把时间竖起来之后，手机位置会告诉我们怎样的日常？
论文名片｜Chaogui Kang、Song Gao、Xing Lin、Yu Xiao、Yihong Yuan、Yu Liu、Xiujun Ma，Analyzing and Geo-visualizing Individual Human Mobility Patterns Using Mobile Call Records，2010 年第 18 届国际地理信息学会议，1—7 页。DOI:10.1109/GEOINFORMATICS.2010.5567857。研究类型：匿名通话记录的探索性时空可视化与分组描述分析。
一张平面地图上，家与工作地点之间的两点来回，可能只留下几条线。若把早晨、午后、夜晚沿竖轴展开，同一片空间就出现了停留、移动和按天重复的节奏。这个场景帮助理解时间地理学的读图方式，不代表研究已经知道每个手机用户的家、工作和出行目的。
这篇早期会议论文把 3D 时空路径、2D 活动网络与群体统计结合起来。它的价值在于让大量位置事件变得可观察、可比较；同时也提醒我们，手机只在发生通话时留下的位置，与完整生活轨迹之间，仍有很大距离。
先说结论
- 研究使用中国一座未具名城市连续九天的 869,992 名匿名用户记录，位置最终落在 617 个基站记录位置上；这不是连续 GPS 追踪。
- 三维路径显示停留与按天重复，二维网络显示常去中心与偶尔访问地点，但图形本身不能验证职业、就业或出行目的。
- 样本的回转半径分布在约 2 km 附近最多，超过 95% 的用户低于约 10 km；不能改写为“95% 的人每天总共走不到 10 km”。
- 性别组的归一化分布较接近，年龄组在短距离段有差异；通话次数与所观测活动范围正相关，但研究没有分离观测频率偏差和真实行为差异。
九天、六百多个位置，能代表多少真实出行？
样本从在研究区域内至少拨打或接收过一次电话的人中随机抽取，覆盖从周日到下一周周一的连续九天。记录包含呼叫类型、日期、时间、通话时长、路由基站经纬度，以及性别、年龄等资料。研究没有进一步设置最低通话活跃度门槛，并去除了涉及大陆范围之外的跳跃记录。
每个基站服务范围约 1 km²；用户在这个范围中的精确位置未知。事件间也可能发生没有通话的移动。因此，后文的路径线是连接已记录位置的表达，不是沿途每一段真实道路的观测；同一基站重复出现，也不能证明人完全没有移动。
论文给出了城市行政范围与人口的概括，但未公开城市名称，也没有明确采样日历日期。本文不根据地图猜城市，不把示例日常扩展成全国居民行为。即使用户很多，一家运营商、短时间窗口和手机使用习惯仍会限制代表性。
时间为什么要成为第三个坐标？
时间地理学（time geography）把活动理解为空间与时间约束下的过程。三维时空路径用平面 X、Y 表示位置，竖直轴表示时间；在同一位置持续出现形成近竖直段，记录位置发生变化则形成斜段。
这种表示让两个平面路线相近的人，也可能显露不同节奏。论文用 Python 配合 ArcScene、ArcMap 构建三维和二维表达，主要用途是探索模式，而不是证明某个预测模型更准确。
图 1｜相似城市空间里，时间安排会怎样分开？
原图没有子图，颜色区分个体，底面是城市空间，路径高度表示时间推进。较长竖直段与较短、碎片化段显示不同的记录节奏；不能仅由这些形态判断工种或实际工时。来源：原论文 Fig. 1。
图 2｜重复位置是否也在重复时间中出现？
原图没有子图，不同颜色的水平时间层与右侧 Monday 至 Sunday 标记组织一周路径。它让工作日与周末的空间—时间差异更容易观察；示例不提供全体用户周末旅游的发生比例。来源：原论文 Fig. 2。
图 3｜同一种视图能否显示另一种节奏？
原图没有子图，蓝色路径频繁改变平面位置，展示比固定位置停留更碎片化的形态。它是一个个体例子，尚不能据此认定其没有固定工作或受到较少时间约束。来源：原论文 Fig. 3。
