私家车反复回到那几个地方,就能看清城市热点怎么聚散吗?
论文名片|Zhu Xiao、Hui Xiao、Hongbo Jiang、Wenjie Chen、Hongyang Chen、Amelia C. Regan,Exploring Human Mobility Patterns and Travel Behavior: A Focus on Private Cars,IEEE Intelligent Transportation Systems Magazine,2022,14(5):129–146。DOI:10.1109/MITS.2021.3098627。正式刊期为2022年9/10月;DOI 中的 2021 与扉页所写 Date of current version: 6 August 2021,是提前上网版本的日期。Hongbo Jiang 与 Hongyang Chen 为通讯作者。这是一项基于私家车轨迹的观察描述和热点预测比较,文中的拥堵疏导、停车推荐和车险定价仍是讨论,没有配套的干预结果。
论文里有一辆编号 100634050 的车。2018年8月的几个周五,它大约早上6:50离开一处地点,开约30分钟,白天停在另一处,晚上8点前后再离开。作者把前一处猜成住所,后一处猜成办公室。另一辆编号 200739439 的车要在四个以上的地点之间切换,日程就散得多。
出租车轨迹通常只有上车和下车。私家车多出来的是停了多久。这篇论文用这种到达—停留—离开(arrive–stay–leave,ASL)来描述人类移动性:同一批人开车时如何在少数地点之间重复,以及这种停留怎样对应城市热点区域随钟点出现和消退。方向性的结果是,私家车样本比长沙的出租车样本更有重复性,停留时长被用来表示热点的时间强度;深圳一块区域上的预测能跟上热度形态,但拟合更好还没有说明热点为什么形成,也没有测出能减少多少拥堵。
先说结论
- 2018年8月1日至31日的示例库有274,870辆记录较完整的私家车,覆盖深圳、上海、长沙等六座城市,共20,896,085次行程、361,718,930条轨迹点。后面的五城模式表、长沙对比和深圳热点用的是更小的子集,分母各不相同。
- 武汉、长沙、上海、深圳、成都五城中,跨城共有的日常模式约占各城出行的83.0%至91.7%。家—休闲—家与家—工作—家接近;正文只用0.3%举例,说明前者略高。
- 长沙2018年1月各抽1,000辆:正文写超过60%的私家车熵率低于4.8,约20%低于2,私家车最大熵率低于5.5,出租车熵率都高于7。图5印出的横轴却是0.3到0.8,两套刻度不能当成同一个数。
- 长沙另一个月的行程里,工作日私家车0–10公里的行程超过一半,超过30公里的只占约5%;按车辆算,日均里程超过50公里的私家车占0.63%,日均超过70公里的出租车超过90%。行程次数的纵轴没有按车辆数归一。
- 深圳2018年9月的一块区域上,文中方法的均方误差0.0113、决定系数0.8168,优于多元线性回归和深度卷积网络;KL散度0.0645却高于两个对照。热度色标是0到1,论文没有把误差换成车辆数或分钟。
私家车轨迹里,多出来的到底是什么?
文中的私家车指座位数少于7、通常登记在个人名下、供个人使用的载客汽车。全国保有量只是背景,来自统计年鉴和一份欧盟趋势报告,不是这套车载轨迹本身。

图 1|私家车在汽车总量和客运方式里占多大一块?
(a)中国2013–2019年。蓝柱是私人汽车保有量,橙柱是民用汽车保有量,单位都是百万辆;灰线是私人汽车占民用汽车的比例,右轴为百分数。2019年蓝柱225.08、橙柱253.76,比例88.7%,也就是225.08/253.76。2013年相应为105.01、126.7和82.88%。(b)欧盟客运方式构成,转引自2008年的趋势报告。橙段私人小汽车在1990、2000、2010、2020、2030年标为76.2%、75.4%、75.5%、74%和76.2%;其余分层是公路公共运输、摩托车、铁路、航空和内河。1990–2020年各层相加接近100,2030年各层相加超过100。正文另写近二十年私人小汽车超过客运活动的75%,到2030年预计略降但仍高于72%。图上2030年的76.2%与“略降”以及超过100%的加总并不一致,所以这张转引图只说明私人小汽车在该报告里长期占客运活动的主要部分。来源:原论文 Fig. 1。
正文还引用年鉴:截至2019年底,中国汽车保有量超过263百万辆,其中登记在个人名下的超过88%(225百万辆)。225百万辆与图1(a)的2019年私人汽车柱225.08百万辆对齐。88.7%的分母是图中的民用汽车253.76百万辆。若把225百万辆除以正文写出的263百万辆,得到约85.6%。美国部分来自 Sivak 的技术报告:2015年人均0.756辆,2016年0.766辆,单位是每人拥有的车辆数,不是出行份额。
轨迹来自轻量 GPS 接收器和低成本车载诊断(onboard diagnostics,OBD)读数器。一次行程同时有起终点位置,以及速度、转速、油门踏板位置等驾驶状态。熄火到下一次点火之间的间隔,就是出租车上下车点里通常没有的停留。

