2015-Explaining the power-law distribution of human mobility through transportation modality decomposition


四种交通方式各自更像对数正态,合在一起为什么又像幂律?

论文名片|Kai Zhao、Mirco Musolesi、Pan Hui、Weixiong Rao、Sasu Tarkoma,Explaining the power-law distribution of human mobility through transportation modality decomposition,Scientific Reports,2015,5:9136。DOI:10.1038/srep09136。2014年10月29日收稿,2015年2月9日接收,2015年3月16日发表。

一个人从城区一侧出发,先坐出租车,下车走一小段,再进地铁;办完事,又坐出租车回到原点。短的几段多半是步行,长的几段多半是地铁或一开始那段出租车。若把许多人、许多方式的直线位移合在一起,短的很多、长的很少,长度分布会拖出一条重尾。以往用钞票、手机和 GPS 看到的人类移动性(human mobility,人在空间中的移动,这里指日常出行中的位移,不是人口迁移)常被说成莱维飞行(Lévy flight):跳跃长度服从幂律。这篇论文也使用莱维游走(Lévy walk)这个说法。它真正测量的是直飞段长度,再问这条幂律是不是由不同交通方式叠出来的。

直飞段(flight)是方向基本不变的最长直线位移。从起点到终点的一次行程可以含有好几段。定位精度写的是 3 米;他们先把约一分钟内的坐标取平均,并允许中间点偏离两端点连线不超过 10 米,从而把小曲折并进同一段。下面所有分布都建立在这个长度定义上。

完整原论文图1,北京附近一日出租车、步行与地铁轨迹

图 1|一天之内,出租车、步行和地铁的位移是不是同一种长短?

无字母子图。横轴经度、纵轴纬度,单位为度,大约覆盖东经 116.42–116.50、北纬 39.92–40.00,落在北京。红线是出租车,蓝线是步行,黄线是地铁。出租车占了右侧较长的一条弯曲线,地铁是一条斜穿的长线,步行只有短短几截。图注称这是一条合成的一日轨迹,用来展示三种方式的长度差得很明显。它本身只是示意,不能代替后面的分布拟合。来源:原论文 Fig. 1。

方向性结论:在两套带交通方式标签的 GPS 里,不分方式时,直飞段长度更接近带指数截断的幂律;步行/跑步、自行车、小汽车/公交/出租车、地铁/火车分开之后,各自更接近对数正态。作者用两件经验事实把二者接起来:同一方式内相邻两段长度正相关,各方式上的停留时间呈指数分布。若干对数正态再按指数时间混合,数学上可以给出幂律。代回参数后的指数,和直接拟合的指数很接近。混合分布能够复现总体形状。这组结果还不说明人们为了制造幂律而去选择交通工具。

先说结论

  • 不分方式时,Geolife 的 202,702 段拟合为截断幂律,指数 α=1.57、截断参数 c=0.00025;Nokia MDC 的 224,723 段为 α=1.39、c=0.00016。相对对数正态的对数似然比分别为 1279.98 和 3279.82(p<0.01)。图上两条曲线仍然贴得很近。
  • 四种方式各自更符合对数正态。对数长度的均值 μ 从步行到地铁上升。Geolife 里地铁 μ=7.27,路面机动车 μ=5.78;Nokia 里这两类几乎挨着,分别是 6.93 和 6.89。
  • 同一方式内,相邻直飞段长度的皮尔逊相关系数落在 0.3640 到 0.6445(p<0.01)。变化率本身在相邻间隔之间只有 0.03 到 0.13 的相关(p<0.05)。
  • 作者把各方式停留时间描述为指数分布。Geolife 里,连接其他方式的步行直飞段中,87.93% 的距离在 500 米以内,并且行程时间在 5 分钟以内。混合公式给出 α′=1.55 和 1.40,对应直接拟合的 1.57 和 1.39。
  • 北京 433,391 条道路的长度分布指数为 3.4,大于两套直飞段的 1.57 和 1.39。路段更薄的尾巴解释不了直飞段里那些更长的位移。

