从轨迹监测中学习城市生命模式

近期现实世界人类移动性数据集的激增催化了轨迹预测、需求预测、行程时间估计与异常检测方面的地理空间与交通研究。然而，这些数据集也更广泛地支持对复杂人类移动系统的描述性分析。我们将生命模式分析正式定义为在线无监督异常检测的一种自然、可解释的扩展，其中我们不仅监控数据流中的异常，还随时间显式提取正常模式。为学习生命模式，我们将计算生物学与神经机器人学中的Grow When Required（GWR）情景记忆适配到地理空间分析这一新领域。这种受生物学启发的神经网络与自组织映射（SOM）相关，在迭代GPS流时增量式构建一组“记忆”或原型交通模式。随后它将每个新观测与既往经验比较，在数据上诱导在线无监督聚类与异常检测。我们从Porto出租车数据集中挖掘出感兴趣模式，包括主要公共假日与新发现的交通异常（如节日与音乐会），据我们所知，这些在此前工作中未被认识或报道。我们预期这种增量学习正常与异常道路交通行为的能力将在诸多领域有用，包括智能城市、自动驾驶车辆以及城市规划与管理。