去过的地方越来越多，为什么生活范围没有一直散开？
论文名片｜Chaoming Song、Tal Koren、Pu Wang、Albert-László Barabási，Modelling the scaling properties of human mobility，Nature Physics，2010，6：818–823，2010 年 9 月 12 日在线发表。DOI · 官方补充材料。
你偶尔会去一家新餐馆、换一条散步路线，甚至去一座新城市。但几个月后回看，大部分活动仍围绕少数常去地点展开。不断发现新地方，与生活反复回到熟悉地点，两件事同时发生。
如果把人当成不断随机跳跃的粒子，长距离移动与长时间停留可以被描述，却不一定解释这种反复回归。这篇论文的关键，是给随机移动补上两个带记忆的选择：探索概率逐渐降低，返回时偏向过去常去的地方。
四点主要发现：
- 仅知道步长和等待时间都是重尾分布，还不足以描述人的移动；不同地点增长、访问排序和扩散速度提供了额外检验。
- 新地点数的增长指数约 0.6，慢于简单连续时间随机游走的预期；常去地点的访问频率明显不均。
- 探索衰减与优先返回模型，不只拟合一条曲线，还把多个统计指数连接起来。
- 它解释长期统计形态，尚不能直接重现准确的逐日日程、路线顺序或个人下一站；预测的长期饱和也未在一年数据中观察到。
三百万人的大数据，为什么还需要一千人的小时记录？
研究使用欧洲移动运营商的两套匿名数据。D1 覆盖 2008 年约三百万用户一年的通信定位；正文主要说通话，补充材料说明还包括短信收发。每次通信记录路由基站，空间精度随基站覆盖变化，城市可为数百米，乡村可达数公里。
D2 是自愿加入位置服务的一千名用户，两周内每小时记录一次最近基站位置，独立于是否打电话。它的作用不只是增加样本，而是帮助处理 D1 的观察偏差：一个人几个小时没有电话，不能据此认定他几个小时都没移动。
补充材料 S2 在 D1 中只比较间隔接近一小时的定位，并检查不同通话频率和一、两小时尺度；等待时间则通过采样概率校正，并与 D2 对照。校正依赖通信活动与停留相关较弱等假设，D2 也只有小时分辨率，二者都不是连续 GPS 真值。
研究得到的位移分布尾部近似为 P(Δr) ∝ Δr⁻⁽¹⁺α⁾，α = 0.55 ± 0.05，约 100 公里附近截断；等待时间近似 P(Δt) ∝ Δt⁻⁽¹⁺β⁾，β = 0.8 ± 0.1，约 17 小时截断。这里的 Δr 是固定观察间隔下的位置变化，Δt 是在同一定位地点的等待；都不能直接等同于完整行程距离与活动持续时间。
连续时间随机游走（continuous-time random walk，CTRW）可以把随机步长与随机等待时间组合起来。重尾符合它的出发点，但能否解释人，还得看其他不被输入分布直接保证的统计量。
哪三种现象，让无记忆随机游走遇到困难？
图 1｜除了长步长与长等待，模型还必须同时解释什么？
（a）不同回转半径组的新地点数 S 随时间 t 增长，横轴小时、双对数，观测约为 t 的 0.6 次方，慢于虚线所示 CTRW 的约 0.8 次方。
（b）按每人访问频率排序的位置，横轴为排名 k，纵轴 fk 为访问频率；不同已访问地点总数的曲线接近 k 的 −1.2 次方。
（c）按回转半径分组并归一化后的均方位移变换量，随时间增长很慢，灰线是 CTRW 对照、橙线是本文理论；插图以新地点数 S 为横轴对照理论。
（d）模型在不同等待指数 β 下的新地点增长，线为解析预期，插图改变探索参数 ρ。
（e）模型的访问排名分布随 γ、ρ 改变；灰色曲线为旧地点等概率返回的对照，失去明显的 Zipf 形态。
（f）模型的均方位移变换量随 S 变化，不同访问排名指数 ζ 对应不同增长形态。来源：原论文 Fig. 1。
第一个异常是探索减慢。S(t) 表示截至 t 去过的不同地点数，而非全部到访次数；一再回家不会增加 S。观测指数 μ = 0.6 ± 0.02，比基于 β 的简单 CTRW 预期更低，说明新地点发现速度不能只由等待时间解释。
第二个异常是访问集中。把一个人的地点按访问次数排队，fk 约按 k⁻ζ 下降，ζ = 1.2 ± 0.1，即 Zipf 定律。它描述排名与频率，不是位移距离的幂律指数，也不是说所有人都有相同的一号地点。