统计的是带方式标签的直飞段

两套数据都是志愿者 GPS,带有交通方式。Geolife 主要在北京,也包含其他城市的游览和步行;Nokia MDC 的表 1 写日内瓦,正文写莱芒湖地区。方式分成四类:步行/跑步、自行车、小汽车/公交/出租车、地铁/火车。表 2 把第三类写成 Car/Bus/Taxi,正文常写成 Car/Taxi/Bus,指的是同一组,没有再拆开小汽车、公交和出租车。作者认为这四类覆盖最常用的情形;正文没有给出每类占全部直飞段的比例。

Geolife 的方式由参与者自己记录,论文把记录当作实际采用的方式。自我记录可能记错,正文没有报告核对比例。

Geolife Nokia MDC
GPS 样本数 24,876,978 11,077,061
时段 2007年4月–2012年8月,约5年 2009年9月–2011年4月,约1.5年
采样间隔 1–5秒 10秒
标称精度 3米 3米
参与者 182人 200人
带方式标签的直飞段 202,702 224,723

摘要里的大约 2000 万和 1000 万,是对表中样本数的约数。Geolife 还给出全部轨迹合计 1,292,951 公里、50,176 小时。这是数据集总里程和总时长,论文没有把它说成那 202,702 段直飞段的长度之和。分析单位是段,同一名参与者可以贡献很多段;论文没有报告每人段数的分布,因此不能把段的分布读成“一个典型居民的一天”。

合在一起时,截断幂律比另外三条曲线更受支持

不分方式时,候选分布有四条:截断幂律、对数正态、不截断的幂律、指数分布。截断幂律写成 P(l) ∝ l−α e−cl。前面的幂让短段很多、长段变少,后面的指数项在更长的距离上把尾巴压下去。幂律的拟合下界用各候选起点的柯尔莫哥洛夫–斯米尔诺夫距离挑选,正文没有列出选中的下界。长尾用对数分箱减弱末端噪声。分布之间用赤池权重比较:它把赤池信息量的差距归一化到 0 和 1 之间,越大表示在这组候选里相对越受支持,不是分类正确率。

作者把截断幂律视为不分方式时的最佳拟合,并写相应幂律分布的赤池权重在两套数据里都是 1.0000,p 值小于 0.01。表 2 把总体和每种方式的 p 都印成 0.00。因为截断幂律和对数正态都是这个数,单靠这一列分不出谁更好。作者另外用对数似然比比较截断幂律和对数正态:比为正,表示数据更倾向截断幂律。Geolife 为 1279.98,Nokia MDC 为 3279.82,显著性都标为 p<0.01。似然比是整批直飞段累加的结果。段数分别是 202,702 和 224,723,所以图上很小的分离也可以累加成很大的比值。作者自己也写,图 2 里各曲线的差别并不醒目,截断幂律和对数正态尤其接近。

完整原论文图2,不分方式的直飞段长度分布

图 2|不分交通方式时,哪条曲线更贴直飞段长度?

(a)Geolife,(b)Nokia MDC。横轴是直飞段长度,单位米,对数坐标,大约从 102 米到 104 米;纵轴是概率密度 p(X),对数坐标。正文的长度符号是 l,图上写成 X。绿点是样本,红色实线是截断幂律,紫色虚线是对数正态,青色虚线是指数分布,品红色虚线是不截断的幂律。赤池权重选中的是红色实线。它和紫色虚线在中段几乎叠在一起;青色虚线到了长距离下降更快;品红色虚线更直,Geolife 最右侧的点落到它下方。来源:原论文 Fig. 2。

若长度以米计,c=0.00025 和 0.00016 对应的尺度 1/c 分别为 4000 米和 6250 米。这是按 e−cl 做的换算,论文没有把这两个长度写成结论。α=1.57 与 1.39 只说明在各自的拟合区间里,密度随长度下降的陡峭程度;作者认为它们接近先前研究,正文没有重列那些研究的指数。

