一天只有一两条定位，怎样估计没有被记录的出行？
论文名片｜Yuan Liao、Kristoffer Ek、Eric Wennerberg、Sonia Yeh、Jorge Gil，A Mobility Model for Synthetic Travel Demand From Sparse Traces，IEEE Open Journal of Intelligent Transportation Systems，2022，3：665—678；2022年9月27日发表。DOI：10.1109/OJITS.2022.3209907，机构公开全文。
一个人早晨发一条带位置的推文，晚上再发一条，两点之间可能经过办公室、餐馆、超市，也可能一直待在同一区域。直接把两个记录连起来，既会遗漏实际访问，也可能把一天的复杂行程误当成一次跳跃。
这篇论文不试图恢复那个人真实经历的每一分钟，而是利用许多人的长期稀疏记录，生成一批在总体流量与距离分布上更合理的合成访问。它扩展探索与优先返回机制，在瑞典、荷兰和巴西圣保罗检验。结论有进展，也有明确例外：距离分布改善，不保证OD矩阵的每项指标都改善。
先说结论
- 模型将已知地点的访问排序、距离阻抗与新地点探索结合，再用官方出行调查校准。它仍依赖调查信息，不是完全摆脱传统数据。
- 按时间把稀疏记录分成校准与验证两半后，三个地区的合成距离分布均比“相邻记录间隔小于24小时就连线”的基线更接近调查。
- OD矩阵改善并不普遍：瑞典的Kendall相关从基线0.24降至0.19，SSI同为0.31；荷兰和圣保罗两项均提高。
- 多数跨地区参数转用保持了收益，但瑞典参数用于荷兰是失败例。结果支持有条件的可迁移性，不能解释为任意地区无需校准。
输入究竟有多稀疏？
研究先从2015年12月20日至2016年6月20日的Gnip带位置推文中找到较活跃的地理标记用户，再采集他们的历史记录。最终输入覆盖2010—2019年，但并非每个人连续记录九年。
预处理排除只在一个地点发帖的疑似机器人、使用地点中心而非精确坐标的推文、记录不足20条的用户，以及明显搬入研究区之前的记录；再用约100米阈值聚类位置。家按工作日夜间及周末最常出现的区域推定，属于操作性识别，不是核实过的住宅地址。
| 表5汇总地区 | 用户数 | 定位记录数 | 覆盖天数中位数 | 每用户每天定位数中位数 |
|---|---|---|---|---|
| 圣保罗 | 10,943 | 3,513,796 | 96 | 1.5 |
| 荷兰 | 5,375 | 1,479,674 | 100 | 1.4 |
| 瑞典 | 3,961 | 1,248,158 | 111 | 1.4 |
这些是预处理数据汇总，不能直接当作各校准、验证样本实际进入模型的人数。后面还限定工作日和可用记录。每天只报告一两次位置，也不表示每天只去过一两个地方；发帖本来就可能更偏向特别活动，而非按实际访问频次记录家与工作地。
模型怎样在“回熟悉地点”和“去新地方”之间选择？
图 1｜从当前位置出发，合成下一次访问需要哪些信息？
左侧展示有五个已观测地点的个体，目前位于地点3；中间Option 1表示返回旧地点，右侧Option 2表示根据距离θ和方向α生成新地点。原图没有a、b字母，全部选项保留在同一图中。来源：原论文 Fig. 1。
探索新地点的概率为ρn^(−γ)，其中n为已有不同地点数量。ρ较大时更容易探索，γ较大时探索概率随地点增多下降更快。探索时，从本人相邻原始记录提取的“跳跃距离—方向”成对集合中抽取一个向量，把它平移到当前地点，生成一个合成坐标。
这不是填回两条真实记录之间唯一缺失的地点，也没有核实新坐标一定是可进入的场所。方向与距离来自个体历史，有助于保留其空间特征，但仍可能继承原始采样偏差。
