首页/论文/1807.04868

arXiv 1807.048682018-07-12cs.SI

使用CDR的人类移动模式建模

Human Mobility Patterns Modelling using CDRs

Suhad Faisal Behadili, Cyrille Bertelle, Loay E. George

DOI：: 10.5121/iju.2016.7102

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

研究目标是探索人类流动模式的特征，随后根据事件间时间和使用CDR（呼叫详细记录）的旅行距离参数对其进行数学建模。这些观测结果来自法国的无敌舰队节。理解，建模和模拟城市区域之间的人类流动性是令人兴奋的方法，因为它在各种事件的救援情况下非常重要，无论是建筑物疏散等室内事件还是公共集会等室外事件，紧急情况下出现的社区疏散，此外还服务于城市规划和智慧城市。

英文摘要：

The research objectives are exploring characteristics of human mobility patterns, subsequently modelling them mathematically depending on inter-event time and traveled distances parameters using CDRs (Call Detailed Records). The observations are obtained from Armada festival in France. Understanding, modelling and simulating human mobility among urban regions is excitement approach, due to itsimportance in rescue situations for various events either indoor events like evacuation of buildings or outdoor ones like public assemblies,community evacuation in casesemerged during emergency situations, moreover serves urban planning and smart cities.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

揭示城市交通网络中的过程结构

Revealing Process Structure in Urban Mobility Networks

NOVA IMS – NOVA Information Management School (NOVA IMS), Universidade NOVA de Lisboa, Campus de Campolide, 1070-312, Lisboa, Portugal

本文通过过程挖掘技术分析城市交通数据，揭示交通行为的结构化特征，并提出以对象为中心的模型以提升多模式交通规划的效率。

2026-02-13cs.SI

DeepSpace：一个用于移动大数据的在线深度学习框架，以了解人类移动模式

DeepSpace: An Online Deep Learning Framework for Mobile Big Data to Understand Human Mobility Patterns

近年来，移动终端的迅速普及，产生了海量的移动数据。然而，随着移动网络的发展，诸如支持向量机（SVM）等浅结构模型在处理高维数据时遇到了困难。在本文中，我们分析移动数据来预测人类的轨迹，以了解人类的移动模式，通过一个称为“深空”的深层结构模型。据我们所知，这是第一次将深度学习方法应用于预测人体轨迹。此外，我们将普通卷积神经网络（CNN）发展成为一个在线学习系统，可以处理连续的移动数据流。一般来说，“DeepSpace”由两种不同的预测模型组成，分别对应于不同的空间尺度（粗预测模型和细预测模型）。这两个模型构成了一个层次结构，使整个体系结构并行运行。最后，我们测试我们的模型的基础上的数据使用详细记录（UDR）从移动蜂窝网络在中国东南部的一个城市，而不是呼叫详细记录（CDR），这是被广泛使用的其他人通常。实验结果表明，“DeepSpace”在人体轨迹预测方面具有良好的应用前景。

2018-11-15cs.CYcs.SI

您的一天：使用移动数据估计个人每日交通流量以了解城市流量

A Day of Your Days: Estimating Individual Daily Journeys Using Mobile Data to Understand Urban Flow

如今，出行调查提供了有关城市流动性和通勤模式的丰富信息。但是，与此同时，它们也有缺点：它们是动态现象的静态图像，制作成本高，需要很长的时间才能完成。然而，移动使用数据（呼叫详细记录）的可用性使得在以前未知的水平上研究城市移动性成为可能。这在过去已经取得了很好的效果-移动数据使得发现和理解聚合移动模式成为可能。在本文中，我们建议通过估计每日行程来分析个人层面的移动数据，并使用这些行程来构建Origin-Destiny矩阵以了解城市流量。我们评估这种方法与大型匿名CDR从智利圣地亚哥，发现我们的方法具有较高的相关性（$ρ= 0.89$）与当前的旅行调查，它捕捉外部异常的日常出行模式，使我们的方法适合纳入城市计算应用。

