私家车各有日程,为什么每日路程和停留仍像随机粒子?
论文名片|Armando Bazzani、Bruno Giorgini、Sandro Rambaldi、Riccardo Gallotti、Luca Giovannini,Statistical Laws in Urban Mobility from microscopic GPS data in the area of Florence,arXiv:0912.4371v1 [physics.soc-ph],2009年12月22日。arXiv:0912.4371v1。本文依据该 PDF 解读;首页与文末未印 DOI。
三月的佛罗伦萨,一辆私家车可能只为办一件事出门,另一辆从早晨停到傍晚。驾驶者各有日程,路网也不均匀,历史中心还限制私家车进入。若每份日程都自成一格,把一整天的路程、每次停留和一个月里的重复次数放在一起,未必会落进少数几种光滑分布。
这篇论文检查的就是这件事。在保险用途的车载 GPS 上,每日总路程接近一条指数分布,单次停留接近 1/t,月内重复次数接近一条幂律。作者认为,这些形状可以由一组很弱的约束产生:车辆在平均意义上相互独立,全体存在一个有限的平均日路程,每次活动再从一份有限时间里依次取用。证据停在分布形状与这组约束相容。它还没有测量司机的决策,也没有证明路网或土地利用造成了这些形状。
先说结论
- 2008年3月,佛罗伦萨历史中心周围半径约 30 公里内有 35,000 辆私家车、约 2.5×10⁶ 条轨迹。再保留从 10 公里圈内出发、留在该区域、并能形成每日闭环的轨迹后,数量约为 4×10⁵ 条。35,000 辆属于半径约 30 公里内的全部记录,4×10⁵ 条是闭环筛选之后的轨迹,二者相除得不到每人每天的行程数。
- 每日环行总长度的特征尺度约为 25 公里。图 2 的拟合曲线写成 exp(−L/24.9 km),正文同时把平均值 ⟨L⟩ 写作约 25 公里。
- 一天中的活动个数近似按 aᵏ 下降,a ≃ 0.7。排除极短路程后,单次路程可用“在 30 公里的有效日路程上最多放 18 个活动点”的间隔公式比较;30 公里是未优化的有效长度,和约 25 公里的日总路程尺度对应两次不同的比较。
- 单次活动停留在归一化后接近 1/t,图中拟合为 y = 0.09 x⁻⁰·⁹⁷。全天停留总时长则另有结构:短停留峰约 1 小时,第二个峰约 10 小时,不少于 12 小时还有一条长尾。
- 约 3×10⁵ 个活动停留里,把时间除以该重复次数的平均停留后,k = 3 到 20 的分布大体叠在一起。平均停留随 k 上升,拟合为 exp(γ kᵃ),a ≃ 0.3、γ ≃ 0.7。由此推出的重复次数指数约为 −1.7,图 12 的拟合指数 b ≃ 1.6。
这 3.5 万辆车,记录的是哪一种出行?
意大利约 2% 的私家车因为保险安装了 GPS。这个约 2% 的分母是全国私家车;佛罗伦萨的 35,000 辆是其中落在研究区域里的子集,记录的是私家车。每条记录含位置、瞬时速度、与上一记录点之间的行驶距离和信号质量。轨迹大约每 1–2 公里记一个点,发动机启动和熄火时另外记一次。信号良好时,时间几乎精确,空间精度约为 10 米;速度和行驶距离来自每秒一次的 GPS 计算,但这些秒级点本身没有入库。卫星信号丢失时,起点和楼内停车尤其容易出错,极短路程会受影响。作者写过做过清理,正文没有给出清理规则。
2008年3月的佛罗伦萨数据,是历史中心周围半径约 30 公里、35,000 辆车、约 2.5×10⁶ 条轨迹。分析再限制为:轨迹从历史城区周围 10 公里内出发,并且留在上述区域内。作者期望这样选中的是在佛罗伦萨生活和活动的居民。随后只保留能形成每日闭环的车辆,并把闭环起点标成 home。这一步之后轨迹约为 4×10⁵ 条。home 是这个筛选标签,正文没有核对它是不是居住地址。10 公里这一步单独剩下多少条,正文没有写。
出于隐私,样本没有社会属性,作者也不知道具体驾驶者是谁。因此后文的“活动”只是停车与时间阈值定义出来的停留,不能读成已经知道目的的上班、购物或访友。活动的计数口径是:停车位置落在直径约 500 米的圆内,视为可接受的同一目的地与停车点距离;下一次行程开始前的间隔大于 15 分钟,才计为一次活动。与昼夜节律绑定的睡眠时间,在停留分布里被去掉。

