号 空间模式（居住区位） 占比 累计占比 成显著分异，且由于。早出晚归”与。早出早

；～ ， 归”及“晚出早归“与。晚出晚归”两组群体
１ 核心城区（０～３ｋｍ） ２６ ３％ ２６ ３％
内部的相似性．进一步将群体归并为 。朝九晚
２ 中心城区（３～６ｋｍ） ２０ １％ ４６ ４％
五” “早出” “晚出” ”足不出户”４个大类。
一№ｏ时∞芏Ｅ豫｜４ ３ 近郊城区（６～１０ｍ） ２６ ０％ ７２ ３％０ 具体来看． “朝九晚五“人群活动呈现出规律性
４ 远郊城区（＞１０ｋｍ） ２７ ７％ １０３ Ｏ％ 的居住、就业行为特征，以及双峰均衡（１ ７：００－

１ ８：００、９：００－１０：００）的“公共活动”行为规律
特征： “早出“人群活动呈现出”公共活动”
７．雌艟｜４强＜０广｜４ 表５行为模式分类下的人群分类占比
一薄斟浴壁。一ＴＹ勺譬ｚ兰ｏ乃ｍ＜而ｖ Ｔａｂ．５ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｐｒｏｐｏｒｔｉｏｎ ｏｆ ｔｈｅ ｃｒｏｗｄ 不均衡的双峰特征； ”晚归”人群呈现出其生
ｃｌａｓｓｉｆｉｃａｔｉｏｎ
活服务，休闲．游憩等。公共活动”的 。单
序号 行为模式 占比 累计占比 描述 峰“特征．且 。公共活动”主要出现在１ ７：Ｏｏ＿
７．ｚｏ扛＞ＰＲ时ｏ¨ｕ
１ Ｈ ２２ ３％ ２２ ３％ 宅居族
１ ８：００； ”足不出户”人群的居住与工作行为曲
线呈现出显著分异．且各类“公共活动”之间的
２ ＨＷＨ ２２ ２％ ４４ ５％ 两点～线上班族
差异也较大，均分别形成了”不均衡双峰”特
３ ＨＲＨ ４ １％ ４８ ５％ 两点～线休闲族
征。
４ ＨＯＨ ２ ９％ ５１ ４％ｏ 两点～线活动族

５ ＨＯＷＨ ２ ８％ ５４ ２％ 三点两线上班族（上午活动） ４．２人群数字画像的空间分异特征

６ ＨＣＨ ２ ５％ ５６ ７％ 两点～线生活服务族 为明确人群数字画像对于规划的应用意义．

７ ＨＲＷＨ ５９
进一步将不同人群的行为活动落位到城市空间上
２ ３％ ０％ 三点两线上班族（上午休闲）
（表９）．以挖掘不同人群画像类型下的人群空间
三点两线生活服务族（上午生活
８ ＨＣＷＨ １ ８％ ６０ ９％ 分异特征。本文仅以时间序列维度的人群数字画
服务）
像结果为例，对其居住空间的分异特征与规律进
９ ＨＷＯＨ １ ７％ ６２ ５％ 三点两线上班族（下午活动）
行解析。考虑到人群分类的多样性，后续研究中
１０ ＨＷＯＷＨ １ ５％ｏ ６４ ０％ 四点三线活动族（中午活动） 可以结合各个维度进一步分析就业．休闲等各类
１１ ＨＷＲＨ ５％ ５％ 三点两线上班族（下午休闲）
１ ６５ 行为空间的分异特征。
１２ ＨＷＨＷＨ １ ３％ ６６ ８％ 两点～线上班族（中午休息） 经对比发现． ”朝九晚五” “早出早

１ ３ ＨＰＨ １ ２％ ６８ ０％ 归“ “晚出早归” “晚出晚归”人群的居住空间

两点～线游憩族
分布较为均衡，而 “足不出户”人群的居住空
１４ ＨＷＲＷＨ １ ２％ ６９ １％ 四点三线活动族（中午休闲）
间分布高度集中于城市综合中心附近。此外．
三点两线生活服务族（下午生活
１ ５ ＨＷＣＨ １ １％ ７０ ３％ “早出晚归”人群以老城和高新区为居住集聚区
服务）
的分布特征反映出了其居住空间与低房价区域之
１６ 其他 ２９ ７％ １。Ｏ％ 其他
间的耦合关系。

万方数据
５结语 表６典型人群画像
Ｔａｂ．６ Ｐｏｒｔｒａｉｔｓ ｏｆｔｙｐｉｃａｌ ｃｒｏｗｄｓ

伴随着中国城镇化的深入．以人的需求为 空间分布 时间序列 行为模式 行为模式描述 人群占比

出发点．重视人的需求与城市公共资源配置之间 远郊 足不出户 Ｈ 宅居族 ６．９６％

的精准匹配，积极解决城市规划”见物不见人” 核心城区 足不出户 Ｈ 宅居族 ５ ３６％

的传统弊病，正成为业界和学界的广泛共识。以 近郊 足不出户 Ｈ 宅居族 ５．３１１％
“人一空间”关系为核心，依托大数据挖掘分析 Ｈ
中心城区 足不出户 宅居族 ４．２６％
的新手段解析城市人群的时空行为特征规律．
远郊 朝九晚五 ＨＷＨ 两点一线上班族 ２ ５５％
能够更好地揭示城市中不同类型人群需求的差
近郊 朝九晚五 ＨＷＨ 两点一线上班族 １．７８％
异性，以实现城市公共资源配置中的”见物见
近郊 早出晚归 ＨＷＨ 两点一线上班族 １．６３％
人”。本文以ＬＢＳ数据、ＰＯＩ数据等多源大数据为
基础，构建了基于”时间序列、空间分布、行为 远郊 早出晚归 ＨＷＨ 两点一线上班族 １．６３％

