2025-Human mobility is well described by closed-form gravity-like models learned automatically from data


市镇之间的人流,真需要比重力模型复杂得多吗?

论文名片|Oriol Cabanas-Tirapu、Lluís Danús、Esteban Moro、Marta Sales-Pardo、Roger Guimerà,Human mobility is well described by closed-form gravity-like models learned automatically from data,Nature Communications,2025,16:1336。2023年12月14日收稿,2025年1月21日接收,2025年2月4日在线发表。DOI:10.1038/s41467-025-56495-5。

要估计两个市镇之间一周有多少人从甲地到乙地,最省事的算法只看两边人口和距离:人越多、离得越近,流量越大。这就是引力模型(gravity model,也常叫重力模型)。另一端是深重力模型(Deep Gravity)和随机森林,它们可以吃进商店、道路、学校等一共 39 个特征。特征一多,预测往往更贴数据,公式却读不出来。

这篇论文把公式形式交给贝叶斯机器科学家(Bayesian machine scientist,BMS)去搜索。搜索时不预先指定“人口相乘再除以距离的幂”。结果仍反复出现类引力结构。在市镇这一聚合尺度上,只用起点人口、终点人口和距离的闭式公式,总体可以追上使用 39 个特征的模型;换到没参与搜索的州,重新拟合参数后依然站得住。

先说结论

  • 六个训练州、四项指标,共 24 次比较。最可信的 BMS 模型在其中 21 次优于深重力,相对随机森林是 13 次更好、11 次更差。六个州平均后,BMS 与随机森林在四项指标上无法区分,并在相对误差和绝对对数比上优于深重力。
  • 对 105 个采样公式做人工分类:约 17% 只含类引力项,约 70% 含类引力项以及其他项,约 13% 完全没有类引力项。先验并没有偏向引力形式。
  • 大约少于 100 人的流量上,幂律引力、辐射模型和深重力会系统性低估,有时估到不足 1 人。BMS 和随机森林把从很小到很大的流量都跟得更齐。
  • 纽约州 25 km × 25 km 方格内的普查区流量上,无论哪一项指标,BMS 都是参与比较的模型里最好的。
  • 公式固定、只在佐治亚、伊利诺伊、密歇根、北卡罗来纳、俄亥俄、宾夕法尼亚重新拟合参数后,表现与原来六个州相近;相对随机森林,四项指标里有三项显著更好,另一项无法区分。
  • 把 39 个特征都交给 BMS,最可信公式仍然是“起点因子 × 终点因子 / 距离的增函数”。它常常略好于只含人口的类引力模型,差别没有统计显著性。市镇尺度上这些特征彼此高度相关。

这里比较的是非零的市镇间周流量

人类移动性(human mobility)在这里不是一个人一天的轨迹,而是市镇之间的聚合流量。原始材料来自 Kang 等人整理的美国普查区周流量:2019年1月7日至13日一个星期,以及2019年3月4日至9日一个星期。记录来自位置服务应用里的匿名手机轨迹,不区分交通方式;表中同时有 SafeGraph 估计的访客数,以及由访客数推回的人口流量。Kang 等人曾把这套数据与美国社区调查通勤流等资料对照,相关高于 90%。那是数据论文里的核对,不是本文新做的代表性证明。

市镇包括 city、town 和 village。两个市镇之间的流量,是它们所含普查区之间流量的加总。只保留人口不为零的市镇,以及流量不为零的市镇对;同一市镇内部的流动不进入模型。因此后面的分数只回答“已经观察到有人流动的市镇对,流量有多大”,没有回答“这两地之间会不会根本没人来往”。

训练用六个州:纽约、马萨诸塞、加利福尼亚、佛罗里达、华盛顿、得克萨斯。每个州把市镇分成两批。第一批市镇之间的流量构成训练折,再从中随机抽 1000 条,使各州在 BMS 的训练数据里权重相同;1000 这个上限来自市镇最少的州。第二批市镇之间的全部流量构成测试集。测试市镇的特征、市镇之间的距离,对训练好的算法都是新的。任何模型都拿不到市镇的地理位置,不能靠“训练点和测试点在地图上挨着”来抄近路。深重力模型使用比这 1000 条更大的训练样本,正文没有给出那个更大样本的条数。