图 1|这些点画出的是路网和速度,还是一个人的路线?
无字母子图。图中没有坐标轴和图例,每个点是 2008年3月佛罗伦萨一带聚合后的 GPS 位置。红色对应瞬时速度不超过 30 km/h,黄色对应 30–60 km/h,绿色对应不低于 60 km/h。低速点铺在密集街道上,高速点更多出现在外围较连续的通道。这是许多车辆位置叠在一起的图,不能从中读出某一辆车的日程,也不能把颜色密集处当成居住地。来源:原论文 Fig. 1。
作者想把这种出行和“非系统化移动”(asystematic mobility)放在一起看。这个词来自社会学对现代都市的描述:出行不再只由固定的家—工作循环主导。论文的期望是,城市活动铺开以后,群体分布主要反映个人约束。这个期望在后文被写成模型假设。图 1 显示的是不均匀路网,历史中心又限制私家车,活动是否在空间上随机仍留在假设里。
一天的总路程,为什么能用大约 25 公里概括?
对每辆进入分析的车,作者累加一天内环行的总长度 L,再看整个观测期里这些日总长度的分布。分母应是“车辆—天”的日总路程;正文没有写出进入图 2 的天数或车辆数。约 4×10⁵ 是筛选后的轨迹条数,不能当成这张图的样本点数。

图 2|每日总路程是不是一条指数衰减?
无字母子图。横轴是日总路程,单位公里,图中标成 Daily Mobility Energy;纵轴是概率密度,对数刻度。黑点为观测,红线为 exp(−L/24.9 km)。从几公里到 120 公里以上,对数坐标上的下降接近直线,这就是指数衰减的形状。纵轴标出的刻度包括 0.01、0.001 和 0.0001,靠近 0 的点位于 0.01 之上。若按均值 24.9 公里把指数密度归一化,(1/24.9) exp(−L/24.9) 在 0 点等于 1/24.9 ≈ 0.040,位于 0.01 与 0.1 之间,和零点附近落在 0.01 刻度之上的位置同一量级。来源:原论文 Fig. 2。
正文把这条曲线称为麦克斯韦—玻尔兹曼分布,并写成
p(L) = L₀ exp(−L/L₀),L₀ ≃ 25 公里。
图注同时把平均值 ⟨L⟩ 写成约 25 公里。按指数分布的通常定义,均值等于尺度参数,所以“特征长度约 25 公里”和“平均日路程约 25 公里”指的是同一个尺度。印刷出来的公式把 L₀ 放在指数前面;作为概率密度,与图 2 纵轴一致的归一化写法是 (1/L₀) exp(−L/L₀)。读这张图时,以图例中的 24.9 公里和纵轴的概率密度为准。
作者把 L 称作个人的“移动能量”,并把指数形状归到最大熵:车辆可视为相互独立,而且全体存在一个有限的平均日路程。该推导在正文中被指向补充材料,这一 PDF 的正文和附录都没有写出那一步。因此,图 2 直接支持的是日总路程的指数尺度;“司机随机抽取一份能量”是在独立性假设下的解释。
一天会安排几次活动,单次路程又从哪里来?
活动个数是另一根尺子。作者统计每天有多少次活动,并把这个分布叫做 rank distribution。图 3 的横轴就是一天的活动个数。