模式”３个维度的城市人群数字画像，实现了对 中心城区 朝九晚五 ＨＷＨ 两点一线上班族 １ ２８％

威海人群类型的划分；根据城市人群数字画像， 核心城区 朝九晚五 ＨＷＨ 两点一线上班族 １，２０％
精准有效地识别出不同城市人群的时空分异特 ＨＲＨ Ｏ ６８％
核心城区 足不出户 两点一线休闲族
征，为城市空间优化与提升提供了针对性的规划
远郊 早出早归 ＨＷＨ 两点一线上班族 ０．６８％
策略指引。
核心城区 足不出户 ＨＷＨ 两点一线上班族 Ｏ．５３％
当然，人群数字画像在城市规划领域的研究
中心城区 早出晚归 ＨＷＨ 两点～线上班族 ０．５１％
正处于探索阶段，本文尝试通过刻画人群的时空
分异特征，提出人群数字画像的建构技术与解析 ： ●

表７不同人群行为占比
思路。由于研究水平和阶段深度所限，本文尚有
Ｔａｂ。Ｐｒｏｐｏｒｔｉｏｎ ｏｆｂｅｈａｖｉｏｒｓ ｏｆｄｉｆｆｅｒｅｎｔ ｃｒｏｗｄｓ
以下不足之处：
不同人群分类
（１）本文虽然关注到了人群刻画属性与规划
行为分类 朝九 早出 早出 晚出 晚出 足不
应用诉求之间的关联性，从“空间、时间、行
晚五 晚归 早归 早归 晚归 出户
为”３个维度探索了人群数字画像的构建技术。
居住 ３５．６％ ２６．０％ ４６．５％ ７５．３％ ６５．２％ ９７．７％
但是，对人群的刻画局限于人群的时空行为层
工作 ５３．５％ ６１ ５％ ４５ １％ １４．６％ １ １ ９％ ０．Ｏ％
面，很大程度上存在着自下而上、数字驱动的片 一茁醛特酚藉斟＿史研岽暑
生活服务 ２ ４％ ３．１％ ２．２％ ４ ５％ １２．４％ １．３％
面性，对人群的社会属性、行为偏好等多层级属
性的基础理论的探索还显不足。 休闲 ０．７％ １．Ｏ％ ０．７％ １．１％ ３．Ｏ％ ０．４％
一斯叫汁肄茄３薄斟＞君羊肄啊剧疮．ｊ支＊折丹＿ｉ正
（２）以威海为实证．尝试了城市人群数字画 游憩 ０ ５％ ０ ６％ ０ ４％ １．Ｏ％ ３ ２％ ０．３％
像的实证应用，但尚未应用于不同发展定位、不 其他 ７．３％ ７ ８％ ５．１％ ３．５％ ４ ３％ ０ ３％
同空间等级的城市（或地区）．未来可拓展数字人
群画像应用的多元场景，对备案例城市进行人群
特征与类型构成解析，探讨人群与城市建成环境 谈．强化大小数据的相互校核与验证，实现有
之间的内在交互机制。 ”温度“的城市研究。
（３）本文所采用的ＬＢＳ数据兼具高精度和高取
样率的优点．但依然存在缺陷。由于依赖智能手 注释｛Ｎｏｔｅｓ）

机作为采集介质．导致不用手机或者使用非智 ① 目前的ＬＢＳ定位数据中，用户信息是经过脱敏的
能手机的市民（尤其是弱势群体）的出行规律无 匿名数据，不会涉及到用户个人隐私和安全的问

法采集。此外，受限于手机设备定位精度和取 题。
② 业态ＰＯＩ数据和城市用地功能数据等来源于互联网
样频率．ＬＢＳ数据无法对小范围内高度混合的空
采集和城市职能部门，并经过详细的现场校核，
间职能差异进行区分．导致反映出来的出行轨
由于数据来源比较成熟，不再单独介绍。
迹数据及由此建构的人群数字画像产生相应的 ⑤ 隐马尔科夫模型是一种成熟的基于时间变化匹配
偏差。 数据的技术，训练阶段即对每一个行为模式训练
实现城市空间资源供给与人群多元需求的 一个隐马尔科夫模型，包括定义模型的隐状态的

