Unraveling the origin of exponential law in intra-urban human mobility
绝大多数旅行都发生在城市内。最近,新的数据已经成为可用的,这使得城市的流动性模式的发现,从有关长途旅行的既定结果不同。具体来说,最新的证据越来越多地指向指数行程长度分布,相反的尺度定律观察到更大的规模。为了探索指数规律的起源,本文提出了一个新的模型,它可以更好地预测城市地区的个人流量。基于该模型,我们解释了指数规律的城市内部流动的平均人口密度在城市地区的指数下降的结果。事实上,经验和分析结果表明,行程长度和人口密度共享相同的指数衰减率。
2013-05-28 cs.SI physics.soc-ph
UrbanRhythm: Revealing Urban Dynamics Hidden in Mobility Data
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学);University of Helsinki(赫尔辛基大学);The Hong Kong University of Science and Technology(香港科技大学)
了解城市动态,即,城市居民在城市中活动的类型和强度如何随时间而变化,是建设高效宜居城市的迫切要求。然而,由于城市人口不断扩大,居民的空间分布复杂,这是一个挑战。在本文中,为了揭示城市动态,我们提出了一个新的系统UrbanRhythm来揭示隐藏在人类流动数据中的城市动态。UrbanRhythm解决了三个问题:1)应该用什么样的流动性特征来呈现城市中居民的高维度活动?2)城市动力学的基本组成部分是什么?3)城市动力学的长期周期性和短期规律性是什么?在UrbanRhythm中,我们提取了停留、离开、到达三个移动属性,并利用一种图像处理方法Saak变换计算移动分布特征。对于第二个问题,几个城市状态被确定为城市动力学的基本组成部分,如睡眠状态和工作状态的层次聚类。我们进一步将城市动力学描述为城市状态沿时间轴的转换。对于第三个问题,我们从可视化中直接观察城市动态的长期周期性。然后针对短时间内的规律性,设计了一种新的模体分析方法来发现模体以及它们之间的层次关系。我们在两个真实的数据集上评估了我们提出的系统,并根据应用程序的使用记录验证了结果。这项研究揭示了隐藏在人类流动中的城市动力学,并为更复杂的流动行为建模和更深入的城市理解铺平了道路。
2019-11-03 cs.LG cs.SI stat.ML
Human Mobility Patterns Modelling using CDRs
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。
2018-07-12 cs.SI
Universal expansion of human mobility across urban scales
本研究针对人类移动性缺乏统一关联理论的问题,通过网络模块分析个体日常轨迹,发现移动模块空间范围随离家距离亚线性扩张的普适标度律,且模块对应城市嵌套层级,打通了经典城市理论与移动性研究的关联。
2025-05-20 cs.SI physics.soc-ph
Depicting urban boundaries from a mobility network of spatial interactions: A case study of Great Britain with geo-located Twitter data
现有的城市边界通常由政府机构出于行政、经济和政治目的而界定。考虑社会经济关系和市民通勤模式的城市边界界定对于城市和区域规划的许多方面都很重要。在本文中,我们描述了一种方法来划定城市边界的基础上,从社会媒体推断的物理空间与人类的互动。具体来说,我们使用Twitter用户空间交互的移动网络描绘了英国的城市边界,该网络是从超过6900万条地理位置的推文中推断出来的。我们定义的非行政区划边界的层次结构的基础上不同的物理运动范围的用户来自Twitter用户在英国的集体流动模式。网络空间中以社区形式存在的紧密联系的城市区域的结果产生了地理上有凝聚力的、不重叠的城市区域,这为英国的非行政地理城市边界提供了清晰的划定。该方法适用于国家(英国)和市政规模(伦敦大都市)。虽然我们的研究结果与行政边界吻合良好,但发现了许多意想不到和有趣的边界。重要的是,由于所描绘的城市边界表现出很强的空间邻近性,我们采用了重力模型来理解距离衰减对塑造划定的城市边界的影响。该模型解释了移动模式中的地理距离如何影响不同非行政区划城市区域之间的互动强度,为人类与城市空间的空间互动提供了新的见解。
2017-01-11 cs.SI physics.soc-ph
Understanding Urban Human Mobility through Crowdsensed Data