2016-02-29cs.SIphysics.soc-ph

无线用户移动性预测精度的泛函高斯分布建模

Functional Gaussian Distribution Modelling of Mobility Prediction Accuracy for Wireless Users

提出用运动熵来度量人体运动的可预测性，并在此基础上推导出预测精度的上下限，但相应的预测精度的数学表达式尚未给出。在这项工作中，我们试图分析和模型预测精度的熵的基础上的二阶马尔可夫链模型的经验结果的大规模CDR数据集，这表明，具有相同的熵水平的用户实现不同水平的准确性\cite{Empirical}的观察。将熵划分为区间后，用高斯分布拟合每个熵区间内的精度概率密度分布，并估计出相应的均值和标准差。在观察到参数随熵的增加而变化后，我们用最小二乘法建立了参数与熵之间的关系模型。平均值可以建模为线性函数，而标准差可以建模为高斯分布。因此，基于上述分析，精度给定熵的概率密度函数可以表示为函数高斯分布。我们的工作是建立相关预测精度和可预测性熵模型的第一步，从而为该方向的进一步工作提供了指导。

2019-01-16cs.SI

考虑空间、时间和社会维度的人员流动模型

Modelling Human Mobility considering Spatial,Temporal and Social Dimensions

人类流动性建模在多个领域至关重要，从城市规划到流行病建模、交通预测和假设分析。一方面，现有的模型主要侧重于再现人的流动性的空间和时间维度，而社会方面，虽然它影响人的运动显着，往往被忽视。另一方面，那些捕捉人类流动的一些社会方面的模型具有琐碎和不切实际的空间和时间机制。在本文中，我们提出了STS-EPR，一个建模框架，嵌入的机制来捕捉空间，时间和社会方面在一起。我们的实验表明，STS-EPR优于现有的时空或社会模型上的一组标准的移动性指标，它可以使用有限的信息量没有任何重大损失的现实。STS-EPR是开源的，并在开放数据上进行了测试，它是朝着设计能够全面捕捉人类移动性所有方面的机械模型迈出的一步。

2020-07-05cs.SIstat.AP

城乡人群通信活动与移动模式的差异

Differences of communication activity and mobility patterns between urban and rural people

本研究利用呼叫详细记录分析城乡人群的社会通信与移动模式，发现城市人群通话频繁但移动性低、农村则相反，且移动性受时间、节假日及个体年龄性别影响。

2023-11-22cs.CYcs.SIphysics.soc-ph

更多相关论文收起更多论文

通过头部/尾部断裂进行人员流动性挖掘

Human Mobility Mining through Head/Tail Breaks

如今，随着世界人口变得更加相互联系，并依赖于更快的交通方式，简化的连接和更短的通勤时间，我们目睹了人类流动性的迅速增加。在这种情况下，揭示和理解人类的流动模式已成为一个关键问题，以支持决策和预测活动时，管理当今社会组织的复杂性。在实践中，每个人的流动模式由访问过的地方的顺序组成。这些地点及其相互关系是理解人类流动性的大多数建模和活动研究的基础。尽管访问过的地方支撑着这一领域的大多数作品，但它们的特征在很大程度上仍然未知，因为在以前的作品中，它们主要被认为是一个区域或社交聚集地中的未特征化的点，而没有考虑每个用户行为的角色和重要性。

2017-06-10cs.SI

探索使用时变图模拟公交网络

Exploring the use of time-varying graphs for modelling transit networks

研究公交网络的拓扑结构与公交车辆在网络上的移动模式之间的动态关系，对于设计智能和时间感知的公交管理和推荐系统解决方案至关重要。本文提出了一种时变图（TVG）来模拟这种关系。通过在Neo4j图形数据库中使用由加拿大新不伦瑞克蒙克顿市公交网络生成的公交馈送来实现该模型，探索了该模型的有效性。这种关系中的动态已经使用网络度量来检测，例如时间最短路径，度，介数和PageRank中心以及时间网络直径和密度。保留字：关键词：公交网络，移动模式，时变图模型，图数据库和图分析