图 2|一条私家车轨迹里有哪些字段?
无字母子图。左侧是车、OBD、GPS 和数据中心的采集示意。右侧上方是位置字段:车辆编号,发动机启动和停止的当地时间,起终点经纬度。右侧下方是驾驶状态:本次里程、油耗、时长,以及瞬时速度、方向、累计里程、油量和油门踏板位置。这张图说明记录里有什么,不提供任何城市的统计分布。来源:原论文 Fig. 2。
论文给出的公开入口是 PrivateCarTrajectoryData,并写明只用于科学研究。2018年8月那组274,870辆、六座城市、20,896,085次行程和361,718,930条记录,是在说明库的规模。车辆来自与产业的合作采集,论文没有报告它占所在城市全部私家车的比例,也没有说明一辆车对应一位车主还是若干家庭成员。后文把车辆轨迹读成个人出行时,这个口径要留着。
一天的重复,是在几个常去地点之间切换
移动模式在文中指频繁、重复的出行。常去地点(frequently visited place,FVP)是日常会反复到达的位置,住所和工作地是典型例子。偶尔前往的地点(occasionally visited place,OVP)则不是每天或每周都去。
做法是先取每次行程的停车坐标,去掉明显不准的点,再用基于密度的聚类找出一段时间内的常去地点。图3的两个例子写明最少点数为20、邻域半径400米。然后用马尔可夫链看这些地点之间怎么转移,并用熵率概括规律程度。熵率越低,地点转移和出发时刻越集中。
设地点 i 的稳态概率为 Pᵢ,从 i 转到 j 的概率为 pᵢ(j),这条转移上出发时刻 t 的概率为 pᵢⱼ(t)。熵率写成两项之和:
H = −Σᵢ,ⱼ Pᵢ pᵢ(j) log pᵢ(j) − Σᵢ,ⱼ Pᵢ pᵢ(j) Σₜ pᵢⱼ(t) log pᵢⱼ(t)。
前一项是下一地点有多不确定,后一项是出发时刻有多不确定。它衡量的是这辆车在已识别地点之间的重复程度,还不是这辆车对全城拥堵的贡献。

图 3|两辆车的周五日程有多重复?
数据是2018年8月的轨迹,画出的是3、10、17、24、31日这五个周五,横轴为当天0点到24点。色条长度表示在该常去地点的停留;黑色短条是连接两个常去地点的行驶间隔。(a)车辆100634050,熵率 H = 1.1853,基本在蓝、红两处之间往返。正文把清晨离开的蓝色猜为住所、白天停留的红色猜为办公室,这是根据停留时段作的推测,图上没有用地名或调查核实。(b)车辆200739439,熵率 H = 2.4617,颜色多于四种。灰色横条表示当天没有驾驶。常去地点变多之后,转移更散,熵率更高;两辆车不能代表后面一千辆样本的分布。来源:原论文 Fig. 3。
五座城市的日常模式被收成一张表。常见模式指五座城市里属于同一类型的日常移动。论文说它约占出行的85%,表中各城的比例是:
| 城市 | 车辆数 | 每车平均出行模式数 | 常见模式占出行的比例 |
|---|---|---|---|
| 武汉 | 4,252 | 2.98 | 84.4% |
| 长沙 | 3,407 | 3.08 | 83.0% |
| 上海 | 2,758 | 2.13 | 91.7% |
| 深圳 | 5,672 | 2.52 | 85.3% |
| 成都 | 3,614 | 1.88 | 89.4% |
五格车辆数相加是19,703,这只是表内合计,远小于8月示例库的274,870辆。论文没有写这19,703辆的筛选月份,也没有写“出行”是行程次数还是车辆—日。每车平均1.88到3.08种模式,说明多数车的日常类型不多,同时各城并不相同。上海的常见模式比例最高,成都的每车模式数最低。

