论文解读-The TimeGeo modeling framework for urban mobility without travel surveys

作者在这篇文章中提出了一个机械建模框架TimeGeo，该模型可以生成城市交通模式。它将从数据中推断出的家庭和工作活动位置联系在一起，通过对灵活的活动就行建模。

访问位置的时间选择由每周家庭旅游次数、停留率和突发率三个特征来决定。这些特征可以生成每个个体的活动持续时间、每天访问的地点数量、日常移动网络。访问位置的空间选择由基于rank的探索和优先回报机制（r-EPR）建模，该机制将空间纳入EPR模型。

最后，我们展示了分层乘法级联方法可以测量土地利用和出行产生之间的相互作用。这样，城市结构与观察到的出行距离直接相关。

Introduction

TimeGeo是一个建模框架，它从电信活动中可用的稀疏和不完整信息中提取出有效生成完整城市交通状况所需的个体特征和关键机制。

为了在微观和宏观层面上对城市中的个人流动性进行现实建模，有必要了解不同时期人口空间分布的基本特征。这里我们展示了这些特征可以从大数据源中提取。基于城市环境中的信息和通信技术（ICT）数据，为大量用户提供高分辨率的旅行日记。随着个人层面上的更多信息可用，所提出的参数集可以进一步细化。

从手机数据中提取活动

当一个人在某个地点进行活动时，被定义为停留。对于每个用户，根据开始时间和访问每个停留地点的频率，我们推断停留地点类型为家（H）、工作（W）或其他（O）。

个人移动生成机制

每周基于家庭的旅行次数、停留率和突发率（稍后明确定义）。这些参数捕捉了被动数字记录道中观察到的个体日常活动的异质性。

1.时间选择

通过引入三个单独的具体参数，包括每周基于家庭的旅行次数nw、停留率β1和突发率β2，从聚集的经验分布（14、15、29）中随机抽取停留时间（或等待时间Δt）或到访地点数（N），我们明确地为个人流动的时间动力学建模。

2.空间选择

选择新地点的概率，

对新勘探地点采用了基于rank的选择机制（即r-EPR模型）。 根据距离目的地的距离，location被划分为k级。选择第k个位置作为目的地的经验概率被量化为，

土地利用对出行距离的影响

略

结果

提出了一个机械建模框架，以在城市规模上产生具有良好分辨率的个人日常流动性。在时间上，我们引入每周基于家庭的旅游次数、停留率和突发率。在空间上，引入了一种改进的基于秩的EPR模型来解释个体活动地点选择。此外，使用分层乘法级联分析框架来表征给定区域内人口和设施分布的协方差。通过这种方式，我们考虑了特定区域的空间结构对个人旅行距离的影响。这使我们能够对城市土地利用的变化如何影响微观层面的个人出行行为和宏观层面的OD流量进行情景测试。