Revealing latent characteristics of mobility networks with coarsegraining

1.文章概述

文章主要是借助出租车数据对城市出行网络进行分析，包括以下几块：1.对城市出行流进行分类，进而对各种出行流进行了一些描述性统计的分析；2.对各种出行流的模式做了分析，这里模式分析主要采用的方法是得到各种出行流OD距离和方向，然后对每小时的OD流和方向做了离散傅里叶变换（DFT）分析，分析各种出行流的OD流距离和方向的周期性。
文章的方法论上的创新主要是使用DFT分析了出行模式的规律性，其他的分析内容相对较为直观，针对傅里叶变换以及DFT主要可以参考傅里叶变换科普1，傅里叶变换科普2，傅里叶变换公式推导，DFT科普，DFT应用介绍。

2.方法论

2.1 OD聚类

文章第一部分首先对起讫点进行聚类划分。实现这一部分的方法论为：

1. 对城市进行1km*1km的栅格化划分，然后统计每个栅格中起点和讫点的trip的数量，生成一个OD矩阵，行的sum就是该栅格作为起点的trip数量，列的sum就是该栅格作为讫点的trip数量。
2. 可以人为设定一个阈值，将起点划分为hotspot和non hotspot，类似的，将终点也划分为hotspot和non hotspot。这是最为简单的处理方式，作者提出可以使用聚类的手段，自动确定这个阈值，详见第三步。
3. 通过聚类的方式得到一个阈值，将起点和讫点分别划分为hotspot和non hotspot。该聚类方法的优化目标为下式，比较容易理解，其实就是使得这个阈值的划分使得hotspot和non hotspot的区分度最大。
   

2.2 Repeating patterns in fow displacement（模式分析）

这部分可以说是这篇论文的核心了，这部分分析主要是通过下列方式进行：

1. 计算各个流，HH,HN,NH,NN，也就是hotspot->hotspot,hotspot->nonhotspot等等，计算这些流的两个指标，这两个指标计算如下列步骤所述。
2. 首先定义每个流的overall displacement vector for each flow type f如下式，xe和ye分别是该flow的每一个trip的经度和纬度方向距离，可以把地图投影到平面，就易于理解，d和w分别是link的距离和trips的数量，需要说明的是这里一小时构建一个网络。
   
3. 得到$V_f$之后，便可以计算出每个flow的宏观的两个统计指标，下图的这两个指标就相当容易理解，其中$r_f$代表着总体的直线距离，越大说明trip距离越长，${\theta }_f$代表着总的来说这个流的流向。
   
4. 计算得到这两个指标后，由于是每小时构建一个网络，因此得到了一个时间序列，对这个时间序列使用DFT分析，可以进一步分析得到时间序列的周期特性。

具体结果见第三章所示。

3.result

下面展示一下各个方法论对应的结果，只是展示下结果的样子，但是对于具体解读可以去看文章，由于我也没有这么关注具体解读，所以也没有仔细去看了。

4.参考文献

[1] H Hamedmog h adam, Ramezani, M. , & Saberi, M. . (2019). Revealing latent characteristics of mobility networks with coarse-graining. Scientific Reports, 9(1), 7545.