2018-Replicating Urban Dynamics by Generating Human-like Agents from Smartphone GPS Data


用同意共享的手机定位,能不能生成一座城市的出行主体?

论文名片|Yanbo Pang、Kota Tsubouchi、Takahiro Yabe、Yoshihide Sekimoto,Replicating Urban Dynamics by Generating Human-like Agents from Smartphone GPS Data,26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems(SIGSPATIAL ’18),2018年11月6–9日,美国西雅图。ACM,New York,Article 4,4页。DOI:10.1145/3274895.3274935。本文依据该会议正式版本解读。

2017年1月9日是星期一,东京放假;第二天是普通星期二。路网还是那一张,人却不会在同一个钟点挤在同一处。若规划只靠一份按典型工作日收集的出行调查,假日容易被画成上班日:早晚两个峰,中午一段低谷。

这篇论文改从手机定位往上长。安装雅虎日本灾害警报应用时同意提供定位的人,贡献许多次出行;模型学习什么样的一次出行更可能发生,再让一批虚拟主体在城里做选择。要核对的是这些主体叠在一起之后,城市尺度的停留、交通方式、人口分布和主干道交通量像不像那两天。

大轮廓能够出来。假日的午间隆起、工作日的早高峰,比2008年人员出行调查更接近这两天的定位。方式份额的尖峰没有落在同一小时,工作日傍晚的主干道数量仍有可见缺口。全文只有这两天,部分图注还把左右面板写反了。

先说结论

  • 主体学习的是一次出行的奖励,再自己产生出行。评价落在地图、方式份额、人口分布相关和主干道交通量,对象是许多人叠合之后的城市图案。
  • 范围是纬度 35.33–36.00、经度 139.00–140.00。对照日是2017年1月9日星期一的全国性假日,以及1月10日星期二。地图只画6:00、8:00、10:00、18:00、20:00、22:00。
  • 方式份额图的纵轴是0%–14%。假日定位的合计在下午大约11%–12%,同日模拟大约8%–9%。论文没有写出这个百分比的分母。
  • 图内标题为工作日的人口分布相关图上,提出方法大部分时间大约0.93–0.95,高于把GPS人口抽取2%再扩展的基线,也高于人员出行调查。假日傍晚它降到大约0.85,2%扩展降到大约0.73。
  • 主干道交通量每天用40,000条示范轨迹,一半训练、一半测试。定位和提出方法用左轴,人员出行调查与Open PFLOW用右轴;右轴最高450,000,不能按画面高低和左轴比较。

调查、模拟和定位,各缺了哪一块?

作者把城市动态定义成个人移动在城市范围内如何变化,并列出三项要求:人口要够多,构成要符合真实人口统计;空间和时间要细;不能只有典型的一天,也不能只有灾害。后文没有比较应用用户和人口统计是否一致,所以第一项在文中是目标,实验没有完成这项检验。

表1是作者给出的定性清单。具备、部分具备、不具备,对应原文的勾、三角和叉,不是测出来的分数。

方法 宏观 微观 无延迟 可获得
出行行为调查 具备 具备 不具备 部分具备
既有模拟 具备 不具备 部分具备 具备
GPS轨迹预测 不具备 具备 具备 不具备
GPS动态感知 部分具备 不具备 具备 具备
本文方法 具备 具备 具备 具备

详细的出行调查能同时给出城市总量和个人日程,更新却慢,信息容易过时。基于主体的模拟可以按出行需求重建人口分布和交通量,微观移动往往不像真人,因为主体缺少从观测里学来的行为。轨迹预测对准个人下一步,不负责把许多人叠成一座城市。动态感知能看到拥挤,又不生成选择。作者要补的是:从许多人的选择长出城市,并且能换到另一个日子。

虚拟主体学的是一次出行值不值得

数据来自Yahoo Japan灾害警报应用。人在安装时同意提供定位;手机开始移动时生成日志,并按天持续收集。注册用户超过100万。这是注册人数的下限。它和图1圆柱上的100,000、交通量实验每天的40,000条轨迹,是三个不同口径。

日志在开始移动时才生成。停着的时段、没有安装或没有同意的人,不会因此自动进入记录。这批用户也未被证明等于东京全体居民。

选择被写成马尔可夫决策过程。状态是地理位置。动作是一次出行,包含起点、终点和交通方式。一天里的步数有限,折扣因子 γ 取1,后一步的奖励不打折。奖励本身观察不到。作者把它写成地点与出行特征的加权和,再从许多人的历史出行反推权重:一条出行的可能性,随沿途奖励之和的指数上升。这是最大熵逆强化学习的设定,用来概括群体演示出来的选择。

特征取自日本国土数值信息,包括人口密度、道路密度、商店数量、学校和土地利用,另加入出行距离、出行时间和交通方式。权重的数值没有列出。奖励若已知,一天之内的选择可以用动态规划求解;这里先补的是未知的奖励。

完整原论文图1

图 1|从许多条出行到一批合成轨迹,中间学到的是什么?

