1.概述
文章提出了一种基于拓扑的出行模式分析方法,该方法对数据集的要求较低,扩展性高。
2.数据集
数据的话理论上LBS数据都可以,但是实际上比较适用于知道每一次trip信息的数据,比如车牌识别数据和手机信令数据可能就无法产生那么好的效果,因为这些数据需要先做出行链打断,而且也不像公交站点一样每次OD都比较固定。所以最好的话还是公交刷卡数据,文章使用的数据集包括:公交刷卡数据、共享单车数据、GIS数据。
3.方法论
该研究将一个出行者一天的trip chain作为一个graph,然后利用提出的 temporal motif enumeration algorithm提取出这个出行者这一天的travel motif。直观点说,其实就是预先设定好travel motif的可能的形式,然后遍历这个图,如果符合预设的travel motif的形式,那么就说明这个出行者这一天出行模式中有这个travel motif代表的模式,需要注意的是,一个出行者一天可能有很多个travel motif。比如文章给出的这个例子,这个出行者在这一天就有很多travel motif。然后,根据我的理解,比如设定最多是3条edges,那么预设的travel motif里面有2条edges和3条edges构成的travel motif,但是不包含一条edge构成的travel motif,因为一条作者说了1条edge的travel motif是特殊的一种travel motif,应当是要单独考虑的。 但是对于加粗部分其实我也不是特别确定。因为另一种思路似乎也可行,而且我感觉还更合理一点,那就是如果存在3条edges的travel motif,那么这个人这天2条edges的travel motif就不应该在考虑了,这样我觉得似乎更合理,因为一个人如果有3条edges构成的travel motif,那么显然这个travel motif相较于2条edges构成的travel motif更能代表这个人这天的出行模式,如果再去多加上2条edges构成的travel motif似乎有点重复考虑了这个人的travel motif。不过,我也不是十分确定作者是用哪种方式的。如果大佬碰巧也看了这篇文章可以一起交流下。
作者给出的算法为:
4.结果
之后的话就是作者对各种数据集用这个算法跑了一下,得出了出行模式,并分析了人数占比最多的那几种出行模式。此外的话,作者还给出了两个本算法的实际应用案例:
- 该算法的结果可以帮助土地类型预测模型更加精准;
- 该算法可以 measuring travel motif regularity of transit passengers
5.参考文献
Lei, D. , Chen, X. , Cheng, L. , Zhang, L. , & Witlox, F. . (2020). Inferring temporal motifs for travel pattern analysis using large scale smart card data. Transportation Research Part C Emerging Technologies, 120, 102810.