手机只在打开应用时上报位置,下一小时还能预测到哪?
论文名片|Huandong Wang、Sihan Zeng、Yong Li、Depeng Jin,Predictability and Prediction of Human Mobility Based on Application-Collected Location Data,IEEE Transactions on Mobile Computing,2021,20(7):2457–2472。DOI:10.1109/TMC.2020.2981441。卷期为 2021 年 7 月;页面标注的在线发表日期为 2020 年 3 月 17 日,当前版本日期为 2021 年 6 月 3 日。通讯作者为 Yong Li。本文依据这一期刊正式版解读。这是一项用观测轨迹估计可预测性上限,并预测下一时间片地点的研究。
下午四点,一个人在办公室打开微信。应用把这一刻的坐标上传出去,之后几个小时如果不再打开会触发定位的应用,轨迹上就是空白。一条不看钟点的马尔可夫链会把上午九点在办公室和下午四点在办公室当成同一种状态,于是给出同一种下一步。应用采集的位置记录(application-collected location information records)正好卡在这个缝上:它只在使用应用时出现,一天之中的转移方式却会变。
这项研究先估计这样的稀疏序列还有多少可预测性,再用按一天分段的马尔可夫链加上吉布斯采样去做下一步地点预测。在缺失率超过 0.8 的轨迹上,它相对五种对照的平均相对提升是 11.2%;预测准确率与理论上限的相关系数最高到 0.81。这里预测的是用户已经到过的地点中的下一个时间片,分母是测试段里能够核对的下一步,不是把没打开应用的全部行程补成一条真实路线。
先说结论
- 数据集一节写的是北京 2016 年 9 月 17 日至 10 月 31 日、100 万匿名用户、8 亿条记录;摘要写的是 10 万人。正文没有解释这两个口径如何对应。论文所称的 46 天里,72% 的用户到过的不同地点少于 30 个,多数人的回转半径落在 30 公里以内。
- 街道尺度上,随机熵的分布峰值约 4.9,大约相当于 30 个等概率地点;时间无关熵峰值 2.0,真实熵峰值 0.5。只使用到访频率时,可预测性上限的中位数是 0.72;再计入访问顺序后,上限可高达 0.96。0.96 是正文对这一上限的表述,不是全体用户的中位数。
- 一天被切成 7:00–13:00、13:00–19:00、19:00–次日 7:00 三段。缺失率 q > 0.8 的稀疏轨迹上,相对隐马尔可夫、不采样、神经网络、单链和周期模型的相对提升分别是 11.79%、7.73%、2.37%、22.30% 和 11.66%,五者平均为 11.2%。全部可评估轨迹上的平均相对提升是 6.32%。
- 准确率与真实熵对应的可预测性上限,最高相关系数为 0.81。缺失率低于 0.5 的用户仍有 r > 0.4 的正相关;缺失很多以后,这个相关变弱。结论另写有情境的空间划分比无情境划分准确率高 10%,结果部分没有给出两组绝对准确率。
- 一阶马尔可夫的准确率高于二阶,二阶高于三阶。计时实验把迭代次数都设为 15 时,二阶的计算时间是一阶的 20 倍。15 次采样之后,各组准确率的变化小于 0.8%;缺失率超过 95% 的用户,相对零次采样的增益超过 6.6%。
这些点是打开应用时留下的,不是全天连续采样
运营商采集的位置通常按周期被动记录,轨迹更连贯。应用采集则是用户使用相关应用时主动上传。论文举的例子包括微信。因此一条记录同时带着使用应用的场合,例如叫车或找餐馆;人没有打开应用的时段,位置就是未知的。
数据集一节给出的规模是:一家定位平台在 2016 年 9 月 17 日至 10 月 31 日采集的北京数据,100 万匿名用户、8 亿条记录。每条记录有匿名身份、精确到秒的时间和 GPS 坐标。摘要开头写的是 10 万个体。两处数字都出现在同一篇正式版里,正文没有说明是全量、抽样还是前后版本的差异。后文的熵、可预测性和预测实验都没有再写实际进入模型的人数,所以下面不把 100 万或 10 万当成预测准确率的分母。
缺失率 q 是一个用户的位置信息中缺失部分所占的比例。时间上,相邻两条原始记录的平均间隔是 3.11 小时;引言同时写,70% 的相邻记录间隔短于 1 小时。两个数字可以同时成立,因为分布不均:大量短间隔和少量很长的间隔会把平均值拉高。空间上,论文写 72% 的用户在这 46 天里记录到的不同地点少于 30 个,超过 100 个的很少;回转半径(radius of gyration,活动范围的一种尺度)随距离明显衰减,多数人的活动落在 30 公里以内。回转半径图的对象是抽样用户,抽样人数没有给出。