了解人们如何在城市地区移动对于解决城市化问题,如交通管理,城市规划,流行病控制和通信网络改善非常重要。利用最近大量不同的众测数据的可用性,许多研究在各个方面对该领域做出了贡献。他们需要适当的审查和总结。因此,在本文中,我们首先回顾了这些最近的研究与适当的分类与相应的例子。然后,基于研究中所学到的经验,我们为未来的研究提供了一个全面的教程,介绍和讨论流行的人群感知数据类型,不同的人类移动主题,以及常见的数据预处理和分析方法。特别强调了数据类型和移动性主题之间的匹配。最后,我们提出了两个研究项目作为案例研究,以展示通过人群感知数据在城市范围内的规模和建筑物范围内分别了解城市人口流动的整个过程。除了示范的目的,这两个案例研究也作出了贡献,他们的某些类别的人群感知数据类型和移动主题。
2019-05-24 cs.SI stat.AP
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。
2018-08-13 cs.SI physics.soc-ph
A tale of many cities: universal patterns in human urban mobility
地理在线社交网络的出现,如Foursquare,用户自愿表示他们的当前位置,打开了对人类运动的强大研究的大门。特别是位置数据的精细粒度,GPS精度低至10米,以及Foursquare在全球范围内的采用规模是前所未有的。在本文中,我们通过分析大量的Foursquare用户来研究全球几个大城市的人们的城市流动模式。令人惊讶的是,虽然不同城市的人口流动存在差异,但我们的分析表明,这些差异主要是由于不同城市环境中的地点分布不同。此外,人类流动的普遍规律是确定的,隔离作为一个关键组成部分的排名距离,考虑到在一些地方之间的起源和目的地,而不是纯粹的物理距离,考虑在以前的一些作品。基于我们的研究结果,我们还展示了基于排名的运动模型如何准确地捕捉不同城市中的真实人类运动。我们的研究结果揭示了城市人类流动的驱动因素,具有潜在的应用,城市规划,基于位置的广告,甚至社会研究。
2011-10-11 cs.SI physics.soc-ph
Mining online social networks with Python to study urban mobility
在线社交网络在过去几年中发展迅速,现在许多人经常使用它们。此外,智能手机的出现允许从任何物理位置随时访问这些网络。在社交网络中,Twitter提供了一个特别大的公开数据集。在这里,我们将讨论使用Python脚本挖掘这些数据并将其存储在分布式数据库中的过程。我们还说明了地理定位的推文可以用来研究城市地区的人的流动性。
2014-04-25 cs.PL cs.SI
Exploring Urban Mobility Trends using Cellular Network Data
Norwegian University of Science and Technology(挪威科技大学)
本文利用蜂窝网络数据研究城市出行模式,分析Trondheim的时空动态,提出数据预处理框架,探讨交通模式对比及公共交通使用情况,为可持续交通系统提供依据。
2025-01-09 cs.SI physics.soc-ph
The Impact of Cost and Network Topology on Urban Mobility: A Study of Public Bicycle Usage in 2 U.S. Cities
了解城市流动性的驱动因素对于流行病学、城市规划和通信网络至关重要。到目前为止,人类运动的研究是通过观察人们在给定空间和时间内的位置来进行的,尽管最新的模型只隐含了运动的预期成本和回报。本文探讨了明确的影响,成本和网络拓扑结构的流动性动态,使用数据从2个城市范围内的公共自行车共享系统在美国。用户移动性的特点是通过分布的行程持续时间,而网络拓扑结构的特点是通过成对的车站之间的距离和流行的车站和路线。尽管两个城市之间的车站密度和物理布局存在显着差异,但行程持续时间遵循非常相似的分布,这些分布在定价点边界附近表现出成本敏感的趋势,特别是对于系统的长期用户。根据研究结果,提供了动态定价和激励计划的建议,以积极影响流动模式,并指导改善公共自行车系统的规划和管理,以增加吸收。
2014-02-20 cs.SI physics.soc-ph
Urban mobility network centrality predicts social resilience
The Hong Kong University of Science and Technology(香港科技大学);Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心);Northeastern University(东北大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Santa Fe Institute(圣塔菲研究所);University of Chicago(芝加哥大学)
