基于LBS数据的极端降雨期间潜在滞留信号识别微尺度分析框架

《International Journal of Disaster Risk Reduction》：A micro-scale analytical framework for identifying potential stranding signals during extreme rainfall using LBS data

　　

由气候变化驱动的极端降雨日益扰乱城市出行，往往导致灾害事件期间出现非自愿的原地滞留。以往研究主要考察出行模式的扰动，而对非自愿滞留关注较少。因此，在核心影响时段内识别可能发生滞留的位置，对于应对这一被忽视的灾害性出行中断维度、改进应急响应规划具有重要意义。本研究为每个空间网格构建总停留时间（TDT）特征曲线，显式捕捉灾害事件期间人员驻留的持续时间与时间演变。将事件周TDT与由前四个正常周构建的按星期对齐的中位基线进行比较，可识别日常活动模式的扰动。随后，通过联合考虑绝对与稳定化相对TDT变化来检测潜在滞留信号，并利用到达与离开动态对其进行分类。将该框架应用于2023年9月7—8日深圳极端暴雨，得到三项发现。首先，核心影响时段内总体停留时间下降，表明设施到访普遍减少。尽管如此，仍识别出93个潜在滞留信号网格，包括62个混合机制、22个持续导向和9个到达导向网格，且呈现显著空间聚集。POI多样性越高，信号网格分类的几率越低，而道路密度呈负相关但统计上不确定。这些发现为极端降雨期间潜在滞留风险的检测提供了一条分析路径，并有助于优先确定需要进一步态势评估与应急响应关注的位置。

**论文解读：基于LBS数据的极端降雨期间潜在滞留信号识别微尺度分析框架**

**1. 研究背景与问题**

全球变暖正在增强水文循环，极端降水事件频率与强度增加，城市洪涝风险不断加剧。据EM-DAT数据库统计，2022—2024年间全球平均每年发生约161次洪水灾害。在人口密集的城市环境中，极端降雨不仅造成建筑物和基础设施的直接物理破坏，还会引发级联性中断。在降雨持续高强度的核心影响时段，交通受阻可能导致部分人群在特定地点等待、躲避或比平时停留更长时间，即产生非自愿滞留。识别可能发生滞留的位置，对于理解局部出行中断和支撑应急决策至关重要。

然而，以往研究主要依赖灾后调查、自我报告事件和社交媒体记录来了解这类现象，这些数据存在选择性参与、空间覆盖不均、位置信息不确定等问题，难以系统识别核心影响期内细尺度的潜在滞留位置。虽然大规模时空移动数据（尤其是手机和基于位置的服务，即LBS数据）已被用于分析疏散、恢复和出行中断模式，但对核心影响期内非自愿滞留的关注仍然不足。因此，该研究旨在提出一个基于LBS数据的微尺度分析框架，通过异常累积驻留来识别极端降雨期间可能发生滞留的网格单元。

**2. 研究内容与数据**

研究人员以深圳市罗湖区和福田区为研究区域，利用国内某大型LBS数据提供商的高精度室内场景定位数据，该数据覆盖观测期内深圳市924万匿名用户。观测期包括事件周（2023年9月7—8日）和此前四个正常周（2023年8月3—4日、10—11日、17—18日、24—25日），并按星期对齐以控制人类活动的周周期性。数据经过过滤（删除≤1分钟和≥960分钟的停留记录）、合并（同一用户在同一POI的间隔≤10分钟的连续停留合并）后，最终得到282万独立用户和1576万条记录，并分配到100米网格和10分钟时间窗口。此外，研究人员还收集了公开报道的地铁中断数据和经审核的17个人员事件点作为独立验证。