图 1|应用位置记录有多稀、活动范围有多集中?
(a)每个用户的记录条数分布,横轴为记录数,纵轴为概率密度;大量用户的记录并不多。(b)缺失率 q 的分布,横轴从 0 到 1;正文写很大一部分用户的 q 超过 0.5。(c)相邻记录的时间间隔,横轴为小时;分布不均匀,正文给出的平均间隔是 3.11 小时。(d)每个用户到过的不同地点数,纵轴标注为节点数;正文写 72% 的用户少于 30 个地点。(e)回转半径的概率密度,横轴为公里,随距离下降;正文写多数人的活动限于 30 公里内。来源:原论文 Fig. 1。
和运营商数据相比,这套记录在时间上稀疏、不均匀,在空间上却反复出现在较少的地点。可预测性如果存在,主要来自这种空间上的重复,以及重复发生的顺序,而不是因为每小时都有一个点。
按功能把街区合在一起,和按方格切开有什么差别?
预测之前,先要把 GPS 变成一串地点编号。论文按情境把城市分成互不重叠的三档:街道、街区(district)和区域(region)。街道尺度把功能相近的兴趣点(point of interest)合在一起,于是一段街道可以代表居住或娱乐这类场合。街区和区域是在街道之上再合并。对照用的是没有功能信息的经纬度方格:街道与大约 200 米的方格同一量级,区域与大约 4 公里的方格同一量级。大尺度把北京分成 188 个区域。街区一档的区域个数,正文没有给出。

图 2|同一条路,按街道切和按方格切会变成几段轨迹?
(a)示意两种划分。红线是街道划分,黄线是方格划分。一块功能统一的红色区域 C1,会被方格切成 G1 和 G2。(b)两个用户的示例轨迹。同一段移动在街道编号下写成 C1、C2,换成方格后,C1 会随机落到不同的方格编号;没有记录的时间片记为空。这是用来说明编码差异的例子,不是从 100 万用户中抽出的统计表。来源:原论文 Fig. 2。
时间片默认比较 1 小时、2 小时和 4 小时。每个时间片放一个地点:这一小时里若去过多个地点,取到访最多的那个;若完全没有记录,该时间片保持未知。于是一条轨迹是长度 L 的地点序列,未知位置单独标出。后面的预测面对的是这串编号,不是原始的逐秒 GPS。

图 3|区域划分下的位置密度,和一条街道尺度轨迹长什么样?
(a)区域划分下的地理位置密度,经纬度落在北京范围,颜色表示密度,色标标到 120;正文没有说明 120 的计数单位。(b)街道划分下的一条典型轨迹,蓝线连接时间上相邻、且忽略缺失点之后的位置。它展示的是一个人的走法,不能代表全体用户。来源:原论文 Fig. 3。
熵量的是还剩多少不确定,上限不是已经猜对的比例
可预测性在这里是一个信息论上限,不是模型已经达到的准确率。随机熵只看去过多少个不同地点,并假设每个地点等概率,写成地点数的以 2 为底的对数。时间无关熵加入每个地点的到访概率,仍然不看顺序。真实熵则看当前地点在之前整段历史之下还剩多少新信息。三者满足:真实熵不大于时间无关熵,时间无关熵不大于随机熵。真实熵若是 S,直观上每一步大约还在 2 的 S 次方个地点里选择。
真实熵用 Lempel–Ziv 型估计:从每个位置出发,找到此前没出现过的最短片段,再用这些长度和序列长度换算。序列里一旦有缺失,估计出的熵会变大,因为空白本身被当成了额外的不确定。论文沿用 Song 等人的做法,令 σ(q) 为真实熵与时间无关熵之比的自然对数。在 q 不超过 0.9 时,σ(q) 与 q 接近直线。计算时每次把已知点再遮掉 5%,只保留缺失率仍低于 0.9 的序列,把直线外推到 q = 0,再还原完整轨迹的真实熵。q 超过 0.9 时,这条直线不再成立,估计容易有偏。