拆开四种方式以后,样本弯成对数正态

同一批直飞段按方式分开后,幂律不再是更好的拟合。作者报告每一类都由对数正态描述得更好,参数随方式变化。对数正态密度是

P(l) = 1 / (l σ √(2π)) × exp( −(ln l − μ)2 / (2σ2) )。

这里 μ 和 σ 是 ln(l) 的均值和标准差,不是平均米数。μ 越大,分布中心在对数尺度上越靠右。

数据 方式 拟合分布 参数
Geolife 全部方式 截断幂律 α=1.57,c=0.00025
Geolife 步行/跑步 对数正态 μ=4.08,σ=0.76
Geolife 自行车 对数正态 μ=5.03,σ=0.68
Geolife 小汽车/公交/出租车 对数正态 μ=5.78,σ=1.04
Geolife 地铁/火车 对数正态 μ=7.27,σ=0.51
Nokia MDC 全部方式 截断幂律 α=1.39,c=0.00016
Nokia MDC 步行/跑步 对数正态 μ=4.58,σ=1.09
Nokia MDC 自行车 对数正态 μ=5.80,σ=1.08
Nokia MDC 小汽车/公交/出租车 对数正态 μ=6.89,σ=0.91
Nokia MDC 地铁/火车 对数正态 μ=6.93,σ=0.94

表中 p 一律印成 0.00,表注解释为小于 0.01。μ 的顺序在两套数据里都是步行、自行车、路面机动车、地铁/火车。Geolife 地铁与路面机动车相差 1.49;Nokia 只相差 0.04。因此“地铁把人送到更远的地方”在北京这套参数里很清楚,在莱芒湖这套参数里,地铁/火车和路面机动车的对数中心几乎相同。Geolife 地铁的 σ=0.51,是该数据集四种方式里最小的,分布更窄;更靠右主要来自更大的 μ。

完整原论文图3,Geolife四种交通方式的直飞段分布

图 3|Geolife 里,每种方式单独看还像一条幂律吗?

(a)小汽车/出租车/公交,(b)步行/跑步,(c)地铁/火车,(d)自行车。绿点是该方式的直飞段,蓝色实线是对数正态,青色、红色、品红色虚线依次为指数、截断幂律和纯幂律。横轴仍是米、对数坐标:步行大约画到 103 米,路面机动车和地铁/火车大约画到 104 米。蓝色实线跟着样本先缓后弯;纯幂律太直,指数在长段掉得更陡。地铁的点主要落在更长的距离上。这张图只有 Geolife;Nokia 的单方式参数见表,曲线不在这张图里。来源:原论文 Fig. 3。

这组结果和只看出租车 GPS 的研究不同。那些研究发现出租车位移更接近指数衰减,下降更快。作者的解释是,很少有人愿意为很长的路程付出租车费,所以纯出租车样本的尾巴更薄;本文的路面机动车还包含小汽车和公交。本文没有把三类再分开拟合,这组对数正态因此沿用不到只含出租车的研究上。

相邻两段靠得近,对数正态从哪里来?

对数正态若要成为机制而不只是一条拟合曲线,需要说明长度为什么会变成对数之后的正态。作者看的是同一方式、同一段连续行程里的相邻直飞段。变化率 ct 定义为下一段相对上一段的增减:(lt+1 − lt) / lt。于是下一段长度等于上一段乘以(1+变化率)。把一段行程里的变化率加起来,近似等于末段与初段长度之比的自然对数。

若每次变化率都不大,相邻两段就会落在长度相近的位置。图 4 用点的密度看这件事。皮尔逊相关系数 r 衡量线性相关的强弱,1 为完全同向,0 为无线性相关。正文给出的 r 全部为正,范围是 0.3640 到 0.6445,p<0.01。0.36 表示中等程度的同向关系,0.64 更强,相邻段倾向于长度相近。正文没有按方式列出每一个系数。

完整原论文图4,Geolife四种方式相邻直飞段的长度相关

图 4|同一种方式里,下一段长度是否靠近上一段?

