摘 要 移动定位大数据包括手机信令数据、移动互联网LBS数据等类型，是表示个体活动时空特征的轨迹数据。在移动定位大数据中依据轨迹点的时空特征规律能识别出个体活动的居住、工作、游憩等特征点，计算上述活动的空间分布特征，进而获得居住、工作、游憩等功能之间联系的流向和流量特征，获得传统数据无法反映的城市功能空间分布以及城市功能联系的时空特征。由此，移动定位大数据支持建成环境规划设计有密度出发和联系出发两种应用途径。联系出发的途径能支持区域城市关联、职住空间关系、城市中心体系、设施服务水平等方向;密度出发的应用途径能支持城市人口规模、街道活力分析等方向。移动定位大数据测算居民活动特征还只是一种推测，在应用方法上要避免“黑箱”方式，对移动定位大数据测算结果一定要结合传统数据进行校核，提高可靠性。
关键词 移动定位大数据;个体活动;城市功能;规划设计
0 引 言
移动定位大数据(mobile positioning big data)是带有地理位置标签的大数据，有时被称为位置大数据。随着信息通信技术(ICT)的发展，尤其是移动通信和移动互联网等的广泛使用，随身携带的移动设备产生了多种移动定位大数据。移动定位大数据包括了来自移动互联网访问记录的 LBS(location based service，基于位置服务)数据，带GPS的出租车、公交车、卡车产生的浮动车数据，以及移动通信网络中产生的手机信令数据等种类。用于地铁、公交车的智能公交卡如果能记录乘客刷卡时的站点位置，也能被视为是移动定位大数据。
移动定位大数据一般记录了个体移动中的空间定位以及对应的时间戳。尤其是手机等随身携带移动设备所产生的移动定位大数据能够大致记录个体活动时空轨迹。由于这些设备的广泛使用，移动定位大数据不仅能让我们看到城市中的个体时空活动，也使得大规模获取较长时间序列的人群活动轨迹变成可能。城市中人群的活动时空特征不仅是建成环境规划设计的基础数据，也是评估建成环境成效的基础数据。移动定位大数据为建成环境规划设计提供了新的数据基础。
1 移动定位大数据、个体活动、城市功能
1.1 移动定位大数据与个体活动
移动定位大数据是一种大规模记录个体时空轨迹的数据集。从时空轨迹角度出发，各种移动定位大数据基本类似，但是在个体时空轨迹点的产生方式和记录轨迹点的时间连续性上有所差异。例如，移动互联网LBS数据是用户在使用移动互联网服务、发出定位请求时被记录下来的位置信息。不同APP的使用频率不同，对应定位的时空轨迹点数量也不同。地铁刷卡数据是由智能公交卡用户每一次地铁出行产生进站刷卡、出站刷卡2个轨迹点，一日往返通勤会产生4个轨迹点记录。手机信令数据则一般以至少1 h的间隔连续记录用户空间位置。在去除位置连续重复的信令后，4G用户人均每日大概能被记录到150个轨迹点。
居民个体行为所形成的时空轨迹中，按照行为一般时空规律识别出个体行为的特征点，包括“居住、工作、游憩”等特征行为位置，这是规划设计中所应用的基础数据处理方法。例如，匿名用户一个月内在 60%的日期内夜间在同一位置留下了轨迹点，这个位置很有可能是这位用户当月的居住地;同样匿名用户一个月内在60%工作日日间在同一位置留下了轨迹点，这个位置则很有可能是这位用户当月的工作地。类似规则也能测算用户休息日常去的游憩地。
1.2 移动定位大数据与城市功能
对个体用户来讲，从上述移动定位大数 据识 别出个人行为的“居住、工作、游憩”特征位置点，将上述特征位置点串联在一起就是该用户当日的“交 通”出行轨迹(图1)。当移动定位大数据样本量占据城市居民相当大的比例后，汇总众多用户的 “居住、工作、游憩”特征位置点就能获得城市“居住、工作、游憩”功能空间分布特征。同样，在个体层面将上述各个特征位置点串联在一起的“交通”出行轨迹，在总体上能反映城市“居住—工作”“居住—游憩”等功能联系。移动定位大数据能用于测算城市居住、工作、游憩功能空间分布，也能用于测算“居住—工作”“居住— 游憩”等功能联系。这是移动定位大数据在建成环境规划设计中的应用基础。