图 4|缺失变多时,怎样把熵外推回一条完整轨迹?
横轴是缺失率 q,纵轴是 σ(q)。蓝色方块和误差线是遮掉已知点之后实际算出的 σ,红色直线外推到 q = 0 得到估计。图中另有一条灰色竖带,正文没有解释它的起止。有效外推范围是 q 不超过 0.9,超过之后不再用这条直线。来源:原论文 Fig. 4。
有了熵 S 和不同地点数 N,Fano 不等式给出可预测性上限 Π:S 等于二元熵 H(Π) 再加上 (1−Π) 乘以 log2(N−1)。Π 是在相应信息下,任何方法最多能猜对的时间比例;至少有 1−Π 的时间,地点相当于在其余选项里随机出现。因此上限下降,表示不确定在增加。随机熵、时间无关熵和真实熵各自对应一个上限,真实熵对应的上限最高。

图 5|两个地点的玩具马尔可夫链,上限和最优策略差多少?
这是构造出来的例子,不是北京用户。从 A 到 B 的概率 p1 = 0.6,从 B 到 A 的概率 p2 = 0.9。稳态下人在 A 的概率是 0.6,在 B 是 0.4。随机熵为 1,时间无关熵约 0.971,真实熵约 0.846。对应的上限分别是 0.500、0.600 和约 0.727。若上一步在 A 就预测下一步到 B,在 B 就预测到 A,准确率是 0.720,与真实熵上限相差不到 1 个百分点。它用来核对公式,不能外推成北京数据的准确率。来源:原论文 Fig. 5。
街道尺度上,三种熵的分布分成三团。随机熵峰值约 4.9,2 的 4.9 次方约等于 30,正文用它近似一个典型用户等概率出现的地点数。时间无关熵峰值 2.0,真实熵峰值 0.5。正文据此说,若把顺序里的规律用尽,典型用户的下一步可以缩到 2 个地点以内。只知道去过几个地点时,可预测性上限接近 0。计入到访频率后,上限的中位数升到 0.72。再计入顺序,上限可高达 0.96。0.72 有中位数这个口径,0.96 没有被写成中位数。

图 7|三种信息下,熵和可预测性上限各落在哪里?
(a)街道尺度轨迹的熵分布。黄、绿、蓝分别是真实熵、时间无关熵和随机熵;峰值分别约在 0.5、2.0 和 4.9。(b)由这三种熵解出的可预测性上限。随机熵对应的上限挤在 0 附近,时间无关熵对应的分布居中,真实熵对应的分布靠近 1。分布的峰不等于每个用户都达到峰上的数值。来源:原论文 Fig. 7。
空间格子越大,熵越低、上限越高。区域尺度只有 188 块,不少用户的轨迹只出现在一两块里,预测因此变容易。时间片从 1 小时拉到 2 小时、4 小时时,方向相反:序列变短,中间的移动被抹掉,上限下降。所以更粗的空间和更长的时间片不是同一种简化。

图 8|换空间尺度或换时间片,上限往哪边走?
(a)街道、街区、区域三档。蓝线是可预测性上限,橙线是熵;区域一档熵更低、上限更高。读的是平均水平随尺度变化的方向。(b)1、2、4 小时。时间片变长后熵上升、上限下降。两张小图的纵轴范围不同,跨图时只比较各自的升降方向。来源:原论文 Fig. 8。
同一地点,为什么上午和傍晚会走向不同的下一站?
一条时间上不变的马尔可夫链只有一张转移表。只要上一步的地点相同,下一步的预测就相同,不管这件事发生在早上还是傍晚。论文把一天分成 K 段,每一段有自己的转移核;段与段之间再用一阶转移接上。跨段的连续记录,按最后那个待预测地点所属的时段归类,因为目标是预测下一次,而不是解释上一次为什么发生。