图 3|多安排一次活动,分布会按什么比例下降?
无字母子图。横轴是每日活动个数,纵轴是每日活动分布,对数刻度,网格线在 100、1,000 和 10,000。1 次活动是空心点,位于 10,000 之上;其后的红点下降到大约 18 次时,已经落到 100 以下。直线对应 p(k) ∝ aᵏ,a ≃ 0.7。纵轴仍是计数,面积没有归一成概率,a 表示活动个数每增加 1 时分布所乘的比例。来源:原论文 Fig. 3。
a ≃ 0.7 的意思是:在这条拟合下,每天多一次活动,分布大约乘上 0.7。它和“活动地点在地图上的远近”还没有关系。作者把这种几何下降读成平均意义上的独立随机日程。图上 2 次活动略低于直线,论文没有单独解释这一点,也没有报告拟合优度。
若一天的总路程是 L,其中有 k 个活动,单次路程可以先想成:把 k 个点均匀放进一条长度为 L 的线段,看相邻点的间隔。再按 p(k) ∝ aᵏ 对 k 加权,就得到单次路程密度。正文的公式是
pN(x) = (c/L) Σ{k=1}^{N} (k+1) k aᵏ (1 − x/L)ᵏ⁻¹。
c 是归一化系数,N 是一天活动个数的上限。点的放置没有时间顺序。GPS 没有给出 N 与 L 的相关函数,于是比较数据时改用一个有效日路程:N = 18,取自图 3 能看到的最大活动个数;L = 30 公里,作者写明没有做优化,并且结果对这个具体数值不太敏感。30 公里只用于单次路程公式,图 2 的拟合尺度是 24.9 公里,正文的特征长度约为 25 公里。

图 4|随机切分一条 30 公里的线段,能否对上单次路程?
无字母子图。横轴是单次路程,0 到 30 公里;纵轴是密度,对数刻度。红点在 1–2 公里附近最高,略高于 0.1 刻度,之后下降;30 公里处落到 0.01 以下。黑线是 N = 18、L = 30 公里的公式 (3)。极短路程上曲线高于数据,作者明确说比较时排除极短路程,而短路程又是 GPS 信号问题最重的部分。右端下降变缓,正文据此说长路程偏离指数、更像幂律,但没有给出幂律指数,横轴也停在 30 公里。来源:原论文 Fig. 4。
这条线段只表示长度,图 1 的道路没有进入公式。公式能贴住中间段,说明“总路程加随机活动个数”足以产生观察到的单次路程形状。活动是否均匀分布在城市里,仍是进入公式之前的假设。
附录用蒙特卡罗检查的是公式本身。那里的 N 是 7,线段长度是 1,佛罗伦萨数据的比较则使用 N = 18、L = 30 公里。

图 13|间隔公式在进入城市数据之前,先和模拟一致吗?
无字母子图。横轴 x 是单位线段上的间隔,0 到 1;纵轴是密度。黑点来自随机整数 n ≤ N = 7 的均匀取点,红线是带归一化系数的公式 (12)。大约 0.05 以后,点与曲线贴在一起;最靠近 0 的一个点位于 2 与 3 之间,曲线起点接近 5。这张图核对的是随机切分公式,点来自模拟。来源:原论文 Fig. 13。
单次停留像 1/t,为什么全天还有两个峰?
时间是第二根约束。作者假设人不能事先定死每一次停留,因为现场情况会改变时长;平均而言,每人有一份有限的出行时间,并在相继的活动里把它用完。在一条线段上依次随机取点,间隔分布会近似成 1/t。正文把这个 1/t 结果称作本福德定律。数据里核对的是停留时间的形状;首位数字在账单或门牌上的分布没有另行计算。睡眠时间已经从这些活动停留里去掉。

图 5|单次停留是否按接近 1/t 下降?
无字母子图。横轴 elapsed time、纵轴 density,都是对数刻度;横轴从 0.01 到 1。图注写明数据按最大值归一化,横轴因此是 0.01 到 1 的相对时间。红线标注为 y = 0.09 x⁻⁰·⁹⁷。图注把同一条拟合写成幂律 xᵅ、α = .97,并称它与 1/t 的本福德形式一致。负号出现在图内标注里。正文没有给出这张图单独的样本量。来源:原论文 Fig. 5。
−0.97 接近 −1,所以在这张已归一化的图上,停留密度大致按时间的倒数下降。0.09 是图上写出的系数,只属于这条归一化曲线。
把一天里的活动停留加总,分布不再是一条单调的 1/t。