州 训练条数 训练市镇数 训练流量最小–最大 测试条数 测试市镇数 测试流量最小–最大
纽约 1000 217 26–122,991 5952 249 20–35,063
马萨诸塞 1000 75 19–6,6946 1180 75 9–55,499
加利福尼亚 1000 260 14–91,267 11,727 319 2–41,6696
佛罗里达 1000 223 7–78,316 7092 245 3–79,624
华盛顿 1000 107 20–71,796 2083 109 12–54,245
得克萨斯 1000 177 21–192,660 2782 192 3–112,865

条数的分母是起讫市镇对,不是人数,也不是设备数。六个州的训练样本合计 6000 条;测试表列出的流量合计 30,816 条。训练表中的市镇数相加是 1,059,测试表相加是 1,189,这是各州分别计数。马萨诸塞训练和测试都列出 75 个市镇,对应的是两批不同的市镇。马萨诸塞训练集最大流量和加利福尼亚测试集最大流量,PDF 把千分位逗号印在数字中间,表中按原文照录。

距离用千米。训练对最近 1.83 km(纽约)、最远 1078.21 km(加利福尼亚);测试对最近 0.77 km(纽约)、最远 1,196.33 km(得克萨斯)。人口列是该集合里市镇人口的最小和最大:训练集从华盛顿的 20 人到纽约的 8.80×10⁶ 人,测试集从佛罗里达的 78 人到加利福尼亚的 3.9×10⁶ 人。

兴趣点来自 OpenStreetMap 的 18 类要素。随机森林和深重力使用 39 个特征:距离、起点人口、终点人口,以及这 18 类在起点和终点各一份。图7的说法与此相符:距离,加上 19 个起点特征和 19 个终点特征。

完整原论文图1

图 1|得克萨斯测试市镇之间,真实流量和两种预测长得像不像?

(A)测试集上的真实流量 Tod。颜色从 1 到 160k,中间刻度 400;连线两端标出起点人口与兴趣点、终点人口与兴趣点,以及距离 dod。(B)深重力模型的预测,用了起点和终点共 39 个特征。(C)BMS 中位预测模型的预测,只用两端人口和距离;图注指明它对应图6B。来源:原论文 Fig. 1。

同一批流量,为什么四种分数会选出不同赢家?

流量从个位数排到十几万,跨多个数量级。方法部分写流量跨五个数量级,所以把噪声加在对数上;图4则把六个州合在一起的观测流量画成六个数量级。模型比较的是 log Tod,而不是 Tod 本身:

log Tod = M(mo, md, dod;参数) + 噪声

噪声假定为无偏、高斯。在这个尺度上,把一个 10 人的流量估成 100 人,和把一个 10,000 人的流量估成 100,000 人,在对数上是同一档偏差。

因此论文同时看四个分数,而且明确它们偏向不同的流量。

通勤者公共部分(common part of commuters,CPC)是

2 × Σ min(预测, 观测) / (Σ 预测 + Σ 观测)

完全一致时为 1;每条预测都是 0 时为 0。分子分母都是全部测试流量之和,大流量占据绝大部分,小流量几乎不影响 CPC。名字来自通勤文献,这里的手机周流量并不只是居住地到工作地。

绝对误差是 |预测 − 观测|,随流量变大而变大,中位数主要反映常见流量,看不出全范围。绝对相对误差是 |预测 − 观测| / 观测,分母是观测流量。它惩罚高估;若观测大于 0 而预测为 0,这个分数等于 1,继续低估也不会再变大。绝对对数比是 |log(预测 / 观测)|。预测变成观测的 2 倍或 1/2,得到同一个值 log 2。高估和低估在对数尺度上对称。

后三个分数都报告整条误差分布,并用中位数比较模型,避免个别极大误差主导平均数。图注把箱体和须线分别写成 50% 与 95% 置信区间。

完整原论文图2

图 2|不同模型是不是只在某一段流量上贴住对角线?

