模型猜中了热门车站，为什么还会错过早晚高峰？
论文名片｜Samiul Hasan、Christian M. Schneider、Satish V. Ukkusuri、Marta C. González，Spatiotemporal Patterns of Urban Human Mobility，Journal of Statistical Physics，2013，151：304–318，2012年12月7日在线发表。DOI：10.1007/s10955-012-0645-0。研究以伦敦Oyster刷卡记录分析城市移动，并建立目的地选择与停留时长模型。
很多人工作日反复经过两座熟悉的车站，偶尔去餐厅、商场或朋友家。若让模拟乘客也保留两个固定地点，剩余时间偏向大家常去的热门地点，能否生成真实城市的出行？
这篇论文的回答是：可以生成若干总体规律，但仍会在关键地方失败。模型能形成不均匀的站间流量、缓慢增长的新地点数量和逐级降低的访问频率，却无法重现真实乘客的昼夜节奏，也低估了用户之间活动多样性的差异。拟合总体分布，与还原一个人的日程，要求并不相同。
先说结论：
- 两个最常访问的车站，与其他车站具有不同的停留时间特征，不能给所有地点套同一个等待时间分布。
- 其他地点的访问频率随排名降低，但前两名明显偏离这一尾部规律。
- 使用全体乘客共同累积的地点访问量，模型不必直接指定新地点探索概率，也能生成新地点数的次线性增长。
- 成功主要是统计形状的复现；没有昼夜约束和个体差异时，模型仍无法解释真实的日内节奏与高度规律乘客。
626位乘客，能代表伦敦所有出行吗？
研究最初取得1000位匿名公共交通用户三个月的交易记录，再保留至少70%的已记录行程由地铁完成的626位用户。这样筛选是因为地铁进出站记录能提供较完整的起终点，而部分公交或铁路行程只有上车信息。
70%针对记录到的公共交通行程，不代表这些人所有步行、驾车或骑行中的70%都是地铁。论文也没有给出这三个月的具体起止日期或总行程数，因此不能把当时Oyster系统的数百万用户背景规模当成本文分析样本。
图 1｜为获得较完整的地铁行程，样本经过了怎样的选择？
该图无字母子图。横轴f是用户已记录行程中的地铁比例，纵轴为该比例的分布；红线标出约0.7阈值，左侧阴影为未纳入区域，右侧为研究样本。这提高了行程完整性，同时将结论限定在偏常用地铁的人群。来源：原论文 Fig. 1。
常去的两个站，和其余地点有何不同？
对每个人，研究按三个月内的访问次数给车站排序。最常访问站在城市中较分散，第二常访站更集中于中心及一处东部办公区域，其余常访站的热点也集中于中心。这个格局与居住、工作及休闲分工相容，但刷卡记录没有直接提供活动目的。
因此，把前两名简称为家与工作地，是模型解释，不是每位乘客都经过核实的身份标签。车站也只是周边活动区域的入口，不能等同于某栋房屋或办公楼。
图 2｜不同访问排名的热点，是否落在相同区域？
（a）最常访问站的空间分布较广。（b）第二常访问站的高值更多集中于中心附近。（c）其他访问站的热点更集中在中心。颜色表示车站在样本中被归入相应访问类别的比例，白圈强调集中区域；三个面板色标不同，不宜直接比较同一种颜色的绝对数值。来源：原论文 Fig. 2。
两站之间的时间，为什么不能和离站后的时间混在一起？
本文将trip length以分钟计，表示一次地铁旅行所花的时间，而非公里距离。典型旅行时间约25分钟，前两名常访站之间的平均旅行时间短约15%。这些时间分布具有中心位置，没有直接重现大地理尺度文献中的距离幂律；时间与空间量纲、单一交通方式和网络边界都不同，不能据此宣布所有出行距离都没有重尾。
停留时间则是到达一处之后、再次离开之前的间隔，研究只使用能确定开始与结束的记录。最常访地点约有9小时和14小时两个峰，第二常访地点主要在约9小时出现峰，符合某些日常活动时长。
其他地点的时长分布更宽，论文描述其尾部具有幂律式特征，但未给出可作为普遍定律的拟合指数。完整图中仍可见约9小时、14小时附近的小结构，不能把“更宽”写成完全没有任何时间特征。长间隔还可能包含未观测到的其他交通或活动，不能全部解释为在同一个目的地连续待了几天。
