2025-Data driven discovery of human mobility models


不先指定公式,出行流量会自己搜出重力模型吗?

论文名片|Hao Guo、Weiyu Zhang、Junjie Yang、Yuanqiao Hou、Lei Dong、Yu Liu,Data driven discovery of human mobility models,arXiv 预印本 v1,2025年1月10日。arXiv:2501.05684v1。

从同一个县城出发,近处的小城常常比远处的大城接到更多人。教科书把这件事写成一个先选定的公式:两地人口相乘,再除以距离的幂,或者让流量随距离指数下降。公式族一旦定下来,后面只是在这个族里找最合适的参数。

这项研究把顺序倒过来。人口、距离、中间机会和几种基本运算交给符号回归(symbolic regression),由数据同时搜索公式形状和其中的常数。在作者限定的复杂度下,指数衰减的重力模型在七组流量里重新出现了六组。更值得看的是剩下的差异:何时需要把距离的幂放进指数,以及占绝大多数的短途联系会把跨区域联系掩盖到什么程度。

先说结论

  • 在给定运算符和表达式长度时,符号回归探索的是一个人为划定的候选空间。复杂度为5时,七组数据中的六组得到指数衰减重力形式,误差与单独校准的指数重力模型对齐。
  • 广东县级通勤是例外。这一档前沿公式的均方根误差(RMSE)为110.18;指数重力为111.91,比110.18高1.6%。比较发生在1,150条跨县通勤起讫对上。辐射模型复杂度更高,RMSE为105.62。
  • 英格兰和美国通勤在复杂度7出现 exp(−dᵅ)。α分别为0.50和0.42。RMSE从360.34降到343.62,以及从1309.9降到1188.9,相对各自的指数重力下降4.64%和9.23%。这是同一张流量表上的拟合改进。
  • 美国区内通勤占全部通勤流量的97.5%,四个区内子集仍由指数重力占优。12个跨区子集里,幂律重力优于指数重力,符号回归又在其中7个子集找到更低的RMSE。噪声实验里,直到 σ=1.0 的参照档,两种重力生成式在5次样本中全部被找回;辐射生成式在更低噪声下就已经不稳定。

七张流量表,量的是单元之间的联系

研究对象是空间单元之间的起讫流量(origin–destination flow):从 i 到 j 的人数 Fᵢⱼ。人类移动性(human mobility)在这里具体落成这张流量表,包括日常移动和居住地到工作地的通勤。居住地迁移是另一类行为。

四套原始资料拆成七组。广东来自中国移动2020年11月约500万用户、500米网格的移动记录,按网格中心汇总到街道/乡镇和县。通勤把0时至7时停留最久的位置计为家,9时至18时停留最久的位置计为工作地,再保留12时以前从家到工作地的移动。一般移动是个人移动按网格中心汇总后的流量。汇总之后,进入模型的是单元之间的联系。

京津冀来自中国联通2019年11月4日至10日已经汇总的县际移动,人口取2019年统计年鉴。英格兰使用2011年人口普查的通常居住地与工作地,空间单元是合并地方政府区(Merged Local Authority District)。美国本土连续州使用2011–2015年美国社区调查(ACS)五年估计,单元为县。后三套资料与广东的年份、观测渠道和人口口径各自不同。

分析数据 空间单元数 面积中位数(平方公里) 人口中位数 保留的起讫对数
广东街道/乡镇一般移动 2,100 60 36,962 705,811
广东街道/乡镇通勤 2,100 60 36,962 28,392
广东县级一般移动 124 1,256 725,391 14,251
广东县级通勤 124 1,256 725,391 1,150
京津冀县级一般移动 200 756 440,000 38,813
英格兰合并地方政府区通勤 324 212 126,430 57,591
美国县级通勤 3,108 1,616 25,991 131,391

这些数量来自补充表S1。面积和人口是单元的中位数。流量列统计的是去掉起点等于终点之后的起讫对,与受访者人数、广东约500万用户各是一种计数。约500万用户在街道/乡镇尺度留下705,811条一般移动连接,通勤只保留28,392条。模型解释的是这些跨单元流量。

候选解释变量有四类:就业人口 w、居住人口 r、地理距离 d,以及中间机会 s。中间机会(intervening opportunities)是比目标更近的竞争目的地,文中用这些地区的人口之和来近似。英格兰的中间机会用中层超级输出区(MSOA)人口,广东用街道/乡镇人口。通勤数据的既有模型用就业人口校准,因为居住人口的误差更大;一般移动数据只有居住人口可用。

让机器搜公式,为什么还要先规定运算?

