2025-Learning the complexity of urban mobility with deep generative network


个人轨迹和城市人流,能不能由同一个生成网络一起学会?

论文名片|Yuan Yuan、Jingtao Ding、Depeng Jin、Yong Li,Learning the complexity of urban mobility with deep generative network,PNAS Nexus,2025,4(5):pgaf081,2025年5月6日提前在线发表;2024年7月21日收稿,2025年2月6日接收。DOI:10.1093/pnasnexus/pgaf081。研究快报。文末另印有预印本 DOI:10.21203/rs.3.rs-3666762/v1。

早上要从家里去下一个地方。昨天常去的店还在,可是今天那一片已经挤了,有的人会改去另一处。许多人一起改,区域之间的人数就变了;人数一变,下一个人看到的“别人怎么走”也不一样。个人轨迹和城市人流是互相牵着的。只把一条轨迹生成得像真的,或者只去拟合一张起讫流量表,都可能把这层牵制留在模型外面。

这项研究把两边放进同一个深度生成网络 DeepMobility。网络按历史选择下一步地点,同时让许多人的选择汇总成区域间人数。它没有证明某条物理公式是唯一机制。它表明:在北京、上海、深圳和塞内加尔这四套观测上,一个同时受个体分布和人口流量约束的生成模型,可以把流量重合提高到明显高于只按个体规则行走的模型,并在生成结果里重新看到若干已知标度律。个体的五项分布距离并没有因此每一项都更近。换到没有训练轨迹的城市时,作者还拿掉了流量反馈,精度也不再是完整模型的精度。

先说结论

  • 生成器不是把每个人的下一步独立抽出来再相加。历史习惯和人口流向按一个不确定度二选一;流量误差再拆回单步选择。联合策略因此不等于个体策略的乘积。
  • 流量重合 CPC 以各城最高的基线为分母:北京从 GAN 的 0.357 到 0.787,相对高 120%;上海从 GAN 的 0.324 到 0.686,相对高 112%;塞内加尔从 TimeGeo 的 0.359 到 0.650,相对高 81%。深圳从 TimeGeo 的 0.216 到 0.560,按这两数计算相对高 159%,正文写成 136%。
  • 两个协作机制同时留下时,四城的 CPC 最高、流量平均绝对误差最低。个体五项分布距离不是每一格都由完整模型最好。
  • 生成之后量到的跳转距离、回转半径、访问频率和距离—频率关系,呈截断幂律或幂律;指数随城市变化。三座中国城市之间换城生成时,跳转距离和停留时间的 JS 散度都小于 0.1,流量 CPC 约为同一简化模型在目标城市自训练时的 56% 到 95%。

复杂度卡在个人选择和人流互相改写

统计物理已经分别写下两类规律。个体上,单次位移、回转半径常呈截断幂律,人还会优先返回去过的地点,访问频率接近齐夫定律,不同地点的数目则增长得很慢。人口上,区域间流量可以用引力模型或辐射模型描述,到访人数与距离、访问频率的乘积也有接近平方反比的关系。这些规律尺度不同,写成互不相关的公式时,就没有地方表达“人流由个体走出来,个体又被当下的人流牵着”。

Alessandretti 等和 Yan 等曾用简化的物理模型连接不同地理尺度。DeepMobility 换了一条路:不先规定跳跃或返回的公式,而让网络直接从位置记录里学习下一步。作者认为,既有深度模型通常只生成轨迹,或只预测区域流量,没有把两个方向的影响放进同一次训练。

完整原论文图1

图 1|个体移动和区域人流是同一套出行的两层读法吗?