(a)小汽车/出租车/公交,(b)步行/跑步,(c)地铁/火车,(d)自行车,都来自 Geolife。横轴是下一段长度 lt+1,纵轴是上一段长度 lt,单位米。颜色从蓝到红表示密度升高;四个色标上限约为 2.8、3.6、2.4 和 2.7,图中没有写出色标单位。青色对角线表示两段一样长。高密度贴着对角线的较短一侧。(a)大约覆盖到 8000–9000 米,(b)和(d)大约覆盖到 2500 米以上一点,(c)大约从 1000 米覆盖到 9000 米。四个子图坐标范围不同,点云的视觉宽度要回到各自的米制刻度上读。地铁图窗从约 1000 米起,更短的段不在这个图窗里。来源:原论文 Fig. 4。

长度相关只说明相邻段差不多长。作者接着看变化率自己是否一波接一波。正文写,变化率在相邻时间间隔之间的皮尔逊相关为 0.03–0.13,p<0.05。样本很大时,这么小的系数也可以显著偏离 0,数值本身仍然很弱。作者把它理解为近乎互不相关的波动。按中心极限定理,一段时间内变化率之和近似正态,均值和方差与经过的时间成正比,于是 ln(l) 近似正态,l 成为对数正态。这一步是在相关很弱的前提下做的推导。图 3 的拟合是直接证据;图 4 支持“相邻段相近”,推导才把相近解释成对数正态的生成过程。

指数型的停留时间,怎样把几条对数正态拼成幂律?

停留时间在本文里指连续使用某一种交通方式的时长。图 1 那种出租车、步行、地铁、步行、出租车、步行的衔接,会留下六段停留。作者报告,这些停留时间在不同方式之间呈指数分布,并认为主要原因是步行常常只做接驳,时长远短于其他方式。正文给出的数量是:在 Geolife 里,连接其他交通方式的步行直飞段中,87.93% 的距离在 500 米以内,并且行程时间在 5 分钟以内。这个百分比的分母是接驳其他方式的步行直飞段;全部步行段和全部 202,702 段都不是这个分母。Nokia 没有给出对应百分比。

已有概率结果说明,若一个对数正态的均值和方差随时间成正比,再用指数分布去混合这段时间,总体可以变成幂律。本文把指数率记为 λ,混合后的指数写成

α′ = 1 − μ/σ2 + √(μ2 + 2λσ2) / σ2。

作者说,把表 2 的参数代入后,Geolife 得到 α′=1.55,直接拟合是 1.57;Nokia 得到 α′=1.40,直接拟合是 1.39。两边分别相差 0.02 和 0.01。核对的是幂律指数这一项。经验拟合还带 e−cl,混合后写出的解析式是不带这项的幂律;作者仍把混合结果称为截断幂律。截断参数 c 来自前面的直接拟合,不是这条解析式单独给出的。

表 2 有四套 μ、σ,公式只接受一套,λ 也不在表里。正文没有写出合成时用的那一组 μ、σ、λ。1.55 对 1.57、1.40 对 1.39 是作者报告的核对,读者无法只凭正文把四种方式重算一遍。它表明混合机制和观测指数相容,还不足以证明这是唯一能产生该指数的过程。

道路本身的长短,解释不了这条更重的尾巴

另一种常见解释是:人沿着路网走,路段长度已经是重尾,所以位移也是重尾。作者用北京路网检验这一点,共 433,391 条道路、171,504 个交叉口。道路长度分布的幂律指数为 3.4。幂律指数越大,长距离下降越快,所以路段的尾巴薄于 Geolife 直飞段的 α=1.57,也薄于 Nokia 的 α=1.39。