匹配融合是城市规划领域的长期议题。未来．城 个数及格式，利用算法优化计算相应的状态转移
概率和输出概率。识别过程即计算测试样本序列
市人群数字画像应进一步综合使用多源异构大数
对于隐马尔科夫模式集合中每种模式的概率，选
据刻画人群不同维度的属性特征，增加研究的广 择出概率最大的行为模型作为识别结果。
度．提高研究的深度，更需要深入到城市人群 ④ “足不出户”人群并不是指仅待在家中，完全不
中，进行大量的在地调研、深度体验及交互访 出门的情况。一方面，由于ＳＴ－ＤＢＳＣＡＮ聚类计算对

万方数据
Ｐ ａ ｎ ｎ ｎ ｇ Ｓ ｔ Ｕ ｄ ｅ ｓ

表８不同人群行为分异
Ｔａｂ．８ Ｂｅｈａｖｉｏｒ ｄｉｆｉｅｒｅｎｔｉａｔｉｏｎ ｏｆ ｄｉｆｉｅｒｅｎｔ ｃｒｏｗｄｓ

张【凰ｉ必 从儿
不同人群 居住行为 工作行为 生活服务 休闲 游憩

朝九晚五

早出晚归
＼＿．／黔』念Ｉ ｊ／＼ 肌
＼∥』∥＼Ａ儿儿
－厂九Ｊ—八ｆ—八
５２

ｇ ｌ落
葛Ｉ斟
抖Ｉ浴
船ｌ壁
专【Ｑ
晚出晚归
■ｙ Ｉ≤念ｆ—△｛—八—Ａ
排ｌ｛

骓
§ｌ ｉ
昔｝里
舌｜罢
少～／风夕也
行为地划定以２００ｍ范围为识别下限，客观上在居 ２０２２，４２（５）：４Ｉ ５－－４２５．

住地２００ｍ范围内的行为无法被检测出来，例如在 【５】 梁鹤年．“城市人”理论的基本逻辑和操作程序

小区内或是小区周围的体闲、消费等行为难以与 【Ｊ】．城市规划，２０２０，４４（２）：６８—７６．
居住行为相区别。另一方面， “足不出户”人群 ＬＥＵＮＧ Ｈｏｋ－Ｌｉｎ．Ｈｏｍｏ－Ｕｒｂａｎｉｃｕｓ：Ｂａｓｉｃ Ｌｏｇｉｃ ａｎｄ

并非每时每刻均为“居住行为”，允许有小于２小 Ｏｐｅｒａｔｉｏｎａｌ Ｐｒｏｃｅｄｕｒｅ［Ｊ】．Ｃｉｔｙ Ｐｌａｎｎｉｎｇ Ｅｅｖｉｅｗ，２０２０，

时的时间进行“非居住行为”。因此本文的“足 ４４（２）：６８－－７６．
不出户？人群界定的是以居所为核心进行小范围 【４ｌ 秦萧，甄峰．大数据与小数据结合：信息时代城市
活动的人群。 研究方法探讨【Ｊ】．地理科学，２０１ ７，３７（３）：３２１—
⑤ 其余长尾数据人群由于比重过小、不具备普适性 ３３０．

空间规律，本文不予以讨论。 Ｑ ＪＮ Ｘｉａｏ，ＺＨＥＮ Ｆｅｎｇ．Ｃｏｍｂｉｎａｔｉｏｎ Ｂｅｔｗｅｅｎ Ｂｉｇ Ｄａｔａ

ａｎｄ Ｓｍａｌｌ Ｄａｔａ：Ｎｅｗ Ｍｅｔｈｏｄｓ ｏｆ Ｕｒｂａｎ Ｓｔｕｄｉｅｓ ｉｎ ｔｈｅ

Ｉｎｆｏｒｍａｔｉｏｎ Ｅｒａ［Ｊ］．Ｓｃｉｅｎｔｉａ Ｇｅｏｇｒａｐｈｉｃ＆Ｓｉｎｉｃａ，２０ １ ７，

参考文献（Ｒｅｆｅｒｅｎｃｅｓ）
５７０）：５２１－５５０．
…单棵，周亚琦，荆万里，等．住有所居居乐其
【５】 张雪霞，吴升，赵志远，等．基于手机信令数据
境——新时期深圳宜居城市规划的探索与实践【Ｊ】．
０－１ １ ６．
的城市小活动空间人群空间分布特征【Ｊ】．地球信
城市规划，２０２０，４“７）：１１
ＳＨＡＮ ａ１．Ｓｕｆｆｉｃｉｅｎｔ
息科学学报，２０２１，２３（８）：１４５３－１４４５．
Ｌｉａｎｇ，ＺＨＯＵ Ｙａｑｉ，ＪＩＮＧ Ｗａｎｌｉ，ｅｔ
ＺＨＡＮＧ Ｘｕｅｘｉａ，ＷＵ Ｓｈｅｎｇ，ＺＨＡＮＧ Ｚｈｉｙｕａｎ，ｅｔ ａ１．
ａｎｄ Ｌｉｖａｂｌｅ Ｈｏｕｓｉｎｇ：Ｅｘｐｌｏｒａｔｉｏｎ ａｎｄ Ｐｒａｃｔｉｃｅ ｏｆ Ｌｉｖａｂｌｅ
Ｓｐａｔｉａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｐｅｏｐｌｅ ｗｉｔｈ Ｓｍａｌｌ
Ｃｉｔｙ Ｐｌａｎｎｉｎｇ ｉｎ Ｓｈｅｎｚｈｅｎ ａｔ ｔｈｅ Ｎｅｗ Ｅｒａ［Ｊ］．Ｃｉｔｙ
Ａｃｔｉｖｉｔｙ Ｓｐａｃｅ ｉｎ Ｕｒｂａｎ Ｂａｓｅｄ ０ｎ Ｍｏｂｉｌｅ Ｐｈｏｎｅ Ｓｉｇｎａｌｉｎｇ
Ｐｌａｎｎｉｎｇ Ｒｅｖｉｅｗ，２０２０，４４（７）：１ １ ０－１ １８．
Ｄａｔａ［Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ—Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０２ １，
【２】孔宇，甄峰，张姗琪．智能技术对城市居民活
２３（８）：１ ４５５－－１ ４４５．
动影响的研究进展与展刻“地理科学，２０２２，
［６】６ 杨俊宴．城市脉搏：基于多源大数据的城市动态结
４２（３）：４１ ３－４２５．