无字母子图。细线是地点之间的个体移动,较粗的彩色箭头是区域之间人数更多的流量;同色用来标出属于同一股流量的若干轨迹,多边形是区域。线多并不等于已经测到了互相影响,它只是把两层对象画在一起。来源:原论文 Fig. 1。

后文要学习的,就是这两层能否由同一个决策过程产生。给定某人在时刻 t 之前的历史,模型给出下一步地点的概率,再一个一个地点抽下去,得到轨迹。全体人使用联合策略。作者把训练写成两个目标:生成的下一步分布要接近观测分布,由联合策略汇总出的流量矩阵也要接近观测流量。难处在于联合策略不等于每个人策略的乘积;若可以相乘,人与人就没有通过当前人流发生影响。与此同时,个体策略还要接受人口层流量的约束。

四套记录,并不是同一种出行

主实验使用四套匿名位置记录。方法给出的是数据源里的大约用户数,不是清洗后的轨迹条数,也不是起讫对的个数。清洗、停留点与区域划分写在补充材料,主 PDF 没有印出区域个数和留出样本的切分方式。

数据 大约用户数 位置如何记下 时长
北京 约 180 万 位置服务注册用户,大约每小时一个位置 1 个月
深圳 约 32 万 与北京相同的记录方式 1 个月
上海 约 190 万 电信公司计费记录,在通话、短信或上网开始和结束时记位置 1 周
塞内加尔 约 30 万 匿名通话详单,时间分辨率 10 分钟 2 周

因此,停留时间在北京、上海、塞内加尔里不是同一把尺子:整点抽样、事件起止和 10 分钟,会把同一次停留切成不同长度。后文的分布比较都是在同一套数据内部,拿生成结果对真实结果,不能把四城的停留时间分布直接读成行为差异。流量定义为一段时间内从一个区域到另一个区域的人数。时段本身有多长,主文没有写死。

正文还说,主模型训练只使用位置记录,不另加城市专属信息。方法部分的人口模块又写入区域人口和兴趣点分布。若这两项是从同一份位置记录汇总出来的,它们仍来自移动数据;主文没有说明是否使用了独立的人口普查或地图数据。这个差别留到换城实验时会变得重要。

手机数据也不是全体居民。作者写明采集依赖手机使用,普及率随人群和地区变化;他们用随机抽样减少额外偏差,但没有在主文给出抽样比例。生成结果因此更接近这些记录里的移动,而不是一座城市每个居民的完整日程。

生成器为什么不能把每个人分开抽

DeepMobility 把移动看成一连串决策,并用生成对抗模仿学习来训练。地点是动作,到当前为止的访问历史是状态。一个人看不到全体人的完整状态,只能看到自己的历史,以及从当前区域出发、其他人流向各处的分布。作者用这套设定表达“别人怎么走”是有限可见的,而不是让模型读取每个他人的身份。

网络有三块。生成器产生轨迹和汇总流量。判别器判断这些轨迹、流量像不像观测。评价器把判别结果变成更新生成器的方向,算法用的是近端策略优化。个体判别器是一个门控循环单元,给“像不像真实轨迹”打分;人口侧不另训一个网络,直接计算真实流量和生成流量的相对差。

完整原论文图2

图 2|同一次训练里,个人选择和人口流量怎样互相送回梯度?

(a)生成器。嵌入层、门控循环单元和注意力把历史压成状态;解码时先做融合互动的区域选择,再按个人偏好在区域内选具体地点。(b)生成结果同时包含轨迹和由轨迹汇总的流量。(c)多层判别器分成轨迹判别与流量判别。(d)多层评价器分成个体评价与人口评价。(e)个体评价器由多层感知机给出这一步状态的价值。(f)人口评价器把许多个体的价值加总,再用来更新生成器。底部两个箭头分别标出生成器里的自下而上互动,以及评价器里的自上而下反馈。来源:原论文 Fig. 2。

自下而上发生在选区域的时候。一个模块只看个人历史,另一个模块看区域人口、兴趣点、距离和时间,用 10 个 64 维隐藏层的多层感知机给出各区域的人口侧概率。最终不是把两个概率平均,而是按一次伯努利选择:不确定度高,就更可能跟着人口模块;不确定度低,就跟着个人历史。不确定度来自历史向量经过多个头之后的方差,再压到 0 和 1 之间。头的个数主文没有给出。选完区域,再用注意力在该区域里选具体地点,因为各区域的地点数量不一样。