符号回归同时决定公式长什么样、常数取多少。这里允许加、减、乘、除、幂五种二元运算,以及指数 exp 和对数 ln。它并不是在一切数学函数里寻找唯一生成机制,而是在这七种运算和上述变量组成的表达式里,平衡误差与长度。

算法直接搜索的是分配权重 fᵢⱼ,再还原流量:

预测流量 F̂ᵢⱼ = 起点总流出 Oᵢ × fᵢⱼ ÷ 该起点到其他目的地的权重之和。

每个起点的总流出保持为观测值,模型学习的是这些人如何分到各个目的地。幂律重力若直接写成整条流量,复杂度是9;写成目的地人口除以距离的幂,复杂度降到5。搜索空间随长度急剧变大,缩短目标表达式是为了让搜索更稳,也意味着模型已经使用了观测到的 Oᵢ。

完整原论文图1

图 1|从一张人流表到可读公式,搜索被哪些量卡住?

(a)广东流量是待解释对象,颜色从低到高表示 Fᵢⱼ;图中同时标出起点 i 和终点 j。(b)解释变量是就业人口 w、居住人口 r、距离 dᵢⱼ 和中间机会 s;地图用县与街道/乡镇两种边界示意聚合尺度,颜色表示居住人口高低。(c)遗传编程在候选分配权重之间做交叉、变异和迁移,再按固定的起点总流出分配流量,把预测流量与实际流量的均方误差送回去继续搜索。来源:原论文 Fig. 1。

复杂度按表达式树的节点计数。变量、常数和二元运算各算1,exp 和 ln 算2,因为其中隐含常数 e。重复出现的符号重复计数。这样得到的复杂度是表达式树的节点数,取奇数。复杂度5就是5个节点。

完整原论文扩展数据图1

图 5|同样叫重力或辐射,节点数差在哪里?

(a)分配权重形式的幂律重力 mⱼ/dᵢⱼᵝ 有5个节点,复杂度为5。(b)辐射模型的权重有11个节点;分母是两个括号的乘积,树形把括号摊开。来源:原论文 Extended Data Fig. 1。

只追求误差下降,可以把公式写得很长。研究保留帕累托前沿:一个表达式若不能在不牺牲准确度或简洁性之一的前提下改进另一项,就留在前沿上。准确度用全表流量的均方误差,图上比较时改用均方根误差。具体搜索修改 SymbolicRegression.jl 的评估函数,每次100次迭代,并在输出前再优化常数。由于遗传算法有随机性,同一数据会重复运行,通常先用全部变量跑5次,再改用表现重要的变量跑5次;美国全变量运行使用批量计算和 Nelder–Mead。各次运行合并后取前沿。补充表S2列出每组的变量和运行次数。这个启发式过程仍可能漏掉更好的公式。

复杂度5时,六组数据回到指数重力

复杂度3往往先出现距离衰减:近处比远处接到更多流量。美国通勤是个提早的例外,这一档已经是就业人口除以距离,RMSE为2105.8,与 Zipf 的最简单重力模型相同。复杂度5通常再放入目的地人口。通勤写作就业人口乘 exp(−βd),一般移动则多用居住人口。

七组里有六组在复杂度5重新找到指数衰减重力,而且 RMSE 与扩展数据表1里单独校准的指数重力对齐:广东街道/乡镇通勤11.51,其一般移动1112.8,广东县级一般移动约10723,英格兰通勤360.34,美国通勤1309.9,京津冀一般移动64746。对齐说明搜到的是这条指数重力,而不只是曲线看上去相近。

