城市系统应用其一-表征城市交通模式

墨西哥城的案例研究

摘要：无缝访问有价值的目的地，如工作场所、学校、公园或医院，影响着全世界人民的生活质量。第一个规划和改善服务邻近度的步骤是估计出行次数由城市的不同部分组成。具有代表性的数据是一个挑战可用于该目的。依靠昂贵且不经常收集的旅行对设施旅行分布建模的调查减缓了决策制作过程。已经收集的越来越多的数据，如果用正确的方法，可以帮助我们规划和了解城市。在这一章当中，我们检查从被动收集的数据中提取的人类流动模式。我们显示在 Google 地方信息上注册的兴趣点 (POI) 的使用结果近似于一个城市的旅游景点。我们比较行程分布的结果仅使用 POI 的模型与使用传统数据集的模型，基于调查。我们表明，扩展的辐射模型提供了非常好的估计与最新人口普查中的官方来源-目的地矩阵相比在墨西哥城。

关键词 出行分布模型·公交使用·​​ 聚类方法·移动性科学

11.1 简介

随着越来越多的人继续从农村迁移到城市环境，改善城市的步伐和复杂性都在增加。规划内部的日常流动性大都市区是未来几年的重要话题之一。的估计特定于大都市的每日总行程是建立有效战略的第一步为交通规划过程提供信息的信息。但是，缺乏可靠的个人流动性的可访问数据源大大减慢了规划进步。迄今为止，关于人类流动性的数据是通过个人收集的样本量小且可能存在偏差的调查，因为它们需要积极的参与并经常依赖自我报告（Cottrill et al. 2013）。在召开会议的同时国家旅行调查提供了大量有价值的信息，它们非常昂贵并且时间密集。对于大多数主要城市，这些调查大约进行一次十年; 对于较小的城镇，它的频率低于此频率或根本没有频率。在这些调查发布之间，可能会发生很多事情，这可能会改变城市动态：新景点、整个街区的重建、变化经济趋势，自然灾害的影响，或者只是一个城市的逐渐转变特征。在下一次旅行调查之前，这些变化不会被捕捉到发行，可能是从第二年到十年的任何时间。随着当今丰富的信息和连通性，其他易于访问的来源数据可以证明是有用的，可以代替传统调查中获得的数据。这方面的一个例子是使用三角手机数据来形成移动性网络并提取个人旅行链（Jiang et al. 2013）。另一个这样的潜力是在 Google Places 上注册的兴趣点 (POI)，这是地图的一项功能由 Google LLC (Google) 开发的服务广泛，更新频繁，并且对大多数人来说相对容易获得。Google Places 列出了各种类型的 estab-餐厅、学校、办公室和医院等设施，使其能够服务作为旅行吸引力的一个很好的指标。城市 POI 数据挖掘概述土地利用分类和分解，见江等人的工作。（2015 年）。

作为开发统计方法以谨慎对待旅行的补充日记（Ben-Akiva 和 Lerman 1985 年；Hall 1999 年；de Dios Ortúzar 和 Willumsen2011 年），替代的、更便宜的和更大的数据源对于推动我们的不足是必要的人的流动性努力的地位进一步提高。技术的演进超过过去十年催生了无处不在的移动计算，这是一场允许数十亿人通过信息获取人员、信息和服务化技术，例如他们的蜂窝或移动电话。使用今天的大规模计算基础设施和从传感技术收集的数据，一个可以

将计算机科学的方法与城市规划、交通和环境科学，用微调的方法解决特定问题在以数据为中心的计算框架中。

表征人类流动性的城市科学方法应考虑考虑这些动态的复杂性。然而，尽管是一个复杂的系统，最近的结果表明一些模式或一般特征可以澄清这些动力学。这些特征被称为普遍现象，类似于世界上的现象。物理科学。首先，有一组模型来分析聚合的人类流动性在城市或大规模迁移。一方面，我们有类似重力的模型，以及其他辐射模型（Simini et al. 2012）。2008 年，冈萨雷斯等人。( 2008 ) 利用手机数据表明步长分布可以用截断幂律来描述。了解产生的机制对于这种分布，作者使用了回转半径：一个具有特征的量将一个人在几个月内访问次数最多的位置包围起来的半径观察。模拟表明，整个人口的步长分布由 Lévy 飞行过程的卷积产生，每个过程都有不同的每个人的个人回转半径内的特征跳跃大小。这观察到的幂律是回转半径异质性的结果人口。虽然绝大多数用户的半径为几公里，但是覆盖数千的少数用户。类似于收入和其他变量遵循幂律，遵循帕累托原理 80% 的距离来自20%的科目。

人类流动性的另一个有趣模式是随机-性和可预测性。以前访问过的地点的回报率很高例如在家或工作。这些回报的性质与概率成反比与位置的等级成正比，遵循 Zipf 定律。后续工作宋等人。( 2010a , b ) 使用来自手机的数据，揭示了两个重要的人类行为的特征。首先，不同访问位置的数量随着指数小于 1 的时间幂的增加，表明速度非常慢探索。第二，个人返回之前访问过的地方的概率地点与该地点的排名成反比，这种现象被标记为优惠回报。从信息论的角度来看，宋等人。( 2010a ,b ) 使用不同种类的熵测度来分析可预测性的极限人类流动性。

另一种研究人类流动性的方法是通过流动性主题，由施耐德等人。（2013）作为定义周期性轨迹的抽象（语义）方式在个人的日常活动中。日常移动主题是一个有向网络（有向图）其中未标记的节点表示位置，边缘是来自的行程一个位置到另一个位置。计算手机和传统数据中的图案旅行调查，他们惊奇地发现，尽管有超过 100 万种独特的旅行方式在 6 个或更少的位置之间，90% 的人口仅使用 17 个图案。为了这些作品的概述，请参阅江等人的论文。（2013 年）和 Toole 等人。（2015 年），以及 Barbosa 等人最近对人类流动性的回顾。（2018 年）。

在本章中，我们将重点介绍上述类型的统计方法总体和个人流动性的分析和建模。我们

利用被动收集的新数据源，丰富信息关于人类流动模式。即我们解析地理空间的替代来源数据，应用旅行分布模型来估计汇总的旅行，并实施无监督机器学习通过他们的特征来描述不同类型的通勤者交通方式和旅行时间。

作为示例案例，我们关注世界上最大的城市之一墨西哥城在大都市区拥有超过 2100 万人口。它也是其中之一美洲最重要的文化和历史中心。有了这么大人数众多，活力充沛，该地区的流动性相当可观一个挑战。2017 年，一项主要的家庭旅行调查 (Encuesta Origen-Destino enHogares de la Zona Metropolitana del Valle de Mexico 2017）为墨西哥谷大都会区。于 2017 年 1 月至 3 月进行，调查获得的信息有助于更好地了解