自上而下发生在评价器。人口层的价值若只对整张流量矩阵打一个分,就没法告诉某一次地点选择该往哪边改。作者把联合价值写成每个人价值的和,使流量反馈能回到单步决策。人口侧反馈的形式是真实流量减去生成流量,再除以真实流量。这是带符号的相对差,主文没有写明是对整张矩阵求平均还是逐格处理。它不是把生成轨迹配到某一个真实的人。

这套设计要回答的是表示问题:个体规律和人口流量能否在同一个策略里互相约束。它还不等于已经识别出人在街上使用的决策规则。

流量更重合,个体分布是否也全面更近

比较放在同一套观测内部。个体侧看五项目:单次跳转距离、一周出行距离、回转半径、同一地点的停留时间、一天访问的地点数。分布距离用 JS 散度,并以 KS 统计量作补充;两者都在 0 到 1,0 表示两个分布重合。人口侧看 CPC 和平均绝对误差。CPC 在 0 到 1,论文定义为 1 是两套流量相同、0 是没有重合;代数式正文没有写出。平均绝对误差与流量人数使用同一单位,但时段和区域划分未在主文给出,所以不同城市的绝对误差不能横向比大小。

基线有四个:连续时间随机游走 CTRW、探索与优先返回模型 EPR、TimeGeo,以及一次生成整条轨迹的 GAN。图中横轴把 GAN 写成 SeqGAN,图例仍写 GAN,对应正文引用的序列生成对抗网络。

需要先看清图号。正文和图注文字把分布差异、CPC 和流量散点放在 Fig. 3,把四条标度律放在 Fig. 4。这份 PDF 里两张结果图的画面位置是反的:标度律图印在 Fig. 3 图注上方,流量对比图印在 Fig. 4 图注上方。下面的图 3、图 4 按正文和图注文字编号。

完整原论文图3

图 3|生成轨迹的分布、区域流量的重合,比哪一个基线更近?

(a、b、c、d)北京、上海、深圳、塞内加尔的五项 JS 散度,雷达图为对数刻度,环线标在 0.001、0.01、0.1 和 1。越靠近中心越好。深蓝 CTRW、浅蓝 EPR、橙色 TimeGeo、黄色 GAN、红色为本模型。红色多边形多落在内侧,但辐条上没有印出五项的具体数字。(e、f、g、h)同一顺序下的 CPC,越高越好;过小的 CTRW 与 EPR 另用对数小窗。北京图例把 CTRW 印成 8.7,已超出 CPC 的 0–1 范围,小窗纵轴却是 10 的负次方,这个 8.7 不能当作重合比例。其余可读数值:北京 EPR 0.002、TimeGeo 0.153、GAN 0.357、本模型 0.787;上海依次为 0.007、0.045、0.237、0.324、0.686;深圳 CTRW 0.008、EPR 0.087、TimeGeo 0.216、GAN 0.210、本模型 0.560;塞内加尔 CTRW 0.007、EPR 0.074、TimeGeo 0.359、GAN 0.350、本模型 0.650。(i、j、k、l)横轴真实区域间出行人数,纵轴模型人数,均为对数轴;虚线是完全一致。菱形 TimeGeo、叉号 GAN、圆点为本模型;符号是分箱平均,线是 10% 到 90% 分位,背景点是每个区域对。GAN 在出行人数少于 1,000 的区域对上偏高,TimeGeo 在上海和深圳则偏向另一侧。来源:原论文 Fig. 3;该画面印在 Fig. 4 图注上方。