第三个异常是超慢扩散。普通随机游走会不断偏离起点，但人的移动受经常返回少数地点的行为限制。这里的均方位移（mean square displacement，MSD）还经过特定测量：按回转半径分组，从离开最常去地点时对齐起点，且为直接比较理论，只在探索新地点时计入位移。图中纵轴另作 α/2 次幂变换，不能直接当作每小时实际走了多少公里。
三种现象共同约束模型，比只匹配步长分布更严格。但这些仍是群体分组后的统计规律，不能据此判定每个个体的行为完全相同。
两条规则，怎样把新鲜感与熟悉感放进同一个模型？
图 2｜下一步是去新地点，还是回到旧地点？
左侧已有四个地点，圆的大小表示访问频率；右上以 Pnew = ρS⁻γ 探索新地点，S 从 4 变 5，探索距离服从输入的重尾分布；右下以互补概率返回旧地点，并按各地点已有访问频率 fi 选择目标。原图无子图字母。来源：原论文 Fig. 2。
第一条是探索（exploration）。已去地点越多，若 γ > 0，下一步发现新地点的概率越低。ρ 控制探索倾向的水平，γ 控制探索随累积经验衰减的程度。新地点距离从已有的重尾步长分布抽样，方向随机。
第二条是优先返回（preferential return）。决定回旧地点后，选择地点 i 的概率与过去访问它的次数成比例。它不是单纯选最近地点，也没有按真实的家、单位、商场类别分别设规则；历史频率本身就在增强常去地点。
模型因此具有记忆：新地点一旦加入访问史，就可能在以后被重复强化。一个人形成的活动范围可以相对稳定，即使整个群体的活动尺度仍差异很大。
这两条规则，数据真的支持吗？
图 3｜两条机制是否只是为曲线量身定做？
（a）横轴为已经去过的地点数 S，纵轴为标准化新地点增量，双对数下缓慢下降，对应 γ = 0.21 ± 0.02；误差棒为均值标准误。
（b）横轴为过去访问频率 f，纵轴为返回概率 Π，数据接近 Π = f；误差棒同为均值标准误。
（c）用户探索参数 ρ 的概率密度，近似钟形，均值约 0.6。来源：原论文 Fig. 3。
这些检验使用 D2，减少按是否通信决定记录的偏差。结果支持把探索衰减和历史频率强化作为统计建模规则，但并不直接测量人的主观动机，也未排除固定日程、地点功能、家庭工作约束产生相似规律的可能。
补充图 S6 进一步显示，白天与夜间、工作日与周末的返回倾向并不完全相同。把时间汇总后，优先返回是有用的长期近似；如果任务改为预测明天几点去哪里，就需要显式加入节律与顺序。
为什么这不是给每条曲线单独拟合一个指数？
模型把探索次数 n 与新地点数连接起来：每多走一步，新地点增加的平均概率约为 S⁻γ，因此 S ∝ n¹⁄⁽¹⁺γ⁾。再结合重尾等待下的 n ∝ tᵝ，得到 μ = β/(1 + γ)。
对于 γ > 0，优先返回又给出 ζ = 1 + γ，所以得到 β = μζ。这意味着三个经验指数之间不是任意搭配：改变探索衰减，既改变发现地点的速度，也改变常去地点的频率排序。
以独立估计的 β = 0.8 ± 0.1、γ = 0.21 ± 0.02 为输入，论文预测 μ = 0.67 ± 0.07，与经验 0.6 ± 0.02 在所报不确定性范围内相容；预测 ζ = 1.21 ± 0.02，与经验 1.2 ± 0.1 相近。这里是模型和观测的统计一致性，不是没有误差的恒等式。
图 1e 的等概率返回对照尤其重要：即使保留探索，若旧地点都同样可能被选中，Zipf 排序会消失。这把访问不均衡具体连接到优先返回，而不是只说模型“看起来像人”。
模型的 γ = 0 是另一个参数区域，其 ζ = 1 − ρ，不能把 ζ = 1 + γ 无条件套到所有设置。真实数据对应 γ > 0 的区域，ρ 的具体取值会改变探索水平，却不改变该区域主要渐近指数。
不同人的活动范围，为什么仍然相差很大？
图 4｜同一生成机制能否产生很不一样的活动尺度？
（a）不同观察时刻的经验回转半径 rg 分布，横轴公里、双对数，尾部参照斜率约 −1.55。
（b）不同 rg 分组的回转半径随时间变化，用一年末的值归一化；橙线为缓慢增长的视觉参照。
（c）模型产生的 rg 分布，使用 α = 0.75、β = 0.6、γ = 0.2、ρ = 0.1 的示例设置。
（d）同一设置下模型回转半径的时间增长，用模拟终点归一化，绿线为视觉参照。来源：原论文 Fig. 4。
