每天擦肩而过的人，怎样慢慢连成一张网？
论文名片｜A. P. Riascos、José L. Mateos，Emergence of encounter networks due to human mobility。PLOS ONE 12(10)，e0184532，2017年10月12日。DOI：10.1371/journal.pone.0184532。本文结合正文、数学方法、完整主图与两段补充模拟视频解读。
每天去同一家早餐店，你可能反复遇见同一批人，却叫不出他们的名字。换一条通勤路线，又会进入另一组熟悉的陌生人之间。城市不仅把人从一个地点送往另一个地点，也在不断生成“谁可能与谁相遇”的网络。
这篇论文把这个过程拆成两层：先看纽约和东京的签到轨迹，再让一批互不交往的随机行走者在固定地点间移动，检验仅靠空间移动与重复共现，能形成怎样的网络。它研究的是遭遇机会，不是用签到识别朋友，更没有直接模拟疾病传播。
先说结论
- 纽约和东京的签到位移、间隔分布具有相似的长尾形态，但由共同出现构造的网络仍有不同结构。相似的个人移动统计，不意味着相同的集体接触格局。
- 主分析把同一小时内、相距不超过100米的签到视作共现；要求共现一次、两次或三次才连边，会显著改变网络，尤其纽约样本。
- 简单的局部移动加远距离跳跃，可以生成随时间增长的遭遇网络；若只记住最近一段时间，旧联系会消失，整体指标可进入稳定状态。
- 真实数据与模型主要呈定性一致。它没有证明人们都按某个最优随机策略行动，也不能把纽约与东京样本差异直接解释为居民社交方式的因果差异。
签到轨迹告诉我们什么，又没告诉我们什么？
资料来自2012年4月12日至2013年2月16日的Foursquare签到：纽约1,083名用户、227,428次记录；东京2,293名用户、573,703次记录。每次记录带时间、地点坐标和地点描述，涉及餐馆、酒吧、大学、健身房等。
图 1｜一串地点，怎样变成可分析的移动记录？
（a）纽约，（b）东京，各展示两名用户；方形与菱形区分用户，连线颜色对应签到顺序，色条为序号。线连接前后签到点，不表示真实走过的道路。来源：原论文 Fig. 1。
签到是主动留下的记录，不是连续GPS。两次签到之间可能经过许多地方，间隔还受到使用软件习惯影响。因此，后文的“位移”是两个记录点的直线分离，“等待时间”是签到间隔，都不能无条件等同于完整旅程或实际停留时长。
图 2｜两个城市的单人移动统计有多相似？
（a）相邻签到间隔τ的分布，单位小时；（b）相邻签到位置距离r的分布，单位公里；（c）按时间排序的间隔事件序列，上纽约、下东京。红、蓝区分城市，虚线为参考幂律。短间隔与少量极长间隔并存，显示突发性；不是每一段τ都属于同一个幂律范围。来源：原论文 Fig. 2。
时间尾部拟合给纽约指数约2.37，起点约85.5小时；东京约2.45，起点约107.7小时。空间上，在1米至10公里的拟合区间，指数约1.147与1.150。相似性是这组数据的经验结果；极短距离还可能受地点重复与定位误差影响，不能理解成测准了每一步1米移动。
把“同一小时在附近”变成一条边，需要几道选择？
作者规定：两个用户在同一个小时内签到，位置间距不超过Δr，就记一次共现。累计达到c次，才在两人之间连边。这里的“同一个小时”没有证明两人同时停留了多久，更不证明发生交谈或感染所需的近距离接触。
图 3｜大量配对只出现一次，少数配对为何反复出现？
（a）纽约，（b）东京；横轴共现次数n，纵轴有该次数的配对频数f(n)，双对数显示。不同颜色为20、100、200米距离阈值，虚线为约n⁻³参考关系。大多数配对共现少，频繁共现者较少；形态相似不表示不同阈值生成完全相同的边。来源：原论文 Fig. 3。