ＫＯＮＧ ＹＵ，ＺＨＥＮ Ｆｅｎｇ，ＺＨＡＮＧ Ｓｈａｎｑｉ．Ｐｒｏｇｒｅｓｓ ａｎｄ 构研究【Ｊ】．规划师，２０２０，３６（２１）：６４—７１．

ＹＡＮＧ Ｊｕｎｙａｎ．Ｒｅｓｅａｒｃｈ ｏｎ Ｕｒｂａｎ Ｄｙｎａｍｉｃ Ｓｔｒｕｃｔｕｒｅ
Ｐｒｏｓｐｅｃｔｓ ｏｆ ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｙ ｏｎ Ｕｒｂａｎ

Ｒｅｓｉｄｅｎｔｓ’
Ｂａ∞ｄ ｏｎ Ｍｕｌｔｉ－Ｓｏｕｒｃｅ Ｂｉｇ Ｄａｔａ［Ｊ】．Ｐｌａｎｎｅｒｓ，２０２０，
Ａｃｔｉｖｉｔｉｅｓ［Ｊ】．Ｓｃｉｅｎｔｉａ Ｇｅｏｇｒａｐｈｉｃ＆Ｓｉｎｉｃａ，

万方数据
 ３６（２１）：６４－７１． 表９典型人群居住地空间分布
Ｔａｂ．９ Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｒｅｓｉｄｅｎｃｅ ｏｆ ｔｙｐｉｃａｌ ｃｒｏｗｄｓ
［７］ＳＣＨＷＡＮＥＮ Ｔ，ＫＷＡＮ Ｍ－Ｐ．Ｔｈｅ

Ｉｎｔｅｒｎｅｔ，Ｍｏｂｉｌｅ Ｐｈｏｎｅ ａｎｄ Ｓｐａｃｅ－Ｔｉｍｅ 结构

居住空间分布 整体特征 主要分布地
Ｃｏｎｓｔｒａｉｎｔｓ［Ｊ】．Ｇｅｏ Ｆｏｒｕｍ，２００８，３９ 特征
（５）：Ｉ ３６２－１ ３７７．
一起．威高广场及其周边区
［８】ＴＩＭＭＥｇＭＡＮＳ
ＣＨＡＮＧ—ＨＹＥＯＮ
Ｈ，ＡＥＥＮＴｚＥ

Ｊ．Ａｎａｌｙｓｉｎｇ Ｓｐａｃｅ－
Ｔ，
Ｆ－曩黑， 一毽＞ｔ；翦 主要分布
域；
多强张村核心、山东大学
—ｒ慧、一
！蚕一 ＿
Ｔｉｍｅ Ｂｅｈａｖｉｏｒ：Ｎｅｗ Ａｐｐｒｏａｃｈｅｓ ｔｏ 足 在老城中
不 威海校区、哈尔滨工业大学
心，较少 超
Ｐｒｏｂｌｅｍｓ［Ｊ］．Ｐｒｏｇｒｅｓｓ
蕊≤ｔ》ａＦ’…
０１ｄ ｉｎ Ｈｕｍａｎ
威海校区、华夏城、智慧谷
出 分布于经 多强
Ｇｅｏｇｒａｐｈｙ，２００２，２６（２）：１ ７５—１ ９０．
区域．
［９】ＣｇＯｉＴＯＲ，Ｕ
户 ‘。≥ｉ ０ 开区与高
Ａ，ｓＴＥＦＡＮｌＤＩＳ Ａ， 、；８ ， 弱聚集区高新区、体育馆
■ 新区
Ｒ，ＡＤＺＩＫＯＷＳＫＩ Ｊ．ｅｔ ａ１．Ｔｏｗａｒｄｓ ｆ
周边、威海火车站、嵩山街
怄
皂 卜

阍
。．

ａ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｇｅｏｓｏｃｉａｌ Ａｎａｌｙｓｉｓ 道等

Ｗｏｒｋｂｅｎｃｈ［Ｒ，】．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｊ“

Ｉｎｔｅｒｎａｔ）ｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ 一般聚集区世昌大道、金

Ｇｅｏｓｐａｔｉａｌ Ｒ，ｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， 线顶、文化路两侧区域，智