剩下的一组是广东县级通勤。补充表S3里,复杂度5的前沿式使用起点就业人口和居住人口中间机会,RMSE为110.18;就业人口除以1.10ᵈ 的 RMSE 为111.90。扩展数据表1的指数重力是111.91。正文说指数重力的 RMSE 只比前沿高1.6%,计算是 (111.91 − 110.18)/110.18。分母是这1,150条县级通勤起讫对上的前沿误差,不是全国流量,也不是500万用户。

同一张表还提醒另一件事。六种既有模型里,辐射模型的 RMSE 最低,为105.62,指数重力为111.91,Schneider 中间机会模型为108.49。辐射模型的复杂度是11。补充表S3列出的复杂度11表达式里,最低 RMSE 为87.49。于是“同长度下指数重力几乎够用”“更长的辐射式误差更低”“同长度的符号回归还能再低”是三句不同的比较。广东县级通勤只有1,150条起讫对,长公式在这张小表上的优势更需要别的时期或地区再看。

完整原论文图2

图 2|多复杂的公式,才把误差降到指数重力附近?

(a)广东街道/乡镇,红为通勤、蓝为一般移动;(b)英格兰通勤;(c)美国通勤。横轴是表达式复杂度,纵轴是 RMSE 除以最简单重力 mⱼ/dᵢⱼ 的 RMSE,方块为搜索结果,叉号为既有模型,连线为帕累托前沿。纵轴越低越好。复杂度1被排除。部分既有模型误差超出纵轴,没有画出来。(d)前沿表达式。浅色主要是距离衰减,中间色同时包含距离和目的地吸引力,深色是其他组合;图注说明,为了和既有模型对齐,有的表达式没有写成节点最少的形式。(e)六个参照:Zipf 重力复杂度3,幂律与指数重力复杂度5,机会优先选择复杂度7,辐射模型复杂度11,Schneider 中间机会模型复杂度13。来源:原论文 Fig. 2。

纵轴的分母会改变读图。英格兰复杂度5的360.34,除以 Zipf 的728.58,大约是0.49,所以图上从复杂度3到5有一段陡降。美国指数重力1309.9除以 Zipf 的2105.8,大约是0.62;复杂度3本身就是 Zipf,归一化值位于1。两组的“下降很多”对应的是各自最简单重力模型,不能把0.49和0.62当成预测对了百分之多少的人。

正文还给出一个随单元面积变化的概括:符号回归重力模型的距离衰减参数,从广东街道/乡镇的0.21到美国县的0.04。图2复杂度5把这两端写成人口除以 exp(0.21d) 和人口除以 exp(0.042d),正文把0.042四舍五入成0.04。补充表S1给出的是单元数、面积中位数、人口中位数和起讫对数。街道/乡镇面积中位数为60平方公里,美国县为1,616平方公里。0.21和0.04是正文标出的两个端点。

完整原论文扩展数据图2

图 6|正文主图没展开的县和京津冀,是否也停在指数重力?

(a)广东县级的复杂度—归一化 RMSE,红为通勤、蓝为一般移动,叉号为既有模型。(b)京津冀只有一般移动。(c)相应前沿公式。图注把中间机会的衰减也视为距离衰减的一种特殊形式,因此浅色格子不一定是地理距离。广东县级通勤的复杂度5正是六组一致之外的那一个,公式进入起点人口和中间机会。来源:原论文 Extended Data Fig. 2。

扩展数据表1还比较六种既有模型的原始 RMSE。幂律重力相对指数重力平均高11.2%。这个平均数是七组各自的相对差距再平均,分母是该组的指数重力 RMSE。差距并不均匀:美国通勤从1309.9到1338.5,只高约2.2%;英格兰从360.34到442.23,高约22.7%。

相对同复杂度符号回归,正文给出的平均 RMSE 增幅是:辐射模型92.0%,Schneider 中间机会模型39.8%,机会优先选择模型49.1%。中间机会只进入七组里一组的帕累托前沿。这些平均数属于本研究的数据和均方误差,不能单独拿来宣布机会模型在一切尺度上都没有价值。广东县级通勤已经表明,换一种比较,辐射模型可以是六种既有公式里误差最低的。

指数里再套一层距离的幂,多出来的准确度说明什么?

