[论文解读] 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 5

一句话总结

本文提出了一种基于OPTICS算法的自适应OD流量聚类方法，用于在无需预先调参的情况下识别城市出行趋势。通过从数据中动态确定最优参数，该方法在异质城市环境中相比最先进方法显著提升了聚类准确性和完整性，并在从真实出行数据中识别公共交通线路方面展现出实用性。

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.

研究动机与目标

• 解决现有OD流量聚类方法在处理空间异质性和参数敏感性方面的局限性。
• 开发一种数据驱动的自适应聚类方法，消除OD流量的参数手动调优。
• 提升在识别主导城市出行模式方面的聚类准确性和完整性。
• 支持实际的城市规划应用，例如公共交通线路识别。

提出的方法

• 通过将流量建模为具有起点和终点坐标的时空点模式，将OPTICS算法适配于OD流量数据。
• 引入一种动态参数选择机制，从数据分布中推导出核心距离和minPts，从而消除人工输入。
• 应用基于可达性的聚类方法，以检测OD流量网络中不同密度和空间尺度的聚类。
• 采用k-最近邻方法估计局部密度，以自适应地引导聚类形成。
• 采用一种可达性距离度量，同时捕捉空间邻近性和流量强度。
• 通过可视化检查和调整兰德指数、轮廓系数等定量指标验证聚类质量。

实验结果

研究问题

• RQ1 如何使OD流量聚类方法适应城市出行中不同的空间尺度和数据分布？
• RQ2 参数敏感性对异质城市环境中聚类结果有何影响？
• RQ3 自动参数选择机制是否能提升聚类准确性并减少OD流量分析中的噪声？
• RQ4 与最先进聚类技术相比，所提出方法在聚类完整性和精确性方面表现如何？
• RQ5 所检测的OD流量聚类在多大程度上可支持公共交通线路规划？

主要发现

• 所提方法在聚类准确性和完整性方面优于三种最先进方法，平均调整兰德指数提升12%。
• 与基线方法相比，该方法将噪声点减少了35%，表明对有意义出行模式的分离能力更强。
• 聚类检测在不同城市空间尺度下均表现稳健，在密集和稀疏出行区域均保持一致性能。
• 自适应参数选择机制成功在无先验知识的情况下识别出最优核心距离和minPts值，提升了可复现性。
• 案例研究结果表明，检测到的OD聚类与实际公共交通走廊高度吻合，支持实际部署。
• 该方法在大规模城市数据集上表现出良好的可扩展性，可在数分钟内高效处理超过10万个OD对。