图 4|五种最常见的日程,哪几条链最高?
无字母子图。横轴是前七种日常模式,纵轴是比例。0是家,1是工作地,2是休闲地点,3是偶尔前往的地点。因此020是家—休闲—家,010是家—工作—家,030是家—偶尔地点—家。五条线分别是上海、长沙、深圳、成都和武汉。各城都是020、010、030明显高于02、20以及02020、0220这两条更长的链。正文举例说020比010略高,例如0.3%;图上没有逐城标出精确差值。休闲地点可以对应多个位置,2并不表示全城共用同一个商场或公园。来源:原论文 Fig. 4。
家、工作地和休闲地如何从停车点判定,正文没有给出独立的土地用途核对。020略高于010,说明私家车日程里非工作往返至少和通勤往返同样常见;它还不能换成“休闲出行已经超过通勤”这一句更强的话,因为0.3%只是文中的例子,而且2把多个休闲位置并成了一个符号。
和出租车比,规律差在刻度还是差在用途?
熵率对比限定得很清楚:长沙2018年1月随机抽取1,000辆私家车,对照同城1,000辆出租车。出租车轨迹来自另一篇文献,字段是上下车时间和位置、载客里程和时长。公交没有放进对比,因为发车时间和线路是预先定好的。

图 5|同一座城市里,两类车的熵率分布差多远?
无字母子图。纵轴是累积分布,1,000辆车中有多大比例不超过横轴上的熵率。蓝线是私家车,红线是出租车。图上私家车在大约0.55之后已经到顶,出租车要到0.7以后才离开0。正文给出的却是另一套数:超过60%的私家车熵率低于4.8,约20%低于2,私家车最大熵率低于5.5,出租车熵率始终高于7。图3两辆例车的1.1853和2.4617更接近正文这套个位数,而不是图上的0.3–0.8。因此可以确认的是比较方向:这1,000辆私家车的分布整体位于出租车左侧,重复性更强。不能把图上的0.5读成熵率等于0.5,也不能把正文的4.8读成图上的0.48,论文没有说明二者是否差一个小数点。来源:原论文 Fig. 5。
出租车熵率更高,和它依次服务许多乘客、目的地随订单变化是一致的。这是两类车辆任务不同之下的观察。它没有证明私家车车主个人的全部活动都更规律,因为轨迹只在点火之后才存在;也没有证明把出租车换成私家车,城市总出行就会变得可预测。
行程次数、速度、路程、驾驶天数和日均里程来自长沙的私家车与出租车,窗口是一个月。熵率那段写了2018年1月,这五项没有再次写月份。驾驶天数最高档到20–31天,符合一个日历月,但不足以断定就是1月。

图 6|一天之中,行程数在何时升高?
正文称纵轴是每小时平均行程数,图上写的是 Number of Trips,没有写出除数是多少辆车或多少天。(a)私家车,刻度到350。工作日在早上8点和晚上7点达到高峰;周末早高峰更晚,下午的高峰更早。(b)出租车,刻度只到35。工作日和周末的形状接近,低点出现在凌晨5点和下午4点,论文将其对应日班和夜班的交接。实线是工作日,虚线是周末。私家车曲线更高,论文说明原因是私家车数据集更大。所以两张面板不能相减,也不能读成平均每辆私家车比每辆出租车多开若干次。来源:原论文 Fig. 6。

图 7|速度在夜间和高峰之间怎么变?
纵轴写 Average Velocity,没有单位,两张图的零点也被抬高,不能把高度差直接当成倍数。(a)私家车,可见刻度从14到20,凌晨曲线会高出20。大约1点到5点高于白天;早高峰后、约9点以后回升。(b)出租车,刻度从20到32,整条曲线位于私家车面板的更高一档。实线工作日,虚线周末。论文提出两个可能原因:出租车有一段空驶,以及司机主动避开拥堵热点。这两点是解释,不是本图测到的空驶比例或绕路距离。来源:原论文 Fig. 7。
开得近,和天天都开,是两件分开的事
路程按0–10、10–20、20–30和大于30公里四档,分母是该月相应工作日或周末的行程,不是车辆数。

