WWWJan, 2016

在城市空间中发现和表征移动模式：曼哈顿出租车数据的研究

PDF
TL;DR该研究利用非负张量因式分解和 HypTrails 贝叶斯方法将 Foursquare 和人口普查数据应用于曼哈顿出租车数据，以探索和解释人类流动的不同模式，证明人类流动不是一维的，而是包含时间和空间上的不同方面。
发现论文，激发创造
  • 使用聚类技术分析出租车数据，了解芝加哥的人类移动模式

    该研究通过分析 2016 年芝加哥的出租车数据，以理解街区之间的相互联系，提出新的公共交通开发建议，并生成交通流的可视化图表，以加强城市的设计和规划。

    Jun, 2023

  • 多城市故事：人类城市移动的通用模式

    本研究通过分析大量 Foursquare 用户的数据，研究了全球多个大都市的城市移动性模式，发现了影响城市人类移动的关键因素：原地和目的地之间的地点数量，而非纯物理距离，经过排名计算的移动模型可以准确地捕捉不同城市的真实人类移动，这为城市规划、基于位置的广告甚至社会研究提供了新的启示。

    Aug, 2011

  • 理解个体人类移动模式

    通过追踪 100,000 个匿名移动电话用户 6 个月的位置，发现人类运动的行为规律性，即每个人都具有一个时间无关特征尺度，并有极高的概率返回特定位置，这种旅行模式可与单一的空间概率分布相一致，这对城市规划、疫情预防和紧急响应等方面有重要的影响。

    Jun, 2008

  • CrowdWeb: 智慧城市中移动模式的可视化工具

    提出一个基于 PrefixSpan 方法的可视化人类活动模式的网络平台，可对单个用户和城市规模下的用户进行活动模式的可视化，可用于智慧城市、交通管理等方面。

    May, 2023

  • 通过多维和高阶移动特征聚类挖掘生活方式简档的框架

    通过交叉轨迹特征工程和聚类，该研究利用高阶特征从人类移动轨迹记录中挖掘用户的生活方式特征，并且通过深入提取包括旅行模式、离散傅里叶变换的节奏和 word2vec 词向量化地点语义等特征，在深圳超过 50 万用户的轨迹数据集上，得到了七个具有不同生活方式特征的用户类簇，这些结果通过常识解释得到了很好的验证。

    Dec, 2023

  • 挖掘大规模人类移动数据进行长期犯罪预测

    利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

    Jun, 2018

  • 城市级出行数字孪生在线轨迹预测

    本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

    Jun, 2022

  • 探索手机用户的流动性

    本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据，探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系，并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明，通过聚类方法可以鲁棒地识别用户的家庭和办公室，并且其通勤距离可以通过引力模型进行合理地解释。

    Nov, 2012

  • 地域即行者：基于人类移动性的大规模预训练时空模型用于普遍城市感知

    基于人员流动数据的大时空模型提供了用户描述、区域分析和轨迹生成等领域潜在的发展机会。

    Nov, 2023

  • 预训练移动转换器：人类移动性基础模型

    利用大量的无标签用户轨迹序列，我们引入了预训练移动性 Transformer（PMT）模型，通过将地理区域转化为标记并在这些表示中嵌入空间和时间信息，从而理解城市空间和人类移动性的基础。在三个美国大都市地区进行的实验证明了 PMT 在捕捉地理和社会人口特征以及预测下一个位置、轨迹完整和轨迹生成等任务方面的优越性，为解码人类移动性的复杂模式和洞察城市空间功能和个体移动偏好提供了新的见解。

    May, 2024