以各城 CPC 最高的基线为分母,北京的最高基线是 GAN 0.357,(0.787 − 0.357) / 0.357 = 120%;上海最高基线是 GAN 0.324,相对高 112%;塞内加尔最高基线是 TimeGeo 0.359,相对高 81%。深圳的最高基线是 TimeGeo 0.216 而不是 GAN 的 0.210,(0.560 − 0.216) / 0.216 = 159%。正文把深圳写成 136%,与这一对 CPC 的相对增幅不一致。另外三城的百分数与括号里的两个 CPC 相符。若改用很低的 CTRW 或 EPR 做分母,百分数会更大,但那不是论文声称的比较。

正文还说,本模型的平均绝对误差相当于最优基线的 17%–30%,依据是补充表 3。那张表不在主 PDF 里,四个基线的绝对误差这里不补。KS 方面,正文说 20 个分布比较里有 15 个统计量不超过 0.2。按四套数据和五项个体指标,这 20 个就是 4×5;哪 5 个超过 0.2,主文没有列出。

流量散点说明 CPC 变高不等于每一对区域都落在对角线上。GAN 把少于 1,000 人次的联系估高,TimeGeo 在上海和深圳估向相反的一侧。补充的流量网络图不在主 PDF 中,主文只概括:本模型更接近观测网络的整体结构,GAN 更密,TimeGeo 更稀。

表 1 把两个机制拆开。M1 是生成器里的自下而上互动,M2 是评价器里的自上而下反馈。个体五列是 JS 散度,越低越近;MAE 越低越好,CPC 越高越好。

模型 日访问地点 跳转距离 一周出行距离 停留时间 回转半径 MAE CPC
北京,去掉 M1 和 M2 0.011 0.066 0.023 0.013 0.044 62.54 0.490
北京,去掉 M1 0.008 0.067 0.021 0.018 0.058 44.34 0.587
北京,去掉 M2 0.010 0.063 0.019 0.015 0.046 61.09 0.507
北京,完整模型 0.021 0.058 0.023 0.026 0.044 22.68 0.787
上海,去掉 M1 和 M2 0.004 0.033 0.041 0.004 0.070 100.7 0.531
上海,去掉 M1 0.002 0.028 0.011 0.003 0.025 78.84 0.635
上海,去掉 M2 0.003 0.042 0.030 0.003 0.043 100.0 0.545
上海,完整模型 0.003 0.029 0.008 0.005 0.025 63.12 0.686
深圳,去掉 M1 和 M2 0.100 0.141 0.042 0.013 0.148 346.5 0.464
深圳,去掉 M1 0.077 0.150 0.063 0.022 0.170 266.4 0.548
深圳,去掉 M2 0.073 0.158 0.053 0.011 0.156 287.4 0.490
深圳,完整模型 0.070 0.046 0.019 0.015 0.073 253.0 0.560
塞内加尔,去掉 M1 和 M2 0.028 0.095 0.035 0.006 0.056 324.6 0.599
塞内加尔,去掉 M1 0.053 0.035 0.004 0.006 0.032 255.1 0.620
塞内加尔,去掉 M2 0.009 0.044 0.035 0.007 0.036 277.9 0.610
塞内加尔,完整模型 0.010 0.037 0.019 0.006 0.034 223.0 0.650

相对没有任何协作机制的版本,完整模型的 CPC 提高 (0.787 − 0.490) / 0.490 = 60.6%(北京)、29.2%(上海,分母 0.531)、20.7%(深圳,分母 0.464)、8.5%(塞内加尔,分母 0.599)。四城都是完整模型的 CPC 最高、MAE 最低。只去掉自下而上、保留自上而下时,CPC 又都高于只保留自下而上的那一行。正文写的是自下而上把人口影响送进个体决策、贡献大于自上而下的修正;表 1 的 CPC 和 MAE 排序与这句话相反。两个机制的收益也不能从两行相加得到。以去掉两个机制后的 CPC 为分母侧的起点:北京只保留自上而下时增加 0.587 − 0.490 = 0.097,只保留自下而上时增加 0.507 − 0.490 = 0.017,两者之和为 0.114,同时使用的增量是 0.787 − 0.490 = 0.297。深圳同时使用的增量是 0.560 − 0.464 = 0.096,小于分开增量 0.084 与 0.026 之和 0.110。