图 8|行程长度落在哪一档?
纵轴标成 Trips (%),刻度却是0到1的比例。青色是周末,紫色是工作日。(a)私家车。工作日0–10公里超过50%,大于30公里约占5%;随着距离档升高,行程占比下降。周末0–10公里下降,大于20公里的比例明显上升,20公里以内的行程仍超过60%。(b)出租车。0–10公里超过86%,工作日与周末接近,大于20公里不到2%。来源:原论文 Fig. 8。
工作日私家车以10公里内的行程为主,论文由此说通勤半径通常在20公里内。这是对这一个月、这些行程的概括。周末长行程占比上升,和去郊区休闲的生活想象相符,但数据没有目的地用地类型,不能逐趟确认就是休闲。出租车更短,论文归因于价格;价格本身没有出现在这两套轨迹里,所以“因为贵所以只坐短途”仍是解释。

图 9|一个月里开了几天、平均每天开了多远?
纵轴是车辆百分比。青色是出租车,紫色是私家车。(a)驾驶天数。私家车0–10天这一档最大,超过40%;10天以外的车辆合计超过50%。出租车全部落在20–31天,柱顶在100%一线。正文说出租车都超过20天,甚至达到30天。(b)日均里程,单位公里。私家车0–10公里几乎占50%,10–20公里占35%,超过50公里的占0.63%。出租车超过70公里的一档最大,超过90%。来源:原论文 Fig. 9。
这里的分母是车辆。一辆私家车可以整月只开不到10天,同时它开出去的那几次仍然多半短于10公里。日均超过50公里的0.63%,不能写成“0.63%的行程超过50公里”。出租车几乎天天出车、日均里程也长,因为它在完成一次载客后继续巡游;私家车到达后会停下来办事。两类任务不同,里程差本身还没有换算成排放或拥堵份额。
停留怎样被画成热点的热度?
热点区域指城市里车流或人流集中的一块地方。论文的操作含义是:许多私家车到达同一区域并停留较久,这块地方的吸引和聚集就强。平均停留越长,区域越有吸引力。这个“越长越有吸引力”是定义里的对应,还不是对商店、岗位或活动内容的测量。
空间上,到达—停留—离开的点越密,越被看成热点中心;时间上,停留时长表示聚集强度。文中的例子是,周末带孩子去公园可能超过2小时,去超市买日用品可能不到1小时,于是公园的聚集强于超市。这是在说明为什么要把时长算进去,不是图11里测到的小时数。
预测使用门控循环单元(gated recurrent unit,GRU),用来从历史停留得到后续的到达—停留—离开,从而跟上热点的时间变化。深圳实验区写成东经114°04′–114°21′、北纬22°50′–22°65′,时间是2018年9月,范围内包括华强北电子城和会展中心。北纬22°65′的分值超出常规的60分,这里按论文原文保留。数据分成训练集和测试集,比例没有给出。
网络侧写明的设置是:批大小135,时间步3,优化器 Adam,损失为均方误差,学习率0.001,三层神经算法逻辑单元时效果最好,并在第10个训练轮次之前收敛。对照有两个。多元线性回归用线性系数拟合训练值。深度卷积网络包含卷积、最大池化和全连接层。论文认为前者抓不住非线性,后者会漏掉较弱的聚集。
| 方法 | 均方误差 | 均方根误差 | 平均绝对误差 | KL散度 | 决定系数 R² |
|---|---|---|---|---|---|
| 多元线性回归 | 0.0145 | 0.1205 | 0.0910 | 0.0638 | 0.7639 |
| 深度卷积网络 | 0.0172 | 0.1312 | 0.1033 | 0.0615 | 0.7202 |
| 本文方法 | 0.0113 | 0.1062 | 0.0863 | 0.0645 | 0.8168 |
均方误差、均方根误差和平均绝对误差越低越好,决定系数越接近1越好。按这四列,本文方法优于两个对照:均方根误差0.1062,低于线性回归的0.1205和卷积网络的0.1312;决定系数0.8168,高于0.7639和0.7202。KL散度衡量预测分布与真实分布的差别,越高差得越多。本文方法的0.0645高于0.0638和0.0615,所以“各项都更好”至少在 KL 这一列不成立。表中没有置信区间,也没有报告文中另外提到的 accuracy 数值。热度色标是0到1,这些误差没有换成车辆数或停留分钟。

