2016-MobHet: Predicting human mobility using heterogeneous data sources

Paper

发布日期: 2026-10-26

电话与推文记录了不同的人，怎样一起帮助预测去向？

论文名片｜Lucas M. Silveira、Jussara M. de Almeida、Humberto T. Marques-Neto、Carlos Sarraute、Artur Ziviani，MobHet: Predicting human mobility using heterogeneous data sources，Computer Communications，95，54—68，2016。DOI。

一个人在商业区打电话，另一个人在附近发带定位的推文。两条记录既不属于同一个账号，也不是连续轨迹。把它们放到一起，究竟能补充城市的移动规律，还是会把两种不一样的采样方式混在一起？

MobHet 用区域转移图统一这些记录，再比较不同信息对预测的贡献。它给出的答案相当具体：共享区域图能处理不同来源；联系人信息也有帮助，但这两种收益在论文中来自不同实验，不能合并成一个无条件成立的融合故事。

先说结论

模型预测人在离散时间窗内所在的区域，以区域完全命中的比例评分；研究使用 500 米边长网格，并不直接预测道路轨迹或精确坐标。
区域热度、区域间转移频率和联系人共处概率可以共同改善位置预测，但联系人定义过松或过严，表现都会下降。
巴西电话与推文中的身份无法对应，数据融合依靠共享空间图；由于巴西电话记录没有被叫标识，跨来源实验只使用热度和转移频率。
加入第二种来源没有自动超过表现最好的单来源结果。数据如何对齐、是否出现训练中没有见过的区域，都会改变成绩。

两类记录，真的在测同一件事吗？

电话记录把位置关联到通信基站；带定位的推文给出发帖坐标。前者随通话发生，后者随发帖发生，都不能直接代表每个人全天的连续移动。论文先删除只出现一次电话或推文的用户，再把空间统一成网格。

数据	时间和范围	过滤后规模	可提供的信息
MobilePhone-BR	巴西五座大城市，2011—2014 年间 27 份短时采集	874,147 次通话、表内合计 383,742 用户	通话时间与起讫基站，无法推断呼叫双方关系
Twitter-BR	与巴西通话采集对应的地点和时段	974,406 条推文、表内合计 392,848 用户	定位、关注关系和转推互动
MobilePhone-MX	墨西哥，2014 年 3 月 1—31 日	9,882,477 次通话、3,541,580 用户、22,304 基站	增加被叫匿名标识，可估计互动关系

巴西的用户数量是各采集批次的表内汇总，不能直接当作整个时期去重后的城市居民数。Table 2 给出各城市、日期、时段及样本量；Table 1 汇总符号。这些记录描述特定服务的活跃用户，不能自动推广到全部居民。

贝洛奥里藏特基站分布

图 2｜电话位置在城市里由哪些观测点产生？这张单面板地图展示贝洛奥里藏特的基站，橙色天线符号为位置点，底图提供城市道路背景。观测点分布并不均匀；图本身没有给出各点用户量，也不能把每个图标当作一个等面积服务区。来源：原论文 Fig. 2。

墨西哥基站分布

图 3｜另一个国家的数据覆盖在哪里？单面板地图以红色标记展示墨西哥基站。南部和中部标记更密集，但地图密度不是人口密度估计，更不是对每个人的连续追踪。来源：原论文 Fig. 3。

巴西两类数据独立收集，论文不能识别电话用户与推文用户是否为同一个人，建模时将两组身份视为不相交。因此，所谓异构数据融合首先是把不同人的记录投到共同区域，而不是拼出某个个人的完整跨平台生活史。

电话和推文的小时数量

图 4｜同一时段，两类数据的出现频率相同吗？横轴为 2014 年 6 月 29 日里约热内卢的一天内小时，纵轴为记录数；深灰为电话、浅灰为推文。两者均随时间波动，且数量不一致。按小时学习可以减少把不同活动时段混为同一分布的问题，但不能消除平台选择偏差。来源：原论文 Fig. 4。