个体侧更不均匀。北京完整模型的日访问地点 JS 散度是 0.021,高于去掉 M1 时的 0.008;停留时间 0.026,高于两个机制都去掉时的 0.013。塞内加尔的一周出行距离在去掉 M1 时为 0.004,完整模型为 0.019。深圳的跳转距离则从去掉两个机制时的 0.141 降到完整模型的 0.046。所以协作主要买到的是人口流量上的接近,不是五项个体分布的全面胜利。正文说两个机制都没有损害个体真实性,比这张表的部分格子更强。

主文还报告,用生成轨迹识别出的家位置,空间分布与观测接近;九种日常出行模体的 JS 散度在四城都低于 0.084。模体图和家位置图不在主 PDF,这里不描述图面,也不把 0.084 拆成九个模体各自的数字。

标度律是训练损失,还是生成之后才量出来的

训练目标是下一步分布和流量误差,不是把幂律指数写成损失函数。标度律是生成之后再测量的。因此,点落在经验曲线附近,说明生成分布带有这些形态;它不是证明网络内部使用了同一条物理公式。

完整原论文图4

图 4|生成结果是否重新出现个体和人口两侧的已知规律?

蓝方块为观测,绿三角为 GAN,红圆为本模型,黑线为拟合。纵轴都是概率或计数的对数。(a、b、c、d)跳转距离,北京、上海、深圳、塞内加尔。分布写成截断幂律:距离加上一个常数后再取幂,并乘上指数截断。图注给出的指数依次为 1.28、1.25、1.34、1.28,拟合优度 R² 为 0.976、0.942、0.971、0.914。(e、f、g、h)回转半径,同样是截断幂律,指数 1.20、1.28、1.22、1.32,R² 为 0.991、0.981、0.976、0.954。绿三角在中间距离常拱起,不跟着黑线。(i、j、k、l)第 k 常去地点的访问频率,幂律指数 1.15、1.05、1.01、1.10,R² 为 0.973、0.981、0.966、0.963。(m、n、o、p)人口层的距离—频率关系,横轴是距离与访问频率的乘积,纵轴是相应的到访人数。拟合为该乘积的负幂,指数 2.01、2.04、2.09、2.08,R² 为 0.926、0.927、0.940、0.964。来源:原论文 Fig. 4;该画面印在 Fig. 3 图注上方。

图注的指数是每座城市一条拟合,没有分别给出观测点和生成点各自的指数。R² 是这条曲线对图中关系的拟合优度,不是留出日期上的预测分数。正文把跳转距离指数概括为大约 1.2 到 1.3,并说小于较早文献里大约 1.75 的报告;深圳图注中的 1.34 已经略高于 1.3。回转半径方面,正文写大约 1.10 到 1.17,并与 Gonzalez 等 2008 年的 1.65 对比;图注的四个指数是 1.20、1.28、1.22、1.32,与正文这个区间对不上。齐夫指数在正文里写成大约 1.0 到 1.1、接近经验上的大约 1.2,图注里北京是 1.15。距离—频率指数接近 2,与“到访人数随距离和频率的乘积平方反比下降”同向,但是拟合值,不是逐个地点都严格等于 2。

绿三角偏离,尤其是回转半径,说明一次生成整条轨迹的 GAN 没有跟着这些形态走。红圆更靠近蓝方块。去掉记忆后访问频率会更均匀,以及地点数的次线性增长、长期位移的极慢扩散,正文指向补充图,主 PDF 没有这些图,这里不补曲线形状。高可预测性同样只在正文中被说成与既有发现一致,没有印出可预测性的数值。

这些规律在生成数据里出现,支持“模型没有只记住某几条训练轨迹的表面形状”。它仍是分布层面的再现。主文没有做干预实验,不能由此推出居民真的按网络里的不确定度开关做决定。