若返回旧地点，模型不直接采用原始发帖频率，而按访问排名赋予约k^(−1.2)的权重，再乘上随距离增加而减小的指数阻抗。这样既偏向个人重要地点，也偏向当前位置附近的候选；归一化之后随机选择目的地。
该设计依赖一个关键假设：稀疏数据的访问比例可能有偏，但常去地点的相对排名仍保留一定真实性。这个假设并不必然适用于每个人，尤其日常地点几乎不发帖时，更需要检验。
合成一天，还需要知道一天去多少地方吗？
是的。论文按日生成访问序列，规定从家开始、最终回家；每日访问数从瑞典2011—2016年出行调查的经验分布中抽取。荷兰和圣保罗也使用这份分布，因此结果既来自稀疏定位，也来自外部调查与日循环假设。
图 11｜合成多少次访问、运行多少个模拟日？
（a）瑞典调查中的每日访问次数分布，横轴次数、纵轴频数；（b）模拟日数量D与KL散度的关系，不同符号表示三个地区。曲线趋稳后，研究选取D＝260。来源：原论文 Fig. 11。
260天是为了让随机合成的总体统计稳定，不是补出了每个人真实的260天。模型也没有为每次访问生成完整时刻与活动目的；它更接近用于聚合需求的访问序列，而非已经可直接替代详细活动日记的时间表。论文指出过夜行程尚未纳入。
作者公开了代码。当前仓库的日循环与论文算法1在末尾回家等细节上并不完全一致；阅读论文结果应按发表的模型设定理解，若复现则需要进一步锁定对应版本，不能只凭仓库存在就声称已复现相同实验。
用什么标准判断“填得更合理”？
图 2｜怎样从个体合成访问走到地区出行需求？
稀疏记录经处理后分别进入本文模型与启发式基线，生成访问并聚合为OD矩阵；距离分布与官方调查比较，KL散度反馈给参数优化。原图无子图字母。来源：原论文 Fig. 2。
基线把同一用户相邻、间隔小于24小时的定位连接为出行。本文模型则合成更多访问后再聚合，两者均与相同区域的调查参照比较。预处理记录按时间切成等长两部分，前一部分校准、后一部分验证。验证更换的是稀疏输入样本，调查参照并没有同步换成一份独立未来调查。
研究用贝叶斯优化寻找ρ、γ和距离阻抗参数β，使100组距离分箱中的KL散度尽量小。KL在这里比较调查距离概率分布与模型分布，越小越接近，不能换成“百分之多少行程正确”。
图 3｜同一个OD矩阵，在不同地区对应多大的空间单位？
（a）瑞典5984个DeSO人口统计区；（b）荷兰4066个四位邮编区；（c）圣保罗517个调查区，包括周边市镇。原图比例尺分别展示不同地图尺度。来源：原论文 Fig. 3。
参照资料包括瑞典2011—2016年调查中的171,553次出行、38,258名参与者，荷兰2017年37,016名受访者，以及圣保罗2017年约32,000户、100,000人的调查。为保持比较一致，只分析工作日。
区域形状和大小不同，距离还涉及分区中心之间的Haversine距离。尤其圣保罗调查没有完整单次出行距离，使用起讫区中心估计。因此这里的距离拟合不等同于逐条核对真实道路里程，三个地区分数也不完全处在同一空间分辨率上。
图 4｜参数改动多大范围，距离分布仍然较接近？
（a）瑞典；（b）荷兰；（c）圣保罗。每行展示参数空间的多个二维投影，圆点表示实际尝试的参数组合，背景为插值得到的KL表面，颜色越冷表示散度越小。不能把未实际运行的全部背景区域当成逐点验证。来源：原论文 Fig. 4。
表1列明参数与固定设置，表4给出符号含义。表2按地区报告最优组合及性能，说明不同地区确实经过各自校准。参数寻优的广阔较好区域提示适度稳健，但不是对所有参数任意变化都不敏感。
生成更多访问，会不会只是把图画得更复杂？
图 5｜稀疏直接连线，与合成访问，怎样改变个体OD？
（a）基线覆盖64个分区；（b）本文模型覆盖123个分区。示例来自圣保罗一位记录覆盖315天的用户，圆周弧段表示区域，蓝色弧段对应推定的家。来源：原论文 Fig. 5。