三维图擅长展示时间，但很多人的路径叠加后会相互遮挡。二维网络则把反复访问与连接汇总起来，使常去地点和活动结构更容易比较。
把路径压成网络，会留下哪些信息？
二维图中，每个点代表一个记录基站，点大小对应该用户在附近的通话频次，连线宽度对应观察到的直接跨基站移动次数。背景分区帮助表达基站服务空间，不应当作个人活动边界。
图 4｜少数常去中心会怎样显现？
原图没有子图，较大的少数节点与重复连接显示活动集中。大点表示通话记录多，不必然表示在此停留最久。来源：原论文 Fig. 4。
图 5｜经常返回与偶尔去新地方，可以同时存在吗？
原图没有子图，中央较大的几个节点之外，还有许多分散的小节点，表达稳定访问中心与偶发访问并存。它支持形态上的比较，没有测量“可预测性下降多少”。来源：原论文 Fig. 5。
图 6｜地点多、重复少，就一定随机吗？
原图没有子图，网络覆盖较多位置，节点大小相对分散。论文用它讨论不固定的活动形态，但没有随机性检验或未来预测实验，不能由复杂外观直接断言此人不可预测。来源：原论文 Fig. 6。
论文进一步把某些图形解释为户外工作或不固定就业者的活动，这些职业标签没有独立调查验证。这里保留它们作为不同网络形态的例子，而不把推测变成人群身份识别结论。
所谓典型距离，究竟是总里程还是活动范围？
研究使用回转半径（radius of gyration）概括用户活动范围。通常，它衡量所记录位置相对其空间重心的均方离散距离再开方。原文将后续图轴简写成 distance，但正文明确以回转半径描述典型移动范围；它既不是最长一次出行，也不是所有行程长度相加。
原文没有详细展开该数据中的位置权重、缺失处理与计算公式，因此以下保留其经验分布，不额外宣称每个人的真实全天范围已经被准确恢复。
图 7｜样本中哪种活动范围最常见？
原图没有子图，横轴为典型距离，纵轴为人数，蓝色竖线标在约 2 km。分布先上升后下降，说明不是所有人都集中在零距离附近，也不能仅凭曲线形状认定幂律。来源：原论文 Fig. 7。
图 8｜约 10 km 能覆盖多少用户的典型范围？
原图没有子图，纵轴是从低到高累积的用户比例，蓝线位于约 10 km。正文报告超过 95% 的样本低于这一量级；分母是 869,992 名受测用户，不是移动次数。来源：原论文 Fig. 8。
这两个结果只能说明通话位置所见的活动范围较集中。漏掉一次不通话的远行，或者在同一个服务区内进行多次短途移动，都不会被这两张图充分呈现；不能据此推算每人日均里程、交通方式或出行费用。
性别组计数不同，能否说明某组更爱远行？
若两组样本人数不同，人数分布曲线的高度自然不同，所以计数图需要与组内比例图一起读。论文将样本按所附性别信息分成两组，比较同一范围指标。
图 9｜原始计数图里，什么差别可能来自样本规模？
原图没有子图，蓝线为男性、绿线为女性，纵轴是人数。两条曲线峰值高度不同，但这本身不能区分样本构成与移动模式差异。来源：原论文 Fig. 9。
图 10｜换成组内比例后，差别还剩多少？
原图没有子图，纵轴改为比例，男女两组分布大体接近。论文将其概括为没有显著性别差异，但未提供对应检验统计量、置信区间或效应量，因此更适合描述为图形上接近。来源：原论文 Fig. 10。
活动范围接近也不等于时间约束相同。两个人可能覆盖同样大小的空间，却分别承担接送、照料或弹性时间不同的任务。研究本身也提醒，单凭通勤长度或活动范围，无法完整衡量城市机会可达性。
年龄差异在哪里，哪些解释尚未验证？
原文分为 20 岁以下、20—39 岁、40—59 岁、60 岁以上四组。其文字边界没有清楚交代恰好 60 岁的归属，本文不自行补出分组算法；这不影响先读总体分布形态。
图 11｜较小距离范围内，年龄组有何差别？