没见过这座城市的轨迹,生成还像不像

换城被用来区分“背下训练城市”和“学到可搬的结构”。作者为此改了网络,所以图 5 不是表 1 那个完整模型。地点不再用只能在一座城市里使用的嵌入,而改成到访热度和按类别汇总的兴趣点数量。论文举位置数据服务和开放地图作为低成本来源,没有写明中国三座城市实际取自哪一份兴趣点。自上而下的流量反馈被去掉,因为作者认为它准确,但也容易把训练城市的流量背下来。他们选择的是更能迁移的生成器,而不是统计上最像训练城市的那一个。

完整原论文图5

图 5|在一座城市训练后,另一座城市的轨迹和流量还剩多少重合?

(a、b)北京训练、上海测试,不微调。雷达图仍是五项 JS 散度,对数环线同图 3;柱状图只有 CTRW、EPR、TimeGeo 和本模型,没有 GAN。CPC 为 0.007、0.045、0.191、0.402。(c、d)深圳训练、上海测试,CPC 为 0.008、0.055、0.173、0.306。(e、f、g)三座中国城市的全部来源—目标组合。行是目标城市,列是来源城市,依次为北京、上海、深圳。圆的大小是指标数值,颜色越深表示在该指标上越好:JS 散度越低越好,CPC 越高越好。(e)跳转距离的九个 JS 散度为:到深圳 0.056、0.055、0.046,到上海 0.059、0.015、0.022,到北京 0.045、0.067、0.052。(f)停留时间:到深圳 0.094、0.052、0.015,到上海 0.046、0.004、0.025,到北京 0.014、0.093、0.044。(g)CPC:到深圳 0.464、0.423、0.49,到上海 0.402、0.545、0.306,到北京 0.507、0.301、0.334。对角格是简化模型在同一城市训练并测试。来源:原论文 Fig. 5。

图上 18 个 JS 散度都小于 0.1。最大的跳转距离散度是 0.067,出现在上海训练、北京测试;最大的停留时间散度是 0.094,出现在北京训练、深圳测试。流量不能只看“小于 0.1”这种句子。对角线上,简化模型在北京、上海、深圳的 CPC 是 0.507、0.545 和 0.49。表 1 完整模型的对应 CPC 是 0.787、0.686 和 0.560。北京从 0.787 降到 0.507,是换了结构,不是同一模型在留出样本上的下降。

跨城 CPC 除以该目标城市的对角 CPC:北京到深圳为 0.464 / 0.49 = 95%,上海到深圳为 0.423 / 0.49 = 86%,北京到上海为 0.402 / 0.545 = 74%,深圳到北京为 0.334 / 0.507 = 66%,上海到北京为 0.301 / 0.507 = 59%,深圳到上海为 0.306 / 0.545 = 56%。这就是正文所说的 56%–95%。最低的一格是上海训练、北京测试的 0.301,不是“每座目标城市都还保持 0.5 以上”。

相对机制模型的提高,图 5 只把到达上海的两组画成柱。北京到上海,(0.402 − 0.191) / 0.191 = 110%,分母是 TimeGeo。深圳到上海,(0.306 − 0.173) / 0.173 = 77%,分母同样是 TimeGeo。正文说 3×2 共六组来源—目标对的 CPC 提高都超过 60%。另外四组的基线 CPC 在补充表,主图没有印出。

到塞内加尔的迁移也不在图 5 的矩阵里。正文给出的范围是 JS 散度小于 0.1、CPC 大于 0.4,城市对包括北京、上海、深圳分别到塞内加尔。大于 0.4 仍远低于这些城市完整模型的 0.560 到 0.787。主文据此认为模型有可能服务缺少轨迹数据的城市;实验覆盖的是这四套记录之间的迁移,不是任意城市。

这些比较还停在哪里

主文没有写明,城市内部的“像不像”是按留出的日期计算,还是在参与训练的同一批记录上计算。实验细节指向补充材料。因此 CPC 和 JS 散度首先表示生成分布与这批观测的接近程度,不能直接换成对下一个月的预测误差。

