城市人流辐合与辐合模式稳定性的时空模型外文翻译资料

 2022-03-01 09:03

英语原文共 24 页，剩余内容已隐藏，支付完成后下载完整资料

城市人流辐合与辐合模式稳定性的时空模型

中国湖北省武汉市武汉区重点实验室；中国湖北省武汉市重点实验室；中国武汉市重点实验室；中国西安市陕西师范大学地理与旅游学院；新加坡智能中心综合城市实验室；中国地质研究院。美国田纳西州诺克斯维尔市田纳西大学物理系；中国科学院深圳市科学院深圳高级技术研究所。

摘要：了解城市交通流的稳定性是城市交通、城市规划和公共卫生的关键。然而，很少有研究测量了人类聚集或发散模式的稳定性。我们提出了一个时空模型来评估人类收敛和发散模式的稳定性。利用从中国深圳获得的一组手机定位数据，在三个不同的空间尺度（即点（手机塔）、线（公交线路）和区域（交通分析区[TAZ]）上评估了人类日常会聚和发散模式的稳定性。我们的分析结果表明，该模型能够识别出稳定度随时间变化的点和公交线路，有助于交通规划中划定交通小区，或调整公交时刻表和线路以满足公交乘客的需求。对所提出的模型和广泛使用的熵测量结果的比较表明，所提出的模型适用于评估各种类型空间分析单元（如手机塔）的稳定性差异。因此，该模型是一种测量人类聚集和发散模式时空稳定性的有效替代方法，可以从运动物体的时空轨迹中推导出来。

文章历史

收到日期：2016年12月1日接受日期：2017年6月18日

关键词收敛；发散；人的流动性；稳定性；手机数据

1。介绍 了解人类的流动模式可以深入了解影响人类活动的驱动力，以及人类与城市环境功能配置之间的相互作用，从而为城市交通等各种设施提供益处（Wang等人2012年），《城市规划》（Ratti等人2006年），《城市政策发展与公共卫生》（Mao等人2016）。以前的研究主要分析了人类的流动模式，从个体或整体的角度来理解这些驱动力和相互作用。许多研究分析了个体的时空流动行为（Ratti等人2006，Yuan和Raubal 2012，Liu等人2015年）及其活动（如工作、购物或娱乐）

（phithakkitnukoon等人。2010年）中，为了predict reproducible模式（Gonzalez等人。2008年，simini等人。2012年），包括个人移动性和每日的流动性周刊》（sevtsuk和方向盘，2010年）。集料的流动模式的人都被investigated采用各种方法，如识别的“库”和“源”地区（刘等人。2012年）或热点地区（hoteit等人。2014年，伤害等。2014年，史密斯和lichman 2014年和2014年，该路），探讨以人为本的收敛和判别模式（杨等人。2016年），和成群的活动识别（沈城和2016年）或移动集群（Hammond）和汤普森（2002年）。研究个体与集料的流动性，可以elucidate人机自然科的流动性在不同的空间和时间尺度，但稳定的人机的流动性已经收到了sufficient注意力不在以前的调查。

人类的会聚和分化模式是城市空间中人类总体流动模式的重要和常见表现，其稳定性对于理解驱动人类流动的力量以及人类与功能配置之间交互作用的效率至关重要，以促进城市的发展。冰冷的发展。一些研究集中在城市个体的稳定性（Hanson 2005）和步行旅行的时间稳定性（Hammond和Thompson 2002）（Mitra等人2010年），以及人类活动的时空结构（Sun等人2011）。然而，仍然有必要测量人类总体流动的稳定性（即收敛或发散）。在这项研究中，我们提出了一种测量人类聚集和发散稳定性的方法来解决这一问题。

本研究所探讨的问题是如何利用手机大数据来模拟人类收敛与发散的稳定性。在城市空间单元中出现的收敛或发散包括一个序列，该序列不是不可变的，并且随时间变化。这个序列的稳定性可能表明一个地方的旅行需求发生了变化。基于该序列稳定性的定量分析可以提供对城市空间中出行需求变化的洞察，从而在规划公交线路和运营时间等政策时为交通管理者和城市规划者提供有价值的信息。已经使用了几种方法来调查人类的流动性，例如从不同类型的位置感知设备（如移动电话、智能卡和支持GPS的出租车）中获得的问卷、旅行奶牛场和地理参考的人类流动数据集（Lu和Liu 2012，Shaw等人。2016）。然而，人们很难使用问卷或旅行日记来调查人类的趋同和分歧，因为它们包含粗略的时空信息，而且样本量有限（Ratti等人2006年，袁和劳巴尔2012年）。相比之下，地理参考的人类运动大数据为理解人类在前所未有的时空尺度上的收敛和发散模式提供了新的机会（Xu等人2015）。因此，我们利用手机定位数据来研究人类在城市环境中的收敛和发散模式的稳定性，因为这些数据具有捕捉人类在城市环境中流动的优势。