英格兰和美国通勤在复杂度7出现 wⱼ × exp(−dᵅ),α分别是0.50和0.42。距离不再只放在指数的一次方上。相对复杂度5的指数重力,英格兰 RMSE 从360.34降到343.62,下降的4.64%以360.34为分母;美国从1309.9降到1188.9,下降的9.23%以1309.9为分母。补充表S4、S5与这两个数对应。搜索目标是均方误差,大流量上的偏差权重更高。

Wilson 的最大熵推导给新形式提供了一种相容的解释。在每个地点的总流出、总流入以及全部出行成本之和都被卡住时,最可能的宏观流量随成本指数下降。成本若与距离成正比,距离衰减就是普通指数;成本若与距离的 α 次方成正比,就会得到 exp(−dᵅ)。作者把后者写成一个有待实测的假设。研究没有观测时间或费用,也就没有直接检验成本—距离关系。

还要看清两个公式的约束。最大熵结果是双约束重力模型,流出和流入都进入平衡因子。符号回归这一步只固定每个起点的总流出,再按权重分配。两边都可以出现指数衰减,但一个多卡住了总流入。因此,流量表偏好 exp(−dᵅ),说明在当前变量、运算和均方误差下,这种形状更省误差。它还没有单独证明人们支付的综合成本就是距离的 α 次方。

误差本身也来自用于搜索的整张流量表。论文没有报告统一的留出年份或留出地区。4.64%和9.23%首先是这两张通勤表上的拟合差异。

占97.5%的区内流量,能不能代表跨区联系?

全国模型可能主要反映占多数的那类联系。美国通勤按东北、中西部、南部和西部拆开,得到4个区内子集和12个跨区子集,再分别搜索。正文把其中一区写成 East;图3的地图图例和矩阵表头是 South,浅蓝色对应南部,其中一个小图标题写成 from East,另一个写成 from South。下面按图中的南部阅读分区。

四个区内子集的复杂度5模型仍是指数重力。区内流量占全部通勤流量的97.5%,所以全国模型容易被区内联系主导。这97.5%的分母是通勤流量合计。12个跨区子集上,幂律重力的误差低于指数重力。其中7个子集的符号回归 RMSE 更低,2个更高,另外3个与幂律重力形式相同。

完整原论文图3

图 3|短途占优的全国模型,在长距离上还成立吗?

(a)实线是观测通勤流量,虚线是各起讫大区子集上复杂度5模型的预测。横轴为距离的对数刻度,颜色对应目的地大区。区内纵轴到10⁶,跨区小图到10⁴,峰高不能跨面板直接比较。部分跨区分布在约1,000公里附近再次抬升。(b)行是居住大区,列是工作大区,最后一列是美国本土连续州。灰格表示复杂度5的符号回归与参照重力形式相同,红格 RMSE 更低,蓝格更高;红蓝格括号里给出参照重力公式。四个对角线都是区内的指数重力。来源:原论文 Fig. 3。

跨区分布出现约1,000公里的长程峰。作者检查流量后写到,这些联系的目的地大多是大城市,前五名是芝加哥、纽约、洛杉矶、休斯敦和达拉斯,并推测更多就业机会可能盖过距离阻力。这是对观测分布的推测,流量拟合没有单独识别城市规模的因果作用。图中个别跨区公式也不再表现为流量随距离常规下降。ACS 记录的是通常居住地和工作地,1,000公里是这对地点之间的距离尺度,每天是否往返并不在这张表里。

地图骨架像,每一条流量就都对了吗?