模型使访问更分散，也增加了与家有关的连接。但这只是生成结果的示例，没有同一位用户完整真实轨迹可以证明123个区域都确实去过。是否改善，应看聚合数据与外部参照，而不是看圆图是否更丰富。
图 6｜整体距离接近后，具体区域对也能对上吗？
（a、b）瑞典；（c、d）荷兰；（e、f）圣保罗。左列（a、c、e）为本文模型，右列（b、d、f）为基线；横轴为调查的OD出行频率，纵轴为相应模型频率，均为对数刻度。热度表示区域对数量，圆为分箱中位数，线为25%—75%分位区间；灰线表示完全相符。来源：原论文 Fig. 6。
高频连接总体较容易接近调查，低频连接仍有大幅偏差。表3将校准与验证的指标取平均，结果更能显示限制：
| 地区 | 本文模型Kendall τ | 基线τ | 本文模型SSI | 基线SSI |
|---|---|---|---|---|
| 瑞典 | 0.19 | 0.24 | 0.31 | 0.31 |
| 荷兰 | 0.44 | 0.37 | 0.43 | 0.39 |
| 圣保罗 | 0.45 | 0.33 | 0.54 | 0.45 |
Kendall τ衡量排序相关，SSI衡量矩阵相似程度，较高一般更好。瑞典相关降低、SSI不变，明确说明更好的距离分布不保证每条OD都更可信。原表的相关检验p＜0.001，也只是这些相关不为零的证据，不是本文模型显著优于基线的检验。
图 12｜换到另一半稀疏记录，矩阵比较是否保持同样趋势？
（a、b）瑞典、（c、d）荷兰、（e、f）圣保罗，左列（a、c、e）本文模型、右列（b、d、f）基线；轴、热度和分位线与图6含义相同。验证结果呈现类似总体趋势，低频连接的误差仍在。来源：原论文 Fig. 12。
距离分布的改善，落在哪些区间？
图 7｜直接连稀疏定位，会低估还是高估长距离占比？
（a）瑞典；（b）荷兰；（c）圣保罗。横轴为公里距离的对数尺度，纵轴为累计出行份额；橙色调查参照、蓝色本文模型、绿色基线，实线C为校准、虚线V为验证。图例数字是相应KL散度。来源：原论文 Fig. 7。
基线在较短距离就积累了更高份额，倾向过度表现短距离；本文模型总体更接近调查。表2的KL值按三位小数报告为：瑞典校准0.007、验证0.011，荷兰均约0.004，圣保罗均约0.003。它们表示分布相似，不是接近100%的行程预测准确率。
瑞典验证基线在表2列为0.017，图7图例却为0.0708；这两处报告不一致，不能据此拼出一个统一的精确改善百分比。无论采用哪处基线，该组本文模型的散度较小，但改善幅度需进一步核对。
图 8｜累计曲线接近，会不会掩盖长距离尾部的偏差？
（a、b）瑞典；（c、d）荷兰；（e、f）圣保罗。左列（a、c、e）为校准、右列（b、d、f）为验证，横轴为公里距离、纵轴为出行频率；模型蓝、调查橙、基线绿，坐标采用对数尺度。来源：原论文 Fig. 8。
圣保罗在约40公里以内较接近调查，但更长行程被高估。瑞典和荷兰部分中距离被低估，随后较长距离被高估；很长距离的调查频率本身也有起伏。因此，常见出行区间表现好，不能直接外推到跨国长途或过夜旅行。
更需要每人更多记录，还是更多人的少量记录？
图 9｜数据增加到哪一层，改善更明显？
（a）按记录较少用户到较多用户逐步增加总定位量，纵轴为KL；（b）改变每人最多使用的定位数，纵轴同为KL。符号区分三个地区，均采用各自优化参数。来源：原论文 Fig. 9。
总样本量增加，距离分布通常更接近调查，瑞典在研究范围内尤其尚未饱和；增加每人的记录上限，到约200条后增益却很小。它提示群体覆盖可能比把少数人记录得极密更重要，但不是“每人200条就足够”的通用门槛：许多人实际少于200条，空间覆盖与人口代表性也同时变化。
