研究背景
活动空间描述了个体在空间移动行为中所接触的地理空间区域集合，在城市公共资源配置优化、交通规划、公平性评价等研究中具有重要意义。现有算法未能准确反映人类围绕活动锚点移动的空间行为特征，且缺乏适用于大规模轨迹数据的高效准确算法。
核心问题
现有方法未充分考虑活动锚点重要性，存在系统性高估
技术需求
需要高效准确的大规模轨迹数据活动空间建模方法
核心指标
50%+
面积效率提升
12%-40%
个体可达性占比
ANC
算法创新
ANC算法架构与流程
算法核心步骤
1
停留点识别
基于空间阈值ε和时间阈值δ提取个体停留点
2
活动锚点提取
基于访问频次φ识别居住地、工作地等关键锚点
3
移动关系建立
提取不同活动锚点间的移动行为关系
4
活动空间构建
叠加锚点内圆形空间与锚点间椭圆空间
数学模型公式
锚点内活动空间
circle(Ai) = {P|d(P, Ai) ≤ dis1}
以活动锚点为圆心，dis1为半径的圆形区域
锚点间活动空间
ellipse(Ai, Aj) = {P|d(P, Ai) + d(P, Aj) ≤ d(i,j) + dis2}
以两个锚点为焦点的椭圆形移动空间
最终活动空间
ANC = ∪i=1n circle(Ai) ∪ ∪i,j=1,i≠jn ellipse(Ai, Aj)
所有圆形和椭圆空间的空间叠加结果
创新评价指标体系
活动空间覆盖率
Coverage
计算公式
Coverage = Nwithin / Ntotal × 100%
评价意义
量化活动空间对个体真实到访区域的覆盖程度
面积效率
Efficiency
计算公式
Efficiency = Coverage / Area
评价意义
衡量单位覆盖率所需的活动空间面积
活动空间面积
Area Size
传统指标
活动空间的几何面积大小
局限性
单一面积指标无法全面反映建模精度
基线方法对比分析
传统几何方法
标准距离圆 (SDC)
以轨迹点质心为圆心的圆形活动空间
radius = k × rg (k=1或2)
忽略方向性特征
标准距离椭圆 (SDE)
考虑空间方向分布的椭圆形活动空间
能体现移动行为方向特征
仍存在过度包络问题
ANC算法优势
核心创新点
- 基于活动锚点的行为建模
- 结合时间地理学理论
- 适用于大规模轨迹数据
- 有效减少过度包络
性能提升
50%+
面积效率提升
更高
覆盖率精度
上海市实证研究结果
空间分布特征
圈层结构分布
城市中心区域活动空间较小，郊区活动空间较大，呈现明显的圈层结构特征
面积显著差异
ANC算法计算的活动空间面积显著低于SDC、SDE算法，表明传统方法存在过度包络
个体可达性
ANC算法下的个体可达性仅为传统方法的12%-40%，揭示了现有方法的显著高估
算法性能验证
覆盖率对比
ANC算法
优于基线方法
SDC/SDE
存在过度包络
效率提升
50%+
面积效率提升
显著
过度包络减少