2019-From individual to collective behaviours: exploring population heterogeneity of human mobility based on social media data

Paper

发布日期: 2026-10-26

走得远的人，也可能总在回到同几个地方

论文名片｜Yuan Liao、Sonia Yeh、Gustavo S. Jeuken，From individual to collective behaviours: exploring population heterogeneity of human mobility based on social media data，EPJ Data Science，2019，8:34。DOI。

想象两个人都经常跨国出行。一位在几个熟悉的城市之间往返，另一位每次都去不同地方。若只比较移动距离，两人可能十分相似；若要判断活动范围怎样扩大、少数地点占据多少日常生活，两人的差别就会显现。

这篇论文把这样的区别放进长期地理标记推文中：既考察活动的地理跨度，也考察地点之间的连接和反复访问。结果得到四种行为分组，显示一个平均人的移动规律可能混合了不同的空间活动方式。

先说结论

地理跨度与地点重复访问需要分开看。在这份活跃 Twitter 用户样本中，两组地理类别与两组网络类别交叉，形成局部返回者、局部探索者、全球返回者和全球探索者。
局部探索者占样本的 78.0%，全球返回者只有 0.3%。这些是经过筛选的社交媒体用户比例，不能当作瑞典人口比例。
随机删掉一半地理标记后，约四分之一用户改变分组。分类保留了部分总体结构，同时对观测稀疏程度仍然敏感。
推文与出行调查的国内距离分布有相近部分，但长距离、跨境出行和居住地覆盖存在偏差；分布近似不等于每个人的实际行程都被完整记录。

为什么既需要长期记录，也需要出行调查？

只收集瑞典境内的位置，容易漏掉一个人离境后的活动。只调查一天，又很难知道这一天属于其长期生活中的什么阶段。研究因此从个人历史推文入手，在获取历史时间线时不再施加地理边界，再用出行调查检查汇总结果。

最初的候选人为 2015 年 12 月 20 日至 2016 年 6 月 20 日瑞典范围内地理标记最活跃的 5,000 个非商业 Twitter 用户。研究获取他们的历史时间线，每人受接口最多 3,200 条推文限制。这里的“不设地理边界”是历史记录提取方式，并不意味着最初抽样与瑞典无关。

筛选要求记录跨度超过一年、平均每天地理标记推文超过 0.1 条或总数超过 50 条，且最常出现地点位于瑞典。方法部分报告最终 2,926 名用户、652,945 条地理标记推文，平均覆盖约 3.6 年。论文摘要和部分前文另写 2,933 人；此处采用明确说明筛选结果的方法口径，不把两种人数混为同一精确样本数。接口上限还意味着发推更多的人，历史覆盖时间可能更短。

对照来自瑞典全国出行调查的 2011—2014 年数据，包括 31,457 份一天出行日记，以及长期调查部分的 9,024 次长距离或国际行程。两种来源并非同一批人、同一时期的逐人配对记录，因此可以比较总体分布，不能据此计算每条 Twitter 轨迹的恢复准确率。

研究框架

图 1｜怎样把个人差异与群体移动联系起来？

原图没有面板字母。上方绿色区域从个人轨迹提取特征、分类并做删点检验；下方粉色区域将分组后的行程汇总，比较距离、时间与回转半径变化。调查数据通过虚线提供对照，而非为每位用户提供完整真实轨迹。来源：原论文 Fig. 1。

这里的一次移动，是同一用户两条连续地理标记推文之间的位移，要求距离超过 10 米、时间间隔超过 10 分钟。距离采用两点之间的地理距离，不是沿真实交通路线累计的里程。两条推文间的等待时间，也不等于在某地停留了多久：用户可能已完成多次活动，只是没有发推。

在分类之前，先看数据把谁、把什么记录得更多

推文显示的活动联系确实延伸到瑞典之外。但有跨国联系，并不自动保证日常出行都被同样充分地观察。

记录的空间与时间特征

图 2｜地理标记捕捉到了哪些活动？

（A）全球起讫联系图显示跨国活动；（B）瑞典范围内的联系更细密，地图展示时用空间聚类合并邻近点；线连接记录之间的位置，不代表真实交通路线。

（C）一周内发推时段的热度不同，暖色表示更多记录。（D）不同地点数占记录数的比例在用户间差别较大；横轴接近 1 表示位置重复较少，不能解释成记录完整度接近 100%。

（E）推断的家与工作地点分为上下两幅，比较工作日、周末的小时分布；蓝色来自 Twitter，黑色为调查对应活动。部分时段形状相似，也有明显差别。家与工作是根据高频地点和时间模式推断，并非逐人核实的地址。来源：原论文 Fig. 2。

居住地覆盖还能检验另一类偏差：就算每位用户都被记录得很好，样本本身也可能聚集在少数地区。

居住地代表性

图 3｜样本的居住地构成接近总体吗？

（A）各郡 Twitter 推断居住地占比减去人口普查占比；（B）改为减去出行调查占比。红色表示 Twitter 样本占比更高，蓝色更低，读数是占比差。斯德哥尔摩在两种对照中均偏高；相较调查，马尔默所在地区也偏高，哥德堡所在的西约塔兰偏低。调查自身有抽样设计，两个对照回答的是不同的覆盖问题。来源：原论文 Fig. 3。