图 6|一天为什么要分成几条连在一起的马尔可夫链?
三个圆表示三个时段的链,地点仍是 i0、i1、i2,箭头粗细表示该时段里的转移不同。底部的长箭头把最后一段接回下一天的第一段。这是结构示意,不是某位用户估计出来的概率。来源:原论文 Fig. 6。
具体切在哪里,由相邻两小时的转移表有多不像来决定。不像的程度用加权 Kullback–Leibler 散度 β:从每个地点出发,比较两张表的下一步分布,再用该小时的稳态概率加权。β 越小,两个小时越能共用一张表。全用户平均的 β 在早上 7 点、下午 1 点和晚上 7 点出现三个峰,方差也在这些时刻变大。默认阈值大约是 2.0,于是一天分成三段:7:00–13:00、13:00–19:00、19:00 到次日 7:00。这个切分对所有用户相同。

图 9|相邻两小时的转移表,在哪些钟点差得最多?
横轴是小时,纵轴是用户间的平均散度 β,误差线表示波动。三个高峰落在约 7 点、13 点和 19 点,与正文用来分段的三个时刻一致。误差线大,说明高峰时刻用户之间的差异也大,不能把平均曲线读成每个人的日程。来源:原论文 Fig. 9。
缺失点使转移表数不齐。吉布斯采样轮流做两件事:按当前补全的轨迹,从狄利克雷分布里抽每一行转移概率;再按这些概率,把原来未知的地点重新抽一遍。狄利克雷先验里有一个小的正数,使没见过的地点仍有机会被抽到;它与该用户在各点的到访次数成比例。多链版本还掺入一张不随时段变化的转移计数,用来减轻分段之后每张表的样本更少的问题。训练时,若连续 n+1 个点都缺失,这串不进入采样,以减少噪声。正文论证采样会收敛到描述该用户移动的转移核;这是模型假设下的收敛,不是对真实行程的独立核对。
预测时取转移行里概率最大的地点。每条轨迹前 80% 的时间片做训练,后 20% 做测试,按时间前后切开,不是随机打乱。只有前 n 个地点都已知、而且下一步也已知时,才做一次可评分的预测。准确率 γ 的分子是这些预测里猜对的次数,分母是全体用户此类可评分下一步的总数。因此 γ 不是每个小时都考一次,也不是 100 万用户每人一票。
对照有五个。不采样的多链只统计相同历史之后最常出现的地点,不用狄利克雷先验,也不采样补洞。单链是 Song 等人的回退马尔可夫:当前 n 步历史若没见过,就把阶数降到 n−1。隐马尔可夫模型把观测写成由隐状态生成的多项分布。神经网络用上一地点和时间为特征,两个隐藏层,每层 20 维。周期模型沿用 Cho 等人的设定,只设家和单位两个隐状态,时间分别服从两个高斯分布。主比较图没有写明当时使用的马尔可夫阶数;阶数是后面单独比较的。
人越稀疏,三种改进各补上哪一块?
在不同缺失率上,分段多链都高于五个对照。相对单链和周期模型,平均分别高 4.5% 和 8.0%;相对不采样的多链,平均高 3.0%,最大差距超过 9.5%。论文没有列出各缺失率上的绝对准确率,也没有说明这几个平均是百分点还是相对比例,所以这里保持原文的百分比说法,不把它换算成从某个准确率加到另一个准确率。
不采样的多链在 q ≤ 0.7 时高于单链,说明同一用户在不同时段确实有不同转移。q > 0.7 时,多张转移表要估计的参数更多,不采样的版本反而低于单链。加上狄利克雷先验的采样之后,稀疏用户仍高于单链。神经网络也随缺失率上升而明显变差;隐马尔可夫因为隐状态数量有限,对稀疏更稳一些。

