[论文解读] Mobsimilarity: Vector Graph Optimization for Mobility Tableau Comparison

Yuhao Yao, Haoran Zhang+5 more|arXiv (Cornell University)|Apr 27, 2021

Human Mobility and Location-Based Analysis参考文献 39被引用 4

一句话总结

本文提出 Mobsimilarity，一种用于比较移动性图谱（高维的人口流动表示）的向量图优化方法。通过最小化向量图之间的空间变换成本，该方法捕捉了流量、空间分布、结构特征及包容性相似性，在移动性估计验证与跨城市比较案例研究中，优于传统的OD矩阵方法。

ABSTRACT

Human mobility similarity comparison plays a critical role in mobility estimation/prediction model evaluation, mobility clustering and mobility matching, which exerts an enormous impact on improving urban mobility, accessibility, and reliability. By expanding origin-destination matrix, we propose a concept named mobility tableau, which is an aggregated tableau representation to the population flow distributed between different location pairs of a study site and can be represented by a vector graph. Compared with traditional OD matrix-based mobility comparison, mobility tableau comparison provides high-dimensional similarity information, including volume similarity, spatial similarity, mass inclusiveness and structure similarity. A novel mobility tableaus similarity measurement method is proposed by optimizing the least spatial cost of transforming the vector graph for one mobility tableau into the other and is optimized to be efficient. The robustness of the measure is supported through several sensitive analysis on GPS based mobility tableau. The better performance of the approach compared with traditional mobility comparison methods in two case studies demonstrate the practicality and superiority, while one study is estimated mobility tableaus validation and the other is different cities' mobility tableaus comparison.

研究动机与目标

• 为解决传统基于OD矩阵的移动性比较方法常忽略人口流动数据中结构与空间细微特征的局限性。
• 开发一种全面的相似性度量方法，以捕捉移动性数据中的流量规模、空间分布、整体包容性及结构模式。
• 通过利用人类移动的聚合高维表示，实现对移动性模型与聚类更准确的评估。
• 提供一种稳健且高效的框架，用于通过向量图优化比较不同城市或时间段的移动性模式。

提出的方法

• 引入‘移动性图谱’的概念，作为研究区域内起点-终点对之间人口流动的向量图表示。
• 将移动性图谱建模为向量图，其中节点代表地理位置，边代表流动量，从而支持多维相似性分析。
• 提出一种变换成本最小化框架，通过图对齐技术优化将一个向量图映射到另一个向量图的最小空间成本。
• 采用向量化优化方法，通过最小化位移成本并保持结构与体积保真度，高效计算相似性。
• 引入敏感性分析，以验证在GPS数据噪声与稀疏条件下的鲁棒性。
• 将该方法应用于真实世界移动性数据集，并与基线OD矩阵方法进行比较。

实验结果

研究问题

• RQ1 如何以一种既能捕捉流动量，又能体现空间分布与结构模式的方式表示移动性数据？
• RQ2 所提出的基于向量图的相似性度量在移动性模型评估中，相较于传统OD矩阵比较，其优越性在多大程度上得以体现？
• RQ3 在GPS数据存在噪声或稀疏的情况下，Mobsimilarity方法的鲁棒性如何？
• RQ4 该方法能否有效比较具有不同城市结构的多个城市之间的移动性模式？
• RQ5 在移动性图谱比较中，流量、空间、结构及包容性相似性的相对贡献是什么？

主要发现

• 与传统的基于OD矩阵的方法相比，Mobsimilarity在移动性模型验证中表现出更优的性能，相似性检测的准确性显著提升。
• 该方法在GPS数据噪声与稀疏条件下表现出鲁棒性，能在不同数据质量水平下保持一致的相似性测量结果。
• 在跨城市移动性比较中，Mobsimilarity成功捕捉了城市移动性模式之间的结构与空间差异，揭示了有意义的区别。
• 引入整体包容性与结构相似性显著增强了相似性度量的区分能力，超越了仅基于流量的比较。
• 优化框架计算效率高，可实现大规模移动性图谱的可扩展比较。
• 敏感性分析证实，该方法在多样化的真实世界移动性数据集中均表现出稳定与可靠。