图 6|全天停留总时长有几个峰?
无字母子图。横轴是全天活动停留总时长,单位小时,大约 0 到 22;纵轴是概率密度。短时间一端密度高于图上的 0.12 刻度,约 4–5 小时降到 0.04 上下,约 10 小时再次升到接近 0.12,12 小时以后是一条拖到 20 小时开外的长尾。正文把三个部分分别写成:短停留峰约 1 小时,第二峰约 10 小时,长尾不少于 12 小时。来源:原论文 Fig. 6。
作者的读法是:约 1 小时对应车辆只为单次出行服务;约 10 小时对应包含工作的更复杂日程;不少于 12 小时的长尾可能来自商务车辆,同一辆车由不同人使用。样本没有驾驶者身份,这三句都是对峰位的解释。图 6 能支持的是全天总时长至少有两个集中位置和一条长尾。10 小时附近的峰,后来会再次出现在高重复活动的残余里。
作者由此区分两种约束。日总路程像一个全天都生效的总量;停留时间则是被一次次活动用掉的局部约束。前一种对应图 2 的指数,后一种对应图 5 的 1/t。图 6 说明,把局部停留加总以后,工作日长度这种额外结构仍然在。
重复得越勤,停留只是被拉长,还是连形状都变了?
日路程和单次停留都还没有回答:经常重复的活动,是否有自己的时间结构。作者定义度 k 为一个月内某项活动被重复的次数,并看停留时间 t 与 k 的联合关系。约 3×10⁵ 个活动停留被用来计算平均停留 ⟨t⟩_k,k 从 3 取到 20。k = 1 和 k = 2 没有进入这组条件分布,正文没有说明原因。
若只看重复了 k 次的活动,条件密度写成
p(t | k) = f(t / ⟨t⟩_k) / ⟨t⟩_k。
f 若与 k 无关,就把 t 除以该 k 的平均停留之后,不同 k 的曲线叠到同一条上。作者把这种折叠读成:使用私家车时,相对停留波动有一种共同方式,k 的差别主要留在平均值里。

图 7|重复次数升高时,平均停留增加多少?
无字母子图。横轴 k 从约 3 到 20,纵轴是平均活动停留,单位小时。k = 3 的点在 1.5 与 2 小时之间,其后大体上升,k = 19 附近有一点接近 4 小时,k = 20 落在 3.5 与 4 小时之间。黑线是 ⟨t⟩_k ∝ exp(γ kᵃ),a ≃ 0.3,γ ≃ 0.7。a 小于 1,所以这条指数在图中的 3 到 20 之间升得较缓,正文称它“几乎线性增加”。来源:原论文 Fig. 7。
平均停留从不到 2 小时增到将近 4 小时,说明重复更勤的活动用掉更长的时间。作者把这层关系解释成活动的“使用价值”:更想重复的活动,也更愿意在上面花时间。图 7 给出的是 k 与平均时长的正相关和一条拟合,没有直接测量满意度或收益。
折叠是否成立,要看不同 k 的整条分布,而不只是平均值。每条曲线的样本量都在同一数量级,从 4×10⁴ 降到 10⁴;k 增大时点数变少。图 8 到图 10 没有单独画出 k = 13、14、15。

图 8|较低重复次数是否已经叠成一条曲线?
无字母子图。横轴是归一化活动时间 t/⟨t⟩_k,0 到 10;纵轴是概率密度,对数刻度。k = 3 圆点,k = 4 方点,k = 5 菱形,k = 6 上三角,k = 7 下三角。各符号从略高于 1 的短时间一起下降,2 附近约为 0.1,6 以后散开到 0.01 以下。主体重叠清楚,尾部发散与点数变少相符。来源:原论文 Fig. 8。

图 9|重复次数进入 10 附近时,折叠还在吗?
无字母子图。坐标与图 8 相同。k = 8 圆点,k = 9 方点,k = 10 菱形,k = 11 上三角,k = 12 下三角。大约 1 到 4 之间仍然叠在同一条下降曲线上;靠近 0 的若干符号低于 1,有的接近 0.1 刻度,低于其他符号在短时间高于 1 的密度。多数数据仍在重叠的主体里。来源:原论文 Fig. 9。

图 10|高重复活动在归一化时间的哪里离开共同曲线?
无字母子图。坐标仍是归一化时间与对数概率密度,但尾部大约在 4 到 5 就结束。k = 16 圆点,k = 17 方点,k = 18 菱形,k = 19 上三角,k = 20 下三角。短时间仍高,归一化时间大于 2 以后下降很快;2 到 3 之间有一块隆起。正文把高重复活动上的新结构写成两个峰,位置在 t/⟨t⟩_k ≃ 1 和 ≃ 3,并说 k ≥ 10 时这些新特征的统计权重较小。来源:原论文 Fig. 10。
把 k = 3 到 20 放进同一张图,并叠上一条插值曲线,是附录的图 14。正文给出的插值是
f(u) ∝ u^{−1} exp(−α u),α ≃ 0.4。
u^{−1} 保留图 5 的 1/t,指数衰减则和日路程那类玻尔兹曼因子同形。分布在 u → 0 处发散,所以原点附近的插值必然是近似。作者猜想,短时间的这个奇性可能表示较强的个人随意性,并写明还需要进一步研究。