横轴是测试集真实流量,纵轴是预测,都是对数坐标;蓝线是预测等于真实。六列从左到右为纽约、马萨诸塞、加利福尼亚、佛罗里达、华盛顿、得克萨斯。(A–F)深重力。(G–L)随机森林。(M–R)BMS 最可信模型。(S–X)幂律引力。同一列的字母是 A/G/M/S 纽约,B/H/N/T 马萨诸塞,C/I/O/U 加利福尼亚,D/J/P/V 佛罗里达,E/K/Q/W 华盛顿,F/L/R/X 得克萨斯。深重力和幂律引力在小流量一端落到对角线下方,随机森林和 BMS 最可信模型沿对角线的跨度更长。来源:原论文 Fig. 2。

对照模型分三组。引力模型写成 Tij = C × mi × mj / f(dij)。f 可以是距离的 α 次方,也可以是 exp(α × 距离);因为流量跨数量级,报告的引力结果都是在对数流量上拟合的。辐射模型把起点总流出 Ti 乘上前往 j 的概率,概率为 mi × mj / [(mi + sij)(mi + mj + sij)],其中 sij 是比 j 更靠近 i 的其他市镇人口之和。随机森林用 1000 棵树和全部 39 个特征。深重力沿用 Simini 等人的算法,改成预测市镇而不是小方格,特征、预处理和训练设置保持原模型。

正文的判断是:大约少于 100 人的流量上,引力类模型和深重力会低估,有时差几个数量级,甚至预测出小于 1 人的流量。随机森林和 BMS 没有这套系统性偏离。补充图 S1 和 S2 给出更多散点,本地正文没有逐点数字。

少特征的闭式模型,在六个训练州里站在哪里?

BMS 采样的是公式的后验,而不是单次最优拟合。描述长度越短,模型在“它就是生成数据的那个公式”这一意义上越可信。先验来自数学表达式语料里基本函数的出现频率,正文写明这个先验不偏好类引力公式。六个州共用一个公式,各州参数可以不同。搜索使用 5 条独立马尔可夫链,每条 12,000 步。预测用三种读法:描述长度最短的最可信模型;全体采样模型的平均,也就是在模型空间上积分的近似;以及预测最接近这个集合中位数的那一个公式,称为中位预测模型。方法部分用于集成预测的集合,是每条链最后 2,000 步里每 100 步取一个模型,5 条链合计 100 个。后文对类引力结构的人工分类使用 105 个采样模型。两处数目不同,正文没有说明是不是同一批样本。

完整原论文图3

图 3|四项分数并排时,谁比幂律引力更好?

(A–D)佛罗里达,(E–H)华盛顿。每一行一个模型:深重力、随机森林、BMS 集合、BMS 最可信、BMS 中位预测、辐射、指数引力、幂律引力。A、E 是 CPC,越高越好,每个模型只有一个点。B、F 绝对误差,C、G 绝对相对误差,D、H 绝对对数比;箱体和须线按图注分别是 50% 与 95% 置信区间,三角标出该项最优。(I–L)六个训练州平均后的表现比,分母是幂律引力。大于 1 表示比幂律引力好,CPC 也按这个方向画。误差线是各州均值的 95% 置信区间。I 的 CPC 比都靠近 1;J–L 上 BMS 三组和随机森林明显高于 1,深重力在对数比上回到 1 附近或以下。来源:原论文 Fig. 3。

图上能直接看到的例子:佛罗里达 CPC 的三角在深重力,华盛顿 CPC 的三角在 BMS 最可信模型,华盛顿绝对误差的三角在随机森林。这只是两个州。全部 24 次比较是 4 项指标 × 6 个州,明细在补充图 S3 和补充表 S6。正文给出的汇总是:最可信 BMS 优于深重力 21/24,优于随机森林 13/24、劣于随机森林 11/24。六个州平均后,BMS 与随机森林在全部质量指标上无法区分;深重力只在 CPC 上表现最好,而且相对 BMS 和随机森林没有显著更好。相对误差和绝对对数比上,BMS 优于深重力。

引力模型和辐射模型在所有州、所有指标上都不是最好。这与它们形式很紧、以及深重力此前已经优于传统引力的结果一致。公平性用比例人口统计均等(proportional demographic parity)看误差在不同收入组之间是否同样分布。市镇按 2020 年人均收入中位数是否高于本州中位数分成高、低两组,流量因此有低到低、高到低、低到高、高到高四类。正文结论是随机森林和 BMS 在各州之间最一致;分组误差的数值在补充图 S5,正文没有列出具体 PDP。

流量只有几十人时,谁还估得准?