这些结果分别触及人口偏差和行为记录偏差。前者问谁进入样本，后者问进入样本后哪些活动更容易被发到平台上。增加同一批活跃用户的记录数，不能自动消除前一种偏差。

同样的长距离，为什么还要区分返回与探索？

论文用两组特征描述每位用户。地理特征包括回转半径、对数距离的离散程度和平均对数距离：它们分别描述地点整体的空间散布、移动距离有多不均匀，以及典型距离尺度。对数距离指标不是未经变换的平均公里数。

网络特征把访问地点作为节点，将轨迹中相邻访问连起来，再描述地点的访问频次、局部聚集程度，以及最常访问地点占全部访问的比例。论文中的部分“度”与访问频次相关，不能直接理解为一个地点连接多少个不同邻居。

两个特征组分别进行层次聚类：先将特征缩放到可比较范围，再用平方欧氏距离与 Ward 方法合并用户。地理维度区分局部与全球，网络维度区分返回与探索；二者交叉形成四组。轮廓系数超过 0.5，支持这组数据内部存在一定分离，但没有外部真实标签来证明世界上恰好只有四种人。

聚类特征与分离

图 4｜两条分类轴分别根据什么形成？

（A）上下树状图分别使用地理特征与网络特征，纵轴为合并距离，分割产生各自两类。（B）上排比较全球、局部和全部用户的地理特征，下排比较探索者、返回者和全部用户的网络特征；二维密度与边缘分布展示类别位置与重叠。边缘曲线高度还考虑各类人数，不能把更高曲线直接当成该组更稳定。来源：原论文 Fig. 4。

表 2 给出六个指标的操作定义，表 3 汇总四组。为了让“返回”具有可比较含义，可以看最常访问地点的记录占比：局部返回者为 0.38，全球返回者为 0.41；两个探索组分别为 0.21 和 0.22。返回者并不一定不去新地点，而是记录更集中于反复访问的地方。

组别	用户占比	两端均在瑞典的移动	跨瑞典边界的移动	两端均在瑞典外的移动
局部返回者	14.4%	81.3%	7.0%	11.7%
局部探索者	78.0%	88.4%	5.0%	6.6%
全球返回者	0.3%	45.9%	10.0%	44.1%
全球探索者	7.3%	39.6%	12.1%	48.3%

表中用户占比的分母是筛选后的用户，后三列的分母分别是各组记录到的移动。全球组大量记录发生在瑞典之外，说明跟踪个人境外历史有助于避免仅用境内片段描述他们。不过，全球返回者仅占 0.3%，小组均值容易受少数人影响，不能把它与大组视为同等可靠。

四个代表用户的地点网络

图 5｜四种类别在个人网络上是什么样子？

原图没有字母，四幅依次为左上局部返回者、右上局部探索者、左下全球返回者、右下全球探索者。节点表示地点，节点越大表示访问越频繁；返回者更容易围绕显著中心形成网络，探索者更分散或呈链状。每幅只是一位代表用户，节点采用网络布局，位置和线长不表示真实经纬度或移动距离。来源：原论文 Fig. 5。

返回与探索两类的发推频率也有差异：局部返回者平均每天 0.55 条地理标记，局部探索者为 0.28；全球返回者为 1.57，全球探索者为 0.29。这既可能伴随行为区别，也提示测量过程可能参与塑造类别。组间总体检验显著，不意味着每一对类别的每个指标都显著不同；例如两种返回组之间的返回率与发推频率差别并未达到显著。

各组居住地分布

图 6｜不同组别是否在不同地区更常出现？

四幅从左至右分别为局部返回者、局部探索者、全球返回者和全球探索者。颜色比较每组的郡级居住地构成与全部 Twitter 样本的居住地构成，红色为相对偏高、蓝色为偏低。局部返回者在斯德哥尔摩和马尔默所在地区较集中；全球返回者样本很少，地图接近白色不能证明其地理分布完全均匀。这张图的基线是 Twitter 样本，不是人口普查。来源：原论文 Fig. 6。

少发一半推文，会不会成为另一类人？

检验记录频率的一个直接办法，是保持用户不变，随机删去其一半位置记录，再重新提取特征和分类。这样可以观察类别对一种缺失方式的敏感性。

结果约有 25% 的用户改变类别，主要变化之一是局部探索者转向局部返回者或全球探索者。因此，这个检验更适合支持“部分结构保留”，不宜写成分类不受发推频率影响。

随机删点后的分组

图 7｜记录减少后，类别有多稳定？

（A）左到右连接原分类与删去 50% 记录后的分类，带宽表示人数；多数保留，也有不可忽略的转移。GE、GR、LE、LR 分别对应全球探索、全球返回、局部探索、局部返回。