比较的是两类对象。路段是地图上的一段路,直飞段是人在方向改变之前的直线位移。人并不是到了每个交叉口都转弯;地铁和火车的长位移也不在道路长度里面。因此路网几何没有复现直飞段的重尾。这个比较用的是北京路网,没有对莱芒湖地区做同样的道路统计。它削弱了“只靠街道长短就得到这条幂律”的说法,并没有单独证明交通方式混合是唯一原因。

这条解释停在哪里

样本是 182 名和 200 名志愿者,时间、城市和记录方式都不同。Geolife 含有北京以外的活动,方式又靠自己填写。结论适合描述这两套带标签轨迹里的直飞段,不能直接换成一座城市全体居民的出行次数。

段与段不独立,总体分布是把所有段堆在一起。拟合更好表示在赤池权重和似然比下更受支持;二十万段的量级会把图上不大的差别放大。对数正态到幂律的那一步,还依赖变化率弱相关、停留时间为指数、以及一套没有在正文展开的参数合成。Nokia 的地铁和路面机动车 μ 几乎相同,但总体 α 更小、尾巴更重,所以“长尾巴主要来自地铁”不能从北京的 μ 差距直接搬到另一座城市。

小汽车、公交和出租车合成一类之后,类内仍可能混着不同的长度规律。与纯出租车指数衰减的差异,本文给出的是经济考虑这一解释,没有做分组检验。

一句话总结

步行、骑车、路面机动车和轨道交通各自的直飞段更像对数正态;按指数型停留时间混在一起之后,总体长度才接近一条截断幂律。幂律描述的是混合之后的段长分布;某一种交通工具自己的直飞段,在本文中更接近对数正态。

核心来源

作者介绍

  • Kai Zhao:第一作者。论文署名为赫尔辛基大学计算机系和赫尔辛基信息技术研究所(HIIT)。系里的报道称他当时是博士生;作者贡献写明,最初的想法由他和 Tarkoma 提出,实验、统计和作图由他完成。
  • Mirco Musolesi:署名为伯明翰大学计算机学院。参与研究设计,指导实验,并参与写作。
  • Pan Hui:署名为香港科技大学计算机科学及工程学系。参与研究设计,指导实验,并参与写作。
  • Weixiong Rao:署名为同济大学软件学院。参与研究设计,指导实验,并参与写作。
  • Sasu Tarkoma:通讯作者之一,署名为赫尔辛基大学计算机系和 HIIT。系里的报道称这项研究由他带领;大学研究门户列他为计算机科学教授,研究方向包括互联网技术、分布式系统和移动计算。他与 Zhao 一起做统计分析并准备图。五位作者都参与了写作和审阅。

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。

如果幂律指数真由几种对数正态的混合决定,那么改变方式的数量份额,总体指数就会变,即使每种方式自己的 μ、σ 不变。本文没有报告四类各有多少段、占多少时间,所以还不能把 1.57 或 1.39 拆成“步行占几成、地铁占几成”。一个可检验的情形是:同一座城市、同一套 10 米直飞段定义下,新开一条地铁之后,原来由公交完成的几公里位移有多少被轨道上的更长直飞段替代。混合账户预测总体尾巴会变重;若只是把同样的位移从一种标签改到另一种标签,而直飞段长度分布不动,指数就不应明显变化。

另一处值得拆开的是路面机动车。出租车研究里的指数衰减只覆盖出租车,本文的对数正态把小汽车、公交和出租车合在一类。若分开之后出租车仍是指数、另外两类仍是对数正态,那么单一方式上的对数正态就还是一种混合,混合发生在这一个标签内部。Nokia 已经给出一个反例方向:地铁与路面机动车的 μ 只差 0.04,总体尾巴却比 Geolife 更重。长尾巴是否来自轨道,要用方式份额和各方式的段长一起算,不能只看哪一种方式的名字听起来更远。


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