图 3｜相同的等待时间模型，适合所有类型的地点吗？
（a）横轴为旅行分钟数，黑线对应前两常访地点之间，红线对应其他行程，虚线标出各自均值；两类分布有清楚的中心范围。
（b）横轴为停留分钟数，黑线为最常访地点，红线为第二常访地点；9小时、14小时和周末附近标记展示固定活动节奏。
（c）其他地点的停留分布使用双对数坐标，覆盖较长时间范围；图中保留日、周尺度和9小时、14小时标记。它与前两类地点形状不同，支持分类型处理。来源：原论文 Fig. 3。
访问排名的规律，能从第三名开始算吗？
访问频率p(L)表示访问排名L的地点占个人访问次数的比例。少数地点贡献了大部分访问：访问过10处的人，前两名合计约占82%；访问过40处的人，前两名合计约占53%。这是访问次数份额，不是全天时间份额。
排名大于2的部分近似呈Zipf式衰减，即排名越低，访问频率越小；衰减参数又随总地点数N变化，约满足η∝N⁻⁰·⁶³。将不同N组的曲线按相应参数调整后，可以大致重合。前两名位于该尾部规律之外，正好说明只用一条排名律会遗漏固定往返。
图 4｜固定地点与偶尔访问地点，是否遵循同一条排名曲线？
（a）横轴为访问排名L，纵轴为访问频率，颜色区分总访问地点数N＝5—45的用户组；前两名频率接近，之后明显下降。（b）按η与归一化常数调整后，较低排名部分接近共同趋势；插图标出η≈12.34N⁻⁰·⁶³的经验关系。曲线重合是描述性规律，不直接识别个人为什么选择某个地点。来源：原论文 Fig. 4。
模型怎样把固定往返与热门地点放在一起？
每个主体先获得两个不同的固定站，作为排名1与2的地点，在站点集合中随机均匀指定；模型示例使用100个站，模拟三个月。站点是抽象标签，未直接指定真实地理距离，因此这不是对伦敦每一条实际路线的精确预测器。
转移规则取决于当前位置。离开地点1后，以β＝0.3转去地点2，其余概率转去其他地点；离开地点2后，以α＝0.4转去地点1；在其他地点时，以α、β分别选地点1、2，其余概率选其他地点。α和β是规则参数，不能不加区分地称为每个用户最终恰好40%、30%的时间在两处。
图 5｜当前位置不同，下一站的候选概率是否相同？
该图无字母子图。左、中、右三组分别以地点1、地点2、其他地点为当前状态，橙、绿、蓝代表三类目的地，箭头给出α、β及剩余概率。h₁、h₂、h₃对应三类地点的持续时间处理，不能把箭头概率与停留时长混作同一个量。来源：原论文 Fig. 5。
停留采用风险率（hazard rate）h(t)＝f(t)/(1−F(t))：已经停留到t时，接下来很短时间内结束这次停留的速率。三类地点分别从实测时长分布估计。风险率乘以很小的时间间隔才近似为离开概率，风险率本身不是“继续留下的概率”。
真正连接不同主体的是其他地点的选择。地点i被选的概率与vi成正比，vi统计所有主体已对该地点贡献的访问量；选中后继续增加访问量。这是总体热门程度的累积反馈，不同于只按个人过去去过几次来返回，也不是观测到朋友之间的直接社会影响。
初始权重设为vi＝i，本身已经给不同站点不同的起始权重。因而模型展示的是在既定不均匀起点和反馈机制下的结果，不能把全部地点差异都归功于从完全平等状态自发产生的热门效应。
不直接规定探索衰减，能出现缓慢发现新地点吗？
模型没有另设“随着个人已去地点增多，新地点探索概率必然下降”的函数。只要主体不断偏向热门站，不常去的地方就较难被选中，个人累计发现新地点的速度也会变慢，而且最终受100站总量限制。
模拟与数据在三项统计上近似一致：站间流量的宽分布、累计不同地点数S(t)约随t⁰·⁶增长，以及访问较多地点用户的排名频率。图中的−1.9、0.6、−1.2线均是读图参照，原图注明幂律线仅作为视觉引导，不能写成严格证明的统一指数。
图 6｜简单热门选择，能同时复现哪些统计特征？
（a）横轴wij为一对站之间的旅行数量，纵轴为此类流量的分布，红圈是实测，蓝点是模型；它比较流量分布形状，没有逐条验证具体OD连接。
（b）横轴为观察时间，纵轴为累计访问地点数S(t)，数据与模型均呈次线性增长，0.60斜率作为参照；两条曲线的高度和起始过渡并非完全相同。