**3. 关键技术与方法**

研究构建了“总停留时间”（Total Dwell Time, TDT）指标，用于度量每个网格内人类驻留的累积时间。具体技术步骤包括：

- **基线构建**：利用四个正常周的TDT数据，按网格和时间窗口取中位数作为基线曲线。
- **变化量计算**：计算事件周TDT相对于基线的绝对变化（绝对差值均值）和稳定化相对变化（百分比变化均值），并设置基线下限阈值（每窗口100分钟）以避免低基线网格产生虚假极端比值。
- **信号识别**：将绝对变化和相对变化分别排名前1%的网格取交集，得到潜在滞留信号网格。
- **机制分类**：通过比较事件周与基线的到达人数和离开倾向变化，将信号网格分为混合机制（到达增加且离开减少）、到达导向（仅到达增加）和持续导向（仅离开减少）。
- **空间聚类分析**：使用随机标签置换检验（10,000次）评估信号网格的空间聚集程度。
- **逻辑回归**：建立二元逻辑回归模型，分析信号网格与建筑环境特征（POI多样性、道路密度、高程、坡度、距水域距离等）的关联，并考虑常规活动水平和功能类型的调节效应。

**4. 结果**

**4.1 雨洪期间TDT动态**

事件周曲线在周四中午前后已开始低于正常周包络线，表明活动提前偏离常态。核心影响时段内，事件周曲线持续低于基线包络，显示强降雨期间室内POI累积驻留总体下降。至周五午夜，曲线恢复到正常范围内。

**4.2 信号识别与机制分类**

在15250个网格中，分别选取绝对变化和稳定化相对变化前1%的网格（各153个），交集得到93个潜在滞留信号网格，其中罗湖区54个、福田区39个。机制分类显示：62个为混合机制（到达增加且离开减少），22个为持续导向（仅离开减少），9个为到达导向（仅到达增加）。

**4.3 空间聚集**

93个信号网格形成17对相邻边，在6911个有效网格（含至少一个POI）中，随机置换期望值仅2.04对；条件置换（保持与区分和基线TDT十分位）下期望值为5.43对，观测值仍显著高于期望（p<0.001），表明信号网格空间聚集性显著。

**4.4 建筑环境关联**

逻辑回归（样本量6911，信号网格93个）显示：POI多样性在各模型中均与信号分类呈显著负相关（M0中OR=0.623，95%CI:0.434-0.894；加入常规活动水平和功能类型后OR降至0.300-0.448），表明混合功能区域出现滞留信号的可能性更低。道路密度在各模型中呈现稳定负相关（OR=0.829-0.871）但统计上不显著。POI数量在未加入常规活动水平时显著正相关，但加入后失去显著性。常规活动水平（基线TDT）与信号分类强正相关（M1中OR=7.338，M3中OR=7.769），而功能类型B和C的估计为正但不精确。

**4.5 独立外部验证**

受影响地铁站到最近信号网格的中位距离为280米，未受影响站为620米；受影响站中50.0%在300米内，72.7%在500米内，均远高于未受影响站（分别为20.0%和37.5%）。17个审核事件点到最近信号网格的中位距离为466米，其中5个在300米内，9个在500米内，全部在约900米内。

**5. 讨论与结论**

研究表明，尽管总体活动下降，但局部累积驻留异常仍可被识别，且信号网格呈现显著空间聚集。POI多样性高的区域更不易出现滞留信号，这可能因混合功能区域提供更多邻近目的地和替代服务。道路密度负相关虽不确定，但提示网络连通性的潜在作用。常规活动水平强的位置更可能出现信号，说明监测应重点关注平日人流量大的场所。

该框架可用于应急管理中优先筛查潜在滞留高风险区域：到达导向区域需管理流入和转运点，持续导向区域需恢复对外通道并援助在场人员，混合机制区域需同时加强流入管理和疏散支持。研究存在局限，如LBS数据对儿童、老年人等群体代表性不足，基线仅基于四周正常数据，且无法从聚合数据推断个体意图。未来可结合交通运营记录、内涝观测、应急响应报告和实地调查来验证和优化识别结果。

总之，该研究提出了一种微尺度分析框架，能从整体活动下降的背景中识别出局部人潮异常累积，为极端降雨期间快速筛查风险位置提供了方法基础，有助于提升城市应急响应的空间针对性和资源配置效率。