Multiscale dynamic human mobility flow dataset in the U.S. during the COVID-19 epidemic.
Multiscale dynamic human mobility flow dataset in the U.S. during the COVID-19 epidemic.
复制标题
DOI：
10.1038/s41597-020-00734-5
复制
发表时间：
2020-11-12
期刊：
影响因子：
9.8
通讯作者：
Kruse J
中科院分区：
文献类型：
--
作者：
Kang Y;Gao S;Liang Y;Li M;Rao J;Kruse J
了解不同地理尺度下人类流动的动态变化和空间互动模式，对于评估COVID-19大流行期间非药物干预措施（如居家令）的影响至关重要。在这个数据描述符中，我们介绍了一个定期更新的美国多尺度动态人类流动数据集，数据从2020年3月1日开始。通过分析数以百万计的匿名移动的电话用户访问不同的地方提供的SafeGraph，每天和每周的动态的起点到目的地（OD）的人口流量计算，汇总，并推断在三个地理尺度：人口普查区，县，州。我们的移动流数据集与公开可用的数据源之间存在高度相关性，这表明了所产生数据的可靠性。这样一个高时空分辨率的不同地理尺度的人类流动数据集可能有助于监测流行病传播动态，为公共卫生政策提供信息，并加深我们对前所未有的公共卫生危机下人类行为变化的理解。这种最新的O-D流量开放数据可以支持许多其他社会传感和交通应用。描述报告数据的机器可访问元数据文件：10.6084/m9.figshare.13135085
Understanding dynamic human mobility changes and spatial interaction patterns at different geographic scales is crucial for assessing the impacts of non-pharmaceutical interventions (such as stay-at-home orders) during the COVID-19 pandemic. In this data descriptor, we introduce a regularly-updated multiscale dynamic human mobility flow dataset across the United States, with data starting from March 1st, 2020. By analysing millions of anonymous mobile phone users’ visits to various places provided by SafeGraph, the daily and weekly dynamic origin-to-destination (O-D) population flows are computed, aggregated, and inferred at three geographic scales: census tract, county, and state. There is high correlation between our mobility flow dataset and openly available data sources, which shows the reliability of the produced data. Such a high spatiotemporal resolution human mobility flow dataset at different geographic scales over time may help monitor epidemic spreading dynamics, inform public health policy, and deepen our understanding of human behaviour changes under the unprecedented public health crisis. This up-to-date O-D flow open data can support many other social sensing and transportation applications. Machine-accessible metadata file describing the reported data: 10.6084/m9.figshare.13135085
登录
查看更多内容
影响因子：
6.1
作者：
Boarnet, Marlon G.;Hong, Andy;Santiago-Bartolomei, Raul
通讯作者：
Santiago-Bartolomei, Raul
影响因子：
56.9
作者：
Chinazzi, Matteo;Davis, Jessica T.;Vespignani, Alessandro
通讯作者：
Vespignani, Alessandro
DOI：
10.1080/13658816.2016.1153103
发表时间：
2016-01-01
影响因子：
5.7
作者：
Andris, Clio
通讯作者：
Andris, Clio
影响因子：
13.8
作者：
Gao, Song;Rao, Jinmeng;Patz, Jonathan A.
通讯作者：
Patz, Jonathan A.
影响因子：
3.7
作者：
Prieto Curiel R;Pappalardo L;Gabrielli L;Bishop SR
通讯作者：
Bishop SR