2018-02-17cs.SIphysics.soc-ph

在SEIR中建立动态飞行网络模型

Incorporating Dynamic Flight Network in SEIR to Model Mobility between Populations

目前对COVID-19的建模工作通常基于标准的房室模型，如SEIR及其变体。由于症状前和无症状病例可以通过旅行在人群之间传播疾病，因此必须将人群之间的流动性纳入流行病学建模。在这项工作中，我们建议修改常用的SEIR模型，占动态飞行网络，通过估计进口的情况下，根据空中交通量以及测试阳性率的来源。这种称为Flight-SEIR的修改可能会实现1）。及早发现输入性症状前和无症状病例引起的疫情，2）。更准确地估计繁殖数量; 3）.评估旅行限制的影响和取消这些措施的影响。鉴于我们的世界已经变得如此相互关联，拟议中的Flight-SEIR对于度过这一流行病和下一次流行病至关重要。

2020-10-03cs.SIphysics.soc-ph

从移动电话数据探索人类家庭工作通勤的普遍模式

Exploring universal patterns in human home-work commuting from mobile phone data

家庭工作通勤一直吸引着重要的研究关注，因为它对人类流动性的影响。在这一研究领域的一个关键假设是通勤时间的普遍一致性。然而，由于数据汇集方法的内在差异，不同国家的观察结果可能存在偏差和不可靠，因此经常妨碍对通勤模式进行真正的比较。在目前的工作中，我们通过使用移动电话呼叫详细记录（CDR），它提供了一个一致的方法，调查在世界上完全不同的地区的移动模式来解决这个问题。我们将我们的分析应用于国家和城市规模的广泛数据集。此外，我们将这些结果与从米兰的车辆GPS轨迹中获得的结果进行了比较。虽然不同的地区有一些独特的通勤时间的特点，我们表明，家庭工作时间分布和平均值在一个单一的地区确实在很大程度上独立于通勤距离或国家（葡萄牙，象牙海岸，波士顿）-尽管有很大的空间和基础设施的差异。此外，一项比较分析表明，这种距离独立性只有在我们考虑多模式通勤行为时才成立-与以前的研究一致。在只有汽车（米兰GPS跟踪）和汽车沉重（沙特阿拉伯）的通勤数据集中，我们看到通勤时间确实受到通勤距离的影响。

2014-09-24cs.CYcs.SIphysics.soc-ph

利用 Covid-19 期间的移动网络对人群间暴露进行建模

Modelling exposure between populations using networks of mobility during Covid-19

本研究利用芬兰首都地区手机移动数据构建邮政编码区域间的人类活动暴露网络，并通过拟合重力与辐射模型揭示疫情前后网络结构变化，发现疫情后网络更趋近邻加权。

2023-04-17cs.SIphysics.soc-ph

社会媒体与流动景观：利用多源数据揭示城市人口流动的空间模式

Social media and mobility landscape: uncovering spatial patterns of urban human mobility with multi source data

在本文中，我们提出了一个三步的方法框架，包括位置识别，偏差修正，样本外验证，以促进人类移动性分析与社会媒体数据。更具体地说，我们提出的方法来确定个人活动的具体地点和通勤模式，在中国北京，基于微博（中国的Twitter）的签到记录，以及修改签到数据的样本偏差与人口合成技术。一项独立的全市旅游物流调查被用作验证结果的基准。从微博用户和调查对象的活动-移动模式中可以看出明显的差异，而两种来源的数据在人口代表性方面存在很大差异。经过偏差修正后，微博数据与调查数据的通勤距离分布相似系数从23%大幅提高到63%。事实证明，合成数据是一种令人满意的具有成本效益的流动信息替代来源。拟议的框架可以为许多与人类流动有关的应用提供信息，从交通到城市规划再到交通排放建模。

2018-08-13cs.SIphysics.soc-ph

挖掘城市生活方式：城市计算，人类行为和推荐系统

Mining urban lifestyles: urban computing, human behavior and recommender systems

Massachusetts Institute of Technology（麻省理工学院）；University College London（伦敦大学学院）；University of Exeter（埃克塞特大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；UC Berkeley（加州大学伯克利分校）