（c）横轴为访问排名对数，纵轴为访问频率对数，展示访问30—45处的主体组，参照斜率约−1.20；插图将模型参数与经验η关系比较。来源：原论文 Fig. 6。
哪些失败，暴露了模型缺少的东西？
所有主体使用同一组α、β，使模拟地点数过于集中。图7中模型的高斯参照均值约42.36、标准差5.82，数据参照约23.4、11.5：模型不仅分布较窄，中心位置也偏高。能让某些高活动用户的排名曲线相似，不等于覆盖了全体用户的活动差异。
更明显的缺口来自钟表。模型处理了“已经停留多久”，却没有让选择规则依赖“现在是星期几、几点”。前者可以产生9小时停留，仍不足以让许多人同时在早晨到达某处。真实第一、第二常访地点的占用概率有强烈昼夜变化，模拟曲线却接近水平。
图 7｜复现了总体流量，为什么仍没有生成真实日程？
（a）横轴为总访问地点数N，红圈为数据，蓝点为模型，两条黑色高斯线显示分布中心与宽度差异。（b）横轴为一周时间，黑、红分别对应第一、第二常访地点；真实曲线有明显工作日和周末节奏，模型同色曲线主要围绕平均值小幅变化。来源：原论文 Fig. 7。
最后三幅个体记录把这个差别具体呈现出来。它们的纵轴都是按个人访问频率排序后的地点编号，数字大不代表地理距离远。示例只能帮助读图，不是额外的统计显著性检验。
图 8｜真实高活动用户，怎样在固定地点与较少访问地点之间切换？
原图无字母标号，上、中、下依次为第一、第二、第三个月。横轴为天及周内顺序，红线记录访问排名编号；这位真实用户共访问39处，常见地点之间夹杂较低频地点，并保留日程限制。来源：原论文 Fig. 8。
图 9｜地点数接近真实用户，是否就意味着时间安排也接近？
上、中、下为模拟主体的三个月记录，轴含义与图8一致。这位主体访问38处，总地点数接近图8，但选择时间缺少真实昼夜限制，仍会出现不符合共同作息的访问序列。来源：原论文 Fig. 9。
图 10｜高度规律、只访问少数地点的人，模型同样解释了吗？
上、中、下为另一位真实用户的三个月记录，共访问7处。前两名之间的重复往返非常突出；注意三个月面板纵轴范围不同。统一参数模型较难同时生成这种低活动用户和前面高活动用户。来源：原论文 Fig. 10。
这是一种什么程度的解释？
论文的重要贡献，是显示全体访问量驱动的热门反馈，足以在一个简单模型中生成若干个体与总体统计形状。但模型直接使用实测停留分布，不能把时长分布的相似当作完全独立预测；随机指定固定站与抽象站点标签，也没有验证实际城市几何与真实OD的逐项准确性。
与此同时，记录只覆盖地铁使用，站点附近的真实活动和未记录交通仍有缺失。将全体访问量解释成主体之间的“相互作用”是一种建模方式，不证明乘客实际观察了别人的选择。要把它用于具体出行预测，还需要地理约束、个人差异、日内节奏，以及独立未来时段的验证。
一句话总结
热门地点的累积反馈可以生成不均匀流量和缓慢探索，但要还原真实乘客的一天，还必须解释人群差异与共同作息。
核心来源
- 原论文及出版信息：全文304—318页、Figs. 1—10、模型方程与局限讨论。各图均来自原论文同编号完整图。
- 数据由伦敦交通局为运营目的收集并匿名化，研究通过MIT Transit Research Group取得使用许可；本文样本为所述626位用户。
作者介绍
Samiul Hasan：论文署名为美国普渡大学土木工程学院。
Christian M. Schneider：论文署名为麻省理工学院土木与环境工程系。
Satish V. Ukkusuri：论文署名为普渡大学土木工程学院。
Marta C. González：论文通信作者，署名为麻省理工学院土木与环境工程系。以上均为原论文发表时机构信息。
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。
衡量一座车站总共多热门，与判断它在几点会拥挤，是两个不同目标。即使日客流总量一样，把所有乘客的出发时刻随机打乱，也会改变瞬时拥挤、换乘压力和等待时间。
因此，若用这类模型评估交通服务，可以先保持每日OD总量不变，只替换时间安排：一组使用独立停留与转移，另一组加入经验工作日、周末的共同作息。两者的高峰流量与拥挤持续时间之差，才能具体显示“时间同步”在基础设施需求中贡献了多少。
