Inferring temporal motifs for travel pattern analysis using large scale smart card data
1.概述
文章提出了一种基于拓扑的出行模式分析方法,该方法对数据集的要求较低,扩展性高。
2.数据集
数据的话理论上LBS数据都可以,但是实际上比较适用于知道每一次trip信息的数据,比如车牌识别数据和手机信令数据可能就无法产生那么好的效果,因为这些数据需要先做出行链打断,而且也不像公交站点一样每次OD都比较固定。所以最好的话还是公交刷卡数据,文章使用的数据集包括:公交刷卡数据、共享单车数据、GIS数据。
3.方法论
该研究将一个出行者一天的trip chain作为一个graph,然后利用提出的 temporal motif enumeration algorithm提取出这个出行者这一天的travel motif。直观点说,其实就是预先设定好travel motif的可能的形式,然后遍历这个图,如果符合预设的travel motif的形式,那么就说明这个出行者这一天出行模式中有这个travel motif代表的模式,需要注意的是,一个出行者一天可能有很多个travel motif。比如文章给出的这个例子,这个出行者在这一天就有很多travel motif。然后,根据我的理解,比如设定最多是3条edges,那么预设的travel motif里面有2条edges和3条edges构成的travel motif,但是不包含一条edge构成的travel motif,因为一条作者说了1条edge的travel motif是特殊的一种travel motif,应当是要单独考虑的。 但是对于加粗部分其实我也不是特别确定。因为另一种思路似乎也可行,而且我感觉还更合理一点,那就是如果存在3条edges的travel motif,那么这个人这天2条edges的travel motif就不应该在考虑了,这样我觉得似乎更合理,因为一个人如果有3条edges构成的travel motif,那么显然这个travel motif相较于2条edges构成的travel motif更能代表这个人这天的出行模式,如果再去多加上2条edges构成的travel motif似乎有点重复考虑了这个人的travel motif。不过,我也不是十分确定作者是用哪种方式的。如果大佬碰巧也看了这篇文章可以一起交流下。
作者给出的算法为:
4.结果
之后的话就是作者对各种数据集用这个算法跑了一下,得出了出行模式,并分析了人数占比最多的那几种出行模式。此外的话,作者还给出了两个本算法的实际应用案例:
- 该算法的结果可以帮助土地类型预测模型更加精准;
- 该算法可以 measuring travel motif regularity of transit passengers
5.参考文献
Lei, D. , Chen, X. , Cheng, L. , Zhang, L. , & Witlox, F. . (2020). Inferring temporal motifs for travel pattern analysis using large scale smart card data. Transportation Research Part C Emerging Technologies, 120, 102810.
Inferring temporal motifs for travel pattern analysis using large scale smart card data相关推荐
- 【论文阅读】Multisource Transfer Learning With Convolutional Neural Networks for Lung Pattern Analysis
Multisource Transfer Learning With Convolutional Neural Networks for Lung Pattern Analysis main idea ...
- Robust face recognition via sparse representation[J]. Pattern Analysis and Machine Intelligence 论文翻译
基于稀疏表达的稳定的人脸识别 (源文件中的图片等没在文中上传,大家需要的话可以在这里下载) 摘要 - 我们考虑了在不同的面部表情和光照以及遮挡和伪装的情况下从正面角度自动识别人脸的问题.我们将识别问题 ...
- 街区尺度下的通勤出行方式挖掘及其影响因子:以北京市为例
" 写在前面: 通勤数据的传统获取手段存在成本高.覆盖面小.更新慢等问题,难以满足实时.高效监测和管理的需求.作者基于百度地图时空大数据,综合应用多种机器学习方法,构建一套识别城市街区尺度下 ...
- CV:翻译并解读2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》第一章~第三章
CV:翻译并解读2019<A Survey of the Recent Architectures of Deep Convolutional Neural Networks>第一章~第三 ...
- 近五年城市轨迹数据挖掘的相关文章整理
Xiaoyu Sun .Zhou Huang 于2018年发表的"Building a model-based personalised recommendation approach fo ...
- [索引]引用Balancing bike sharing systems with constraint programming的文章
文章目录 1. Dynamic container drayage with uncertain request arrival times and service time windows 2. P ...
- DBSCAN: 基于密度对空间含噪声数据中不规则形状进行聚类
聚类算法是机器学习中使用频率较高的无监督学习方法,不需要样本标签,就可以将其进行分类,常常作为其他学习任务的前期粗加工.但是原始聚类算法在面对含有噪声或形状非凸的数据分布时表现较差,于是有研究人员提出 ...
- linux 内核 输出,Linux基础命令---dmeg显示内核输出
Eclipse 各版本版本号代号对应一览表 版本号 代号 日期 Eclipse 3.1 IO [木卫一,伊奥] 2005 Eclipse 3.2 Callisto [木卫四,卡里斯托] 200 ...
- 洪智勇∣基于复杂网络的公共汽车线网拓扑模型
" 写在前面: 已有基于复杂网络的公共汽车交通模型研究缺乏对网络服务特征的考虑.基于公共汽车线网的P-Space模型,在考虑公共汽车站服务范围的影响基础上构建SP-Space模型,以实现车站 ...
最新文章
- 什么是标签传播算法?为什么要使用标签传播算法?如何使用?
- eclipse 模版的使用
- caffe基础(7): 命令行解析
- 技术支持工程师自测评估下载
- Java基础语法之方法的参数传递与综合案例
- 经验之谈—让你看明确block
- IDE已破解,不用预热,马上进入「微信小程序」开发
- Jenkins构建风格自由的项目
- Shell脚本--并发执行
- 3DMax的Vray模型如何导入到Unity
- php微信消息通知,php实现微信小程序消息通知
- OpenStack与Tungsten Fabric如何集成丨TF成立大会演讲实录
- yudian温控表a1温度怎么补偿_yudian温控表a1说明书
- 基于Ant Design vue框架之三 删除功能细分
- I/O Request Packet
- react-native-growingio慢下载慢,下载很慢,下载失败
- 如何搭建多功能会议室
- 通过车牌号查车辆信息的方法有哪些?
- 路由器重温——DHCP/DNS服务配置管理-3
- 抱歉,系统网络繁忙,您暂时无法付款,请稍后再试。