复杂度5和7的模型被拿来重画流量图,因为这两个长度在多数数据上形式比较稳定。地图能看出主要走廊和高流量联系还在。各图色标范围不同,蓝到红只在同一张小图里表示从低到高。整体形态接近,来自同一批输入的可视化,不能代替逐条起讫对的误差,也不是另一年的外部检验。

完整原论文扩展数据图3

图 7|广东通勤的主要联系,短公式能保留多少?

(a)街道/乡镇,从左到右是实际、复杂度5、复杂度7,色标标至1k。(b)县级,同样三列,色标标至10k。上下两行的颜色不能直接对照。高流量联系大体还在,小流量的蓝线不能据此逐条宣布预测正确。来源:原论文 Extended Data Fig. 3。

完整原论文扩展数据图4

图 8|美国通勤网络的骨架是否还在?

无字母子图,从左到右是实际、复杂度5、复杂度7,色标标至500k。密集地区和一部分长距离联系留在图上,局部疏密仍有差别。来源:原论文 Extended Data Fig. 4。

完整原论文扩展数据图5

图 9|英格兰通勤是否呈现同样的总体相似?

无字母子图,从左到右是实际、复杂度5、复杂度7,色标标至50k。主要高流量节点之间的联系在模型图中出现。颜色接近只说明骨架,不提供独立预测实验。来源:原论文 Extended Data Fig. 5。

完整原论文扩展数据图6

图 10|一般移动换成居住人口后,短公式还抓得住骨架吗?

(a)广东街道/乡镇一般移动,色标标至100k;(b)广东县级一般移动,色标标至800k。各行从左到右是实际、复杂度5、复杂度7。两种尺度的总体形态还在,变量已经从通勤的就业人口换成居住人口。来源:原论文 Extended Data Fig. 6。

完整原论文扩展数据图7

图 11|京津冀的县际一般移动,主要联系是否保留?

无字母子图,从左到右是实际、复杂度5、复杂度7,色标标至700k。高流量联系形成的骨架还在。保留骨架不等于每条较小流量都被解释。来源:原论文 Extended Data Fig. 7。

带上已知噪声之后,机器找回的是生成式吗?

真实流量的生成公式未知,只看拟合无法判断符号回归有没有找回原式。研究用美国的真实空间边界、就业人口和总流出,分别按指数重力、幂律重力和辐射模型生成期望流量,再加入已知噪声。

噪声加在流量的对数上:合成流量等于期望流量乘以 exp(ε),ε 服从均值0、标准差 σ 的正态分布,这样流量不会变成负数。σ 从0到2.0,每隔0.25一档,共9档;每档每种生成式做5个样本,三种模型合计135张合成表。流量四舍五入为整数,低于3的流量在搜索前去掉。

真实数据的噪声分布并不知道。作者用通勤者公共部分(Common Part of Commuters,CPC)衡量两张流量表的重叠:分子是两倍的逐对较小流量,分母是真实总流量与预测总流量之和,取值从0到1,越高越接近。美国指数重力模型在真实通勤上的 CPC 为0.728。三种生成式的 CPC 降到0.728以下的最低噪声都是 σ=1.0。这一档表示合成表的重叠程度已经落到真实美国通勤上指数重力的 CPC 这一侧;它给出噪声强度的参照,真实噪声是否服从对数正态、σ 是否恰好为1,都要另测。

完整原论文图4

图 4|噪声加大时,原生成式还有几次被找回?

无字母子图。三列是幂律重力、指数重力和辐射模型,纵轴是对数正态噪声的标准差 σ。颜色表示5个样本里的成功次数,从0/5到5/5。蓝色虚线标在 σ=1.00,即生成模型 CPC 开始低于真实美国指数重力 CPC=0.728 的那一档。两种重力模型从 σ=0 到这条虚线都保持5/5;辐射模型只在0和0.25保持5/5,到1.25及以上变为0/5。颜色统计的是5次样本里找回原生成式的次数。来源:原论文 Fig. 4。

无噪声时,三种生成式都能被找回。正文同时写到,中等噪声、低于 σ=1.0 时,两种重力模型的成功率仍是100%,辐射模型则随噪声升高变得不稳定。图4把两种重力的5/5一直画到 σ=1.00。辐射式没被找回时,复杂度11的替代公式在多数情形下 RMSE 更低,而且不同样本的替代式并不相同。一部分替代式仍保留起点人口和中间机会,只是添上常数或指数。拟合眼前这张带噪声的表,与认出噪声背后的生成式,在这个实验里是两件分开的事。

公式再写长,稳定下来的是哪一层?

