技术框架
结合个体层面与群体层面的停留行为时空扰动评估方法
数据预处理
识别用户停留行为和居家位置，构建分析基础数据集
个体层面分析
基于相似性思想构建地理和时间扰动程度量化指标
群体层面分析
基于Z-Score原理构建定量化停留扰动度量方法
验证评估
以泉州暴雨事件为例验证方法有效性
极端天气事件频发，对城市人群活动模式产生显著影响，亟需定量评估方法
全球气候变暖加速，极端天气事件发生频率和强度均呈上升趋势，给城市带来严峻挑战
我国城镇化率达66.16%，城镇地区集聚绝大部分人口和社会资源，极端天气影响更集中
现有研究多关注移动行为，对停留行为扰动关注较少，缺乏个体层面影响分析
结合个体层面与群体层面的停留行为时空扰动评估方法
识别用户停留行为和居家位置，构建分析基础数据集
基于相似性思想构建地理和时间扰动程度量化指标
基于Z-Score原理构建定量化停留扰动度量方法
以泉州暴雨事件为例验证方法有效性
基于手机位置数据的停留行为和住家位置识别
研究区域划分为500m格网，30分钟内位移距离<500m
夜间00:00-06:00停留持续时长≥4小时
统计用户平均每日停留次数分布情况
与常住人口分布情况进行对比验证
基于相似性思想的地理扰动和时间扰动量化方法
利用上下两周相同工作日停留位置的相对偏移距离大小来度量地理扰动程度
根据上下两周相同工作日停留状态的时间长度占比进行度量
| 类型 | 地理扰动 | 时间扰动 | 潜在用户特征 |
|---|---|---|---|
| C1 | 正常 | 正常 | 受影响较小的用户 |
| C2 | 异常 | 正常 | 停留位置改变但时间作息不变 |
| C3 | 正常 | 异常 | 停留位置不变但时间作息改变 |
| C4 | 异常 | 异常 | 地理位置和时间安排均受综合影响 |
基于Z-Score原理的群体层面扰动度量方法
disTB_pop(g,h) = (pop_first(g,h) - pop_next(g,h)) / pop_next(g,h) × 100%
g为格网，h为时段，pop为停留人次
基于Z-Score原理，Z<-3和Z>3分别表示异常偏低和异常偏高
99.7%的数据差异小于3个标准差
反映人群受暴雨影响的时间扰动模式
分析不同地区群体停留行为的韧性特征
不同区域表现出不同的恢复速度
2022年7月泉州暴雨事件的停留行为扰动实证分析
地理位置和时间安排更容易受到暴雨事件的综合影响
停留位置有所改变，但时间作息基本不变
不同类型个体在地理空间上呈现明显的分布差异
受影响群体居住地区覆盖了全市建成区面积的68.71%
暴雨前夕显著增加，最大变化幅度为9.82%
暴雨下午显著增加，最大变化幅度高达21.48%
受影响群体居住地区覆盖全市建成区面积比例
暴雨前夕长时间停留行为最大增幅
暴雨下午短停留行为最大增幅
多层次、定量化的停留行为扰动评估方法体系
"本文提出的方法能够从个体层面、群体层面定量分析极端天气对人群停留行为的影响范围及程度，能够为应急管理部门评估灾害风险，处置应对有关事件提供支撑。"
为城市韧性建设和应急管理提供科学支撑
通过定量评估极端天气对人群行为的影响，为提升城市防灾减灾能力提供科学依据
为应急管理部门评估灾害风险、制定应对策略和资源配置提供定量化工具
支持城市精细化管理调度，实现差异化援助和有效的资源分配策略
多维度、多层次的停留行为扰动分析技术体系
结合个体层面和群体层面，全面评估停留行为扰动
基于数学原理构建量化指标，避免主观判断
同时考虑地理扰动和时间扰动的综合影响
推动人群动态监测与城市韧性建设的深度融合