＿量一 ■
朝 慧谷．华夏城，

，习
２０１ ２．
不存在明
ａｎｄ 九 弱心 弱聚集区 职业学校、山东
［１ ０】ＫＷＡＮ Ｍ—Ｐ，ＷＥＢＥ Ｊ．Ｓｃａｌｅ
显的空间
Ａｃｃｅｓｓｉｂｉｌｉｔｙ：Ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ａｎａｌｙｓｉｓ
晚 Ｆ１。
ｔ Ｍ。 分异
集聚 大学威海校区、哈尔滨工业
五 大学威海校区、孙家疃街
ｏｆ Ｌａｎｄ Ｕｓｅ—Ｔｒａｖｅｌ Ｉｎｔｅｒａｃｔｉｏｎ［Ｊ】．Ａｐｐｌｉｅｄ 曩≯ 道、博览中心、嵩山街道、
Ｇｅｏｇｒａｐｈｙ，２００８（２８）：１１ ０－１ ２ｊ．
温泉镇区域
【１１】ＷＩＴＴＥＮ Ｋ，ＥＸＥＴＥＲ，Ｄ，ＦＩＥＬＤ Ａ．Ｔｈｅ 寥：

ｑｕａｌｉｔｙ Ｅｎｖｉｒｏｎｍｅｎｔｓ：Ｍａｐｐｉｎｇ Ｖａｒｉａｔｉｏｎ ｉｎ ５３

Ａｃｃｅｓｓ ｔｏ Ｕｒｂａｎ Ｃｏｍｍｕｎｉｔｙ Ｒｅｓｏｕｒｃｅｓ［Ｊ】．
Ｓｔｕｄｉｅｓ，２００３（４０）：１

，曩阀
Ｕｒｂａｎ ６１－７７．
旦 ｇ■ 分布
［１ ２】ＭＯＵＮＴＡＩＮ Ｄ，Ｒ，ＡＰＥＲ，．Ｍｏｄｅｌｌｉｎｇ
于高新 核心聚集区 以威高广场为
Ｈｕｍａｎ ＳｐａｔｉＯ—ＴｅｍｐＯｒａＩ Ｂｅｈａｖｉｏｒ：Ａ
出 强心

备磷≤嘲 ●．较少 中心，北至文化路．南至金

蔓≯一’≮驾 Ｆ＋布于经
Ｃｈａｌｌｅｎｇｅ ｆｏｒ Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ Ｓｅｒｖｉｃｅｓ［Ｒ，】． 线顶及威海火车站周边地区
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｉｘｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ
０≯
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｅｏ Ｃｏｍｐｕｔａｔｉｏｎ．２００ １． ｆ
一番

［１ ５］ＢＯＳＣＨＭＡＮＮ Ｅ Ｅ，ＫＷＡＮ Ｍ—Ｐ． 薯≯ 卜，，量

Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｊｏｂ Ａｃｃｅｓｓｉｂｉｌｉｔｙ ａｎｄ
一般聚集区：文化路．世昌
ｔｈｅ Ｗｏｒｋｉｎｇ Ｐｏｏｒ：Ｅｘｐｌｏｒｉｎｇ Ｌｏｃａｌ Ｓｐａｔｉａｌ
。－－’氍ｎ 大道、博览中心、华夏城、
Ｖａｒｉａｔｉｏｎｓ ｏｆ Ｇｅｏｇｒａｐｈｉｃ Ｃｏｎｔｅｘｔ［Ｊ】．
苗一 主要分布 智慧谷 威高广场、金线
Ｕｒｂａｎ 旦
０，５１（４）：４９８－－
曩 一立－１１［一
Ｇｅｏｇｒａｐｈｙ，２０１
、；一 在老城中 顶威海火车站；
５２２．

≯叠Ｉ囊 ∥
里 心．较少 弱聚集区：张村核心、高新
［１ ４】柴彦威，塔娜．中国时空间行为研 延展
分布于高 区、山东大学威海校区、哈
归
究进展【Ｊ】．地理科学进展，２０１ ５， ，＿ ≥。尹 新区 尔滨工业大学威海校区、孙
ｐ
３２（９）：１ ３６２－１ ３７３． ｆ
家瞳街道、菊花顶、嵩山街
ｏｏ

暇
ＣＨＡＩ ｉｎ 卜－，
Ｙａｎｗｅｉ，ＴＡ Ｎａ．Ｐｒｏｇｒｅｓｓ 道温泉镇等
Ｓｐａｃｅ——Ｔｉｍｅ Ｂｅｈａｖｉｏｒ Ｒｅｓｅａｒｃｈ ｉｎ

Ｃｈｉｎａ［Ｊ］．Ｐｒｏｇｒｅｓｓ ｉｎ Ｇｅｏｇｒａｐｈｙ，２０ １ ３，
在空间分 核：威高广场周边区域．
３２（９）：１ ５６２－１ ５７５．
布上较为 包括环翠楼周边古寨西路
【１ ５］王德，王灿，谢栋灿，等．基于手 晚

曩‘核
广泛，老 两侧、及金线顶区域
机信令数据的上海市不同等级商业 出
城中心最 多心职业学校区域、张村
１’

