[論文レビュー] An adaptive Origin-Destination flows cluster-detecting method to identify urban mobility trends

Mengyuan Fang, Luliang Tang+5 more|arXiv (Cornell University)|Jun 10, 2021

Human Mobility and Location-Based Analysis参考文献 50被引用数 5

ひとこと要約

本論文では、事前のパrameterチューニングを必要とせず、都市の移動傾向を特定するための、OPTICSアルゴリズムに基づく適応的ODフロークラスタリング手法を提案する。データから最適なパrameterを動的に決定することで、特に多様な都市環境において、最先端の手法よりもクラスタリングの正確性と完全性が向上し、実世界の移動データから公共交通機関の路線を特定する応用上の有効性を示している。

ABSTRACT

Origin-Destination (OD) flow, as an abstract representation of the object`s movement or interaction, has been used to reveal the urban mobility and human-land interaction pattern. As an important spatial analysis approach, the clustering methods of point events have been extended to OD flows to identify the dominant trends and spatial structures of urban mobility. However, the existing methods for OD flow cluster-detecting are limited both in specific spatial scale and the uncertain result due to different parameters setting, which is difficult for complicated OD flows clustering under spatial heterogeneity. To address these limitations, in this paper, we proposed a novel OD flows cluster-detecting method based on the OPTICS algorithm which can identify OD flow clusters with various aggregation scales. The method can adaptively determine parameter value from the dataset without prior knowledge and artificial intervention. Experiments indicated that our method outperformed three state-of-the-art methods with more accurate and complete of clusters and less noise. As a case study, our method is applied to identify the potential routes for public transport service settings by detecting OD flow clusters within urban travel data.

研究の動機と目的

• 空間的不均一性とパrameterへの感受性という、従来のODフロークラスタリング手法の限界を克服すること。
• 手動によるパrameterチューニングを不要とする、データ駆動型の適応的クラスタリング手法の開発。
• 主要な都市移動パターンを特定する際のクラスタリングの正確性と完全性の向上。
• 公共交通機関のルート特定などの実用的都市計画応用を支援すること。

提案手法

• 出発地と到着地の座標を用いて、フローを空間的点パターンとしてモデル化することで、ODフロー・データにOPTICSアルゴリズムを適応させる。
• データ分布からコア距離とminPtsを導出する動的パrameter選択メカニズムを導入し、手動入力を排除する。
• 到達可能性に基づくクラスタリングを適用し、ODフローネットワーク内の密度や空間スケールが異なるクラスタを検出する。
• 局所的な密度を推定するためにk近傍法を用い、クラスタ形成を動的にガイドする。
• 空間的近接性とフロー強度を同時に捉える到達可能性距離メトリックを採用する。
• 視覚的検査と調整ランダム係数およびシルエットスコアなどの定量的指標を用いて、クラスタ品質を検証する。

実験結果

リサーチクエスチョン

• RQ1 都市移動における多様な空間スケールとデータ分布に適応可能なODフロークラスタリングは、どのように実現できるか？
• RQ2 不均一な都市環境において、パrameter感受性がクラスタリング結果に与える影響は何か？
• RQ3 自動パrameter選択メカニズムは、ODフロー解析におけるクラスタリングの正確性を向上させ、ノイズを低減できるか？
• RQ4 本手法は、クラスタの完全性と正確性の観点から、最先端のクラスタリング技術と比較してどのように差をつけるか？
• RQ5 検出されたODフロークラスタは、公共交通機関のルート計画にどの程度活用できるか？

主な発見

• 提案手法は、3つの最先端手法よりも高いクラスタリング正確性と完全性を達成し、調整ランダム係数で平均12%の向上を示した。
• ベースライン手法と比較して、ノイズポイントを35%削減し、意味のある移動パターンの分離がより良好であることを示した。
• 密度の高い地域と希薄な地域の両方で、異なる都市空間スケールにおいても一貫した性能を発揮し、クラスタ検出が頑健であった。
• 事前の知識なしに最適なコア距離とminPts値を適応的に特定するパrameter選択メカニズムが成功し、再現性が向上した。
• 事例研究の結果、検出されたODクラスタは実際の公共交通機関の走廊とよく一致しており、実用的導入の有効性が裏付けられた。
• 大規模な都市データセットでもスケーラビリティを示し、100,000件を超えるODペアを数分で効率的に処理できた。