人口普查数据能很好地描述城市居住功能的空间分布，经济普查数据能很好地反映城市工作功能的空间分布。但是这些普查数据不仅调查成本极高、更新较慢，而且人口普查、经济普查数据是静态统计数据，无法测算诸如“居住—工作”等功能联系。移动定位大数据在上述方面弥补了传统数据的不足，具有独特的优势。
1.3 移动定位大数据与城市之间的人流联系
移动定位大数据也能用于区域城市群和城镇体系分析。移动定位大数据能测算城市之间的人流联系，以及人流联系的流量和流向。从移动定位大数据形成的时空轨迹中识别出居民的“常住地”城市和跨城出行的“目的地”城市。从个体上来讲，这是居民跨城出行的行为时空位置，从总体上讲则是城市之间人员的流动联系，具备了联系流量和流向(图2)。进一步通过人群出行的时空特征与重复率，也能推算出两个城市之间的跨城通勤出行，用于判断城市之间的功能联系类型和特征。
表示城市之间联系的数据(流向、流量)一直是规划研究所迫切需要的。传统数据难以解决城市之间联系的流向与流量。移动定位大数据所提供的人流联系数据相当于城市之间全模式客运交通联系，能支持区域层面的规划应用。
2 移动定位大数据的应用途径
2.1 联系出发的应用途径
联 系出发 的应 用 途 径 计 算的是“居住—工作”“居住—游憩”等特定功能之间联系的流量与流向特征。例如，使用移动定位大数据同时测算出用户的居住地与工作地，就能得到通勤联系，用于测算某个就业中心工作者的居住地来源分布;使用移动定位大数据同时测算出用户的居住地、游憩地，就能得到“居住—游憩”联系数据，用于测算某个商业中心游憩者的居住地来源分布。联系出发的应用途径关注的是同一用户“居住”“工作”“游憩”等特定活动之间的联系。
传统调查或普查方法也能得出同一批用户“居住—工作”功能联系与“居住— 游憩”功能联系。由于大规模普查工作量大、时间长，很难进行全市性计算。移动定位大数据有相对较高分辨率的空间定位精度，有较大用户样本数量且地理空间上容易做到全覆盖，地理范围不再是制约“居住—工作”功能联系与“居住—游憩”功能联系的因素，适用于不同尺度规划设计。
2.2 密度出发的应用途径
密度出发的应用途径计算的是居住、工作、游憩等特定功能的空间分布特征，并用居民特定活动的密度值表达。例如，使用移动定位大数据测算出用户的居住地，就能得到城市居住人口分布值，使用测算出的用户的工作地，就能得到城市就业岗位。密度出发的应用途径就是计算出特定单元内不同个体同一类活动的空间分布特征。
传统调查或普查方法所得到的居住人口密度与就业岗位密度都是基于街道、居委等特定空间单元，其应用场合会受到空间统计单元的制约。例如，以街道单元统计的居住人口分布难以被用于较小尺度的详细规划与城市设计层面。由于移动定位大数据有相对较高分辨率的空间定位精度，所得到的居住、就业、游憩等城市功能的密度不再受到统计单元的制约，适用于不同尺度的规划设计。
相关期刊推荐：《西部人居环境学刊》是由教育部主管、重庆大学主办，建筑城规学院具体承办的国内外公开发行的学术型期刊，《西部人居环境学刊》立足西部，以建筑学、城乡规划学、风景园林和建筑技术科学为学术支撑，全面探讨人居环境科学，并以“学术性”、“时代性”和“国际化”强调学刊的发展方向。有投稿需求的作者，可以直接与期刊天空在线编辑联系。
3 从联系出发的应用方向
3.1 职住空间关系
就业和居住是城市功能结构的重要组成部分，职住空间关系也是规划设计的重要议题。职住空间关系是移动定位大数据在建成环境规划设计中最为普及的应用方向。规划设计中的职住空间关系分析使用了
