北京的人流在哪儿?用大数据看城市
如何读懂一座城市?人们把生活构建在大大小小的城市中,城市不仅为人们提供工作机会,更寄托着休闲、娱乐、教育等诸多期待。在这个复杂的网络、动态的系统之中,每个人只能看到自己周围的生活,而几乎无法了解整个城市的场景。尤其是,如果你生活在一个特大城市,比如常住人口超过2300万的北京,可能穷尽一生都无法彻底读懂这座被尊称为帝都的城。
如今,我们有了“大数据”这样的信息时代新利器,每日都能直观俯视城市日新月异的变化,不必只从平面地图和县志中来间接理解城市。
毕竟,房子和土地只是表象,人的聚集才是城市的本质。就像使用卫星地图监控城市的土地开发那样,我们现在利用大数据,在不同层次监测人口聚集,更好地回答“人在哪儿”的基本问题。
传统的宏观统计
以前我们只能看到宏观统计,例如采用县级统计年鉴数据库分析全国尺度的区县域人口密度(2012),宏观表现全国人口分布的京津冀、珠三角、长三角和成渝经济圈四极大结构(如下图)。
如果把尺度放得更小一些,我们又能看到什么?我们采用街道尺度的第六次人口普查数据,分析了北京市域街道层面的人口总量和人口密度分布(乡镇街道立体图中,高度和颜色分别表示人口的数量和密度)。
从人口总量看,昌平区的回龙观、东小口镇(天通苑)、北七家镇(天通苑以北),海淀区的学院路、北太平庄街道,以及大兴区的黄村地区,都聚集了大量人口;而从人口密度看,高密度区主要集中在海淀区和西城区。因聚集了大量的优质教育资源,海淀区在总量和密度上均呈现较高的值,所谓“宇宙中心”,果然不虚。
用大数据回答“人在哪儿”
上述数据可以让我们了解城市的脉络,但从中终究无法看到时间如何在城市中流逝、人们在城市中如何运动。由此,我们在这里尝试用大数据去回答城市中“人在哪儿”,把时间维度放进城市空间分析,重新理解城市中人的活动。
北京:在哪儿上班,在哪儿睡觉?
我们采用百度(百度热力图)和腾讯(宜出行平台)实时网格人口数据,选择工作日上午10点和夜间23点,分别代表上班工作和下班居家的活动状态,由此得出城市的职住中心。如下图所示,为上午10点人口分布(即就业分布),清晰可见人口集聚区及稀疏区。
由图可知,就业中心主要集中在:中关村、知春路、朝阳门-建***-国贸一带、王府井-东单、金融街、西单、西直门、上地、望京、东直门、亮马桥、朝阳路十里堡段、惠新西街南北口、五道口、六道口等(北京南站因处于交通枢纽而聚集较多人群)。
下图为夜间23点的人口分布(即居住分布)。可以发现,居住中心主要集中在中关村、回龙观、西小口、六道口、五道口、牡丹园、清河、知春路、大钟寺、学院南路、劲松-潘家园、宋家庄-石榴庄、京沪高速与南六环相交处、十里堡、望京、北苑、立水桥、天通苑、芍药居、小营等地。
通过对比,我们可以发现城市白天和黑夜的不同形态。***种空间,白天熙熙攘攘的金融街、国贸、西单、王府井等商业就业中心,到了晚上一片寂静;第二种空间,集商业、就业、居住于一体的中关村、五道口、六道口、知春路等地,无论白天黑夜均集聚大量人气;第三种空间,回龙观、天通苑、北苑、宋家庄等主要以居住为主的地区,体现了睡城的基本特征。由此,大数据可以帮助我们了解城市居民如何使用城市空间,进行实时动态监测。
相关文章
- 直接在代码里面对list集合进行分页
- .NET Framework 4.5新特性详解
- 大数据的简要介绍
- 大数据的由来
- 高斯混合模型的自然梯度变量推理
- timing-wheel 仿Kafka实现的时间轮算法
- 使用Navicat软件连接自建数据库(Linux系统)
- 那一天,我被Redis主从架构支配的恐惧
- Redis 深入了解键的过期时间
- C#使用委托调用实现用户端等待闪屏
- 基于流计算 Oceanus 和 Elasticsearch Service 构建百亿级实时监控系统
- GRAND | 转录调控网络预测数据库
- JFreeChart API中文文档
- 临床相关突变查询数据库
- TIGER | 人类胰岛基因变化查询数据库
- 视频边缘计算网关EasyNVR在视频整体监控解决方案中的应用分析
- Apache Arrow - 大数据在数据湖后的下一个风向标
- 常见的电商数据指标体系
- AKShare-艺人数据-艺人流量价值
- MySQL中多表联合查询与子查询的这些区别,你可能不知道!