时空大数据支持城市空间结构研究是基于动态的个体活动视角来揭示城市层面的静态空间关系，是时空大数据在城市规划研究中应用最为广泛的领域。具体可归纳为中心体系和职住空间关系两项研究议题。

城市空间结构中的中心体系研究，涵盖形态多中心和功能多中心两类研究视角。前者是基于城市活动分布密度来划定城市中心；后者是基于城市活动联系强度来划定城市中心。

时空大数据能够实现人群活动分布和活动联系的大范围测度，对于传统中心体系研究中的基础社会调查方法形成补充。较为典型如Sun 等（2016）基于密度分布视角，根据社交网络签到数据中的到访频次，通过聚类分析识别了德国三个城市（柏林、慕尼黑、科隆）的城市中心，并精确划定了城市中心的空间边界（图1）。

图1 三种聚类方法识别城市中心

来源：SUN Y R, FAN H C, LI M, et al. Identifying the city center using human travel flows generated from location-based social networking data[J]. Environment and Planning B: Planning and Design, 2016, 43(3): 480-498.

时空大数据还能够实现人群活动分布和活动联系的长周期测度，支持城市中心体系的纵向比较研究。Zhong等（2014）基于联系强度视角，使用公交刷卡数据构建市民出行联系，通过网络分析计算节点中心性、识别组群边界。通过历史数据比较，研究发现新的副中心和社区正在出现，新加坡正在向多中心城市形态发展（图2）。

来源：ZHONG C, ARISONA S M, HUANG X F, et al. Detecting the dynamics of urban structure through spatial network analysis[J]. International Journal of Geographical Information Science, 2014, 28(11): 2178-2199.

在对城市中心体系进行量化测度的基础上，时空大数据还可用于城市空间结构的经典模型验证。例如，Van Meeteren和Poorthuis（2018）使用社交媒体数据验证了中心地理论，以肯塔基州Louisville为例，基于地理标记推文识别消费出行，通过比较各类商业设施服务范围和空间分布差异实证中心地理论中范围（range）和阈值（threshold）的关系（图3），并发现城市中心功能集群接近层次结构。

图3 各类商业设施范围（range）和阈值（threshold）的关系

来源：VAN MEETEREN M, POORTHUIS A. Christaller and “big data”: recalibrating central place theory via the geoweb[J]. Urban Geography, 2018, 39(1): 122-148.

时空大数据测度中心体系能够兼顾形态多中心和功能多中心双重视角，且大范围、长周期的数据采集能够支持多城市的比较研究和多中心的演变研究，有助于深入揭示城市多中心的空间特征与形成机制，同时为传统城市模型验证提供新的数据基础。

职住空间关系是城市空间结构的经典议题，传统研究中获知城市层面职住分布及其通勤联系的手段有限，以人口普查和经济普查为代表的普查数据往往只能获知就业分布或居住分布，难以描述其通勤联系，且普查数据一般以街道或区县为空间统计单元；交通调查虽然能够获知通勤联系，但是数据获取成本较高，一般五或十年才进行一次。

时空大数据基于移动通信设备随身携带的特性，能够较为准确地估测出用户的居住地、就业地，使得大范围的基于个体的职住分布及其通勤联系测度成为可能。Long等（2015）使用公交刷卡数据识别持卡人居住地、就业地和通勤出行，并与居民出行调查结果相比较，证实了使用公交刷卡数据识别职住与通勤的可靠性；并分析了北京市三大典型居住区、六大典型办公区的通勤模式（图4）。Niu和Ding（2015）使用手机信令数据识别了上海中心城的通勤范围（图5），同时量化了中心城区和郊区新城的通勤联系，从而对上海市域范围内的人口、产业布局提出职住平衡导向下的规划政策建议。

图4 北京主要通勤模式（箭头表示从家到工作地点的方向，以TAZ为空间单元）

来源：LONG Y, THILL JC. Combining smart card data and household travel survey to analyze jobs-housing relationships in Beijing [J]. Computers Environment and Urban Systems, 2015, 53(S1): 19-35.

图5 中心城通勤范围

来源：Niu,Ding.利用手机数据分析上海市域的职住空间关系——若干结论和讨论[J].上海城市规划,2015(2):39-43.

在对职住分布和通勤联系进行量化测度和空间可视化的基础上，使用时空大数据可进一步对通勤活动与职住空间分布的关系进行深入探索，有助于挖掘职住失衡背后的原因所在。Zhang等（2017）使用手机信令数据识别上海市民职住地，并对实际通勤、理论最小通勤、理论最大通勤进行可视化和对比分析（图6）。研究发现上海市实际通勤与理论极值差异较大，基于职住空间分布现状，理论上能实现6km内就近就业的工作者比例远高于实际比例，说明工作岗位和住房之间可能存在不匹配。

图6 上海的通勤流量

来源：ZHANG P, ZHOU J P, ZHANG T R. Quantifying and visualizing jobs-housing balance with big data: A case study of Shanghai[J]. Cities, 2017, 66: 10-22.

使用时空大数据测度职住空间关系能够克服传统研究中采样精度、采样频率等局限，使得更大范围、更细粒度且更具时效性的职住空间关系研究得以广泛开展，引发了对于职住平衡、职住匹配、过剩通勤等诸多议题的关注。

时空大数据支持区域空间结构研究，是基于跨地级市层面的个体要素流动，来揭示功能联系视角下的区域空间关系，具体可归纳为城市网络和功能性城市区域两大议题。

城市网络研究范式源于1990年代以后盛行的“流空间”理论，常见使用企业关联、航空网络等来测度区域空间结构网络特征。时空大数据的出现，为描述人流、物流等个体层面的城际出行联系提供了新的数据基础。

通过时空大数据测度城际人员流动，根据流动频次、时段等时空间特征可进一步区分流动类型，支持城市网络量化分析，实现城市层级比较、城市组群划分等，进而为区域规划提供决策依据。例如，Wang等（2021）使用手机信令数据构建长三角城市群城际出行网络，分别从场所空间和流动空间两个维度测算了长三角城市群的空间组织特征（图7）。研究发现，长三角城市群依然是稳定中心地体系，但逐步瓦解；区域形成了“一核多极”非均衡网络结构。

图7 最大、第二大城际出行联系划分核心城市腹地

来源：Wang,Niu,Song.基于城际出行的长三角城市群空间组织特征[J].城市规划,2021,45(11):43-53.