研究通过分析城市流动性网络中心性,揭示核心场所在不同冲击下的社会韧性预测机制。
2026-02-20 cs.CY cs.SI
Data-Driven Discovery of Mobility Periodicity for Understanding Urban Systems
Massachusetts Institute of Technology(麻省理工学院);Northeastern University(东北大学);University of Central Florida(佛罗里达中央大学)
本研究提出一种基于稀疏自回归识别的框架,量化并发现复杂人类移动数据中的周期性模式,揭示了疫情对移动规律的影响及多模式出行的时空规律,为理解城市系统提供了可解释的工具。
2025-09-12 cs.AI cs.LG cs.SI
hood2vec: Identifying Similar Urban Areas Using Mobility Networks
Institute for Clarity in Documentation(文档清晰度研究所);Brookhaven Laboratories(布鲁克海文实验室);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心);Palmer Research Laboratories(帕尔默研究实验室);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗克库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);University of Pittsburgh(匹兹堡大学)
纽约的哪个地区与下东区最相似?洛杉矶的NoHo艺术区怎么样?传统上,该任务利用关于位于区域内的地点的类型的信息和一些流行度/质量度量。我们采取不同的方法。特别是,城市居民随时间变化的流动性反映了他们如何随着时间的推移与城市互动。因此,在本文中,我们介绍了一种方法,即hood 2 vec,通过学习通过Foursquare签到捕获的移动网络的节点嵌入来识别城市区域之间的相似性。我们比较了从hood 2 vec获得的成对相似性与比较不同区域中的场地类型获得的相似性。两者之间的低相关性表明,流动动态和场地类型可能会反映城市地区之间不同方面的相似性。
2019-07-17 cs.LG cs.SI stat.ML
Dissecting the Spatial Structure of Cities from Human Mobility Patterns to Define Functional Urban Boundaries
自工业革命以来,城市的加速增长已经超越了行政区划,将城市合并为大型建筑扩展,并模糊了城市和农村土地使用之间的界限。这些特点,目前在大多数当代大都市,复杂的城市定义,一个关键问题,考虑到客观和可比的指标是规划和设计可持续的城市环境所需的基本投入。在这方面,根据行政或政治标准作出的城市定义通常忽视了人的动态,而人的动态是一个关键因素,有助于使城市在各种社会、文化和经济现实的城市结构中具有可比性。使用一种基于复杂网络的频谱分析的技术,我们从高分辨率的人类流动数据集:官方出发地-目的地(OD)调查中对智利11个主要城市地区的地方进行了排名。我们提出了一种方法,进一步区分这些地区内的城市和农村土地利用,通过网络中心性措施,我们构建了一个幽灵的地理位置。这个幽灵,从位置的排名,其嵌入的人流量的近似数量来衡量,使我们能够探测几个城市的边界。从城市的比例指数的分析,在这些城市划定的人口出行,我们确定了两个明显不同的缩放制度发生在城市和农村地区。我们的研究结果与来自遥感的土地覆盖的比较表明,对于旅行的情况下,在城市地区的标度指数接近线性。最后,我们对智利城市系统中形态良好的城市进行了估计,根据我们的分析,这些城市可能来自于由至少捕获138次(超过预期)底层移动网络的地方组成的集群。
2017-09-20 cs.SI physics.soc-ph
Smart City Drivers and Challenges in Urban-Mobility, Health-Care, and Interdependent Infrastructure Systems
在21世纪之交,城市发展经历了一次范式转变,因此寻求智慧城市已成为一项优先议程,工业界、政策制定者、从业者和科学界都直接参与其中。2008年金融危机、农村人口外流、城市中心的密集化以及环境和可持续性问题给全球各地的城市带来了巨大的挑战。联合国预测,到2050年,世界人口将达到98亿,比2018年增加21亿。几乎所有的人口增长都将发生在城市地区,因此,对已经超负荷的交通系统造成压力。
2022-11-26 cs.CY cs.SI