中心商圈的比较——以南京东路、 晚 多心
，

为典型， 核心区域、韩乐坊一威海火
归
五角场、鞍山路为例［Ｊ】．城市规划 较少分布 车站区域 高新区 智慧
学刊，２０１ ５（３）：５０一６０． 于高新区 谷嵩山街道温泉镇
｝
ＷＡＮＧ Ｄｅ，ＷＡＮＧ Ｃａｎ，ＸＩＥ Ｄｏｎｇｃａｎ，ｅｔ

ａ１．Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｒ，ｅｔａｉｌ Ｔｒａｄｅ Ａｒｅａｓ ｏｆ

■鬈
Ｒｅｔａｉｌ Ｃｅｎｔｅｒｓ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ Ｈｉｅｒａｒｃｈｉｃａｌ
主要集中
Ｌｅｖｅｌｓ：Ａ Ｃａｓｅ Ｓｔｕｄｙ ｏｆ Ｅａｓｔ Ｎａｎｊｉｎｇ
Ｐｕｏａｄ ｉｎ 晚
’暑—＿ 在老城中
Ｒｏａｄ，Ｗｕｊｉａｏｃｈａｎｇ，Ａｎｓｈａｎ

Ｓｈａｎｇｈａｆ［Ｊ］．Ｕｒｂａｎ Ｐｌａｎｎｉｎｇ Ｆｏｒｕｍ， 出 —Ｆ氯１季０ 文化路两侧、环翠楼周边区

域金线顶、博览中心、威
２０１ ５（５）：５０—６０．

［１ ６】钮心毅，吴莞姝，李萌．基于ＬＢＳ定
里

归
奄’一ｒ“ 群人绵连 海火车站、智慧谷等区域
≮，≯ 分布特征
位数据的建成环境对街道活力的影 一
ｔ ’
相致
响及其时空特征研究［Ｊ】．国际城市 盘’好 ｒ

规划，２０Ｉ ９，３４（１）：２８—５７．

万方数据
Ｐ ａ ｎ １３ ｎ ｇ Ｓ ｔ ｕ ｄ ｅ ｓ

ＮｌＵ Ｘｉｎｙｉ，ＷＵ Ｇｕａｎｓｈｕ，ＬＩ Ｍｅｎｇ．Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｂｕｉｌｔ ［２５】刘海，户慧，阮金花，等．基于“用户画像”

Ｅｎｖｉｒｏｎｍｅｎｔ ｏｎ Ｓｔｒｅｅｔ Ｖｉｔａｌｉｔｙ ａｎｄ Ｉｔｓ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ 挖掘的精准营销细分模型研剐Ｊ】．丝绸，２０１ ５，
Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ Ｂａｓｅｄ ｏｎ ＬＢＳ Ｐｏｓｉｔｉｏｎｉｎｇ Ｄａｔａ［Ｊ】．Ｕｒｂａｎ ５２（１２）：５７－４２，４７．
Ｐｌａｎｎｉｎｇ ９，５４（１）：２８－３７．
Ｉｎｔｅｒｎａｔｉｏｎａｌ，２０１ ＬＩＵ Ｈａｌ，ＬＵ Ｈｕｉ，ＲＵＡＮ Ｊｉｎｈｕａ，ｅｔ ａ１．Ｒｅｓｅａｒｃｈ ｏｎ

［１ ７】闫晴，李诚固，陈才，等．基于手机信令数据的 Ｐｒｅｃｉｓｉｏｎ Ｍａｒｋｅｔｉｎｇ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｍｉｎｉｎｇ

长春市活动空间特征与社区分异研列Ｊ］．人文地 “Ｐｅｒｓｏｎａ”［Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｓｉｌｋ，２０１ ５，５２（１ ２）：５７—

理，２０１ ８，３３（６）：３５－４５． ４２．４７．

ＹＡＮ ｑｉｎｇ，ＬＩ Ｏｈｅｎｇｇｕ，ＣＨＥＮ Ｃａｉ，ｅｔ ａ１．Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ 【２６】余孟杰．产品研发中用户画像的数据模建——从

ｏｆ Ａｃｔｉｖｉｔｙ Ｓｐａｃｅ ａｎｄ Ｃｏｍｍｕｎｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ ｉｎ 具象到抽象【Ｊ】．设计艺术研究，２０１４，４（６）：６０—
Ｃｈａｎｇｃｈｕｎ：Ａ Ｓｔｕｄｙ Ｕｓｉｎｇ Ｍｏｂｉｌｅ Ｐｈｏｎｅ Ｓｉｇｎａｌｉｎｇ ６４．

Ｄａｔａ［Ｊ］．Ｈｕｍａｎ Ｇｅｏｇｒａｐｈｙ，２０ １ ８，３３（６）：；３５—４５． ＹＵ Ｍｅｎｇｊｉｅ．Ｄａｔａ Ｍｏｄｅｌｉｎｇ ｏｆ Ｕｓｅｒ Ｐｏｒｔｒａｙａｌ ｉｎ ｔｈｅ