CPC 高,只说明大流量的重叠好。图4把六个州的流量放进同一批数量级区间,再在每个区间里重算四项分数。

完整原论文图4

图 4|最常见的那一档流量,误差是不是也最低?

灰色直方图是六个州合在一起的流量频数,横轴为流量,从 10⁰ 到 10⁶。彩线是各模型在该档内的表现:绿为幂律引力,青为辐射,橙为 BMS 最可信,蓝为随机森林,粉为深重力。(A)该档 CPC,越高越好。(B)绝对误差。(C)相对误差。(D)绝对对数比;B–D 越低越好。直方图的高峰在大约 10² 到 10³ 人。随机森林和 BMS 最可信模型在这一常见档上 CPC 更高、误差更低;到 10⁶ 附近,多条误差曲线上升,幂律引力的 CPC 反而抬高。来源:原论文 Fig. 4。

所以“最常见流量估得准”和“最大流量的 CPC 最高”可以落在不同模型上。若决策关心的是小市镇之间几十人的联系,只按 CPC 选模型,会把系统性低估小流量的模型留在前面。

缩到 25 公里见方,人口和距离还够用吗?

市镇可以很大,短距离流动也许更依赖商店和道路。论文改用 Simini 等人深重力模型里的纽约州数据:把州分成 25 km × 25 km 的方格,方格内部看普查区之间的流量。50% 的方格用于训练,其余 50% 用于测试。

完整原论文图5

图 5|方格内的短距离流量,闭式模型还会落后吗?

右侧标注 DG data,即深重力论文的纽约方格数据。行从上到下为深重力、随机森林、BMS 中位预测、BMS 集合、BMS 最可信、幂律引力。(A)CPC。(B)绝对误差。(C)绝对相对误差。(D)绝对对数比。三角标出该项最优:A 在 BMS 最可信,B 在 BMS 集合,C 和 D 在 BMS 中位预测。四项最优都在 BMS 的某种输出上。来源:原论文 Fig. 5。

这里的一条记录是方格内的普查区对。在这套 25 km 方格里,只含人口和距离的闭式模型仍然更准。出行目的不在变量里。

搜出来的公式,和重力有多像?

许多公式都能描述同一批数据。这种情形常被叫作罗生门集合(Rashomon set):数据留出一整族都说得通的模型。有用的问题是它们共享什么结构。类引力项在这里的操作定义是:依赖于起点人口和终点人口的乘积,人口可以各自平移,并且随距离的某个增长函数而下降。在 105 个模型里,纯类引力约 17%,类引力再加其他乘项或加项约 70%,完全没有类引力项约 13%。

图6给出两个被单独拿出来的公式。读参数时以图上的式子和图注为准。图注把 A 定为最短描述长度模型,也就是最可信模型;把 B 定为中位预测模型。图1C 使用的就是图6B。

图6A 印出的是

log Tod = log( ( A × ( B × (md×mo + C×md + D) / d^α + 1 ) )^γ )

流量本身因此是那个括号的 γ 次方。图6B 印出的是

log Tod = A × ( 1 + B × ((md + C)×(mo + D))^β / d )^ξ

流量本身是这个右端的指数。起点和终点可以带不同的平移 C、D,所以两个方向的流量不必对称。传统引力把两端人口相乘,做不到这一点。正文说,看参数时纽约和得克萨斯比佛罗里达、马萨诸塞更对称。

正文另有一句把两种形式对调了:它写最可信模型是流量的指数形式、中位预测模型是流量的幂律形式,并把 1/β 放在图6A、把 α 放在图6B。图上的公式、图注,以及图6C 的图例,与这句不一致。图6C 的实心点是 α、空心方块是 1/β;图注又写实心点来自最可信模型、空心方块来自中位预测模型。按图注,α 属于图6A,1/β 属于图6B。

完整原论文图6

图 6|闭式公式长什么样,换州之后还保持吗?

