[论文解读] Limitations of gravity models in predicting fine-scale spatial-temporal urban mobility networks

Chia‐Wei Hsu, Chao Fan+1 more|arXiv (Cornell University)|Sep 8, 2021

Human Mobility and Location-Based Analysis被引用 6

一句话总结

本研究评估了基础引力模型在预测多个人口普查区层级、高时间分辨率的城市移动网络时的表现，数据涵盖美国多个大都市县的每小时和每日人口普查区级移动数据。研究发现，细粒度网络缺乏无标度特性，且引力模型在细时间分辨率下的预测准确性显著下降，表明其在建模每日或每小时城市移动流量方面存在局限性。

ABSTRACT

This study identifies the limitations and underlying characteristics of urban mobility networks that influence the performance of the gravity model. The gravity model is a widely-used approach for estimating and predicting population flows in urban mobility networks, assuming the scale-free property. Prior studies have reported good performance results for the gravity model at certain levels of aggregation. However, the characteristics of urban mobility networks might vary depending on the spatial and temporal resolutions of data. Hence, the sensitivity of gravity model performance to variation in the level of aggregation of data and the temporal and spatial scale of urban mobility networks needs to be examined. The basic gravity model is tested on urban mobility networks on an hourly and daily scale using fine-grained location-based human mobility data for multiple US metropolitan counties to address this gap. The findings suggest that: (1) finer-scale urban mobility networks do not demonstrate a scale-free property; (2) the performance of the basic gravity model decays for predicting population flow in the finer-scale urban mobility networks; (3) the variations in population density distribution and mobility network structure and properties across counties do not significantly influence the performance of gravity models. Hence, gravity models may not be suitable for modeling urban mobility networks with daily or hourly aggregation of census tract to census tract movements. The findings highlight the need for new urban mobility network models or machine learning approaches to predict fine-scale and high temporal-resolution urban mobility networks better.

研究动机与目标

• 评估引力模型在预测细粒度时空城市移动网络方面的表现。
• 研究数据聚合层级（每小时与每日）以及空间分辨率如何影响引力模型的准确性。
• 考察不同县之间人口密度和网络结构的差异是否影响引力模型的表现。
• 确定细粒度城市移动网络中是否存在无标度特性。
• 识别出针对高分辨率城市移动性预测，需要采用替代建模方法。

提出的方法

• 将基础引力模型应用于按每小时和每日时间分辨率聚合的人口普查区级移动数据。
• 使用来自多个美国大都市县的细粒度基于位置的人类移动数据。
• 通过标准流量预测指标（如R平方、平均绝对误差）在不同空间和时间尺度上评估模型表现。
• 通过分析度分布等网络特性，检验是否存在无标度特征。
• 比较在人口密度和移动网络结构各异的县之间，模型的表现差异。
• 进行统计分析，评估空间和时间聚合层级对模型准确性的影响。

实验结果

研究问题

• RQ1 在每小时或每日层级下，细粒度城市移动网络是否表现出无标度特性？
• RQ2 引力模型在移动数据的时间和空间分辨率变化时，其表现如何变化？
• RQ3 人口密度分布的差异在多大程度上影响不同县之间引力模型的表现？
• RQ4 移动网络的结构特性在多大程度上影响引力模型的预测准确性？
• RQ5 使用引力模型进行高时间分辨率城市移动性预测是否存在系统性局限？

主要发现

• 在每小时和每日层级下，细粒度城市移动网络不表现出无标度特性，表现为度分布不符合幂律分布。
• 与粗粒度聚合相比，基础引力模型在预测细时间分辨率（每小时和每日）的人口流动时，性能显著下降。
• 不同县之间人口密度分布的差异对引力模型表现无显著影响。
• 不同县之间移动网络结构特性的差异对引力模型准确性无显著影响。
• 引力模型在高分辨率时空城市移动网络中的预测能力明显减弱，表明其存在根本性局限。
• 研究结果表明，引力模型不适用于建模每日或每小时的人口普查区至人口普查区的移动流量，亟需开发新的建模方法。