全球尺度下城市兴趣点的时间访问模式：网络科学与机器学习方法

我们旨在研究全球城市兴趣点的活动时间模式。为此，我们使用在线基于位置的社交网络 Foursquare 提供的数据，其中用户进行签到来指示城市中的兴趣点。该数据集包含 5 大洲 87 个国家 632 个城市的超过 9000 万次签到。我们分析了超过 1100 万个兴趣点，包括各类场所：机场、餐厅、公园、医院以及许多其他场所。利用这些信息，我们获得了每个城市的空间和时间活动模式。我们量化了所有涉及城市这些模式的相似性与差异，并构建了连接城市对的网络。该网络的链接表示城市间兴趣点时间访问模式的相似性，并由两个分布之间的 Kullback-Leibler 散度量化。然后，我们获得了该网络的社区结构及其在全球的地理分布。为作比较，我们还使用机器学习算法——无监督凝聚聚类——来获取具有相似模式的城市簇或社区。主要结果是两种方法均给出相同的分类：属于全球五大洲的五个社区。这表明活动时间模式可能是普适的，在行星尺度上存在一些地理、历史和文化差异。