Revealing latent characteristics of mobility networks with coarsegraining
1.文章概述
文章主要是借助出租车数据对城市出行网络进行分析,包括以下几块:1.对城市出行流进行分类,进而对各种出行流进行了一些描述性统计的分析;2.对各种出行流的模式做了分析,这里模式分析主要采用的方法是得到各种出行流OD距离和方向,然后对每小时的OD流和方向做了离散傅里叶变换(DFT)分析,分析各种出行流的OD流距离和方向的周期性。
文章的方法论上的创新主要是使用DFT分析了出行模式的规律性,其他的分析内容相对较为直观,针对傅里叶变换以及DFT主要可以参考傅里叶变换科普1,傅里叶变换科普2,傅里叶变换公式推导,DFT科普,DFT应用介绍。
2.方法论
2.1 OD聚类
文章第一部分首先对起讫点进行聚类划分。实现这一部分的方法论为:
- 对城市进行1km*1km的栅格化划分,然后统计每个栅格中起点和讫点的trip的数量,生成一个OD矩阵,行的sum就是该栅格作为起点的trip数量,列的sum就是该栅格作为讫点的trip数量。
- 可以人为设定一个阈值,将起点划分为hotspot和non hotspot,类似的,将终点也划分为hotspot和non hotspot。这是最为简单的处理方式,作者提出可以使用聚类的手段,自动确定这个阈值,详见第三步。
- 通过聚类的方式得到一个阈值,将起点和讫点分别划分为hotspot和non hotspot。该聚类方法的优化目标为下式,比较容易理解,其实就是使得这个阈值的划分使得hotspot和non hotspot的区分度最大。
2.2 Repeating patterns in fow displacement(模式分析)
这部分可以说是这篇论文的核心了,这部分分析主要是通过下列方式进行:
- 计算各个流,HH,HN,NH,NN,也就是hotspot->hotspot,hotspot->nonhotspot等等,计算这些流的两个指标,这两个指标计算如下列步骤所述。
- 首先定义每个流的overall displacement vector for each flow type f如下式,xe和ye分别是该flow的每一个trip的经度和纬度方向距离,可以把地图投影到平面,就易于理解,d和w分别是link的距离和trips的数量,需要说明的是这里一小时构建一个网络。
- 得到VfV_fVf之后,便可以计算出每个flow的宏观的两个统计指标,下图的这两个指标就相当容易理解,其中rfr_frf代表着总体的直线距离,越大说明trip距离越长,θf\theta_fθf代表着总的来说这个流的流向。
- 计算得到这两个指标后,由于是每小时构建一个网络,因此得到了一个时间序列,对这个时间序列使用DFT分析,可以进一步分析得到时间序列的周期特性。
具体结果见第三章所示。
3.result
下面展示一下各个方法论对应的结果,只是展示下结果的样子,但是对于具体解读可以去看文章,由于我也没有这么关注具体解读,所以也没有仔细去看了。
4.参考文献
[1] H Hamedmog h adam, Ramezani, M. , & Saberi, M. . (2019). Revealing latent characteristics of mobility networks with coarse-graining. Scientific Reports, 9(1), 7545.
Revealing latent characteristics of mobility networks with coarsegraining相关推荐
- Optimizing the Latent Space of Generative Networks
1. 概述 提出了一种称之为Generative Latent Optimization(GLO)的方法,与GAN相比,免去了生成对抗训练的策略,取得了类似GAN的效果 2. GAN的介绍 GAN有三 ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](4)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](4) The challenges of using graphs in ...
- 【ECCV2020】接收论文列表part1
ECCV2020将于2020年8月23-28日在线上举行,今年共接受了1361篇论文,本文是接收论列表的第一部分,第二部见链接 Paper ID Paper Title Category 267 Qu ...
- ECCV2020 收录论文汇总(持续更新中)附打包下载
2020极市计算机视觉开发者榜单已于2020年7月20日开赛,8月31日截止提交,基于火焰识别.电动车头盔识别.后厨老鼠识别.摔倒识别四个赛道,47000+数据集,30万奖励等你挑战!点击这里报名 极 ...
- 【ICCV2019】完整论文列表
ICCV2019完整论文清单,共1075篇. FaceForensics++: Learning to Detect Manipulated Facial Images Authors:Andreas ...
- ECCV 2020 论文大盘点-人脸技术篇
本文盘点ECCV 2020 所有与人脸相关的研究,涵盖人脸各子领域,总计46篇文章,涉及21个方向. 除了常见的人脸检测.对齐.识别.活体检测,人脸合成.编辑.重建.动画等技术都非常吸引人. 下载包含 ...
- 欧洲计算机视觉国际会议ECCR20最新论文整理分享
ECCV的全称是European Conference on Computer Vision(欧洲计算机视觉国际会议) ,两年一次,是计算机视觉三大会议(另外两个是ICCV和CVPR)之一.每次会议在 ...
- paper survey ——deep learning or machine learing and optical communication
machine learning 或者说deep learning已经被广泛应用于各种领域,之前本人也发表了几篇ML或者DL跟VLC相结合的论文.本博文主要是对16年后ML或DL跟optical co ...
- Twitter, 微博相关文献
[转]Twitter及微博研究的一组文献 Bibliography of Research on Twitter & Microblogging Alfred Hermida. (2010). ...
- 3G 4G 5G中的网络安全问题——文献汇总
Modeling and Analysis of RRC-Based Signalling Storms in 3G Networks 还是使用状态机模型来做恶意UE识别 https://san.ee ...
最新文章
- 域用户权限设置目录权限
- python27-python27安装
- mysql百万数据根据索引查询_mysql创建多列索引查询百万表数据的性能优化经验分享...
- sql server中同时执行select和update语句死锁问题
- Mac 配置PHP运行环境
- LINQ 花3个礼拜的时间来弄清楚
- excel绘制直方图
- 树莓派python语音唤醒_唤醒DuerOS Python SDK(解决声音切回树莓派的问题)
- hive:建库建表、表分区、内部表外部表、数据导入导出
- WPA3 vs WPA2
- C# vb .net实现消除红眼效果
- 树莓派3B+的基础配置
- JS Knockoutjs 简单使用
- linux编写域网扫描工具,shell脚本+详细解析
- HCI 基础系列:超融合架构的本质是什么(上)
- GridDehazeNet
- 学习笔记 | 查找成绩排名第二的学生
- 为什么我在使用word时。输入空格是点点点
- 战五渣系列之四(精通泛型)
- 蓝桥杯STC15单片机流水灯