图 14|一条曲线能覆盖从 3 次到 20 次的主体吗?
无字母子图。横轴是归一化活动时间,只画到 4,也就是图 8 至图 10 里包含大多数点的那段;纵轴是概率密度,对数刻度。不同符号对应 k = 3 到 20,图注没有逐个列出。黑线是插值。大约 0.3 以后,各符号沿同一条下降排列;靠近 0 的部分符号偏低,对应正文所说的原点附近只能近似。图注写的是用函数 (4) 插值,附录把这条 u^{−1} exp(−αu) 编为公式 (14)。函数 (4) 在正文中是停留时间的 1/t 极限。读曲线时按 α ≃ 0.4 的这条插值理解,不宜把图注编号直接换成 1/t 的求和式。来源:原论文 Fig. 14。
高重复活动上的残余,被放到真实小时轴上再看一次。正文先说用插值 (8) 把信号从分布里提出来,紧接着又写成经验分布与插值 (7) 之比;图 11 的图注也写成与插值 (7) 之比。公式 (7) 是 ⟨t⟩_k 对 k 的拟合,自变量是重复次数;公式 (8) 才是归一化停留分布。图 11 的横轴是小时。

图 11|高重复活动在哪几个小时上共同偏离插值?
无字母子图。横轴是活动时间,约 2 到 12 小时;纵轴是比值。符号与图 10 相同,对应 k = 16 到 20。约 4 小时处比值升到 2 以下,约 9.5–10 小时处一些符号接近 4,两组峰在各个 k 上同时出现。正文给出的峰位是 t ≃ 4 小时和 t ≃ 10 小时,并写明这些峰在统计上并不重要,仍把它们联系到常规工作时间。10 小时与图 6 的第二个峰位置相同。来源:原论文 Fig. 11。
因此,折叠成立的范围主要是大多数数据所在的主体。k ≥ 10 以后,归一化轴上的 1 与 3、小时轴上的 4 与 10,留下工作作息那种没有被 f(u) 吸收的结构。作者没有做显著性检验,“统计上并不重要”是论文自己的判断。
重复次数的 −1.6,是直接拟合出来的吗?
若 f(u) 真是共同的,而且 ⟨t⟩_k 又按公式 (7) 随 k 变化,那么把所有 k 加总以后,还必须回到图 5 的 1/t。附录把离散的 k 近似成连续变量,做变量替换 u = t / ⟨t⟩_k。为了让对 u 积分之后仍然正比于 1/t,需要
k p(k) ⟨t⟩_k / (d⟨t⟩_k / dk) = 常数。
把 ⟨t⟩_k ∝ exp(γ kᵃ) 代进去,导数会多出一个 kᵃ⁻¹。常数条件就变成 k²⁻ᵃ p(k) 为常数,也就是
p(k) ≃ 1 / k²⁻ᵃ。
a ≃ 0.3 时,2 − a ≃ 1.7,期望的幂律指数约为 −1.7。−1.7 来自 a ≃ 0.3 的推导,图 12 里的 b ≃ 1.6 则是对重复次数分布的直接拟合。

