导读

本期为大家推荐的内容为论文《 and in urban 》（评估城市动态人口制图中的空间统计和机器学习模型），发表在 in Urban Data, , and 期刊，欢迎大家学习与交流。

及时准确掌握精细时空粒度人群动态对开展以人为中心的研究有着重要价值。过去几十年，随着高频人类数字足迹数据可用性的不断提升，精细时空尺度人群动态制图研究得到了飞速发展。然而，此类研究在建模策略和辅助数据选择方面仍缺乏统一标准，尤其缺乏不同协变量条件下新兴机器学习技术与传统空间统计方法的系统比较。本文以北京市百米格网逐小时人群动态制图为例，对比了不同协变量组合下，两种空间统计模型（贝叶斯框架下时空模型与时空地理加权回归模型）与两种机器学习方法（随机森林模型与梯度增强算法）的性能。研究发现，融合城市功能协变量的贝叶斯框架下时空模型能够获得最佳估算精度与最低估算偏差。基于该模型，研究构建了城市空间逐小时人群动态分布数据集并进一步挖掘了不同城市功能设施的人群活动模式差异。本文强调了耦合时空关联信息在精细时间尺度人群分布制图中的重要性，以及城市功能协变量在城市空间人群分布制图中的重要价值。

论文相关

题目： and in urban

（评估城市动态人口制图中的空间统计和机器学习模型）

作者： Cheng, Wang, Zhu,Yong Zhou*

发表刊物：

in Urban Data, , and

DOI:

摘要

at fine are to human- 。 With the of high- human data, the past have in at fine 。 , such still lacks a in and data , a newly and under 。

Here, we two , the space-time model and and , with two , and , in a case study of at 100 m in 。 We the model with and found that the space-time model the best in with urban data。 the model , we and human on city 。

This paper the of in fine scale and the urban in urban 。

论文展示（部分）

更多期刊资讯，请点击文末“阅读原文”，或复制【期刊主页链接】至浏览器搜索查看。欢迎来自所有国家和背景的作者投稿！

【期刊主页链接】：