(A)图注所称的最短描述长度模型,以及六州参数。B 列标题是除以 10⁻⁹,C 列除以 10⁴,D 列除以 10⁸;表中的 289 表示 B = 289×10⁻⁹。α 与 γ 是指数。(B)图注所称的中位预测模型。B 列除以 10⁻⁶,C 列除以 10²,D 列除以 10⁴。ξ 与 β 是指数。(C)纵轴是指数。实心点为 α,空心方块为 1/β,后者由(B)的 β 取倒数。(D)新六个州上、各州平均的表现比,分母仍是幂律引力,高于虚线 1 表示更好。绿柱落在 1 上;黄、橙、蓝与图3里 BMS 中位预测、BMS 最可信和随机森林的配色一致。误差线是州平均的 95% 置信区间。(E)上块为 BMS 最可信,下块为 BMS 中位预测。每块上面六个州是训练州,下面六个是新州;图注说明实心对应训练州、空心对应新州。四列依次是 CPC、绝对误差、相对误差、绝对对数比。来源:原论文 Fig. 6。

按图6A,六个州的 α 是:纽约 1.72,马萨诸塞 1.17,加利福尼亚 1.60,佛罗里达 1.49,华盛顿 1.26,得克萨斯 1.80。按图6B 的 β 取倒数,1/β 是:纽约 1.85,马萨诸塞 1.45,加利福尼亚 1.64,佛罗里达 1.37,华盛顿 1.45,得克萨斯 2.00。同一州的两个数最接近的是加利福尼亚,相差约 0.04;相差最大的是马萨诸塞,1.17 对 1.45。全部落在大约 1.17 到 2.00。正文把这种州际差别称为相对较小,并认为合理的流量模型是类引力,而且人口乘积项和距离项的相对贡献受到约束。α 接近 1/β,说的是两个不同公式里的指数彼此接近,不是同一公式里的自由参数互相推出。

外推时,公式保持不变,只用新州自己的训练市镇重新拟合参数,再在新州的测试市镇上计分。图6E 显示新州与训练州的水平相近。图6D 上,正文写 BMS 在四项指标的三项显著优于随机森林,第四项无法区分;图注的说法更宽,写成显著优于其他所有算法中的三项。随机森林没有可单独重拟合的参数,新州的预测是原来六个随机森林预测的平均。正文还说,BMS 若也不重拟合、同样对六个旧模型取平均,在新州仍然显著更准;那一张比较是补充图 S7。

商店和道路加进去之后,还是同一类公式吗?

若非人口特征通常能提高预测,为什么三个变量已经够用?图7先看相关。

完整原论文图7

图 7|多出来的特征是新信息,还是人口的另一种写法?

(A)训练六州全部市镇对上,特征两两的斯皮尔曼秩相关。色标从 −1 到 1。横轴分组为距离 d、起点特征、终点特征;起点和终点各自内部多为深红色高相关。(B)终点人口对终点餐饮点数量,(C)终点人口对终点主干道长度。坐标为对数。直线是示意用的线性参照,图注写明它不是拟合。六色对应六个训练州。(D–G)训练州相对幂律引力的表现比,误差线为州平均的 95% 置信区间。D 为 CPC,E 绝对误差,F 相对误差,G 绝对对数比。模型依次为幂律引力、BMS 最可信、BMS 39 特征、随机森林、深重力。(H–K)新六个州的同样四项;这里没有深重力,依次为幂律引力、BMS 最可信、BMS 39 特征、随机森林。来源:原论文 Fig. 7。

相关高,解释了为什么人口和距离单独已经很能预测:餐饮点和道路长度在市镇尺度上大体跟着人口走。把 39 个特征都送进 BMS 后,大多数特征很少出现在采样公式里。反复出现的是终点餐饮点 Fd、起点与终点主干道长度 Mo 和 Md;最可信公式里还有起点零售点 Ro。式子是

log Tod = [ c1 + c2 × (c3 + c2×Fd + Md) × (c4 + Mo + Ro) × exp(c5 的 Ro 次方) / d^α ]^γ

终点因子是餐饮点和终点道路,起点因子是起点道路、零售点以及零售点上的指数。中间仍是两端因子相乘,再除以距离的 α 次方。正文把训练州结果写成图7C–F、新州写成图7G–J;图面和图注是 D–G 与 H–K,字母差一格。无论按哪一种编号,结论相同:39 特征的最可信模型常常略好于只含人口的最可信模型,差别没有统计显著性。新州也是如此。

这些结果能用到哪一步

BMS 在“数据真由一个闭式公式生成”时,渐近上会找到那个公式,并且对未观测数据的预测接近最优。本文的流量是否真由某一个闭式公式生成,搜索本身不能证明。100 到 105 个高分公式同时存在,说明眼下的数据留出了一族模型。类引力反复出现,支持的是这一族的共同形状,不是其中某一个参数表就是行为机制。