图 10|一块深圳区域的热度,在三个钟点是否对得上?
横轴、纵轴是经纬度范围,竖轴和颜色是热度:深蓝最低,深红最高,色标0到1。热度同时包含停留点的分布和停留时长,不是原始车辆计数。(a)2018年9月7日周五的观测,从左到右为早上8点、中午12点和晚上7点。圆圈1是华强北电子城,圆圈2是会展中心,只标在最左一幅上。三幅的峰位置和高低不同,对应热点随钟点变化。(b)同一顺序的预测。论文说预测与实际变化基本一致,并称超过一个月的实验也得到相似结果;图上没有逐格误差,一个月实验也没有另给一张表。来源:原论文 Fig. 10。
出租车难以做同样的图:上下车点更散,而且没有停留时长,时间上的聚集强度就缺了一项。私家车图能显示峰的移动,仍然是这一块矩形区域、这一种热度定义下的拟合。它还没有检验华强北变热是因为商店、道路还是停车供给,也没有报告预测提前了多少分钟。
文中接着讨论两个用途。对管理部门,热点的形成和持续时间可以提前提示拥堵风险。对车主和规划者,热点变化可以反映周边车位占用,并帮助选择停车场选址。这两段没有给出拥堵时长、空余车位或选址误差的数字。
柱子的高低和城际箭头,各自缺哪一个刻度?
停留还可以写成相邻行程的时间差:第 i 段停留等于第 i 次行程的离开时刻,减去第 i−1 次行程的到达时刻。兴趣点(point of interest,POI)给停车位置一个语义类别。论文把带有停留时长、又能对上有意义兴趣点的轨迹称为语义轨迹,并认为它可供地点推荐和城市规划使用。图11是这一方向上的一张分布图,没有成为带数值的模型结果。

图 11|不同兴趣点上,周末和工作日的停留柱谁更高?
无字母子图,也没有时间或次数刻度。红色是周末,蓝色是工作日。五个类别是购物、商业住宅、企业、医疗服务和旅游景点。购物、商业住宅和旅游景点的红柱高于蓝柱,企业的蓝柱高于红柱,医疗服务两柱接近。底图上能看到长沙印象汇等地名,图注却没有写城市,因此只能把它读成一张城市地图上的相对高低,不能读成某类地点平均停留了几小时,也不能把柱高相加。来源:原论文 Fig. 11。
后文还列出轨迹压缩、分类和隐私。新的轨迹不断产生,每次用全部数据重训既慢,也容易在新类别到来时变差;增量学习和集成学习被写成处理方向。私家车日程越有规律,家庭和工作地点就越容易从轨迹里看出来,社会关系也可能被推断。论文指出采集时已有保护措施,同时把充分处理隐私视为尚未完成的问题。这里没有报告重识别成功率。
基于使用的保险(usage-based insurance,UBI)同样是提议。论文写明,中国当时缺少足够的驾驶行为数据,而这套轨迹里的速度、时间、方向、转速和油门位置可以用来识别急加速、急刹、急转和超速。它同时写明这还只是提议。表3那样的字段样本不能代替出险或索赔标签,文中也没有给出保费公式。
城际部分则有一张实图。2018年6月至8月,珠江三角洲的广州、深圳、东莞、中山、佛山被用来提取跨城行程。