（B）横轴为每天地理标记条数，纵轴为累积分布，返回组整体发推更频繁；全球返回组的阶梯明显，也反映其样本少。（C）改变与未改变类别两组的发推频率分布相近，说明改变没有简单集中在低频用户中。这不等于排除了所有采样偏差：随机删点没有模拟只在旅游时发推、只在特定地点发推等选择性缺失。来源：原论文 Fig. 7。

把四组重新汇总，还能看见出行调查中的规律吗？

原始 Twitter 位移包含间隔很长的两次发推，不能直接对比一天的出行日记。为接近调查口径，国内比较将最小距离设为 1 公里、时间范围限制为 24 小时，排除了此前 Twitter 移动中的 24.8%。这是改变比较对象，不能把剔除后的相似性反过来理解为原始记录无偏。

与调查比较距离分布

图 8｜距离分布的相似与偏差分别在哪里？

（A）国内一天范围内的移动，横轴为公里，纵轴为距离超过给定值的概率，双轴采用对数尺度。黑线为调查，其余为 Twitter 总体与四组。大部分移动的分布接近，Twitter 的部分长距离尾部更重；图中距离中位数为调查 8.00 公里、Twitter 6.48 公里，尾部更重不意味着所有位置统计量都更大。

（B）国际移动对应调查的 60 天长距离部分，图中中位数分别为 1,162.00 与 1,280.95 公里；不同组的长距离尾部仍有差别。来源：原论文 Fig. 8。

论文说国内超过 90% 的调查行程距离能得到较好近似，指的是分布的主要部分，并非“恢复了 90% 的真实行程”。在可比口径下，调查中仅 0.4% 的移动为国际行程，Twitter 为 3.6%；总距离形状相似，仍可能伴随出行类型构成明显不同。

等待两次发推的时间越长，观测到的两点距离总体越大，但每隔约一天又出现回落。作者将这种模式解释为向外扩散与周期性返回叠加。数据展示的是关联，不能单独判定某一次回落来自回家，也不能把较长发推间隔直接当作更长旅行时间。

距离与发推间隔

图 9｜多等一天，记录到的距离怎样变化？

（A）全部用户，横轴为两次地理标记之间的等待时间，纵轴为移动距离；七天中总体上升与日周期回落同时出现。（B）局部返回者和局部探索者的距离尺度较小、变化较接近。（C）全球组的尺度更大，全球返回者曲线波动尤其强。各面板纵轴范围不同，不能只凭折线高度横向比较。来源：原论文 Fig. 9。

人群平均的活动范围，会掩盖谁不断走向更远处？

研究还观察每个人在 90 天内的回转半径如何扩大。回转半径（radius of gyration）描述累计活动地点围绕空间中心的散布程度；它既不是当天行程长度，也不是从家出发能到达的最远距离。

每位用户以首次观察到其最常访问地点为起点，至少要有十个可计算的半径值，再将各自序列统一为 50 个时间点。较短序列使用近邻插值，较长序列随机降采样，最终包含 2,303 名有效用户。曲线因此是经过对齐与重采样的组均值，不能看作原样连续 GPS 观测。

活动范围增长与高频地点

图 10｜空间范围增长与反复访问怎样同时存在？

（A）横轴为起点后的小时数，纵轴为回转半径。全球组的空间尺度明显更大；局部返回组较早趋于平缓，探索组继续扩大的趋势更明显。黑线为随时间平方根增长的随机游走参照，不是证明用户真实遵循随机游走机制的检验。

（B）横轴为按访问频次排序的前若干地点，纵轴为累计地理标记占比。返回者的曲线更早上升，说明少数地点占据更多记录；阴影是第 25—75 百分位范围，并非均值的置信区间。图只展示前 100 个地点，末端不到 1 不代表概率计算缺失。来源：原论文 Fig. 10。

这些结果让“移动范围大”与“地点集中”成为可以并存的特征。一个人能在空间上活动很广，同时把很多记录集中在少数据点；另一个人也能主要生活在本地区，却不断访问更多不同地点。将他们混在一起，单条总体曲线就可能掩盖不同的增长与返回过程。

不过，这仍是对地理标记活动的观察性分类。论文没有掌握完备的社会人口属性，没有验证四类对应固定职业或性格，也没有实际运行疫情模型来证明分组一定提高传播预测。作者提出的需求预测和传播建模意义，应理解为待检验的应用方向。

一句话总结

把活动范围与地点重复访问分开，能从长期社交媒体轨迹中看见不同的移动方式；这些方式的样本比例与稳定程度，都必须连同平台采样偏差一起理解。

核心来源

Liao, Y., Yeh, S. & Jeuken, G. S. (2019). From individual to collective behaviours: exploring population heterogeneity of human mobility based on social media data. EPJ Data Science 8, 34。论文与 DOI。本文十张图均来自该论文对应原图，表格数据据其 Table 3。Table 1 回顾既有研究的数据时间、空间尺度与分析视角；Table 2 定义本文六项分类特征。论文说明原始个人数据因隐私保护不公开。