原图没有子图，点颜色对应 adolescent、youth、middle、old，纵轴为比例。青少年与老年组在接近零的短范围段占比更高，青年与中年组更多集中在稍大的范围；几组分布仍明显重叠。来源：原论文 Fig. 11。
图 12｜把距离范围拉宽后，差异如何变化？
原图没有子图，横轴扩至约 17 km，各组在低距离段的差别较明显，尾部逐渐靠近。不能由此直接判断青少年和老年人“喜欢不出门”；记录也可能受到通话习惯和活动安排影响。来源：原论文 Fig. 12。
论文把年龄差别解释为就业、购物等外出任务差异，但数据并未为每次移动标注目的，也没有控制居住地、交通可达性、收入和手机使用频率。因此，这是群体相关与可能解释，并非年龄本身造成更远移动的因果估计。
通话越多、活动范围越大，会不会有一部分只是看得更清楚？
图 13｜通信活跃与所见移动范围是什么关系？
原图没有子图，横轴为通话次数，纵轴为移动量指标；不同颜色给出总体及性别组的点与趋势线。原图纵轴仅标 Movement，未完整标出单位与估计误差，故不从图上反算精确 km 增量。它展示正向关联，没有给出通信导致移动的因果效应。来源：原论文 Fig. 13。
更多通话可能真实地伴随更多商务、社交和活动任务，也可能只是增加采样机会，让原本会漏掉的远处位置被记录下来。尤其本研究包含只通话一次的用户，观测稀疏程度差异很大。若不统一采样频率或控制记录数，无法把这两个机制拆开。
因此，不能将这张图解释成“多打电话会让人出门更多”，也不能从分组平均关系预测某个用户的真实里程。
这套可视化方法最适合回答什么？
三维视图展示时间节奏，二维网络展示常去中心，分组分布提醒我们不要把所有用户压成一个平均人。这些方法适合探索、发现候选模式，并为后续更严格的假设检验提供问题。
证据仍限于九天、一个城市与通话触发的位置。一些图是个体例子，没有给出各形态在总体中的比例；人口属性的来源与误差未充分展开；连续移动、停留时长、职业和活动目的均缺乏独立验证。研究没有公开可用于复算的原始逐人记录，也没有建立可用于预测评估的留出集。
所以，最有价值的读法是理解一种以人为中心的时空表达框架，和它揭示的描述性差异；不能把地图上的一条线直接当作已经解释清楚的生活。
一句话总结
把时间放进地图、把通话位置组织成网络，可以看见日常活动的重复与分散；但九天基站记录所见的范围和人群差异，仍需与真实里程、生活目的及观测偏差分开。
核心来源
- 正式论文 DOI：七页论文与完整 Figs. 1—13。
- 作者 Yihong Yuan 的出版目录：核对会议、年份、页码与 DOI。
作者介绍
- Chaogui Kang：论文署名北京大学遥感与地理信息系统研究所，第一作者。
- Song Gao：论文署名北京大学遥感与地理信息系统研究所。
- Xing Lin：论文署名北京大学遥感与地理信息系统研究所。
- Yu Xiao：论文署名北京大学遥感与地理信息系统研究所。
- Yihong Yuan：论文署名加利福尼亚大学圣巴巴拉分校地理系。
- Yu Liu：论文署名北京大学遥感与地理信息系统研究所，为通讯作者之一。
- Xiujun Ma：论文署名北京大学机器感知教育部重点实验室，为通讯作者之一。原文未列逐人贡献分工，以上仅介绍发表时可核实的署名身份。
延伸思考：一张越来越丰富的地图，可能只是采样越来越密
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
一个人当天活动没有变化，只是打电话更频繁，基站轨迹也可能多出几个远处节点，看起来像生活范围扩大了。可视化越直观，越需要记住“没有记录”与“没有到过”之间的差别。
一个可检验的改进，是将高活跃用户的记录下采样到相同次数，重复计算回转半径与网络形态，观察年龄和性别组差异是否仍然存在。若通话次数与范围的关联明显减弱，就说明观测强度贡献了部分结果；若仍然存在，再用独立出行日记或 GPS 样本检验真实活动差异。这样的比较能把漂亮图形推进到更可靠的行为解释。