无字母子图。左为训练数据,圆柱标注100,000 GPS,多条轨迹送入逆强化学习。中为类人主体,包含行为规则、策略和状态感知,并与带有房屋、交通和建筑符号的环境互相观察、行动。右为模拟得到的合成轨迹。来源:原论文 Fig. 1。

图中的100,000是训练数据图标上的文字,正文没有把它定义为实验样本量。学到的规则被赋给城市中的合成人口,每个主体再产出出行序列。可视化使用的合成人口有多少人,论文没有写出。

假日和工作日的地图,像在哪里?

区域是东京都市圈:纬度大于35.33且小于36.00,经度大于139.00且小于140.00。图2印在面板上的标签是:(a)2017年1月9日假日,(b)2017年1月10日工作日;每个面板上面一行是模拟,下面一行是定位。正文有一处把(a)说成1月10日、把(b)说成1月9日,另一处把这两天的模拟分别放进第二行和第四行。下面按图内标签读。

完整原论文图2

图 2|同一座城市的假日和工作日,模拟出来的点状分布像定位吗?

(a)2017年1月9日假日,上排模拟,下排定位。(b)2017年1月10日工作日,同样上排模拟、下排定位。两排时刻都是6:00、8:00、10:00、18:00、20:00、22:00。蓝为停留,黄为步行,绿为机动车,红为铁路。来源:原论文 Fig. 2。

正午到16:00没有出现在这张图里,而下一节方式份额的高峰很多正落在这段空档。作者对地图的读法是:模拟与定位的交通形势很像,假日尤其像;白天不少主体聚集在与商务区和交通枢纽相关的地点;市中心有一圈铁路形成的环,东西方向也有一条清楚联系。这些是目视判断。图下没有相似度、重叠率或统计检验。点的分布接近,也不表示某个主体重复了某条真实路线。

方式份额的形状保住了,尖峰对齐了吗?

方式份额按时刻计算。图3四幅图的纵轴都是0%–14%。蓝是步行,绿是机动车,红是铁路,青是三者合计。合计最高只有百分之十几。若分母只包括当时正在这三种方式里移动的人,三者相加应接近100%。论文没有写出分母。下面的百分数是对着纵轴读出的大约位置,正文没有另给精确表。

完整原论文图3

图 3|假日和工作日的方式份额,模拟保住了哪一种形状?

(a)假日定位:合计在大约14:00–16:00达到11%–12%,机动车大约6%,步行大约4%,铁路大多低于大约1.5%,呈午后平台。(b)假日模拟:合计在正午前后大约8%–9%,曲线更碎,没有守住下午的平台。(c)工作日定位:7:00–8:00机动车大约8%、合计接近10%,17:00前后合计大约13%。(d)工作日模拟:合计在大约10:00冲到12%,早高峰晚于(c),随后在大约9%–10%起伏。来源:原论文 Fig. 3。

假日更像午间隆起、工作日白天更高,这个方向模拟保住了。小时对小时的尖峰没有对齐,假日模拟也更抖。形状接近,还不能当成通勤机制已经成立。

分布更相关之后,每个地点的人数就对了吗?

人口分布拿来和验证集比。除提出方法外有两条基线。一条从GPS数据中抽取2%的人口,再扩展到与验证集相同的规模。这里2%的分母是这份GPS数据中的人口;扩展之后的人数等于验证集规模,验证集有多少人没有写出,扩展用的是复制、加权还是其他做法也没有写出。另一条是日本国土交通省2008年人员出行调查,文中写东京抽样率为2%。这是另一次、另一年的2%。

完整原论文图4

图 4|逐小时的人口分布相关,提出方法是否一直高于两条基线?

无字母子图。左图标题为工作日,右图标题为假日;总图注把左右写反,这里按图内标题。纵轴为相关系数,刻度0.60–1.00。蓝为提出方法,红为GPS扩展,紫为人员出行调查。工作日提出方法大多在0.93–0.95,22:00仍大约0.91;假日它从大约0.95降到22:00的大约0.85,同期GPS扩展降到大约0.73。来源:原论文 Fig. 4。

工作日的GPS扩展在下午早些时候大约0.88–0.89,之后大约0.85。人员出行调查从大约0.83降到13:00–14:00的大约0.79,再升到22:00的大约0.90,并在18:00之后高过GPS扩展。假日的人员出行调查在6:00大约0.90,7:00掉到大约0.83,随后大多留在0.85–0.88。

提出方法在两天的多数小时里都是三条线中最高的。假日傍晚三条线靠近。论文没有说明相关系数的种类,也没有说明人口按什么网格或区域汇总,图上没有误差线。相关较高,只能说明空间分布的整体起伏更接近验证集,不能推出每个地点的人数都相同。

主干道上的数量,画在哪一根轴上?