图 12|重复次数的分布斜率,离 −1.7 有多远?
无字母子图。横轴是活动度 k,纵轴是概率密度,均为对数刻度。黑点从 k = 3 附近、高于 0.1 刻度,降到 k = 18 附近、略高于 0.01。红线是 k⁻ᵇ,b ≃ 1.6。正文认为它与由 a ≃ 0.3 推出的 1.7 一致。图中没有画出 k = 1、2,也没有给出拟合区间和拟合优度。来源:原论文 Fig. 12。
1.6 与 1.7 的接近,说明“平均停留随 k 的拟合”和“重复次数的斜率”可以放进同一个计算。它依赖 ⟨t⟩_k 的具体插值、连续近似,以及 1/t 必须被恢复这三步。换一个 a,期望指数就会变。图 12 因此是一次一致性检查。要把它读成人们按使用价值安排重复,还需要对使用价值的单独测量。
这些稳态形状,把复杂性留在了哪里?
三条被作者称为稳健的规律,分别是日路程的指数尺度、停留时间的 1/t,以及重复次数接近 k⁻¹·⁶ 的幂律。它们的共同前提是:在所看的这一个月里,车辆可以当成近乎独立的粒子,约束主要来自一份平均路程和一份有限时间。
这个前提有明确的边界。样本是装有保险 GPS 的私家车。步行、公共交通和未装这套设备的车辆,都不在这 35,000 辆里。社会构成未知,home 没有经过居住地核对,活动没有经过目的核对。记录间距约 1–2 公里,极短路程被信号质量和后来的排除规则同时影响。活动在空间上随机、路网可以收成一条线段,这两步都是假设;图 1 的速度和街道结构没有进入公式。最大熵如何导出公式 (1),正文指向了补充材料,本 PDF 没有附上。
工作时间是分布里已经看得见、却没有被普适曲线吸收的部分。图 6 的约 10 小时,和图 11 的约 4 小时、约 10 小时,都指向共享作息。作者把长尾解释为多位使用者的商务车,这一点没有身份数据可以核对。
最后,稳态统计本身不包含自组织、相变或短暂拥堵这类离开平衡的迹象。作者的结论是:要看到移动中的复杂性,需要能分辨小空间尺度和小时间尺度的动态数据,用来研究过渡过程。2008年3月这一个月的稳态分布,回答的是形状从哪些约束里可以产生,没有回答城市离开这份“平均路程加有限时间”之后会怎样。
一句话总结
佛罗伦萨这批私家车的日路程、停留和重复次数,在群体上接近“一份约 25 公里的平均日路程、一份被依次用掉的有限时间,并且平均而言相互独立”所能给出的稳态分布;共享的工作时间仍留在分布的峰里,路网和司机决策都还没有被这组分布证明。
核心来源
- 本篇解读依据的 PDF 为 arXiv:0912.4371v1,2009年12月22日,共 17 页。首页题目为 Statistical Laws in Urban Mobility from microscopic GPS data in the area of Florence。文件未印 DOI。
- 正文图 1–12,附录图 13–14。日路程的最大熵推导在正文中写为见补充材料,该 PDF 未包含这份材料;附录给出的是单次间隔公式、N = 7 的蒙特卡罗、普适函数和重复次数幂律的推导。
- 数据由 OCTO Telematics 提供。论文参考文献中的数据页面为 http://traffico.octotelematics.it/。
作者介绍
五位作者在论文首页的署名机构相同:博洛尼亚大学物理系与 C.I.G. 的城市物理实验室(Physics of the City Laboratory),以及意大利国家核物理研究院博洛尼亚分部(INFN, sezione di Bologna)。论文没有逐人列出贡献,也没有展开 C.I.G. 的全称。
- Armando Bazzani:署名排在首位,论文给出的联系邮箱是 bazzani@bo.infn.it。
- Bruno Giorgini:与上述机构共同署名。
- Sandro Rambaldi:与上述机构共同署名。
- Riccardo Gallotti:与上述机构共同署名。
- Luca Giovannini:与上述机构共同署名。
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。
图 6 和图 11 把约 10 小时、以及高重复活动上的约 4 小时,留在了普适曲线外面。若这两处真来自许多人共用的作息,f(u) 描述的就是去掉这份钟点之后还剩下的相对波动。一个直接的检验是把周末单独拿出来,或者去掉落在固定时长窗口里的停留,再看 a 是否仍约 0.7、α 是否仍约 0.4、b 是否仍约 1.6。三个数只要有一个随星期几明显改变,现在这条“全体共用一个时间尺度”的读法就需要拆开。
另一处容易混在一起的是采样。入库点大约每 1–2 公里一个,极短路程又被排除,活动还要落在直径约 500 米的圆里。若同一批车改用秒级轨迹重算停留,一次停车可能被拆开或合并,每日活动个数的比例 a 未必还是 0.7。这个对照可以把“活动次数本身按几何比例减少”和“当前采样把活动切成了几何比例”分开。论文的稳态定律若在更密的轨迹上仍然保持 24.9 公里和 −0.97,就更接近城市出行自身的尺度。