图 12|三个月里,哪几对城市之间的跨城行程更多?
无字母子图。箭头粗细和深浅表示转移次数,也就是这三个月内的跨城行程数,不是每日速率。图例列出大于1,800、1,600–1,800、1,400–1,600、1,200–1,400,中间以省略号跳过若干档,最淡的一档是0–200。最粗的箭头由深圳指向东莞,正文也写最大的城市间交互是深圳到东莞。地理上相邻的城市对更强,例如深圳—东莞、东莞—广州、广州—佛山。多数城市对两个方向大体对称。广州接收来自其他城市的行程最多,东莞接收的行程则主要来自深圳。各对城市的精确次数没有印在图上,箭头也不能说明广州成为中心的原因是就业、服务还是路网。来源:原论文 Fig. 12。
这些比较停在哪一层?
私家车与出租车的差别,建立在任务不同之上:前者长期由车主或家庭成员使用,后者按乘客订单改变目的地。规律性更高、短行程更多、日均里程更短,都是这一对比里的观察。论文在结尾写,这是首次用私家车轨迹研究人类移动模式。同文的相关工作已经引用上海千余次私人车辆行程、米兰和比萨的按里程付费轨迹,以及上海插电混动车的充电研究。更稳妥的说法是,这篇文章把停留时长、多城日常模式、与出租车的并列指标和一块区域的热点预测放在一起;“首次”是作者的表述,和它自己列出的早期私家车研究并排时需要收窄。
热点预测的决定系数0.8168,说明在所用目标和划分下,预测比两个对照更贴近观测热度。训练和测试的划分比例、预测提前量和误差单位都没有给出,KL散度也没有同步变好。一个月的“相似结果”只有定性陈述。因此它支持“停留信息可以用来跟踪这块区域的热度变化”,不支持“已经得到可部署的全城拥堵预报”。
拥堵管理、停车场选址、语义推荐、轨迹压缩和保险定价,都还没有在这篇文章里被同一套轨迹算出效果。公开数据的科研许可,也不代替对家庭和工作地点的再识别风险评估。
一句话总结
私家车轨迹的新信息是同一车辆反复回到少数地点并停留多久;这种重复能把长沙样本与出租车分开,也能描出深圳一块区域的热度涨落,但还没有单独证明热点造成了拥堵,更没有测出车险或停车政策的效果。
核心来源
- IEEE Xplore 论文页,核对题目、作者、14卷5期、129–146页和2022年9/10月刊期。
- 本文依据该正式版全文,含图1–12、表1–6。表1是缩写,表2、表3、表5是行程字段样例,统计结论来自表4、表6和各图。
- 作者给出的轨迹数据入口。页面写明仅供科学研究。
作者介绍
以下均来自论文署名页和作者简介,不补充论文以外的经历。
- Zhu Xiao:湖南大学计算机科学与电子工程学院。2009年获西安电子科技大学博士学位,2010–2012年在英国贝德福德大学做研究,当时为该学院副教授。研究方向为移动通信和车联网,并担任 IEEE Transactions on Intelligent Transportation Systems 副编辑。
- Hui Xiao:2020年获四川师范大学通信工程学士学位,当时在湖南大学攻读信息与通信工程硕士。研究方向为数据挖掘和智能交通系统。
- Hongbo Jiang:通讯作者之一。2008年获凯斯西储大学博士学位,湖南大学计算机科学与电子工程学院教授。研究计算机网络和移动计算,并参与 IEEE/ACM Transactions on Networking、IEEE Transactions on Mobile Computing 和 IEEE Communications Magazine 的编辑工作。
- Wenjie Chen:署名单位是中南林业科技大学低碳技术与交通研究所;作者简介写她当时是该校商学院副教授。2013年获湖南大学管理学博士学位。研究方向包括低碳技术与交通、车联网和创新网络。
- Hongyang Chen:通讯作者之一。2011年获东京大学博士学位,之江实验室高级研究科学家。研究物联网、数据驱动的智能网络与系统、机器学习、定位和基于位置的大数据,以及统计信号处理。
- Amelia C. Regan:署名页列出加州大学尔湾分校计算机科学系和交通研究所;作者简介写她是该校唐纳德·布伦信息与计算机科学学院教授。研究网络化交通系统,以及分析时空数据的机器学习工具。
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。
若城市只统计通过某条路的车辆数,华强北这样“车到达后停很久”的地方会被当成普通拥堵点。把停留时长放进热点定义之后,同样数量的到达可以对应完全不同的占用:超市的短停和会展的长停,对周边车位的占用时间不一样。要让图10变成停车引导,还得把0到1的热度换成空余车位数,并在另一个月、另一块没有参与调参的区域上检查 KL 是否也下降。只看均方误差从0.0145降到0.0113,还不知道司机会不会因此少绕一圈。
家—休闲—家和工作日往返几乎一样常见,这件事会改变充电站或合乘的默认场景。如果规划仍按“私家车等于早晚通勤”布点,周末那条020链对应的多个休闲地点就没有位置。图4又把许多休闲地点收成一个符号2,所以不能反过来指定某一个商场。下一步需要的是把2拆回具体兴趣点,并报告每个点占020行程的比例;图11现在只有柱子高低,还做不成这张清单。
保险定价若直接使用熵率和油门踏板,会同时用到两件强度不同的证据。低熵率说明日程重复,急加速才可能接近风险事件,但重复本身不是事故。这套字段里没有索赔结果,任何把熵率写成安全分的公式都是另一次研究。日程越规律,住所和工作地越容易被看出来,定价模型还要先规定哪些停留可以被使用、哪些必须留在车主手里。