在过去的十年中，数字时代已经大大重新定义了我们研究人类行为的方式。随着数据存储和传感技术的进步，电子记录现在涵盖了各种各样的人类活动，从位置数据、电话和电子邮件通信到Twitter活动以及维基百科和OpenStreetMap上的开源贡献。特别是，对个人消费者的购物和流动模式的研究有可能更深入地了解该地区的生活方式和基础设施。信用卡记录（CCR）提供了对购买行为的详细了解，并已被发现在消费者购物模式中具有内在的规律性;呼叫详细记录（CDR）提供了了解人类流动性，分析财富和建模社交网络动态的新机会。在本章中，我们共同模拟个人的生活方式，一个更具挑战性的问题，更高的可变性相比，城市地区的聚合行为。使用集体矩阵分解，我们提出了一个统一的生活方式的双重观点。了解这些生活方式不仅可以为商业机会提供信息，还可以帮助政策制定者和非营利组织了解整个地区以及该地区个人的特点和需求。其应用范围从有针对性的广告和促销到在低收入群体中传播数字金融服务。

2019-11-04cs.CYcs.LGcs.SI

我下一步会去哪？大型语言模型作为人类移动性预测器

Where Would I Go Next? Large Language Models as Human Mobility Predictors

University College London（伦敦大学学院）；University of Liverpool（利物浦大学）

本文提出LLM-Mob方法，利用大型语言模型的语言理解与推理能力分析人类移动数据，通过引入历史停留和上下文停留概念捕捉长短期依赖并实现时间感知预测，证明了通用LLMs在移动性预测中能提供准确且可解释的结果，标志着该领域建模范式的重大转变。

2024-01-09cs.AIcs.SIphysics.soc-ph

了解地铁机动流的时空活动模式

Understanding the Spatial and Temporal Activity Patterns of Subway Mobility Flows

在城市交通系统中，地铁系统中的移动流反映了工作日的时空动态。为了研究流动性的变化，我们分析了空间社区，通过一系列的快照地铁站在连续的时期。以上海为例，我们发现空间社区快照揭示了动态的乘客活动。采用双重视角，我们分别应用空间和时间模型来探索个人何时何地旅行娱乐。在这两个模型中，微博话题和空间设施，如餐饮场所和娱乐企业被用来衡量每个车站的空间人气和人们的出行感知。在所研究的案例中，城市中心的特点是更大的社会影响力，它是更好地描述了空间模型。在时间模型中，较短的旅行距离促使人们更早开始旅行。有趣的是，随着始发站附近与食品相关的设施数量的增加，直到超过1563个，人们的行程速度就会放缓。本研究提供了一种方法来模拟社会功能对流动性的影响，并预测时空流动性的新建地铁站。

2017-02-19cs.CYcs.SI

《黑客帝国》中的生活：网络空间中的人类移动模式

Life in the "Matrix": Human Mobility Patterns in the Cyber Space

随着多社区设置在许多流行的社交媒体平台中的广泛采用，跨多个在线社区的用户参与度越来越高，值得研究关注。在本文中，我们介绍了一个新的类比之间的运动在网络空间和物理空间。这种类比意味着一种研究人类在线活动的新方法，即以类似于地点之间移动的方式对在线社区的活动进行建模。首先，我们通过比较人类在线活动和身体运动的几个重要特性来定量验证类比。我们的实验揭示了网络空间和物理空间之间惊人的相似之处。接下来，受物理空间中人类流动性的既定方法的启发，我们提出了一个框架来研究跨在线平台的人类“流动性”。我们发现三个有趣的模式，用户参与在线社区。此外，我们的实验表明，不同的移动模式的人也表现出不同的偏好在线社区。这项工作不仅试图更好地理解人类的在线活动，而且还打算开辟一个有希望的研究方向，具有丰富的含义和应用。

2018-03-22cs.CYcs.SI