交通量实验每天取40,000条示范轨迹,50%用于训练,50%用于测试,也就是各20,000条。分母是当天示范轨迹。论文称结果为东京地区主干道的小时交通量,没有列出道路名单,也没有写计数是车辆、主体还是路段流量。

完整原论文图5

图 5|假日和工作日的主干道小时交通量,提出方法贴近定位的是哪一段?

无字母子图。左图标题为假日,右图标题为工作日;总图注再次把左右写反,这里按图内标题。红为定位,蓝为提出方法,用左轴:假日最高800,000,工作日最高900,000。棕为人员出行调查,橄榄色为OpenPFLOW,用右轴,两幅最高都是450,000。工作日图例中的方法名在原图里少了末尾字母。来源:原论文 Fig. 5。

假日6:00,定位和提出方法都在大约10万出头,正午前后一起升到60万至70万。18:00提出方法大约32万,定位大约45万;20:00提出方法回到大约37万,定位继续下降。右轴上的人员出行调查没有形成这个午间平台。OpenPFLOW在18:00达到右轴大约40万,峰的时刻与定位不同。Open PFLOW是Kashiyama、Pang和Sekimoto在2017年发布的主体模拟数据,图例拼写作OpenPFLOW。

工作日8:00,定位和提出方法都到左轴80万上下。18:00定位靠近90万刻度,提出方法大约落在65万到70万。清晨定位已经高于提出方法:大约55万对大约38万。右轴上的人员出行调查仍是白天起伏、中午偏低的工作日形态,所以放到假日上对不上;它的线画得高或低,都不能直接换成左轴上的数量。

论文写道,提出方法在两个实验里都非常接近定位,人员出行调查只再现工作日波动,假日失败。图支持形状更接近,也留下傍晚缺口。正文没有给出平均误差、改进百分比或显著性。

这些比较停在什么范围

两天各只有一天。假日是星期一,工作日是次日星期二,星期几和是否放假混在一起。合成出行是模型输出。地图相像、相关系数较高,都还不是个人决策机制的证明。引言要求人口构成符合统计,实验没有报告这项对照。定位在开始移动后才记录,同意共享的应用用户也未被证明代表全体居民。奖励权重、合成人口规模、验证集人数、方式份额分母、人口分布的空间单元,以及主干道的范围和计数单位,正文都没有给出。这4页论文没有附录,也没有误差表。

一句话总结

同意共享的手机定位可以训练出城市尺度的出行主体,并在东京一个假日和一个工作日上复现人流的大轮廓;它还没有给出可以外推到其他日子或其他人群的误差。

核心来源

  • ACM正式页面,SIGSPATIAL ’18,Article 4,共4页。题目、作者、DOI和会议信息以PDF首页的ACM Reference Format为准。
  • 正文图1–5和表1都在这4页中。文中没有补充材料、代码或数据链接。
  • 基线所引文献印在文末:出行调查重建见Sekimoto等2011年的Pflow;Open PFLOW见Kashiyama、Pang、Sekimoto 2017;最大熵逆强化学习见Ziebart等2008。

作者介绍

以下只写PDF上的署名机构,以及该文参考文献中可以核对到的相关工作。

  • Yanbo Pang:通讯作者,署名为东京大学土木工程系。与Kashiyama、Sekimoto合写了文中作为基线的Open PFLOW。
  • Kota Tsubouchi:署名为Yahoo Japan Corporation。与Yabe、Sekimoto合写了文中引用的、用GPS估计熊本地震后避难热点的论文。
  • Takahiro Yabe:署名为东京大学生产技术研究所,是上述熊本地震GPS论文的第一作者。
  • Yoshihide Sekimoto:署名为东京大学生产技术研究所。文中的Pflow和Open PFLOW都有他的署名。

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。

若一座城市用一张图决定假日是否临时调整信号或公交,只拿工作日调查来排班,会把高峰放错时段。本文假日的主干道曲线已经显出这种错位。接下来值得分开看的是误差落在哪一小时。工作日18:00的定位靠近左轴90万,提出方法大约少一截,而人口分布相关在很多小时仍高于0.93。只播报一条全天相关的看板,会把傍晚主干道上的数量缺口遮住。在意高峰小时运力时,应把该小时的交通量差和分布相关放在一起看。

另一项需要单独检验的是,谁的出行进入了训练。记录来自安装某一款灾害警报应用并同意定位的人,而且多在开始移动之后才出现。若这些人的假日去处与未安装应用的人不同,叠出来的就是这部分人的城市。引言把人口构成符合统计写成要求,实验没有检验。在这项对照出现之前,结果宜看作这批同意定位的用户在这两天的城市尺度画像。


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