我们的研究做出了以下三个主要贡献。首先，我们提出了一个描述人类散度或散度过程和序列稳定性的模型。第二，我们论证了我们的模型在三种空间单元（即位置、交通分析区（TAZ）和公交线路）中评估人的收敛和发散稳定性的可行性，从而为优化和重新安排公交线路时间表和线路以提高公共交通的效率提供了参考。BLIC运输系统。第三，我们比较了我们的模型和广泛使用的熵方法在测量人类收敛和发散稳定性方面的不同能力。

本文的其余部分组织如下。第2节回顾了以往基于大数据和稳定性测量的人类总体流动性研究。在第3节中，我们提出了一个评估模型，用于描述人类收敛或发散过程和序列的稳定性。在第4节中，我们介绍了三种类型的空间单元的研究数据集和结果分析。我们的模型和熵方法的不同功能在第5节中进行了比较和分析。我们在第6节给出了我们的结论。

2。相关工作

在本节中，我们回顾了使用大数据和稳定性测量对人类总体流动性的相关研究。三组方法被用来研究人类的总体流动性。第一组旨在检测人类活动或活动热点，以确定不同地方的流动需求或活动。因此，Hoteit等人（2014年）根据人类轨迹检测出人类活动热点；Scholz和Lu（2014年）确定了六阶段生命周期来模拟活动热点的动力学；Hu等人（2014年）和Lichman和Smyth（2014年）使用核密度估计，根据获得的点位置生成人类活动平滑表面，移动物体。刘等人。（2012）借用生态学中的“源区和汇区”概念来描述日常出行模式，根据出租车接送和接送的时间向量，将研究区域划分为六个交通流源汇区。朱和郭（2014）提出了一种分层聚类法来绘制大型空间交通流数据（出租车trips），它可以概括出发地和目的地的交通流，以代表主要的人类进出交通流区域。

第二组方法旨在确定集中的人类活动区域，如人类活动组、感兴趣的区域、语义相似的区域和空间相互作用的社区。例如，Schneider等人（2013年）根据不同国家的调查和移动数据集发现了17种独特的移动模式网络，这些网络占据了90%的人口。Pappalardo等人（2015年）发现了两种不同类型的个体的存在，即返回者和探险者，并表明他们的流动模式和社会互动是相关的。Hu等人（2015年）利用地理标记照片提取了感兴趣的城市地区。沈和程（2016）将活动建模为对时空感兴趣区域的访问，并提出了一个基于时空特性的活动组识别框架。Steiger等人（2016）提出了一个地理、层次自组织地图，以探索Twitter数据中的时空和语义集群。此外，Sobolevsky等人（2013年）利用人类互动网络描绘了地理区域，而Gao等人（2013年）根据手机数据发现了空间互动社区。所有这些方法都有助于了解城市规划中感兴趣的活跃区域。

第三组方法旨在研究人类动力学的时空动力学或节律。例如，一些研究使用呼叫量（Erlang值）或呼叫数作为指标来监控时空动态。

国际地理信息科学杂志2121

由[斯德哥尔摩大学图书馆]于2017年9月18日19:10下载

实时城市（Liu等人2009年，Calabrese等人以及估计人口分布（Kang等人2012年，Deville等人2014年），并确定不同城市或时间（小时、每日、每周和每月）的人体动力学节奏和变化（Sevtsuk和Ratti，2010年，Ahas等人。2015）使用长期数据。此外，还提出了视觉分析方法来分析人类活动的时空动态（Sagl等人2012年，GAO 2015年）。最近，Yang等人（2016）利用手机数据研究了人类的收敛和发散模式。这三组方法对于理解人类总体流动性非常有用，但它们不能测量人类总体流动性的稳定性（即收敛或发散）。

在稳定性测量方面，利用肖氏追踪指数来总结集群类别（肖氏1978）和时间（哈蒙德和汤普森2002）之间的流动性。Mitra等人（2010年）使用该指数总结了学校步行旅行期间随时间变化的空间模式的稳定性。此前，有人指出：“然而，岸岩指数并不能提供关于分布内流动性的完整信息”，而且“分布内大小运动之间没有差异”（哈蒙德和汤普森，2002年，第378页）。熵（Clauseus 1850）首次被引入测量热能的可逆变化，Zayani等人（2012年）将其扩展到量化一个链路的时空稳定性。高熵值表示高水平的无序，而低熵值表示更大的组织。然而，熵测量只提供了一个订单数量的概述。此外，城市空间中人类流动结构的时间稳定性（Sun等人2011）采用主成分分析进行了调查。很少有研究关注人类趋同和发散的稳定性。因此，我们首次提出了一种利用手机数据测量人类收敛和发散稳定性的评估模型。

三。建议的评估模型

在本节中，我们介绍了人类总体流动性的三个定义：人类收敛过程（HCP）、人类发散过程（HDP）和人类每日收敛和发散序列（HCD）。接下来，我们将解释用于评估每个人类分歧或分歧过程稳定性的模型。最后，基于散度和发散过程的稳定性，描述了日HCDSS的总体评价模型。