一张区域图，怎样变成下一时刻的位置概率？

MobHet 将地区作为节点，把相邻时间窗中出现的区域转移作为边。留在同一区域也有自环。所有用户的记录共同形成一张群体图，再从待预测用户的起点在图上模拟，不是为每个人训练一套独立参数。

三个候选线索分别是：区域热度 P，即训练期到访该区域的不同用户数；转移频率 T，即相邻时间窗之间从一个区域去另一个区域的经验频率；联系人共处概率 C，即在一定数量联系人同处某区域时，用户也在该区域的条件概率。C 由训练数据估计后跨用户汇总，因此仍是一种群体统计。

MobHet转移概率计算示例

图 1｜热度和转移频率怎样共同决定下一步？（a）三个区域的热度 p 与边上的转移频率 h，自环代表停留；（b）将目的地区域热度与对应转移频率相乘，得到边权；（c）对同一出发节点的所有出边归一化，得到概率。例如从 r₁ 到 r₃ 为约 0.55，到 r₂ 约 0.31，停留约 0.14。图中的 r₂、r₃ 只有自环可选，归一化后为 1。来源：原论文 Fig. 1。

只结合 T 和 P 的版本叫 MobHet-TP；再加 C，叫 MobHet-TPC。论文还比较只用 C、组合 TC、组合 PC 的变体，用来判断某条信息被移除后会发生什么。所选特征相乘后归一化，构成随机转移概率。

这里还有一个重要假设：电话和推文是稀疏事件。两个已知记录之间的空白，被处理为在两个端点区域各停留一半间隔，并在一个时间窗内完成转移。时间窗内发生又返回的旅行没有被单独恢复。因此，评价位置也依赖这套填补规则，不等同于独立 GPS 真值。

预测的时间边界，怎样避免与未来混淆？

研究使用两种训练测试划分。跨日方案用较早日期的同一小时训练，预测较晚日期相应小时；同日方案则把每小时的前 30 分钟用于训练，后 30 分钟用于测试。两者都遵守训练先于测试，但各自在短时段内假设移动规律大致稳定。

跨日训练和测试

图 5｜过去一天的规律怎样应用于后来一天？上方为训练日的连续一小时区段，下方为后续日期的对应区段，箭头表示用各训练时段学习的规律预测相应测试时段。图用相隔若干周作示意；具体日期配对由正文列出，不能据此假定所有样本都完整覆盖连续数周。来源：原论文 Fig. 5。

同日训练和测试

图 6｜只有一天数据时，怎样前推？上方为各小时前半段的 1,800 秒训练片段，下方为后半段的 1,800 秒测试片段，箭头连接同一小时内的前后半段。这里的半小时是训练或测试周期，区别于内部的 5 或 10 分钟预测时间窗。来源：原论文 Fig. 6。

模拟以用户测试期第一条观测所在区域作为已知起点，再逐窗生成位置。评分分母是测试集中的用户—区域—时刻记录，分子是预测区域正确的记录。每个实验重复 50 次，表格报告平均准确率及 95% 置信区间；这不是说从一个未知位置开始，能连续无误地预测半小时。

对照方法 SMOOTH 和 Leap Graph 原本面向移动建模，本文把它们适配成相同网格和时间评价下的预测器；例如为 Leap Graph 增加自环和权重。因此，结果说明这套实现与设置中的表现，不能直接替代与后来所有预测算法的比较。

联系人有用，为什么不能越多越好？

Twitter 的第一种关系是双方互相关注，第二种关系 ContactStrength 用双方互动次数占某用户全部互动次数的比例来筛选联系人。墨西哥数据以通话互动建立后一种关系。比例的分母随用户而变，所以关系可以有方向性；25% 表示至少四分之一互动集中到该联系人，并不表示四分之一用户被保留。

Table 3 的里约同日、5 分钟窗口示例中，TP 平均准确率为 0.545；TPC 使用互相关注为 0.559，使用 25% 互动阈值为 0.678，50% 为 0.684，后两者统计上相近。墨西哥示例中，TP 为 0.619，TPC 在 25% 阈值时为 0.692。联系人提供了额外预测信息，但关注一个账号，不一定等于能反映移动联系。

