基于数据驱动的城市交通周期性发现
社会与信息网络
2025-09-15 v2 人工智能
机器学习
摘要
人类 mobility 规律性对于理解城市动态和信息化决策过程至关重要。本研究首先量化了复杂人类 mobility 数据中的周期性，作为时间序列自回归中稀疏显式dominant正自相关性的识别，然后发现周期模式。我们将该框架应用于中国杭州的大规模地铁乘客流数据以及美国纽约和芝加哥的多模式 mobility 数据，揭示了过去数年中不同空间位置之间的可解释的每周周期性。对2019至2024年 ridesharing 数据的分析表明，疫情对 mobility 规律性产生了 disruptive 影响，并显示了随后的恢复趋势。2024年，曼哈顿区 ridesharing、出租车、地铁和共享单车的周期性 mobility 模式揭示了这些出行方式的规律性和变异性。我们的发现突显了可解释机器学习发现时空 mobility 模式的潜力，并为理解城市系统提供了有价值的工具。
关键词
引用
@article{arxiv.2508.03747,
title = {Data-Driven Discovery of Mobility Periodicity for Understanding Urban Systems},
author = {Xinyu Chen and Qi Wang and Yunhan Zheng and Nina Cao and HanQin Cai and Jinhua Zhao},
journal= {arXiv preprint arXiv:2508.03747},
year = {2025}
}