[论文解读] Effective Metagraph-based Life Pattern Clustering with Big Human Mobility Data

Wenjing Li, Haoran Zhang+6 more|arXiv (Cornell University)|Apr 24, 2021

Human Mobility and Location-Based Analysis参考文献 46被引用 4

一句话总结

本文提出了一种基于元图的框架，利用GPS记录从大规模人类移动数据中聚类生活模式，且不进行个体特征的聚合。通过将时空相似性、语义信息和频率整合到元图结构中，并应用非负矩阵分解（NMF），该方法高效识别出具有相似移动行为的群体，在计算效率和鲁棒性方面优于传统方法，同时揭示了区域和时段特定的生活模式。

ABSTRACT

Life pattern clustering is essential for abstracting the groups' characteristics of daily mobility patterns and activity regularity. Based on millions of GPS records, this paper proposed a framework on the life pattern clustering which can efficiently identify the groups have similar life pattern. The proposed method can retain original features of individual life pattern data without aggregation. Metagraph-based data structure is proposed for presenting the diverse life pattern. Spatial-temporal similarity includes significant places semantics, time sequential properties and frequency are integrated into this data structure, which captures the uncertainty of an individual and the diversities between individuals. Non-negative-factorization-based method was utilized for reducing the dimension. The results show that our proposed method can effectively identify the groups have similar life pattern and takes advantages in computation efficiency and robustness comparing with the traditional method. We revealed the representative life pattern groups and analyzed the group characteristics of human life patterns during different periods and different regions. We believe our work will help in future infrastructure planning, services improvement and policies making related to urban and transportation, thus promoting a humanized and sustainable city.

研究动机与目标

• 从大规模人类移动数据中识别具有相似生活模式的群体，且不聚合个体特征。
• 利用捕捉空间、时间及频率语义的元图数据结构，对多样化的生活模式进行建模。
• 与传统方法相比，提升生活模式聚类的计算效率和鲁棒性。
• 揭示具有代表性的生活模式群体，并分析其在不同时间和区域的特征。
• 通过数据驱动的洞察，支持城市规划、服务优化和可持续城市发展。

提出的方法

• 该框架构建元图以表示个体生活模式，编码空间位置、时间序列和活动频率。
• 将时空相似性整合到元图中，以反映地点语义、时间顺序和重复模式。
• 应用非负矩阵分解（NMF）降低元图表示的维度，同时保留结构和语义信息。
• 该方法避免数据聚合，保留个体层面的特征，实现更精确的模式表达。
• 在低维NMF表示的元图上执行聚类，以识别具有相似生活模式的群体。
• 该方法在数百万条GPS记录上进行评估，验证了其可扩展性和鲁棒性。

实验结果

研究问题

• RQ1 如何在保留个体层面特征的前提下，从大规模人类移动数据中有效建模生活模式？
• RQ2 如何最优地将空间、时间及频率语义整合到统一的数据结构中，以实现生活模式的表示？
• RQ3 与传统聚类方法相比，基于元图的方法在计算效率和鲁棒性方面表现如何？
• RQ4 在不同区域和时间段内，会涌现出哪些不同的生活模式群体？
• RQ5 所识别出的生活模式聚类如何为城市基础设施规划和政策制定提供支持？

主要发现

• 基于元图的方法成功以高精度和高计算效率识别出具有区分度的生活模式群体。
• 该方法在速度和鲁棒性方面均优于传统聚类方法，尤其在处理噪声或变异的移动数据时表现更优。
• 非负矩阵分解（NMF）能有效降低维度，同时保留个体移动数据中有意义的时空模式。
• 该框架揭示了具有区域特异性和时段特异性的生活方式聚类，例如城市中心的通勤模式和郊区的休闲活动模式。
• 结果表明，该方法在支持以人为本的城市规划和可持续城市发展方面具有巨大潜力。
• 本研究证实，通过保留个体特征而不进行聚合，可获得更细致且更具代表性的聚类结果。