［１ ８】朱钟炜．基于社交媒体数据的城市绿地景观满意 Ｐｒｏｄｕｃｔ Ｄｅｖｅｌｏｐｍｅｎｔ：Ｆｒｏｍ Ｃｏｎｃｒｅｔｅ ｔｏ Ａｂｓｔｒａｃｔ［Ｊ】．

度评价方法【Ｄ】．北京：北京大学，２０２０． Ｄｅｓｉｇｎ Ｒｅｓｅａｒｃｈ，２０１４，４（６）：６０－６４．

ＺＨＵ Ｚｈｏｎｇｗｅｉ．Ａｎ Ａｓｓｅｓｓｍｅｎｔ Ｆｒａｍｅｗｏｒｋ ｏｆ Ｇｒｅｅｎ 【２７】茅明睿，王良．基于某电子商务公司用户数据的

Ｓｐａｃｅ Ｓａｔｉｓｆａｃｔｉｏｎ Ｕｓｉｎｇ Ｓｏｃｉａｌ Ｍｅｄｉａ Ｄａｔａ：Ｃｏｎｔｅｎｔ 市民画像及应用思考［ｃ】∥第十七届中国科协年会
Ａｎａｌｙｓｉｓ ｗｉｔｈ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ［Ｄ】．Ｂｅｉｊｉｎｇ：Ｐｅｋｉｎｇ 论文集．２０１ ５：１—１ ５．

Ｕｎｉｖｅｒｓｉｔｙ，２０２０． ＭＡＯ Ｍｉｎｇｒｕｉ，ＷＡＮＧ Ｌｉａｎｇ．Ｃｉｔｉｚｅｎ Ｐｏｒｔｒａｉｔ Ｂａｓｅｄ

【１ ９】王楠，杜云艳，易嘉伟，等．基于手机信令数据 ｏｎ Ｕｓｅｒ Ｄａｔａ ｏｆ ａｎ Ｅ－Ｃｏｍｍｅｒｃｅ Ｃｏｍｐａｎｙ ａｎｄ ｌｔｓ

的北京市空间品质时空动态分析【Ｊ】．地球信息科 Ａｐｐｌｉｃａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １ ７“Ａｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ

学学报，２０１ ９，２１（１）：８６－９６． ｏｆ Ｃｈｉｎａ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，

ＷＡＮＧ Ｎａｎ，ＤＵ Ｙｕｎｙａｎ，ＹＩ ｄｉａｗｅｉ，ｅｔ ａ１．Ｓｐａｔｉａｌ－ ２０１ ５：１—１ ５．

Ｔｅｍｐｏｒａｌ Ｄｙｎａｍｉｃ Ａｎａｌｙｓｉｓ ｏｆ Ｕｒｂａｎ Ｓｐａｃｅ Ｑｕａｌｉｔｙ Ｂａｓｅｄ ［２８】刘学太，李阳，巴志超，等．数据驱动环境下

ｏｎ Ｃｅｌｌｕｌａｒ Ｓｉｇｎａｌｉｎｇ Ｄａｔａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ－ｌｎｆｏｒｍａｔｉｏｎ 数据画像若干问题探析［Ｊ】．情报理论与实践，
Ｓｃｉｅｎｃｅ，２０１ ９，２１（１）：８６－９６． ２０２２，４５（４）：８７－９４．
［２０】李兆中，甄峰．多源数据结合的城市生活空间 ＬＩＵ Ｘｕｅｔａｉ，ＬＩ Ｙａｎｇ，ＢＡ Ｚｈｉｃｈａｏ，ｅｔ ａ１．Ａｎａｌｙｓｉｓ

质量评价——以南京为例【Ｊ】．人文地理，２０１ ９， ｏｎ Ｓｅｖｅｒａｌ Ｐ ｒｏｂｌｅｍｓ ｏｆ Ｄａｔａ Ｐｒｏｆｉｌｅ ｉｎ Ｄａｔａ——

５４（６）：５；３—６１． Ｄｒｉｖｅｎ Ｅｎｖｉｒｏｎｍｅｎｔ［ｄ】．Ｉｎｆｏｒｍａ，ｔｉｏｎ Ｓｔｕｄｉｅｓ：Ｔｈｅｏｒｙ＆

ＬＩ Ｚｈａｏｚｈｏｎｇ，ＺＨＥＮ Ｆｅｎｇ．Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｕｒｂａｎ Ｌｉｆｅ Ａｐｐｌｉｃａｔｉｏｎ，２０２２，４５（４）：８７－９４．
Ｓｐａｃｅ Ｑｕａｌｉｔｙ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ－Ｓｏｕｒｃｅ Ｄａｔａ：Ａ Ｃａｓｅ 【２９】宋美琦，陈烨，张瑞．用户画像研究述评［Ｊ】．情
Ｓｔｕｄｙ ｏｆ Ｎａｎｊｉｎｇ［ｄ】．Ｈｕｍａｎ Ｇｅｏｇｒａｐｈｙ，２ ０ Ｉ ９， 报科学，２０１ ９，５７（４）：１ ７１—１ ７７．