随着允许的复杂度提高,距离阻力和目的地人口会依次进入公式。复杂度7和9的许多表达式仍然是目的地吸引力除以某种距离函数,只是函数更弯。复杂度继续增加后,不同数据集的公式不再一致,也更难解释。作者认为这些长式捕捉的是单张表的特点,难以当成普遍的流量公式。

遗传编程在短公式上较稳,复杂度小于9时尤其如此。更长的表达式在重复运行之间会变化,搜索空间随长度指数增长是一个直接原因。既有研究也指出,符号回归比较稳妥的范围通常少于10个变量。本文的候选变量停在人口、距离和中间机会,没有把收入、票价或土地利用放进去。讨论里提到,将来可以把神经网络里可分开的模块再蒸馏成公式;本篇没有做这个实验。

因此,这篇预印本最能站住的结果是:在声明过的运算、变量和均方误差下,指数距离衰减的重力形式反复成为简洁基线;exp(−dᵅ) 和跨区子集说明,全国平均公式还会漏掉可检验的结构。长公式的一次胜出、对大城市就业的推测,以及成本随距离的幂变化,都还留在拟合相容的解释里。

一句话总结

把公式形状也交给这七张流量表去搜索之后,指数衰减重力模型仍是多数情况下的简洁基线;距离的幂进入指数,以及只占少数流量的跨区联系,标出了总体拟合没有解释完的部分。

核心来源

  • arXiv:2501.05684v1,2025年1月10日预印本。正文图1–4、扩展数据图1–7、扩展数据表1和补充表S1–S7都在这份文稿里。
  • 文末给出的代码与处理后流量入口:FlowSR。美国、英国和京津冀的处理后流量与代码公开;广东手机数据需向通讯作者申请。公开的是汇总后的流量和代码。

作者介绍

六位作者均署名北京大学地球与空间科学学院遥感与地理信息系统研究所。以下只采用这篇预印本列出的身份和贡献。

  • Hao Guo:与 Weiyu Zhang 同等贡献。参与构思、实验设计、数据收集、实验、可视化和写作。
  • Weiyu Zhang:同等贡献。参与数据收集、实验、可视化和写作。
  • Junjie Yang:参与实验。
  • Yuanqiao Hou:参与数据收集。
  • Lei Dong:通讯作者。参与构思、实验设计和写作。
  • Yu Liu:通讯作者。参与构思、实验设计和写作。

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。

全国 RMSE 很容易被97.5%的区内流量主导。假如搜索时把跨区流量单独计一份误差,或者按距离段报告误差,复杂度5的全国指数公式还能否留在前沿上,就会变成一个可计算的问题。图3已经显示12个跨区子集里有7个更适合别的形式。下一步可以把这种分区误差写进选择标准。

另一个可以直接做的核对,是把美国县与县之间的时间加费用,对同一批起讫对画成距离的函数,看它是否接近 d 的0.42次方。流量表上的9.23%只说明 exp(−d^0.42) 更贴这张通勤表。成本曲线若接近直线,最大熵那种解释就要让位给别的原因,例如长距离交通方式的切换并没有体现在一条光滑的成本幂上。

广东县级通勤只有1,150条起讫对,却是唯一在短公式里放进中间机会、并且让辐射模型胜过指数重力的一组。换一个月份、或把县界按另一套统计区重画之后,如果机会项不再进入复杂度5,这一例外就更像小表上的结构;如果它仍然出现,才更值得把它写成尺度本身的差别。


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