主分析采用100米，并比较c=1、2、3。这样可减少仅一次偶然经过带来的联系，但重复共现仍可能只是乘同一班车、去同一商场。与此同时，低频签到者即使真实经常见面，也可能达不到阈值。
图 4｜边不断积累，网络会朝哪里变化？
（a）纽约的平均度与平均聚类系数；（b）东京的相同指标；（c）观察期末两城的度分布。红、蓝、黑分别代表至少1、2、3次共现才连边。度是某用户连接多少人，聚类系数衡量其联系人之间互相连接的比例。横轴时间以小时计。来源：原论文 Fig. 4。
纽约的聚类系数在数周后趋于相对稳定，c=1时约0.1；东京在该观察期内仍继续增长。这是样本网络的差异，不足以判断纽约所有人的社交圈更固定。东京用户约为纽约的两倍，记录总量也更大；签到密度、覆盖地点和被观察时间的不同，都可能参与结果。
图 5｜把连边要求从一次提高到三次，会留下怎样的结构？
（a）上排纽约，（b）下排东京；每排从左至右c=1、2、3，展示各自最大连通分量。节点大小和颜色与度相关，布局用于看连接结构，不是城市地图。纽约严格阈值下明显稀疏，东京仍保留较大连接群。来源：原论文 Fig. 5。
原文表1让这个差别更具体。在100米、c=1时，纽约最大分量含1,037人，平均最短路径约2.97；东京含2,291人，约2.07。到c=3时，纽约最大分量降至261人、平均路径约6.32；东京仍有2,006人、约2.91。这些路径是在最大连通分量内计算，不包含被排除的孤立点；不能把它读成全城任意两人只隔两三个人。
不认识彼此的人，也能生成有结构的遭遇网络吗？
作者让行走者在二维平面上的固定地点间移动。给当前位置周围半径R内的地点相同权重1，半径外的地点权重按(R/距离)的α次方衰减，再把全部权重归一化为转移概率。
这个归一化很关键：只要远处权重仍非零，圈内某地点的概率就不单是“1除以圈内地点数”。α越大越偏向附近；趋于无穷时成为纯局部策略；α趋近0时则近似均匀选择所有地点。R控制局部范围，α控制远跳的抑制强弱。
图 6｜只改一条距离规则，探索范围会怎样变？
（a）20个地点的规则示意，圆内等权、圆外随距离降低；（b）100个地点上的200步轨迹，比较α趋于无穷与α=5，R=0.17。色条表示模型步数，不是现实分钟。长程跳跃帮助跨越局部区域，但这还没有加入人的目的、道路或出行成本。来源：原论文 Fig. 6。
图 7｜远跳规则怎样变成可比较的位移分布？
（a）2,000个随机地点上，α=3、R=0.01的200步示例；（b）不同α下，由100万次位移统计的长度分布，虚线为l^(1−α)参考关系。大距离端受有限空间截断。来源：原论文 Fig. 7。
为什么指数不是直接−α？在二维空间，距当前位置同样远的一圈，半径越大可选地点越多。单个地点的权重按l⁻α减少，而圆环里的地点数约按l增长，合起来才是l^(1−α)。这一几何解释使模型能产生接近经验的位移分布，但同一个分布也可能由其他行为机制产生，不能唯一反推出人的决策规则。
图 8｜更容易远跳，是否更快到达目标地点？
整图无字母面板。横轴α，纵轴为全局平均到达步数除以地点数，不同线表示R，地点数100。指标由转移矩阵的谱性质计算；较局部的策略可能需要更多步。它是对随机起点、目标平均的到达时间，不是依次走遍全部地点的覆盖时间，也没有对长距离步计入更多交通成本。来源：原论文 Fig. 8。
因此，“长程更高效”有明确前提：在这个把一次远跳也算一步的指标里。它不能直接推出城市居民应尽量远距离出行。纯局部规则还可能因地点分布而困在局部；允许远跳改变可达性，首先是数学机制的结果。
网络为什么会长出来，又为什么会停止增长？
模型中的每个人独立移动，没有先验友谊、邀约或同行。作者再加一条读出规则：只记住最近M步的共现，窗口内达到c次就连边，跌到c次以下则删边。
这里要与前面的真实数据区别开：经验网络累计观察开始以来的共现；有限记忆窗口主要用于模型。经验聚类稳定和模型因删边达到平衡，可以看起来相似，却不能据此断言现实中的稳定一定来自相同机制。