Mining Shopping Patterns for Divergent Urban Regions by Incorporating Mobility Data
人们购买的是生活方式的一个重要方面或观点。研究人们在不同城市地区的购物模式不仅可以为各种商业机会提供有价值的信息,而且可以更好地了解城市基础设施和城市生活方式。在本文中,我们的目标是预测城市范围内的购物模式。由于可用数据稀疏,这是一项具有挑战性的任务--超过60%的城市地区的购物记录未知。为了解决这个问题,我们纳入了人类生活方式的另一个重要观点,即流动模式。有了“人们去哪里”的信息,我们就能推断出“人们买什么”。此外,为了对区域之间的关系进行建模,我们在我们的方法中利用了空间相互作用。为此,应用具有交互正则化模型的集体矩阵分解(CMF)来融合来自多个视图或源的数据。我们的实验结果表明,我们的模型优于基线方法的两个标准度量。我们对多种购物模式的预测结果揭示了不同城市区域的不同需求,从而反映了城市的关键功能特征。此外,我们能够提取两种生活方式之间的联系,并实现对城市生活方式的更好或新颖的理解。
2017-01-23 cs.CY cs.SI
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。
2023-11-22 cs.CY cs.SI physics.soc-ph
Characterizing People's Daily Activity Patterns in the Urban Environment: A Mobility Network Approach with Geographic Context-Aware Twitter Data
人们在城市环境中的日常活动是复杂的,因人而异。使用移动电话数据的现有研究揭示了人们日常生活中独特和经常性的过渡活动模式,称为移动性图案。然而,仅使用少数推断活动类型的限制阻碍了我们详细检查一般模式的能力。我们提出了一个移动网络的方法与地理上下文感知的Twitter数据,调查粒度的日常活动模式在城市环境中。我们首先利用可公开访问的地理定位推文来跟踪美国两个主要城市的个人活动:芝加哥和大波士顿,其中每个记录的位置都与其最近的土地使用地块相关联,以丰富其地理背景。一个直接的移动性网络表示所选择的活动用户的日常位置历史,其中的节点是具有语义标记的活动类型的物理位置,和边缘表示的过渡。通过分析移动网络的同构结构,发现了16种基于位置的基序,这些基序描述了两个城市超过83%的网络,与以前的研究结果相当。通过对两个活动之间的过渡进行详细的语义标注,我们进一步将一般的基于位置的模体分解为基于活动的模体,其中16个常见的基于活动的模体描述了两个城市日常活动中超过57%的过渡行为。地理定位的Twitter数据与土地使用地块的合成地理背景的整合,使我们能够揭示独特的活动图案,形成嵌入在复杂的城市活动的基本元素。
2020-12-12 cs.SI physics.soc-ph
Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data
城市人口不断增长。到2050年,世界人口的三分之二将居住在城市地区。这种增长比城市衡量和规划其可持续性的能力更快、更复杂。为了理解是什么让一个城市对所有人都具有包容性,我们定义了一种方法来识别和表征空间细分:特定人口群体代表性过高和过低的区域,分别称为热点和冷点。使用汇总的移动电话数据,我们将这种方法应用到巴塞罗那市,以评估三组人的流动性:妇女,老年人和游客。我们发现,在这三个群体中,冷点的设施和服务的多样性低于热点。此外,妇女和游客的冷点往往人口收入较低。这些见解适用于巴塞罗那的流动人口,从而扩大了如何在城市中分析包容性的范围。
2020-02-20 cs.CY cs.SI
Multimodal urban mobility and multilayer transport networks
本文从多层网络视角系统综述了多模式城市出行与交通网络研究,涵盖数学框架、基础设施建模、多模式性度量、出行动力学、公开数据集与开源工具,并展望了未来研究方向。
2021-11-03 cs.CY cs.SI physics.soc-ph
Learning Mobility Flows from Urban Features with Spatial Interaction Models and Neural Networks
决策者、城市规划者和参与城市发展项目的其他利益相关者感兴趣的一个基本问题是评估规划和建设活动对流动性的影响。这是一项具有挑战性的任务,因为不同的空间,时间,社会和经济因素影响城市流动性流量。这些流量以及影响因素可以建模为属性图,其中节点和边缘特征表征城市中的位置以及它们之间的各种类型的关系。在本文中,我们解决的问题,评估起讫点(OD)之间的感兴趣的位置和每个其他位置在一个城市的车流量,给定它们的功能和结构特征的图形。我们提出了三种神经网络架构,包括图神经网络(GNN),并进行了系统的比较,所提出的方法和国家的最先进的空间相互作用模型,其修改,和机器学习方法。本文的目的是解决实际问题,估计潜在的流量之间的城市发展项目的位置和城市中的其他位置,其中的项目位置的功能是已知的。我们使用自定义的数据集的属性在伦敦的汽车OD流量的回归任务的模型的性能进行评估。我们还通过显示整个伦敦的流量残差的空间分布来可视化模型性能。
