[论文解读] Explaining the Power-law Distribution of Human Mobility Through Transportation Modality Decomposition

Kai Zhao, Mirco Musolesi+3 more|arXiv (Cornell University)|Aug 21, 2014

Human Mobility and Location-Based Analysis被引用 16

一句话总结

本文通过将轨迹分解为交通模式（如步行、骑行、汽车、火车等），解释了人类移动的幂律分布。研究发现，个体交通模式的飞行长度分布符合对数正态分布。由于连续飞行之间的相关性以及停留时间呈指数分布，这些对数正态分布的混合产生了涌现的幂律模式，从而解释了人类移动中观察到的 Lévy 随机游走行为。

ABSTRACT

Human mobility has been empirically observed to exhibit Levy flight characteristics and behaviour with power-law distributed jump size. The fundamental mechanisms behind this behaviour has not yet been fully explained. In this paper, we analyze urban human mobility and we propose to explain the Levy walk behaviour observed in human mobility patterns by decomposing them into different classes according to the different transportation modes, such as Walk/Run, Bicycle, Train/Subway or Car/Taxi/Bus. Our analysis is based on two real-life GPS datasets containing approximately 10 and 20 million GPS samples with transportation mode information. We show that human mobility can be modelled as a mixture of different transportation modes, and that these single movement patterns can be approximated by a lognormal distribution rather than a power-law distribution. Then, we demonstrate that the mixture of the decomposed lognormal flight distributions associated with each modality is a power-law distribution, providing an explanation to the emergence of Levy Walk patterns that characterize human mobility patterns.

研究动机与目标

• 解释在 GPS 和通话详细记录中观察到的幂律分布人类移动飞行的起源。
• 调查个体交通模式（如步行、骑行、驾车、公共交通）的飞行长度分布是否与整体移动模式不同。
• 确定特定模式的飞行长度分布的混合是否能再现人类移动中观察到的幂律行为。
• 量化时间相关性与停留时间分布对 Lévy 随机游走特征出现的作用。

提出的方法

• 使用矩形模型对来自两个大型 GPS 数据集（Geolife 和 Nokia MDC）的轨迹进行简化，以提取无方向变化的直线飞行段。
• 通过基于时间戳的标记（Geolife）和基于活动 ID 的标记（Nokia MDC）将飞行段映射到交通模式，共四种模式：步行/跑步、骑行、汽车/出租车/公交车、火车/地铁。
• 使用赤池信息准则（AIC）结合最大似然估计，对每种模式的飞行长度分布进行拟合，比较截断幂律、对数正态、幂律和指数分布的拟合效果。
• 分析特定模式飞行分布的混合，以评估其是否能再现幂律分布，结合了同一模式中连续飞行之间存在正相关性以及停留时间呈指数分布的发现。
• 通过 Kolmogorov-Smirnov 检验确定幂律拟合的最小 x_min，以最小化经验数据与拟合分布之间的距离。
• 计算 Akaike 权重以评估模型拟合质量，权重越高表示拟合效果越好。

实验结果

研究问题

• RQ1 个体交通模式是否表现出幂律分布的飞行长度，还是遵循其他分布？
• RQ2 特定模式飞行分布的混合是否能解释整体人类移动中观察到的幂律模式？
• RQ3 同一交通模式中连续飞行之间的时间相关性在塑造整体移动模式中起什么作用？
• RQ4 各交通模式内停留时间的分布如何促进 Lévy 随机游走行为的出现？
• RQ5 整体人类移动模式是否更优地由各模式的对数正态分布混合解释，而非单一幂律分布？

主要发现

• 在 Geolife 和 Nokia MDC 数据集中，所有交通模式的总体飞行长度分布均符合截断幂律分布，幂律指数分别为 α = 1.57 和 α = 1.39。
• 每种个体交通模式（步行/跑步、骑行、汽车/出租车/公交车、火车/地铁）的飞行长度分布最佳拟合为对数正态分布，而非幂律分布。
• 同一交通模式中连续飞行之间存在显著的正相关性，表明存在结构化的移动模式。
• 每种交通模式中的停留时间间隔服从指数分布，支持模式转换的马尔可夫性质。
• 在飞行具有相关性且停留时间呈指数分布的条件下，不同交通模式的对数正态飞行长度分布的混合，会产生涌现的幂律分布。
• Akaike 权重确认，对数正态分布对个体交通模式的拟合优于幂律分布，而截断幂律分布对整体移动模式的拟合效果最佳。