图 9｜没有交朋友的规则，边也会出现吗？
（a）t=10，（b）t=20，（c）t=50，（d）t=100；每个面板同时含左侧空间轨迹与右侧遭遇网络。20名行走者独立访问50个地点，R=0.25，α趋于无穷，M=20，c=2。右侧圆形排列只为看边，红点不是地点而是行走者。两段补充视频分别演示局部与α=5的长程策略。来源：原论文 Fig. 9及S1、S2 Video。
这个设定中，地点的共享和重复访问已经足以形成非平凡网络。t超过记忆长度后，先前的共同出现会移出窗口，某些边消失；新边形成与旧边退出共同决定长期状态。网络边的消失是统计规则，不是证明两个人现实中忘记彼此。
图 10｜不同移动策略，会生成不同的长期联系结构吗？
（a）平均度，（b）平均聚类系数随步数变化；（c）稳定阶段的度分布。500名行走者访问100个地点，R=0.17、M=50、c=3；结果平均100次模拟，度分布在t=200检查。较局部的策略在这组设定下得到更高平均度与聚类，而不同α的度分布也不同。来源：原论文 Fig. 10。
直觉上，留在局部让同一批人更容易反复遇见；远跳扩大探索，却未必在固定记忆窗口里累积足够的重复接触。因此，到达地点更快与重复遭遇网络更稠密，并不是同一个目标。作者也明确指出，结论会依赖地点分布、R、α、M和c，不能推广成所有城市的普遍排序。
从遭遇机会，到朋友和传播，中间还缺什么？
本文最清楚的贡献，是把移动轨迹、共现判据、边的记忆和全局网络统计接到一起。它提醒我们，单看某人走了多远，会漏掉“他和谁在什么时候重叠”。但从机会到实际互动，还有几层证据缺口。
首先是测量：一次签到不说明停留时长、室内外、楼层或是否真正近距离交流；100米和一小时也不是感染接触的通用定义。其次是机制：真实朋友会约好地点、同行、改变行程，模型中的独立随机行走者没有这些反馈。最后是验证：模型与真实网络主要作定性比较，论文并未对个人未来接触、疾病传播或友谊形成给出独立预测评估。
因此，遭遇网络可以为传播或行为扩散研究提供结构线索，却不能把这里的每条边直接当成一次可传播接触。要研究具体疾病，还需要停留时长、接触强度、环境和时间顺序；要研究友谊，则需独立的关系资料。
一句话总结
移动不仅生成路线，也生成重复共现的网络；局部访问、远跳和记忆窗口共同塑造这张网，但共现机会仍需与真实互动、朋友关系和传播过程区别开。
核心来源
- Riascos, A. P. & Mateos, J. L.（2017）. Emergence of encounter networks due to human mobility. PLOS ONE 12(10): e0184532。论文、完整数学方法、表1和两段模拟视频。本文全部主图及数值据原文，原图按开放署名许可转载，每张保留完整组合与原有面板。
作者介绍
以下按论文发表时署名介绍，两位作者贡献相同，并共同参与构思、数据、方法、分析与写作。
- A. P. Riascos：哥伦比亚帕斯托Universidad Mariana土木工程系署名作者，本文通讯作者。
- José L. Mateos：墨西哥国立自治大学物理研究所署名作者。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
比较两座城市的遭遇网络之前，可以先把人数、每人签到量和观察时长匹配，再统一改变距离、时间与重复次数阈值。如果“城市差异”只在某一种阈值或采样密度下出现，就应先解释测量机制，而不是急着解释文化与生活方式。
另一种有用的检验，是保留每个人常去地点和活动时间分布，却打乱不同人的具体日期。这样可构造只由空间热点和作息重叠形成的基线，再看真实重复共现超过基线多少。超出部分仍不等于友谊，但会比直接把全部共现都看作社会关系更接近问题本身。