图 10|相对五种对照,提升出现在哪些用户身上?
(a)横轴为缺失率 q,纵轴为准确率。红线多链在各档都处于较高位置;不采样的多链在高缺失率一端下降更快。(b)横轴为回转半径,单位公里。本文方法仍高于五个对照,优势在回转半径较小的一侧更大;正文把这归因于小范围用户的轨迹更稀,没有单独给出相关系数。(c)全部可评估轨迹的准确率。(d)q > 0.8 的稀疏轨迹。正文给出的是相对提升,不是这四张图上的柱高读数。来源:原论文 Fig. 10。
稀疏轨迹上的相对提升写得很具体。相对隐马尔可夫、不采样、神经网络、单链和周期模型,分别是 11.79%、7.73%、2.37%、22.30% 和 11.66%。五个相对提升的算术平均是 11.17%,与正文的 11.2% 一致。每个百分比的分母是对应对照在 q > 0.8 轨迹上的准确率。全部可评估轨迹上,平均相对提升是 6.32%,正文没有再列出这 6.32% 对应的五个分项。因此 11.2% 是稀疏子集上相对五种对照的平均相对提升。神经网络是其中最接近的对照,单链是差距最大的对照。摘要里的基准方法指的是这一组比较,不是其中单独某一个。
回转半径较小的用户上,优势更大。正文的解释是小范围活动往往对应更稀的轨迹。这仍是准确率随回转半径变化的观察,没有证明活动范围本身导致了预测误差。
采样要迭代多少次,也按缺失率分开看。缺失更高的组,从迭代中得到的准确率上升更明显。大约 15 次之后,各组准确率的后续变化都小于 0.8%。相对增益 η 定义为 15 次迭代后的准确率减去 0 次迭代的准确率,再除以 0 次时的准确率。缺失率超过 95% 的用户,这个相对增益超过 6.6%。缺失率已经比较低的用户,因为观测点够用来估计转移表,采样能补上的空间较小。正文因此建议按缺失率决定迭代次数:超过 90% 的大约迭代 15 次,低于 50% 的可以只做一次甚至不做。这是效率上的建议,实验报告的主结果仍来自统一迭代到稳定的设置。

图 11|补洞的采样,对谁有用、做多少次就够?
(a)横轴为迭代次数,纵轴为预测准确率,色带是置信带,正文没有写明置信水平。四组缺失率的曲线在大约 15 次后趋于平缓;缺失率 90% 至 100% 的一组起点更低。(b)15 次迭代相对 0 次的增益 η,横轴为缺失率。高缺失率一端的柱更高,与超过 95% 的用户增益超过 6.6% 的正文一致。柱高是相对增益,不是准确率本身。来源:原论文 Fig. 11。
准确率靠近理论上限,缺失很多时还站得住吗?
因为模型同时使用了顺序和地点,论文用真实熵对应的上限来对照实际准确率。准确率分布在 100% 处有明显尖峰,正文写超过 20% 的预测达到 100% 准确率。图的横轴是准确率 γ 的分布,所以这 20% 是该分布在 100% 处的质量,不是 100 万用户中的 20 万人,也不是每个空白小时都猜对了。
准确率与真实熵呈明显的负向关系:熵大的轨迹更难猜。准确率与可预测性上限则挤在右上角,最高相关系数为 0.81。0.81 说明在这批可评分预测里,上限高的用户往往也有更高的准确率。它还不等于每条轨迹都达到了自己的上限,也不等于空白小时被真实还原。

图 12|实际准确率和理论上限,对齐到什么程度?
(a)预测准确率的分布,横轴 γ 从 0 到 1,在 1 处有尖峰;正文写超过 20% 达到 100%。(b)真实熵与准确率的热度,颜色最高标到 60,正文没有写明 60 是用户数还是预测次数。熵较高的区域准确率更低。(c)可预测性上限与准确率的热度,点集中在右上;正文给出的最高相关系数是 0.81。热度高只表示人多,不表示那些点的误差为零。来源:原论文 Fig. 12。
情境信息的作用,用同一量级的两种切法比较。小尺度是街道对 200 米方格,大尺度是区域对 4 公里方格。有情境的切法熵更小、上限更高。结论把预测准确率概括为比无情境划分高 10%。结果部分讨论的是方向和相关强弱,没有给出构成这 10% 的两个绝对准确率,也没有写明是哪一个尺度上的相对提升还是百分点。街道不整齐的城市里,人更少被路网约束,这种好处可能变小;正文把合并街道和方格列为可能的做法,没有在其他城市上检验。
把用户按缺失率每 0.1 分成 10 组后,q < 0.5 的组里,准确率与上限的相关系数 r > 0.4。缺失很多的组里,相关所剩不多。正文的解释是,过多缺失会抬高一个实际上难以达到的上限。q < 0.3 时,有情境的划分比坐标方格的相关更强。