５４（６）：５５—６１． ＳＯＮＧ Ｍｅｉｑｉ，ＣＨＥＮ Ｙｅ，ＺＨＡＮＧ Ｒｕｉ．Ａ Ｒｅｖｉｅｗ ｏｆ

【２Ｉ】刘瑜，姚欣，龚咪喜，等．大数据时代的空间 Ｕｓｅｒ Ｐｒｏｆｉｌｅ Ｅｅｓｅａｒｃｈ［Ｊ】．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０ １ ９，

交互分析方法和应用再论【Ｊ】．地理学报，２０２０， ５７（４）：１ ７１—１ ７７．

７５（７）：Ｉ ５２３－－Ｉ ５３８． 【５０】王毅，昊睿青．公共图书馆数字文化资源服
ＬＩＵ Ｙｕ，ＹＡ０ Ｘｉｎ，ＧＯＮＧ Ｙｏｎｇｘｉ，ｅｔ ａ１．Ａｎａｌｙｔｉｃａｌ 务用户画像研究【Ｊ】．图书情报工作，２ ０２１，
Ｍｅｔｈｏｄｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｓｐａｔｉａｌ Ｉｎｔｅｒａｃｔｉｏｎｓ ｉｎ ｔｈｅ ６５（１ ６）：４２．－５５．
Ｅｒａ ｏｆ Ｂｉｇ Ｄａｔａ［Ｊ］．Ａｃｔａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ，２０２０， ＷＡＮＧ Ｙｉ．ＷＵ Ｒｕｉｑｉｎｇ．Ｒｅｓｅａｒｃｈ Ｏｎ Ｕｓｅｒ Ｐｏｒｔｒａｉｔ ｏｆ

７５（７）：Ｉ ５２５一Ｉ ５５８． Ｄｉｇｉｔａｌ Ｃｕｌｔｕｒａｌ Ｒｅｓｏｕｒｃｅ Ｓｅｒｖｉｃｅ ｉｎ Ｐｕｂｌｉｃ Ｌｉｂｒａｒｙ［Ｊ】．

［２２】郭鑫，陈宏飞，杨喜平．建成环境对城市不同 Ｌｉｂｒａｒｙ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｒｖｉｃｅ，２０２Ｉ，６５（１ ６）：４２－
５５
年龄群体活力的时空异质性影响研究［Ｊ】．地理与
地理信息科学，２０２２，３８（１）：６５—７０，７８．
ＧＵＯ Ｘｉｎ，ＣＨＥＮ Ｈｏｎｇｆｅｉ，ＹＡＮＧ Ｘｉｐｉｎｇ．Ｓｔｕｄｙ ｏｎ

ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｂｕｉｌｔ Ｅｎｖｉｒｏｎｍｅｎｔ ｏｎ Ｓｐａｔｉｏ－Ｔｅｍｐｏｒａｌ

Ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ Ｖｉｔａｌｉｔｙ ｏｆ Ｄｉｆｆｅｒｅｎｔ Ａｇｅ Ｇｒｏｕｐｓ ｉｎ

Ｃｉｔｉｅｓ［Ｊ］．Ｇｅｏｇｒａｐｈｙ ａｎｄ Ｇｅｏ－ｌｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，

２０２２，５８（１）：６３－７０，７８．
［２５】ＡｌａｎＣｏｏｐｅｒ。交互设计之路：让高科技产品回归人性
【Ｍ】．Ｃｈｒｉｓ Ｄｉｎｇ．北京：电子工业出版社，２００６．
ＣＯＯＰＥＲ Ａｌａｎ．Ｔｈｅ Ｉｎｍａｔｅｓ Ａｒｅ Ｒｕｎｎｉｎｇ ｔｈｅ Ａｓｙｌｕｍ：

Ｗｈｙ Ｈｉｇｈ Ｔｅｃｈ Ｐｒｏｄｕｃｔｓ Ｄｒｉｖｅ Ｕｓ Ｃｒａｚｙ ａｎｄ Ｈｏｗ ｔｏ

Ｒｅｓｔｏｒｅ ｔｈｅ Ｓａｎｉｔｙ［Ｍ】．ＤＩＮＧ Ｃｈｒｉｓ，ｔｒａｎｓ．Ｂｅｉｊｉｎｇ：

Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ Ｉｎｄｕｓｔｒｙ，２００６．

【２４】丁伟，王题，刘新海，等．基于大数据技术的
手机用户画像与征信研究［Ｊ】．邮电设计技术，
２０１ ６（５）：６４－６９．
ＤＩＮＧ Ｗｅｉ，ＷＡＮＧ Ｔｉ，ＬＩＵ Ｘｉｎｈａｉ，ｅｔ ａ１．Ｒｅｓｅａｒｃｈ ｏｎ

Ｍｏｂｉｌｅ Ｐｈｏｎｅ Ｕｓｅｒ Ｐｒｏｆｉｌｅ ａｎｄ Ｃｒｅｄｉｔ Ｒｅｆｅｒｅｎｃｅ Ｂａｓｅｄ ｏｎ

Ｂｉｇ Ｄａｔａ Ｔｅｃｈｎｏｌｏｇｙ［Ｊ】．Ｄｅｓｉｇｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｏｆ Ｐｏｓｔｓ

ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ。２０ １ ６（５）：６４－－６９．

万方数据