[论文解读] Modelling individual routines and spatio-temporal trajectories in human mobility.

Luca Pappalardo, Filippo Simini|arXiv (Cornell University)|Jul 16, 2016

Human Mobility and Location-Based Analysis参考文献 72被引用 4

一句话总结

DITRAS 是一种两步框架，通过首先使用马尔可夫过程对个体移动日志进行建模以捕捉日常行为的规律性与中断，然后通过偏好性探索与返回机制将这些日志转化为时空轨迹，从而生成逼真的人员移动轨迹。该方法准确再现了真实世界移动数据的关键统计特性，在保真度方面优于现有合成模型。

ABSTRACT

Human mobility modelling is of fundamental importance in a wide range of applications, such as the developing of protocols for mobile ad hoc networks or for what-if analysis and simulation in urban ecosystems. Current generative models generally fail in accurately reproducing the individuals' recurrent daily schedules and at the same time in accounting for the possibility that individuals may break the routine and modify their habits during periods of unpredictability of variable duration. In this article we present DITRAS (DIary-based TRAjectory Simulator), a framework to simulate the spatio-temporal patterns of human mobility in a realistic way. DITRAS operates in two steps: the generation of a mobility diary and the translation of the mobility diary into a mobility trajectory. The mobility diary is constructed by a Markov model which captures the tendency of individuals to follow or break their routine. The mobility trajectory is produced by a model based on the concept of preferential exploration and preferential return. We compare DITRAS with real mobility data and synthetic data produced by other spatio-temporal mobility models and show that it reproduces the statistical properties of real trajectories in an accurate way.

研究动机与目标

• 为解决现有移动模型在捕捉人类移动中的规律性行为与突发偏离方面存在的局限性。
• 开发一种生成模型，以逼真地模拟随时间推移的个体时空轨迹。
• 为移动自组织网络与城市生态系统建模等应用提供准确的移动性模拟。
• 在单一统一框架中整合习惯性模式与不可预测的行为变化。

提出的方法

• 使用马尔可夫模型生成编码日常习惯与在不可预测时段打破习惯概率的移动日志。
• 日志生成过程基于个体行为倾向，对活动类型与位置之间的转换进行建模。
• 通过偏好性探索与返回机制，将移动日志转化为实际的时空轨迹。
• 轨迹模型根据熟悉程度与探索倾向分配移动概率，以模拟真实的人类移动模式。
• 该框架将基于日志的行为建模与空间移动规则相结合，以模拟逼真的移动模式。
• 使用真实人类移动数据对模型进行校准与验证，并与其它移动模型生成的合成数据进行对比。

实验结果

研究问题

• RQ1 基于日志的模型在多大程度上能够捕捉人类移动中规律性行为与突发偏离之间的平衡？
• RQ2 DITRAS 框架在多大程度上再现了真实人类移动轨迹的关键统计特性？
• RQ3 两步法（日志生成后轨迹转换）是否能比现有模型生成更逼真的移动模式？
• RQ4 偏好性探索与返回机制在多大程度上提升了模拟移动轨迹的真实性？

主要发现

• DITRAS 成功捕捉了人类移动的双重特性：稳定的日常规律与在不可预测时期发生的偶尔偏离。
• 该框架以高精度再现了真实移动数据的关键统计特性，如访问频率与位置分布。
• 与其它合成移动模型相比，DITRAS 生成的轨迹在空间与时间模式上更接近实证数据。
• 基于马尔可夫的日志模型有效实现了对习惯形成与中断的逼真建模，提升了行为保真度。
• 偏好性探索与返回机制有效模拟了自然的人类移动倾向，显著提升了轨迹的真实性。
• DITRAS 的两步式架构使得在多样化场景下对个体移动进行模块化与可扩展的模拟成为可能。