城市郊区活动空间的移动定位技术与时空行为数据获取

在大数据时代，定位技术、互联网技术与移动通信技术的不断发展，为时空行为数据的获取提供了更多的可能。居民携带的可被定位的设备或物品逐渐增多，使得研究者可以从相关的企业或政府管理部门（如通信运营商、交通管理部门）获取时空轨迹数据，而不需要被调查者的主动参与，即时空行为数据的被动式获取。如通过在公交车或出租车上安装GPS获取的浮动车（floating car）数据，基于基站定位的手机定位数据，基于射频识别技术（Radio Frequency Identification，RFID）的公交IC卡、停车卡数据。在被动式的数据获取中，被调查者的时空信息在特定的行为背景下以相对客观的时空轨迹状态呈现出来，通常数据量较大，但也较难获取居民或用户的个人信息。这种数据获取需要被居民持有或在相应的交通工具上安装定位设备，涉及的定位技术包括GPS定位、手机基站定位、射频识别定位等。

GPS是新一代以卫星为基础的电子导航系统，以其全天候、实时、高精度和自动测量的特点融入了经济建设和社会发展的各个领域。GPS定位具有较高的时空精度，但由于其在室内无信号，而被更多地应用于交通领域（Wolf，2000）。安装了车载GPS定位装置的车辆即浮动车，可采集车辆的位置坐标、瞬时速度、行驶方向、运行状态等信息，是近年来智能交通系统（Intelligent Transportation System，ITS）中所采用的获取道路交通信息的先进技术手段之一（Schäfer et al，2002；秦玲等，2007）。基于多辆浮动车采集的位置、方向、速度等数据，结合基础道路信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，可以获取实时的城市交通状况，如车速、流量、拥堵情况等（Kobayashi et al，1999；Li et al，2011）。

随着手机的广泛使用与移动位置服务（Location－based Services，LBS）的快速发展，手机定位数据已成为时空行为数据的重要来源之一。移动位置服务是移动运营商根据移动用户的当前位置，为个人提供特定的信息增值服务，其关键技术是手机移动定位，主流技术包括蜂窝基站定位（Cell Identification）、观察角度（Angle of Arrival）、观察时差（Time of Arrival）和辅助全球卫星定位系统（Assisted Global Positioning System，A－GPS）等（Ratti et al，2006；柴彦威等，2010）。从手机移动定位的技术看，只要手机从基站获取信号，就可以对使用者进行定位。然而在实际应用中，出于对手机使用者的隐私保护，目前最常见的手机定位数据为手机通话数据，即当用户接打电话或接发短信时基于手机基站获取用户位置信息。手机通话数据记录了主被叫的编码、通话日期、通话时间、通话时长、基站位置等信息，为了保护用户隐私，通常需要对原始数据进行匿名化处理（Kang et al，2012）。相对于GPS定位技术，手机定位技术的时空精度较差，但室内外均可进行定位，通过对一个较长时段内通话记录的处理分析，可以获得大样本量（百万至千万级别）的个体较为连续和完整的时空轨迹（刘瑜等，2011）。

除了GPS和手机定位，基于Wi－Fi、蓝牙或射频识别的定位技术也被应用于时空轨迹的获取中。在特定地点安装蓝牙或其他信号接收装置，能够获取一定空间范围内设备持有者的时空信息。射频技术也是获取时空轨迹数据的重要途径，如公交公司拥有的公交IC卡刷卡数据，结合公交车配备的GPS就成为了重要的数据源。银行掌握的信用卡刷卡信息同样具备跟踪与定位效果。(www.xing528.com)

此外，由于居民携带的可被定位的设备增多，以及互联网技术的发展，还产生了一种半被动式时空行为数据获取。在Web2.0时代，互联网应用越来越注重用户的交互作用，用户既是网站内容的浏览者，也是网站内容的制造者，这也是近年来网上数据成倍增长的主要原因。在这种交互过程中，用户携带的手机、笔记本电脑等移动设备通过综合多种定位技术使其能够上传带有位置信息的数据，从而成为重要的数据源。如微博、微信、Twitter、Facebook等社交网络数据中的用户签到信息以及用户发布的信息中所隐含的时空信息。用户主动提供了大量信息，研究者则需要根据具体研究提取个体的时空数据或社会经济属性。

基于移动定位技术和互联网所获取的时空轨迹数据已被应用于城镇体系与区域结构、城市时空间结构、城市交通、旅游者行为等领域。在城镇体系与区域结构方面，Ratti等利用英国境内一个月的手机通话数据，计算各区域之间手机联络的紧密程度，利用无重叠社区划分法对英国进行区域划分，并与行政界限进行对比（Ratti et al，2010）。甄峰等结合中国城镇等级规模和信息化发展水平，选取了51个节点城市的1 020个研究样本，基于样本的微博好友关系数据对中国城市网络体系进行研究（甄峰等，2012）。在城市时空间结构方面，Ratti等以意大利米兰市为例，利用手机通话数据，研究了一天内的不同时间手机使用在城市中的空间分布（Ratti et al，2006）；刘瑜等基于上海市的浮动车数据分析了不同时间段在城市中乘客上下车的热点区域（Liu et al，2012）。在城市交通与居民出行方面，高松等利用青岛市的浮动车数据分析了青岛市的交通结构，并结合手机通话数据对交通状况进行了模拟（Gao et al，2013）；龙瀛等基于北京市一周的公交IC卡数据研究了居民的通勤时间、职住距离，并对居民的通勤行为进行了可视化以识别主要的交通流方向（龙瀛等，2012）。在旅游研究方面，阿哈斯等对爱沙尼亚17个月期间来自96个国家的国际漫游通信行为数据进行了分析，探索了手机移动数据在国际旅游市场分析中的作用（Ahas et al，2008）。