Exploring Human Mobility Patterns in Urban Scenarios: A Trajectory Data Perspective
Exploring Human Mobility Patterns in Urban Scenarios: A Trajectory Data Perspective
复制标题
探索城市场景中的人员流动模式：轨迹数据视角
DOI：
10.1109/mcom.2018.1700242
复制
发表时间：
2018-03
影响因子：
11.2
通讯作者：
Chengfei Liu
中科院分区：
文献类型：
--
作者：
Feng Xia;Jinzhong Wang;Xiangjie Kong;Zhibo Wang;Jianxin Li;Chengfei Liu
智慧城市已被世界各国公认为是一个有前途的研究热点。要实现智慧城市，大数据的计算和利用是关键因素。更具体地说，基于海量多源数据探索人类流动模式，对于分析智慧城市社会经济现象的形成具有重要作用。然而，对于智慧城市来说，我们获得的知识仍然非常有限。在本文中，我们提出了一种利用MLE和BIC对异质交通轨迹数据进行重定标的集成计算方法。我们的分析基于上海中国地铁智能卡交易和出租车GPS轨迹生成的两个真实数据集，其中包含14条地铁线路的超过4.51亿条交易记录和13,695辆出租车的340亿条GPS记录。具体地说，我们定量地探索了人类在周末和工作日的流动模式。通过对数装箱和数据拟合，我们计算贝叶斯权值来选择最佳的拟合分布。此外，我们利用三个度量来分析两个数据集中的人类流动性模式：出行位移、出行持续时间和出行间隔。我们得到了几种重要的人类运动模式，发现了许多有趣的现象，为以后的研究奠定了坚实的基础。
Smart cities have been recognized as a promising research focus around the world. To realize smart cities, computation and utilization of big data are key factors. More specifically, exploring the patterns of human mobility based on large amounts of multi-source data plays an important role in analyzing the formation of social-economic phenomena in smart cities. However, our acquired knowledge is still very limited for smart cities. In this article, we propose an integrated computing method to rescale heterogeneous traffic trajectory data, which leverages MLE and BIC. Our analysis is based on two real datasets generated by subway smart card transactions and taxi GPS trajectories from Shanghai, China, which contain more than 451 million trading records by 14 subway lines and 34 billion GPS records by 13,695 taxis. Specifically, we quantitatively explore the patterns of human mobility on weekends and weekdays. Through logarithmic binning and data fitness, we calculate the Bayesian weights to select the best fitting distributions. In addition, we leverage three metrics to analyze the patterns of human mobility in two datasets: trip displacement, trip duration, and trip interval. We obtain several important human mobility patterns and discover quite a few interesting phenomena, which lay a solid foundation for future research.
登录
查看更多内容
DOI：
--
发表时间：
2017
期刊：
--
影响因子：
--
作者：
V. Tanuja;P. Govindarajulu
通讯作者：
V. Tanuja;P. Govindarajulu
影响因子：
3.7
作者：
Rhee, Injong;Shin, Minsu;Chong, Song
通讯作者：
Chong, Song
城市内出租车人员流动比较分析
DOI：
10.1016/j.physa.2014.10.085
发表时间：
2015-02
期刊：
Physica A: Statistical Mechanics and its Applications
影响因子：
--
作者：
Wenjun Wang, Lin Pan, Ning Yuan, Sen Zhang, Dong
通讯作者：
Wenjun Wang, Lin Pan, Ning Yuan, Sen Zhang, Dong
从大规模出租车 GPS 数据中揭示城市人员流动性
DOI：
10.1016/j.physa.2015.06.032
发表时间：
2015-11-15
影响因子：
3.3
作者：
Tang, Jinjun;Liu, Fang;Wang, Hua
通讯作者：
Wang, Hua
影响因子：
64.8
作者：
Brockmann, D;Hufnagel, L;Geisel, T
通讯作者：
Geisel, T