图 13|带功能的划分,是否让准确率的分布和上限更对齐?
(a)四种划分下预测准确率的累积分布。曲线越靠右,高准确率的比例越大。同一量级上,街道在 200 米方格右侧,区域在 4 公里方格右侧。(b)相关系数随缺失率的变化,只比较街道和 200 米方格。低缺失率时街道更高,q 增大后两条线靠近。来源:原论文 Fig. 13。
格子、时间片、训练长度和阶数,各自把准确率推向哪里?
预测准确率随空间尺度变粗而提高,随时间片从 1 小时增到 4 小时而下降,方向与前面的熵和上限一致。用轨迹前 20%、40%、60%、80% 做训练时,记录越多,准确率越高。20% 到 40% 的差距小于 40% 到 60% 的差距,60% 到 80% 的差距又变得更大。正文的解释是,60% 到 80% 这一段在时间上更靠近测试段,而移动方式会随时间略有变化。这是时间邻近带来的拟合差异,没有单独识别行为改变的原因。
散度阈值从 1.0 调到 3.0,可以改变链的数量。阈值 1.0 时,图 9 里每个小时的散度都超过阈值,于是每个小时各训一张表,参数过多,出现过拟合,准确率下降。阈值 3.0 时,全天合成一张表,分段不再起作用,准确率也下降。默认大约 2.0 的三段切分,在这些阈值里最好。最好是相对这条阈值曲线而言,不是相对所有可能的个人日程。

图 14|尺度、训练比例和分段阈值,准确率怎么变?
(a)街道、街区、区域的预测准确率,粗尺度更高。(b)1、2、4 小时,时间片越长越低。(c)训练使用轨迹前 20% 到 80% 的记录,总体上升,靠近测试段的最后一档上升更明显。(d)散度阈值 1.0、2.0、3.0,2.0 高于两侧。各小图纵轴起点不同,跨图比较时应看各自的方向,而不是把 0.7 当成同一个准确率。来源:原论文 Fig. 14。
阶数实验比较 0 到 3 阶。正文写一阶准确率高于二阶,二阶高于三阶,并把这解释为下一步对两三小时之前的地点依赖不强,当前地点已经提供了主要信息。图中零阶低于一阶。更高阶数需要估计的历史组合更多,在稀疏轨迹上也可能是参数过多,而不只是人真的没有更长记忆。主比较允许的阶数讨论到不超过 7,但图 15 只比较到 3 阶。
计算时间随阶数明显增加。在迭代次数都设为 15 的条件下,二阶的计算时间是一阶的 20 倍。隐马尔可夫略慢于一阶多链,因为前者要为每个已观测地点估计隐变量,而本文方法主要估计缺失地点,并且丢掉了长串连续缺失。单个缺失地点的计算量随该用户去过的不同地点数和阶数线性增长。神经网络的计时跑在另一台有 4 块 Titan X 的 48 核服务器上,其余方法跑在无 GPU 的 16 核 2.10 GHz 服务器上。因此图里神经网络的秒数不能和马尔可夫模型直接比快慢。