2020-04-24 cs.SI physics.soc-ph
Indigenization of Urban Mobility
城市交通模式的识别对于预测和控制空间事件具有重要意义。在这项研究中,我们分析了从中国领先的基于位置的社交网络服务(Jiepang.com)中抓取的数百万个地理签到,其中包含有助于特定群体研究的人口统计信息。我们确定了我们所考虑的所有五个大城市中本地人和非本地人的不同流动模式。我们采用混合的方法,将不同的算法分配给本地人和非本地人,与基本算法相比,大大提高了位置预测的准确性。我们还提出了所谓的本土化系数来量化一个人的行为像本地人的程度,这只取决于他们的签到行为,而不需要人口统计信息。令人惊讶的是,使用本土化系数加权的混合算法优于使用额外人口统计信息的混合算法,这表明与人口统计信息相比,行为数据在表征个人流动性方面的优势。现有的位置预测算法可以应用于城市规划、交通预测、移动推荐等领域。
2016-06-03 cs.SI physics.data-an physics.soc-ph
Discovering and Characterizing Mobility Patterns in Urban Spaces: A Study of Manhattan Taxi Data
如今,在许多情况下,城市空间中的人类活动可以通过数字方式进行追踪。可以观察到,运动模式不是恒定的,而是随时间和空间而变化。在这项工作中,我们的特点是这样的时空模式的创新组合,已被用于研究人类的流动性在过去的两个独立的方法。首先,通过使用非负张量因子分解(NTF),我们能够基于时空维度对人类行为进行聚类。其次,为了理解这些集群,我们建议使用HypTrails,贝叶斯方法来表达和比较人类足迹的假设。为了使假设形式化,我们利用了网络上公开的数据,即Foursquare数据和开放数据平台提供的人口普查数据。通过将这种方法组合应用于曼哈顿的出租车数据,我们可以发现和解释在集体分析中无法识别的人类流动的不同模式。举个例子,我们可以找到一组出租车,在周末晚上结束在聚会场所数量较多的地点(根据Foursquare)。总的来说,我们的工作表明,人类的流动性不是一维的,而是包含不同的方面,无论是在时间和空间,我们解释利用在线数据。本文的研究结果表明,为了做出更明智的决策,例如,加强城市结构、量身定制的交通控制和基于位置的推荐系统。
2016-02-09 cs.IR cs.SI
Use of mobile phone sensing data to estimate residence and mobility times in urban patches during the COVID-19 epidemic: The case of the 2020 outbreak in Hermosillo, Mexico
本研究利用手机GPS数据和Brownian bridge模型推断城市人口流动与停留时间,并将估计的居住-流动矩阵纳入多斑块SEIR模型,以评估政府干预对流动变化的影响。
2024-03-23 cs.SI physics.soc-ph stat.AP
Intra-City Urban Network and Traffic Flow Analysis from GPS Mobility Trace
我们分析了两个大规模的城市内部的城市网络和交通流量的GPS跟踪测量的出租车在旧金山和上海。我们的研究结果与以前的研究结果相吻合,纯粹基于拓扑手段,它往往是不足以预测交通流量。传统的最短路径介数分析,其中最短路径是从每对节点计算的,带有一个不切实际的隐含假设,即城市网络中的每个节点或路口产生并吸引等量的交通。我们还认为,加权边缘仅基于欧几里得距离是不够的,因为主要道路通常有利于二级道路,由于感知和实际所需的旅行时间。我们表明,介数流量分析可以通过一个简单的扩展框架,它结合了节点权重和最快路径介数的概念。我们证明,该框架是优于传统的方法,仅基于简单的拓扑角度。
2011-05-29 cs.SI physics.soc-ph
Urban Mobility Scaling: Lessons from `Little Data'