回转半径是位置相对个人活动中心的均方根距离，不是某一次最远出行，也不是轨迹总长。不同人经常移动的范围不同，使全体直接混合平均可能掩盖尺度差异，所以前面的分析按 rg 分组。
模型无需给每人预设一种固定活动半径，也能产生重尾的人群尺度分布。补充材料 S5 将 rg 尾部与输入探索步长尾部的指数联系起来。这说明随机探索和返回历史共同形成异质性，但不意味着现实收入、职业或交通条件无关。
图 4 的模型参数与正文全部经验估计并不逐一相同，它展示的是机制可产生同类形态，不是对每名真实用户进行个体拟合或路线复现。
扩散会饱和吗？一年数据还不能证明
理论区分三种长期区域：ζ < 1 时位移按对数形式极慢增长，ζ = 1 时进一步变成双对数形式；ζ > 1 时模型预期 MSD 最终饱和，频繁返回会限制典型偏离尺度。
经验 ζ 约 1.2 落在预期饱和区域，但研究一年内没有观测到真正饱和。论文外推约 5 年后才可能接近相关尺度，这是一项模型预测，不是五年纵向验证。不能把它翻译成“人类活动范围五年后固定不变”。
图 S5｜超慢增长会不会只是因为地图本来就有限？
（a）经验数据的 MSD 变换量随新地点数 S 变化，曲线为本文模型预测。
（b）限制在 100 × 100 格网内的布朗运动。
（c）同一有限格网内的截断 Lévy 飞行，探索步长有截断；插图展示趋向饱和的过程。三面板保留原组合。来源：原论文补充 Fig. S5。
有限地图确实能让某些随机模型饱和。关键不只是有没有饱和，而是怎样接近：这里两个有限空间对照在饱和前呈不同于经验的幂律关系，本文模型更接近观测到的极慢变缓。补充材料也承认，把有限区域加入本模型可能加快饱和，一年数据不足以完全分离这些长期作用。
因此模型提供的是一组相互一致的机制解释，而非唯一机制的证明。重尾输入存在实际截断，渐近解析关系与有限观测期也要分开理解。
这套模型的边界，决定了它最适合怎样使用
它最适合生成与比较长期活动统计：新地点数怎样增长、常去地点如何排序、活动尺度分布如何形成。若想模拟准确的日程、早晚高峰、路线先后、交通方式或政策后的改变，还要加入更多结构。
作者明确指出现有模型不再现短期时间顺序与相关性：例如 B 位于 A、C 之间时，人可能更倾向 A→B→C，而不是任意排列；24 小时与 7 天节律也未在基本规则里显式编码。
观测地点又是基站而非真实设施，小时级记录会漏掉短活动。模型匹配统计规律不能视为预测到某一个人的精确下一站，也不能把优先返回直接解释成对家庭或工作的心理偏好。
一句话总结
人的移动既探索又反复返回，降低的新地点发现率与按历史频率强化的返回，共同解释了几种长期标度规律；它们还不足以还原具体日程，更没有在一年数据中证明长期活动范围已经饱和。
核心来源
- Nature Physics 正文：图 1–4、模型方程、参数检验、方法与使用边界；本文四张主图均保留完整原组合。
- 官方 Supplementary Information：S1–S7，通信采样校正、解析推导、有限空间对照和日内/周内节律。本文另呈现完整补图 S5。
作者介绍
按论文发表时的署名机构及贡献声明介绍。
- Chaoming Song：美国东北大学复杂网络研究中心、Dana-Farber Cancer Institute 癌症系统生物学中心；共同第一作者，参与设计执行、数值模拟和经验数据分析。
- Tal Koren：同属上述两个中心；共同第一作者，参与设计执行、数值模拟和经验数据分析。
- Pu Wang：同属上述两个中心；共同第一作者，参与经验数据分析。
- Albert-László Barabási：上述两个中心及哈佛医学院 Brigham and Women’s Hospital 医学系；通讯作者，参与研究设计与执行。
延伸思考：相同的统计规律，能否来自不同的日常生活？
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
两个人可能具有相似的访问频率排序：一个每天按固定时间往返家与单位，另一个时刻不规律，但也总回到少数地点。若只看 Zipf 曲线，二者可能相近；若研究拥堵、碰面或暴露机会，差异就很大。
可以让两种生成器匹配同样的 S(t)、fk 和回转半径，再比较日内到访时刻、地点转移顺序与共同在场。若宏观标度相同而后面这些结果不同，就说明标度一致只是模型的一层约束。给模型增加真实行为结构时，应检查增加的结构是否改善任务所需的预测，而不只是让故事更像生活。