讨论里还用生成轨迹和真实轨迹的重合来论证模型不是在背样本,并认为把真实个体混进生成结果后难以对上具体的人。对照做法和数值都在补充图里。这里不复述那套对照,也不把“主文说难以对上”写成隐私风险已经消失。轨迹本身仍可能很独特,这是作者引用既有研究时承认的前提。

手机用户、记录时钟和区域划分都会进入生成分布。四套数据的用户规模、采样间隔和观测周数不同,跨城 JS 散度小于 0.1 只说明简化模型跟住了目标城市的边际分布,不说明四座城市的出行机制相同。讨论提到的疫情、交通和规划,在本文中没有对应实验。道路网、土地利用和社会经济指标也还没有进入主模型。

一句话总结

个人下一步和城市人流可以放进同一个生成网络,流量重合会明显高于只走个体规则的模型,若干经典标度律也会在生成结果里重新出现;这还不是每项个体分布都更近,也不是换一座城之后仍保持完整模型的精度。

核心来源

  • PNAS Nexus 正式版,核对题目、作者、卷期、提前发表日期与 DOI。本文数值和图面来自该正式版主 PDF 的图 1–5 与表 1。
  • 文末所印预印本 DOI:10.21203/rs.3.rs-3666762/v1。本文没有用预印本改写正式版的数字。
  • 论文写明代码与支持结果的数据位于 DeepMobility 仓库。补充材料在期刊网站,不在这份 14 页主 PDF 中。

作者介绍

四位作者的署名单位都是清华大学电子工程系、北京信息科学与技术国家研究中心(BNRist)。以下只按论文署名、同等贡献说明和作者贡献陈述介绍。

  • Yuan Yuan:与 Jingtao Ding 同等贡献。参与启动研究、提出想法、设计方法,搭建 DeepMobility 并完成实验,参与结果分析和写作。
  • Jingtao Ding:同等贡献,通讯作者。参与启动研究、提出想法、设计方法、文稿修改、结果分析和写作。
  • Depeng Jin:参与启动研究、文稿修改和项目管理,参与结果分析和写作。
  • Yong Li:通讯作者。参与启动研究、提出想法、设计方法、文稿修改和项目管理,参与结果分析和写作。

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。

不确定度开关给出了一个可以再检验的分界。表 1 里,两个机制同时使用带来的 CPC 增量,在北京大于两个机制分开使用的增量之和,在深圳却不是这样。若把区域对按学到的不确定度分成高低两组,高不确定度那一组恰好集中了完整模型相对消融模型的流量改进,开关本身就更像 CPC 提高的载体;若改进均匀地落在低不确定度的惯常出行上,提高就更可能来自联合优化的其他部分。这个分组不需要新的采集,只需要模型已经输出的不确定度和逐格流量误差。

换城结果也不该借用完整模型的头条数字。北京完整模型的 CPC 是 0.787,可是迁移时使用的简化模型即使在北京本地也只有 0.507;深圳训练、上海测试是 0.306,而上海完整模型是 0.686。若合成人流要用来估计设施压力,报告里至少应并列三个数:简化模型在目标城市自训练的 CPC、跨城 CPC,以及完整模型只在有轨迹的城市才能达到的 CPC。0.306 相对于 0.173 的提高,回答的是“比 TimeGeo 好多少”,不是“已经接近有轨迹时的 0.686”。

四套时钟不同,也限制了“指数小于 2008 年那次报告”这句话能走多远。跳转距离的四条拟合是 1.25 到 1.34,正文用来对比的较早结果大约是 1.75。若把塞内加尔的 10 分钟记录并成小时,或把北京的小时记录拆回更细的事件时间,指数明显挪动,那么较小的指数里就有测量尺度的成分;若并到同一时间网格后四城仍聚在 1.3 附近、远离 1.75,才更适合讨论出行本身是否更不均匀。论文已经具备做这次重采样的原始时间分辨率,只是主文没有做。


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