在一个地区调好参数，换地方还能用吗？
图 10｜借用别处参数，收益能保留多少？
（a）校准；（b）验证。行表示应用地区，列表示参数来源，SE、NL、SP分别为瑞典、荷兰、圣保罗，AVG为参数均值。对角线按本地区收益归一为100；数值是相对基线改善收益的比值，不是准确率。来源：原论文 Fig. 10。
多数转用结果接近本地区收益。反例是荷兰使用瑞典参数：校准为−21.9%、验证为−18.5%，负号表示模型已比启发式基线更差。部分格超过100，也只表示另一组参数在当次比较更好，反映近似优化不保证找到全局最优，而不是预测准确率超过100%。
迁移结果值得继续验证，但只涉及三个地区。城市与国家的空间范围、分区尺度和Twitter用户分布都不同，可变空间单元问题可能影响比较。平均参数有潜力，仍应先检查新地区的误差。
什么时候可以用，什么时候还需要补证据？
这项研究证明，在群体层面，稀疏记录加上行为生成规则和调查约束，可以比简单连线产生更合理的某些需求统计。但没有相同用户的高质量轨迹作为真值，不能证明个人缺失行程已被恢复。
用户偏向城市、不同年代定位与调查不完全同步、地区分区不一致，也影响外推。论文还提醒平台已取消精确地理标记的部分功能，因此旧数据上的可行性不代表今后的同类数据同样可得。
合成与位置聚类减少直接展示真实路线的需求，但并未提供正式的差分隐私保证。若用来规划道路或公交，尤其应额外验证关键走廊和低频OD，不能让较小的距离KL掩盖局部流量误差。
一句话总结
许多人的少量定位可以支撑更合理的群体出行合成，但距离分布接近、OD矩阵可靠和个人行程真实，是需要分别验证的三个问题。
核心来源
- Liao, Y., Ek, K., Wennerberg, E., Yeh, S. & Gil, J.（2022）. A Mobility Model for Synthetic Travel Demand From Sparse Traces. IEEE Open Journal of Intelligent Transportation Systems, 3, 665—678。论文DOI，机构全文，作者代码。本文依据完整正文、附录A—D、表1—5与全部图1—12，原图逐张保留完整面板。
作者介绍
按论文发表时署名与简介介绍，不推断当前任职。
- Yuan Liao：查尔姆斯理工大学空间、地球与环境系Physical Resource Theory方向署名作者，本文通讯作者；原文列出移动数据科学、城市大数据与可持续交通研究方向。
- Kristoffer Ek：瑞典Burt Intelligence AB署名作者，文末简介列为从事大数据与自动化分析的软件工程师。
- Eric Wennerberg：瑞典Einride AB署名作者，文末简介介绍其车辆路径与重型电动卡车优化工作。
- Sonia Yeh：查尔姆斯理工大学同系署名作者，研究涉及交通与能源系统、替代燃料及出行行为。
- Jorge Gil：查尔姆斯理工大学建筑与土木工程系Urban Design and Planning方向署名作者，研究包括城市分析与集成城市模型。
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。
可以用完整GPS轨迹先构建一份真实日活动，再人为按不同发帖倾向抽稀：偏向家、偏向娱乐场所或偏向旅途分别测试。同样是每天1.5条定位，缺失机制不同可能导致完全不同的结果。这样才能判断模型究竟修正了数据少，还是恰好适应了这批Twitter用户的发帖偏好。
还可在优化距离分布之外，加入少量独立交通走廊计数，检查能否同时减少局部OD偏差。如果距离分布不变却能得到许多截然不同的矩阵，就应给规划者一个可能矩阵的范围，而不是只交付一张看似确定的需求表。