在对城市网络特征进行量化分析的基础上，时空大数据还可用于城际人员流动的影响因素探究。例如，Zhang等（2018）使用社交媒体数据构建长三角城市群城际联系网络并划分为若干城市组群（图8），探讨了行政边界、自然条件、方言文化等物质空间与社会经济要素对于区域内部组群形成的可能影响。

图8 基于城际出行联系划分的长三角城市分区

来源：ZHANG W Y, DERUDDER B, WANG J H, et al. Regionalization in the Yangtze River Delta, China, from the perspective of inter-city daily mobility[J]. Regional Studies, 2018, 52(4): 528-541.

使用时空大数据测度城市网络沿用了城市网络的研究范式。大数据展示的人员流动等城市关联为城市网络特征刻画提供了新的研究维度。

功能性城市区域研究是从功能联系视角来界定城市区域范围，超越了传统行政边界的限制，定义为与核心城市有紧密规律性日常联系、频繁发生社会经济互动的城市连绵地域。

时空大数据用于功能性城市区域研究沿用了以通勤联系为代表的功能联系视角，通过测算就业活动分布密度、职住通勤联系流量，界定功能性城市区域范围，探知“核心-边缘”区域空间结构特征。例如，Li和Niu（2021）使用手机信令数据测算职住功能联系，通过局部空间自相关识别就业活动分布的高密度连续区域，从而划定上海巨型城市区域的核心范围（图9）。

图9 基于就业分布高密度连续区划定的上海巨型城市区域核心范围

来源：LI K K, NIU X Y. Delineation of the Shanghai Megacity Region of China from a commuting perspective: Study based on cell phone network data in the Yangtze River Delta[J]. Journal of Urban Planning and Development, 2021, 147(3): 04021022.

除了“核心-边缘”的研究视角，也有部分研究从网络视角解读时空大数据测得的通勤联系，采用网络社区发现算法探知功能性城市区域的空间结构。例如，Zhang等（2020）使用手机信令数据构建了以珠三角60个子城市分区为节点的细粒度通勤网络，检测到存在两个社区，并呈现为混合多中心区域空间结构（图10）。

图10 基于网络社区算法探知珠三角的功能性城市区域网络空间结构

来源：ZHANG W J, FANG C Y, ZHOU L, et al. Measuring megaregional structure in the Pearl River Delta by mobile phone signaling data: A complex network approach[J]. Cities, 2020, 104: 102809.

时空大数据突破了传统功能性城市区域研究中以人口普查区或交通调查区等行政管理单元统计职住分布与通勤联系的局限，使得功能性城市区域的空间结构研究得以在实体地域上开展。

时空大数据与人的轨迹的耦合程度决定了应用的深度，时空大数据的感知方式决定了应用的方式。

时空大数据来源于随人或物移动的位置感知设备，设备与人的轨迹耦合程度决定了数据能多大程度上揭示人的活动特征。手机信令数据等来源于由人随身携带的移动通信设备，能够更全面地记录人在城市空间中的活动全过程，在城市规划研究中有更高的价值；浮动车数据等来源于交通运输工具，只能记录城市活动的局部片段，故在规划研究中也存在一定的应用。

时空大数据根据数据感知方式可分为被动数据和主动数据。以手机信令数据、互联网LBS数据为代表的被动数据，是指设备使用者在使用移动通信或网络信息服务时，被自动采集的时空间位置记录。被动数据因其被动感知特点，能够较为完整地记录活动的时空间特征。以微博等社交平台签到、带有地理位置标记的推文等社交媒体数据为代表的主动数据，是指设备使用者主动上传的活动记录，通过语义解读可以相对较为容易探知活动行为目的或用户的情感态度信息。主动数据、被动数据均在城市规划得到了应用。

图11 时空大数据的类型与应用

来源：作者自绘

时空大数据使得大量行为个体在城市中的活动轨迹得以被连续记录，个体活动受到城市建成环境的制约，大量个体的共同活动特征反映了城市空间特征，为从个体使用和感知视角支持城市规划决策提供了新的数据基础。

相比于传统调查方法，时空大数据具备“大而精”的优势，连续长周期、大范围、细粒度的数据采集弥补了传统普查数据在时间频率和空间精度上的局限、访谈调查数据在样本容量和空间范围上的局限，是传统研究方法的有效补充。

由于移动通信设备的普及率在不同社会经济属性人群中存在差异，尤其是移动社交网络用户存在明显的年龄特征，因此时空大数据还难以准确反映所有城市行为个体的共同行为特征，存在一定程度的采样偏差。

因此可以在全局使用时空大数据，同时在若干典型局部区域使用传统社会调查方法进行抽样，通过比较大数据和小数据的统计结果构成差异，为了解时空大数据采样的偏差程度提供参考。

时空大数据支持城市规划研究，目前还是在探究时空大数据所反映的城市活动特征与建成环境等空间特征之间的相关性，还不能用于城市预测。城市规划的职责是应对未来，不只是认识、评价现状。时空大数据预测城市活动变化、支持规划预测，将是未来时空大数据在城市规划研究中有待探索的前沿。