最近的移动性扩展研究,使用新的数据源,往往只依赖于汇总数据。因此,这些研究面临的困难,如交通方式对流动模式的影响特征。本文试图通过研究一个类别丰富的移动数据集来补充这项研究。为了阐明类别的影响,作为一个案例研究,我们使用传统收集的德国流动性数据。与基于“签到”的数据相反,我们的结果不受欧几里得距离近似的影响。在我们的分析中,我们表明,聚合可以隐藏行程长度分布之间的关键差异,细分类别时。例如,我们看到,在城市规模(0至~15公里),步行与驾驶,表现出高度不同的标度指数,因此普适性类。此外,方式共享和行程长度是响应于一周中的一天和一天中的时间。例如,在德国,虽然星期天开车的频率相对低于星期三,但行程似乎更长。此外,我们的工作可能会带来新的光之间的辩论距离为基础的和干预的机会机制影响流动模式,因为模式可以选择根据行程长度和城市形式。
2014-01-06 cs.CY cs.SI physics.data-an
Planning for isolation? The role of urban form and function in shaping mobility in Brasilia
Centre for Advanced Spatial Analysis, University College London(伦敦大学学院高级空间分析中心)
研究通过分析城市形态与功能,探讨巴西利亚的移动性如何影响隔离程度,发现形态和空间布局对 segregation 有显著影响,混合用途区域和开放空间能降低隔离,但富裕群体仍保持高隔离度。
2026-03-25 cs.SI physics.soc-ph
Revealing intra-urban spatial structure through an exploratory analysis by combining road network abstraction model and taxi trajectory data
中国前所未有的城市化进程极大地改变了城市的空间结构。随着个体级地理空间大数据的激增,以往的研究广泛使用网络抽象模型来揭示城市底层空间结构。然而,网络抽象模型的构建主要集中在道路网络的拓扑结构,而不考虑单独的出行流与道路网络。个人出行流反映了城市动态,这可以进一步帮助理解潜在的空间结构。因此,本研究的目的是揭示城市内部的空间结构,结合道路网络抽象模型和个人的旅行流。为了实现这一目标,我们1)量化的Word2Vec模型的基础上,使用大量的出租车出行数据的道路段的空间相互作用的相关性,然后2)根据所确定的空间相互作用的相关性的道路抽象网络模型的特征,并3)实现一个社区发现算法,以揭示一个城市的子区域。研究结果揭示了武汉都市圈空间结构的三个层次。该研究通过识别道路网络上的交通相互作用模式,为城市空间结构的调查提供了一种数据驱动的方法,为城市规划实践和交通管理提供了见解。
2022-11-21 cs.SI physics.geo-ph
Revealing urban area from mobile positioning data
研究指出隐藏观测区域不足以防止城市区域被识别,提出应在轨迹中添加噪声以保护隐私。
2024-07-25 cs.SI physics.soc-ph
Extracting the multimodal fingerprint of urban transportation networks
城市交通越来越依赖于多模式,结合使用自行车道,街道和铁路网络。这些不同的运输方式可以用多路网络很好地描述。在这里,我们提出了重叠普查方法,提取一个城市的多重交通网络的多模式配置文件。我们将这种方法应用于15个城市,识别具有相似特征的城市群,并将此特征与每个城市群的可持续流动性水平联系起来。我们的工作强调了评估一个城市的所有交通系统的重要性,以充分识别和比较其可持续的多式联运潜力。
2020-06-05 cs.SI physics.soc-ph
Enabling Sustainable Urban Mobility: The Role of 5G Communication in the Mobilities for EU Project
本文研究Mobilities for EU项目中5G通信的作用,以德累斯顿为牵头城市整合27项创新出行方案,分析5G的连接与数据处理作用,评估可持续性影响并探讨相关挑战与未来价值。
2024-12-05 cs.NI cs.SI eess.SP
Weak nodes detection in urban transport systems: Planning for resilience in Singapore
描述人类流动性的大量数据集的可用性提供了设计模拟工具的可能性,以监测和提高运输系统应对自然和人为灾害(如洪水、恐怖袭击等)等创伤性事件的复原力。在这个角度来看,我们提出了ACHILLES,一个应用程序,通过一个多路复用的网络表示的基础上的移动数据,在一个给定的交通系统模式来模拟人们的运动。ACHILLES是一个基于网络的应用程序,它提供了一个易于使用的界面,可以探索城市中每个城市区域的流动性和连通性,以及可视化由于增加或删除交通模式,城市区域和单一站点而导致的交通系统变化。值得注意的是,我们的应用程序允许用户通过识别其最薄弱的节点,即城市的阿喀琉斯之踵,参考古希腊神话,评估整体弹性的交通网络。为了证明ACHILLES对人道主义援助的影响,我们考虑将其应用于现实世界的场景,探索新加坡的人员流动性,以应对洪水预防。