门槛也有代价。Table 4 中，里约训练数据满足至少一个联系人的用户，在 25% 阈值下为 400 人，50% 为 392 人，75% 只剩 78 人。阈值太宽松可能引入较弱关系；太严格则削减可学习的样本。Table 5 把最低联系人数 m 从 1 增至 2、3，多数设置下降，但互相关注情形并非每次都单调下降，不能把 m=1 写成普遍规律。

如果测试用户不满足联系人数量条件，TPC 等组合版本会退回不用 C 的对应模型。因而整体准确率还受联系人可用性影响，未来部署时也需要交代联系人信息什么时候能够取得。这些结果说明预测关联，不能证明一个人因为朋友出现而决定移动。

Table 6、7 对时间设置作补充：里约 TPC、25% 阈值同日 5 分钟准确率为 0.678，10 分钟为 0.631；墨西哥对应示例为 0.690 与 0.665。Table 7 的原地停留模型在这些设置中约为 0.21—0.24。更细窗口在本文评分下较好，但这涉及离散化与移动填补，不能推广成所有数据里窗口越细越好。跨日与同日的有限比较没有显著差异，也不等于长期漂移已经解决。

把电话与推文合并，就一定更准确吗？

跨源实验比较两种对齐方式：将推文映射到最近基站；或者把基站位置当作一个点，与推文一起映射到网格。前一种会把推文的精细坐标压到基站位置，后一种保留两类点再统一网格。巴西电话数据缺少联系人，所以这些实验只比较 TP 与两个对照，不运行完整 TPC。

Table 8 的里约示例揭示了融合的代价。TP 只用电话时准确率为 0.799，只用推文为 0.545；把推文映射到电话位置后为 0.744，把电话作为点和推文合并后为 0.531。融合结果并没有超过最好的电话单源结果。前一种对齐下 Leap Graph 为 0.745，TP 为 0.744，数值几乎相同，也不能把所有场景写成 TP 都明显领先。

推文单源较难预测的一个原因，是测试出现更多训练未见区域；区域图没有这些节点，模型便无法预测到它们。这既是一个模型边界，也说明不同采样方式会改变任务难度。

不同城市日期数据上的模型比较

图 7｜上述比较是否只出现在一个里约样本？（a）只用电话，TP 绿圆与 Leap Graph 蓝方通常接近，两者高于 SMOOTH 红三角；（b）只用推文，加入联系人信息的 TPC 星形整体更高，TP 绿圆与 SMOOTH 红三角较接近；（c）电话加推文，并将推文映射到基站，TP 与 Leap Graph 再度接近。三幅横轴均为城市—日期采集批次，纵轴为平均位置预测准确率，误差线表示不确定性；均为同日训练测试、5 分钟时间窗。完整组合图保留三种不同实验，不能将（b）的 TPC 成绩当成（c）的融合成绩。来源：原论文 Fig. 7。

论文汇总 27 个巴西采集批次：电话单源 TP 相对 Leap Graph 平均提高约 6%；推文单源最佳 TPC 相对 Leap Graph 约提高 71%；异构融合 TP 相对 Leap Graph 约提高 4%。这些是相对提升，比较对象和模型版本不同，不能相加，也不是分别增加 6、71、4 个百分点。

MobHet 的贡献因此更接近一套可组合的区域统计框架：它能容纳不同来源，检验热度、转移与联系人的作用。它没有消除平台偏差，没有恢复被事件采样遗漏的全部旅行，也没有证明更多来源永远带来更好的个人预测。

一句话总结

共享区域图可以把电话和推文放进同一套预测框架，联系人也能补充线索，但是否提高准确率，取决于数据对齐、关系门槛和可观测区域，而非数据源数量本身。

核心来源

Lucas M. Silveira, Jussara M. de Almeida, Humberto T. Marques-Neto, Carlos Sarraute, Artur Ziviani. MobHet: Predicting human mobility using heterogeneous data sources. Computer Communications, 95, 54–68, 2016。DOI，出版社书目信息。本文依据论文全文；Fig. 1—7 均为完整原图，Table 1—8 的定义、样本与比较在对应段落说明。