3.1。人类融合与分化的定义

首先，我们介绍了人类趋同和分歧的概念和定义。在手机数据的情况下，人类的所有位置都被手机发射塔记录下来。移动电话塔的流出（流出）定义为离开移动电话塔的累计移动数，而该塔的流入（流入）定义为到达移动电话塔的累计移动数。图1说明了时隙ti期间手机塔A的流出和流入。在此时段内，手机塔的净流量定义为：

图1。时隙ti期间手机塔A的流出和流入。

正的网络流量表明，在我们将此状态视为融合的时段内，手机塔服务的人数正在增加。相反，负的网络流量表明，在我们将这种状态视为分歧的时段内，手机塔服务的人数正在减少。时隙tj中手机塔的累积净流量可计算为：

式中，nj表示从t1到tj的时间段内手机塔的累计净流量值。图2显示了一天中手机塔的累积净流量随时段的变化。很明显，这种变化反映了手机发射塔的人类动力学。对于每座塔，都有一个累积净流量变化的时间序列（图2），代表其人类动力学。基于这种表述，我们介绍了人类趋同和分歧的几个定义，如下所示。

定义1时间相关的累积净流量序列：设nfrac14;hn1；n2；nj；nti为属于手机塔的灵敏净流量的时间序列，其中nj表示时间单位tj内的累积净流量。子序列lsquo;包括n的一部分，其表示为n0frac14;hni；ni_1；ni_2；；nji；1i j t，其中t表示一天中的总时隙。

定义2 HCP：如果n的子序列，即n0frac14;hni；n i_1；n i_2；；nji满足等式（3）中的以下条件，这意味着累积净流量从ti单调地增加到tj，则可以将其定义为HCP。有两种例外情况：情况1是i=1，可以忽略等式（3）中的第一个条件；情况2是j=t，其中t是评估中的最大时隙，可以忽略等式（3）中的第三个条件。例如，图2中时隙t6和t10、t12和t15之间的子序列是HCP。

定义3 HDP：如果n的子序列，即n0frac14;hni；n i_1；n i_2；；nji，满足以下条件等式（4），即从ti到tj的累积净流量单调递减，则n的子序列可以定义为hdp，上述定义中与hcp相关的两个情况除外。例如，图2中时隙t1和t6、t10和t12以及15和t23之间的子序列是hdps。

定义4 HCD：电话塔累积净流量的变化可以定义为HCP和HDP之间的一系列交替。HCD被用来代表这个手机发射塔的人类动力学。例如，如图2所示，带有黄色阴影的累积净流量的变化表示HCP，而带有蓝色阴影的则表示HDP。该移动电话塔的HCD可建模为：HDP→HCP→HDP→HCP→HDP。我们提出了一个量化HCP、HDP和HCD稳定性的评估模型。

3.2。HCP或HDP的稳定性

在确定人类趋同和发散的稳定性之前，我们首先考虑了它们的特征变化。图3显示了HCP.TS的示例，并分别表示了每一个异常进程的开始和结束时间段，而ns和ne分别表示开始时间段ts和结束时间段te的相应累积净流量。我们假设这些流程保存了这些修改，并且我们考虑了ISHCP的一些不同的意图，如

以下：（1）所有四个进程都保存了ns的值，但是图3（c）中的转换过程的持续时间比其他三个进程的持续时间长。（2）图3（b）–（d）中的时间点的累积净流量是图3（a）中的数值，但在图3（b，d）中的数值比其他三个过程中的数值小。（3）图3（b，d）中的持续时间和累积净流量相同，但图3（b）中HCP的数值比图3（d）中的数值小。因此，应考虑这些特殊特征。考虑什么时候才能保证一个地方的人类动态的稳定性。

由于以上讨论的差异，我们通过结合三个因素来测量稳定性，即持续时间（te-ts）、量级（ne-ns）和偏差（表明人类收敛或发散过程中的变化程度）。如果两个HCP具有相同的量值（ne-ns），则认为持续时间较长的HCP比持续时间较短的其他HCP更稳定。如果两个HCP的持续时间相同，则认为较小量级的HCP比较大量级的HCP更稳定。如果两个HCP具有相同的持续时间和量值，则具有较小偏差的HCP被认为比具有较大偏差的其他HCP更稳定。因此，在评估HCP稳定性时，使用持续时间、量值和偏差来量化差异。

HCP中累积净流量（ne-ns）的变化趋势表示为图3中的红色虚线趋势线，表示在TE和TS之间的时间段内人类聚集的强度。趋势线的坡度可用于量化HCP的强度：

其中v是趋势线的斜率，k是尺度参数，采用指数函数对v进行归一化，因此f的范围在0到1之间。当F接近1时，HCP在时间段内保持不变，收敛过程

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[429896]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章