2018-09-20 cs.SI physics.soc-ph
Potential Landscapes Reveal Spatiotemporal Structure in Urban Mobility: Hodge Decomposition and Principal Component Analysis of Tokyo Before and During COVID-19
Tohoku University(东北大学);Shiga University(滋贺大学);Japan Science and Technology Agency(日本科学技术振兴机构);The University of Tokyo(东京大学)
本研究通过Hodge分解和PCA分析东京疫情期间的交通流动,揭示了时空结构变化,为城市规划和公共卫生提供新视角。
2025-12-11 cs.SI physics.soc-ph stat.AP
Digital breadcrumbs: Detecting urban mobility patterns and transport mode choices from cellphone networks
许多现代化和发展中的城市都面临着公共交通使用率下降的问题,但几乎没有有效的方法来解释其中的原因。在这篇文章中,我们表明,城市的流动性模式和交通方式的选择,可以从手机通话详细记录加上公共交通数据记录从灵巧卡。具体而言,我们提出了新的数据采掘方法,以确定整个新加坡的公共和私人交通工具的使用和运输方式的偏好的空间和时间的变化。我们的结果得到了新加坡四年一度的家庭访问旅行调查(HITS)的验证,显示公共和私人交通工具分别有350万(HITS:350万)和430万(HITS:440万)的跨区乘客。除了对哪些交通连接薄弱或服务不足进行分类外,分析还显示,公共交通使用的模式份额从早上的38%增加到中午的44%和晚上的52%。
2013-08-30 cs.SI physics.data-an physics.soc-ph
Mobilkit: A Python Toolkit for Urban Resilience and Disaster Risk Management Analytics using High Frequency Human Mobility Data
针对灾害风险管理缺乏专用移动数据分析工具的问题,本文提出开源 Python 工具包 Mobilkit,以支持基于 GPS 数据的可复现、可扩展灾后分析。
2021-09-16 cs.CY cs.SI physics.soc-ph
JiuTian Chuanliu: A Large Spatiotemporal Model for General-purpose Dynamic Urban Sensing
CCSE, Beihang University(北京航空航天大学计算机学院);China Mobile Group IT Center(中国移动集团信息技术中心)
针对现有人类移动建模方法通用性不足的问题,提出基于自监督学习的GDHME框架,通过动态图统一建模人-区域-时间交互,支撑多类城市感知任务,已落地为九天川流大模型系统。
2025-10-26 cs.IT cs.LG cs.SI
Spatio-Temporal Urban Knowledge Graph Enabled Mobility Prediction
Tsinghua University(清华大学)
随着移动通信技术的快速发展,互联网服务提供商(ISP)和应用服务提供商(ASP)大量收集人类的移动轨迹。另一方面,知识图谱(KG)的兴起为我们从海量轨迹数据中提取结构化的“知识”提供了一个很有前途的解决方案。本文基于知识图谱技术对用户的时空移动模式进行建模,并基于从多个源中以内聚方式提取的“知识”预测用户的未来移动。具体来说,我们提出了一种新的知识图谱,即,时空城市知识图谱(STKG),其中移动轨迹、场地类别信息和时间信息由STKG中具有不同关系类型的事实联合建模。在STKG中,将移动性预测问题转化为知识图谱完备化问题.进一步,提出了一种复杂的嵌入模型,该模型考虑了移动模式的时间动态性,利用PoI类别作为辅助信息和背景知识,通过精心设计的评分函数来衡量STKG中事实的可扩展性,从而解决了知识图谱的完备问题。广泛的评估证实了我们的模型在预测用户移动性方面的高准确性,即,与现有算法相比,准确率提高了5.04%。此外,作为背景知识和辅助信息的POI类别被证实是有帮助的,在准确性方面提高了3.85%的性能。此外,实验表明,我们提出的方法是时间效率,减少了超过43.12%的计算时间相比,现有的方法。
2021-11-10 cs.AI cs.IR cs.SI