从移动定位大数据中获取的“居住—工作” 联系。手机信令数据是识别“居住—工作” 联系最为常见的数据[1]，公交刷卡和地铁刷卡数据可以通过测算乘客上、下车位置和时间的重复性，推算通勤出发和到达站点，也能间接用于城市职住空间关系的分析[2-3]。
使用移动定位大数据对城市职住关系进行分析被应用于不同尺度的规划设计中。在城市总体规 划层面，可以应用于城市内部的职住关系分析，得到城市整体的职住空间特征和通勤距离，划分出紧密通勤范围[4](图3)，加深对城市空间结构的认识[5]，或是分析市区与郊区的同城化程度[6]，或是用于评价主城区与郊区新城的关系，对新城产城融合的建设成效进行评估[7]。在详细规划层面，可以应用于城市特定单元内(如典型就业区)[8]的职住情况，分析特定区域的通勤模式。
当前，随着都市圈一体化，职住空间联系从城市内部扩展到相邻城市之间。由于我国不存在跨城市的交通出行调查，传统数据在这个方面无能为力。移动定位大数据则为研究分析这种跨城职住空间关系提供了很好的手段，这反映出城市与区域功能结构新的变化，在上海与近沪城市所组成的都市圈研究中已得到应用[9]。体规划的重要内容之一，不同等级的公共中心是以服务范围进行划分的，例如主中心服务全市、地区中心服务局部城区等。公共中心只能使用土地使用性质、建筑面积规模等静态数据评估规模，服务范围只能用服务半径进行估算。
从移动定位大数据中获取的“居住— 游憩”联系可用于判断公共中心游憩者的来源地，从而判断出中心的腹地，对公共中心体系的服务绩效进行评价。利用这一方法划定势力范围的方法比传统的服务半径的方法更加有效，能够看到不同等级公共中心的服务情况[10]。通过对城市多个中心服务的范围比较(图4)，结合对出行距离的分析，移动定位大数据可以进一步分析公共服务设施缺乏的区域，为新建副中心选址决策提供支持[11]。
3.3 设施服务水平
公共设施、交通设施、绿地等合理布局配置是规划设计的重要任务。大型公共设施如体育馆、大型公园、景区(图5)等可以采用与规划公共中心体系相似的方法。通过获取设施使用者的活动轨迹，建立“设施—居住地”之间的出行联系，从功能联系角度对设施服务范围进行评估。具体分析内容可以根据设施的服务特点来决定。例如对于城市公园的服务情况，移动定位大数据可以通过建立“游憩—居住” 联系分析公园的服务范围与服务时间等特征[12]，也可以对于公园绿地体系进行分析，评价公园绿地整体的供需关系是否满足城市居民的需求，为新建大型公园的选址与建设优先次序提出建议[13]。
对于以机场、火车站、枢 纽站、地铁站点等为代表的交通设施，可以利用移动定位大数据记录连续活动轨迹的特点，使用与功能联系相似的方法，建立起“出发地—交通设施—目的地”的联系，在此基础上测算各种交通设施的服务范围，提供现有交通设施的服务情况(图6)。
3.4 区域城市关联
在城镇体系规 划中，城镇的等级、职能、空间结构等都需要有城镇之间联系数据的支持。目前较常用航空、铁路、公路客运班次来测算城市之间的联系。但这些客运交通方式难以全面反映城市之间人流的出行联系。
从移动定位大数据中获取城市之间人流联系，可以通过联系流量、流向两个维度来判断区域内城市之间的联系情况。综合流量流向可以定量评价各个城市在城际出行网络中的中心性，将其应用于城镇体系的等级结构规划[16](图7)，能有效弥补传统的“规模—位序”方法的不足。
使用移动定位大数据所获取的城市之间的人流联系数据还能被应用于城镇体系空间结构中，例如基于流量流向划分各个城市的势力范围(图8)、通过不同时间城市之间的人口流动识别全国城市群中心与城市等级[17]、建立城市联系强度模型测算城市影响范围[18]等各种应用方法。