图 15|看更长的历史,准确率是否继续提高?
(a)0 到 3 阶的预测准确率。一阶最高,其后二阶、三阶下降,零阶低于一阶。(b)计算时间,单位秒。图例包括 0 阶、周期模型、1 阶、隐马尔可夫、神经网络和 2 阶。2 阶远高于 1 阶,与正文 20 倍的说法对应;神经网络使用了不同的机器和 GPU,柱高不构成同一硬件上的速度比较。来源:原论文 Fig. 15。
这些数字能说到哪一步
可预测性上限是给定熵和地点数之后的信息论界限。真实熵又是在缺失率不超过 0.9 的遮点实验上外推出来的。上限高,表示这条已经编成地点编号的序列里重复很多;它不表示一个人没打开应用的那些小时也被观测到了。
准确率的分母更窄。只有测试段后 20% 时间里、连续 n 个地点已知且下一步也已知的情形才会计分。缺失越严重,能进入分母的片段越少。11.2% 是在 q > 0.8 且仍然凑齐这种片段的预测上,相对五种对照准确率的平均相对提升。把它说成所有空白小时都提高了 11.2%,或者全北京用户的平均准确率是某一个柱高,都超出了实验的计分范围。
位置本身是在使用应用时上传的,上传时机和应用的用途有关。模型预测的又是该用户已经到过的地点,不产生新地点。因此高准确率里同时含有应用使用习惯和地点转移习惯,这篇实验没有把二者拆开。
三段时间对所有用户相同。上夜班的人和白班的人会共用晚上那张转移表。作者在文末也写道,若按每个人自己的模式持续时间来分段,会更准确;当前结果还没有做这种个人分段。
情境划分高 10% 来自结论中的概括。街道对 200 米、区域对 4 公里的比较支持有情境的切法更可预测,但 10% 的分子、分母和尺度没有在结果里逐项列出。北京 2016 年这一家平台、论文所写 46 天的记录,也不能直接换成其他城市、其他应用或被动采样的手机信令。摘要的 10 万人与数据集一节的 100 万人尚未对齐,回转半径的抽样人数也没有写出。
一句话总结
应用只在被打开时留下的北京位置序列,仍然有很高的顺序规律;按一天三段转移、并用采样补上缺失之后,下一步地点比五种对照更接近这条序列自己的可预测性上限,但计分的只是能够核对的下一步,不是全天真实行程。
核心来源
- IEEE Xplore 正式版页面,核对题目、作者、卷期与 DOI。期刊为 IEEE Transactions on Mobile Computing,2021,20(7):2457–2472。
- 本文图像和数值来自该正式版正文的 Fig. 1–15 与相应段落。正文没有附录,也没有随文附上补充材料。
- 会议版为 Zeng、Wang、Li、Jin,Predictability and prediction of human mobility based on application-collected location data,IEEE MASS,2017,28–36。期刊版写明,它把会议版的时不变链改成多条相连的时变链,并补充了对照和实验。
- 可预测性上限的框架来自文中引用的 Song、Qu、Blumm 与 Barabási,Science,2010;稀疏手机数据上的预测参照包括 Lu 等人,Scientific Reports,2013。这些是既有研究,不是本数据集的准确率。
作者介绍
以下只采用论文署名页和文末作者简介里能够核对的身份。作者简介反映的是文章刊出时的状态。
- Huandong Wang:署名单位为清华大学电子工程系、北京信息科学与技术国家研究中心。简介写明他当时在该系攻读博士,本科分别于 2014 和 2015 年在清华大学获得电子工程与数理科学学位,研究方向包括移动大数据。
- Sihan Zeng:署名单位为卡内基梅隆大学信息技术研究院。简介写明他 2018 年在清华大学获得电子工程学士学位,当时在卡内基梅隆攻读信息技术硕士,研究方向为移动大数据。
- Yong Li:通讯作者,署名单位同为清华大学电子工程系及上述研究中心。简介写明他 2007 年在华中科技大学获得学士学位,2012 年在清华大学获得电子工程博士学位,当时为该系教师。
- Depeng Jin:署名单位同上。简介写明他 1995 与 1999 年在清华大学获得电子工程学士和博士学位,当时为副教授、电子工程系副系主任,研究领域包括通信网络与未来互联网体系结构。
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。
如果一个服务必须在用户没有打开应用的小时给出地点,它面对的分母和这篇实验不同。实验只在前 n 步和下一步都已经有记录时打分,11.2% 衡量的是这种可核对片段上的相对提升。把同一模型拿去填满空白小时,错误会落在实验故意不评分的那些片段上。一个更贴近产品的检验,是先在被动采样的完整轨迹上挖掉与应用使用相似的空洞,再同时报告可核对片段和被挖掉片段的准确率。
另一项还没分开的东西,是应用使用和身体移动。上传发生在打开应用的时刻,而打开应用往往就是在叫车、点餐或到达某个功能区。顺序规律里有一部分可能是应用场景的重复,而不全是两地之间的通行。若同一批人既有应用上报,也有与应用无关的周期采样,可以把两种序列的真实熵和一阶准确率并排。两者接近,说明地点转移本身就很规则;只有应用序列很高,就说明当前上限里混进了使用应用的节奏。
三段切分来自全体用户平均的散度曲线。夜班、轮班和跨时区出行的人会在 7 点、13 点、19 点这些平均高峰上被放进同一张表。论文已经把个人分段留作后续工作。可以先按回转半径或夜间记录占比把用户分成少数几组,每组仍只用自己的平均散度决定段数,再看稀疏组的 11.2% 是否还在。如果分组之后单链和多链的差距缩小,这段提升里就有一部分来自多数人的共同日程,而不是每个人独有的转移。