Human mobility and landscape characteristics: A seasonal, spatiotemporal analysis of pedestrian and non-pedestrian mobility in Helsinki using global and local regression models

Thumbnail Image

Files

master_Kääriäinen_Santeri_2025.pdf (14.73 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-29

Department

Major/Subject

Computer Science

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

58

Series

Abstract

This thesis investigates seasonal, spatiotemporal relationships between human mobility and urban landscape characteristics in Helsinki. It models application-based human location data from Locomizer Ltd with landscape indices based on semantically segmented street view imagery, processed and aggregated to the H3 grid in an earlier thesis from 2023. The analysis progresses from global regression (Ordinary Least Squares - OLS) to spatial models (Spatial Lag Model - SLM, Spatial Error Model - SEM) and to Geographically Weighted Regression (GWR) to capture spatial non-stationarity. To focus on underlying seasonal trends and minimise daily variations, Saturday mobility data were aggregated across representative spring, summer, and winter periods to isolate seasonal patterns from short-term noise. The analysis reveals that mobility-landscape relationships are often statistically significant, with their strength and direction varying substantially by season and location. GWR models proved essential, revealing significant local variations missed by global methods. For instance, pedestrian presence correlates strongly with the density and diversity of the built environment. In contrast, the same landscape features were poor predictors of non-pedestrian movement. The key conclusion is that the observed human-environment interactions are highly localised and mode-specific. The overall character of a place often matters more than any single attribute, demanding a spatially sensitive analytical approach.

Tämä diplomityö tutkii ihmisten liikkumisen ja kaupunkiympäristön ominaispiirteiden välisiä kausittaisia spatiotemporaalisia yhteyksiä Helsingissä. Työssä mallinnetaan Locomizer-yhtiön sovelluslähtöistä paikannusdataa ja aiemmassa, vuonna 2023 tehdyssä diplomityössä käsiteltyjä ja H3-hilaan aggregoituja, semanttisesti segmentoituihin katunäkymäkuviin perustuvia maisemaindeksejä. Analyysi etenee globaaleista regressiomalleista (OLS) edistyneempiin spatiaalisiin malleihin (SLM, SEM) ja lopulta maantieteellisesti painotettuun regressioon (GWR), jolla voidaan tarkastella ilmiön epästationaarisuutta. Kausittaisten trendien korostamiseksi ja päivittäisten vaihteluiden minimoimiseksi työssä käytettiin edustavilta kevät-, kesä- ja talvijaksoilta aggregoitua lauantain liikkumisdataa. Analyysi osoittaa, että liikkumisen ja maiseman väliset suhteet ovat usein tilastollisesti merkitseviä, ja niiden voimakkuus ja suunta vaihtelevat huomattavasti vuodenajan ja sijainnin mukaan. GWR-analyysi paljasti olennaisia paikallisia eroja, jotka eivät ole näkyvissä globaaleissa malleissa. Esimerkiksi jalankulkijoiden määrä kytkeytyy vahvasti rakennetun ympäristön tiheyteen ja monimuotoisuuteen, kun taas samat maisemapiirteet osoittautuivat heikoiksi ennustetekijöiksi muun kuin jalankulkuliikenteen osalta. Johtopäätöksenä on, että havaitut ihmisen ja ympäristön vuorovaikutukset ovat hyvin paikallisia ja riippuvat käytetystä liikkumismuodosta. Paikan kokonaisvaltainen luonne on usein yksittäistä ominaisuutta tärkeämpi, mikä korostaa paikallisesti herkän analyysimenetelmän tarvetta.

Description

Supervisor

Tenkanen, Henrikki

Thesis advisor

Kettunen, Pyry

Keywords

human mobility, spatiotemporal analysis, geographically weighted regression, spatial non-stationarity, mobile data, landscape perception

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196440

Collections

[dipl] Perustieteiden korkeakoulu / SCI