文献阅读笔记 | Learning Mobility Flows from Urban Features with SIMs and NNs

原文：Yeghikyan, G., Opolka, F. L., Nanni, M., Lepri, B., & Lio, P. (2020, September). Learning Mobility Flows from Urban Features with Spatial Interaction Models and Neural Networks** To appear in the Proceedings of 2020 IEEE International Conference on Smart Computing (SMARTCOMP 2020). In 2020 IEEE International Conference on Smart Computing (SMARTCOMP) (pp. 57-64). IEEE.

原文link：https://ieeexplore.ieee.org/abstract/document/9239613?casa_token=BG5lTXILb1QAAAAA:5QF6KLZfThOrDrHYJ7u10Edmmk0aCOYqCctZKzzZv8te_g6enmFH35FiWo1bi1qauj8Zouexxus

Introduction

Background

urban mobility flows 与 影响其的一些空间、结构、社会经济factors 之间的关系，对于城市和交通系统的规划管理很重要。

如何找到这种关系？现有的模型有：

• 经典的gravity model及其改进
• spatial econometric interaction models
• non-parametric radiation models

大家用这些模型来模拟OD矩阵。

此外，也有很多文献用 NN-based model 来预测OD矩阵中的流量。

Research Gap

一般literature都是对整体的OD flow进行的建模，但是，有时候需要对于某一特定的地区与其他位置的flow进行建模与分析（a location of interest的出入流量建模），这种时候普通的建模没有考虑到其他的flow、其他位置的特征、以及一些影响因素。（这个问题可以细化为，有一个urban development project要在位置A进行，需要评价实施这个项目对于A的流量影响（in 和 out）。这个project可以是retail location choice以及consumer spatial behaviour prediction）

虽然相关的研究也使用Huff model及其改进模型来研究这个问题。但是，由于这些模型存在一些限制性的前提假设，因此存在一些缺陷。所以本文的aim在于提出另一种方式来研究这个问题。

Methods

将urban flows建模成一个attibuted graphs。这个graph中，nodes代表locations（每一个node用一个属性向量表示，人口密度、停车面积等），edges代表car flows（每一个edge用一个属性向量表示，距离、时间、车速等）。

Contributions

• 提出了三种NN模型来预测兴趣点与其他locations的流量。其中两个用graph convolutional layers来汇总节点周围的地理或拓扑邻域的信息
• 使用一个自定义的dataset评价和比较了我们的模型
• 本文提出的模型要比SIM和ML模型表现要好。但graph convolutional没法提高预测精度。
• 公开了本文用到的数据集和代码

Related Work

Tranditional Models

模拟human flows最开始是SIM以及其拓展模型。SIM模型依靠有关location属性的函数，来预测flows和trip demand，广泛用于各个子领域。这个模型一般使用OLS回归来校准，这种校准方式的assumption是：数据成正态分布。但是OD flows这种数据一般不呈正态分布，而且还含有大量0值。这就导致了OLS回归不适用于SIM的校准，因此一般使用Poisson模型，或者如果数据过度分散，需要NB模型。

另一个关注的重点则是complex interactions，这种复杂性主要是由（1）spatial dependencies（由spill-over effect造成）和（2）non-stationarity（非平稳性，由独立变量在空间上不断地变化造成）导致的。这些问题的解决办法主要有空间自相关和GWM。

Huff模型及其拓展。这个模型主要是为了解决retail location choice和turnover prediction。这个模型认为，OD流量与目的地的相对吸引力和可达性成正比。

Huff模型的缺点在于有太多限制性的assumption，比如认为个人选择两个备选方案的概率比，不受引入第三个备选方案的影响。Competing destinations model克服了这个缺点，但是这个模型也有自己的缺点：要么考虑空间集聚效应，要么考虑竞争效应，忽略了这两者可以共存于同一地点。

这些模型虽然已经发展到可以克服这些缺点了，但是在预测精度方面还是很欠缺，尤其是当规模为城市的时候。

ML

ML方法，尤其是RF，在inter-city的OD建模得到了不错的效果，但是在intra-urban规模有待考证。

NN方法一般都用graph NNs来估计flow。后来的研究主要在于将CNN从规则的grid一般化到不规则的graph。使用的比较多的有GCNN。