数据是位置应用上的设备,再推回人口流量。它覆盖多种交通方式,也漏掉没有进入这些应用的人。两个星期都在 2019 年初。市镇对只保留非零流量,模型没有接受“结构上的零流量”这一任务。收入公平性只按州内人均收入中位数分成高低两组,分组误差的具体数字在补充图里。

讨论部分把聚合流量写成大量个体移动抵消之后显现的性质,并认为它在所研究的数据集里接近普适。这个判断的直接证据是:六个训练州共用公式、六个新州能重拟合参数、纽约短距离方格上三个变量仍然够用、指数落在大约 1.2 到 2 的范围。它还没有在这些州以外的国家、年份和出行目的上检验。个人路线、出行目的和人口统计特征,正文认为在更小尺度上可能需要更复杂的模型;25 km 方格的结果只说明,加进很多兴趣点特征并没有在那套数据上提高预测。

一句话总结

在美国市镇之间的非零周流量上,自动搜出的短公式仍然是类引力的;只用人口和距离,就能在多数误差比较里追上 39 个特征的模型,并在六个新州上更好地外推。

核心来源

  • Nature Communications 正式页面,核对题目、作者、发表日期与正文图1–7、表1–2。
  • 流量原始数据为 Kang 等,Scientific Data,2020,论文参考文献 26;处理数据和深重力改写代码见 Zenodo:10.5281/zenodo.14501438。
  • 贝叶斯机器科学家的方法来自 Guimerà 等,Science Advances,2020,6:eaav6971,即本文参考文献 16。深重力对照来自 Simini 等,Nature Communications,2021,12:6576。

作者介绍

机构与分工以论文署名和作者贡献说明为准。可核的研究方向只取本文引用过的工作。

  • Oriol Cabanas-Tirapu:署名罗维拉-威尔吉利大学化学工程系。贡献说明中负责收集数据,并与 Danús 一起写代码、做实验;同时参与设计、分析结果和写作。致谢中的 FPI 项目编号为 PRE2020-095552。
  • Lluís Danús:署名罗维拉-威尔吉利大学化学工程系,以及宾夕法尼亚大学安嫩伯格传播学院。参与写代码、做实验、设计、分析结果和写作。
  • Esteban Moro:署名麻省理工学院媒体实验室,以及东北大学网络科学研究所。参与设计、分析结果和写作。本文引用了他与合作者关于美国大城市移动模式和收入隔离体验的 Nature Communications 2021 年论文。
  • Marta Sales-Pardo:署名罗维拉-威尔吉利大学化学工程系,通讯作者。参与设计、分析结果和写作。本文引用的贝叶斯机器科学家论文和 2020 年 Physical Review Letters 中的多数据集比较,都有她参与。
  • Roger Guimerà:署名罗维拉-威尔吉利大学化学工程系和巴塞罗那 ICREA,通讯作者。参与设计、分析结果和写作。贝叶斯机器科学家方法论文以他为主要作者之一;本文也引用了他 2005 年关于全球航空网络的 PNAS 论文。

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。

若一个规划模型在市镇尺度上同时放入人口、餐饮点和道路长度,图7的高相关意味着后两项很可能是人口的另一种计数。要检验“增加餐饮点是否真的带来流量”,需要找人口几乎不变、餐饮点或道路单独变化的时期或地点,再看只含人口的公式是否开始落后。25 km 方格已经提示,把很多兴趣点加进模型,预测增益有限;那种比较仍然是横截面拟合,还没有这种前后变化。

另一处会改变模型选择的,是分数和流量档。CPC 的分子分母由全部流量之和构成,大流量决定名次;绝对对数比对“估成 2 倍”和“估成一半”一视同仁。若要安排的是小市镇之间几十人的班次,图4里常见档和低流量档的对数比,比全州 CPC 更接近这个任务。六个州的 α 从马萨诸塞的 1.17 到得克萨斯的 1.80,直接把一州的距离指数挪到另一州,会改写远距离流量被压低的程度。论文的做法是保留公式、重拟合参数;延伸的问题是,参数至少要按多大的区域分开估,州是不是合适的一档。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录