导语


人类移动性（human mobility）领域已经随着详细和全面的数据的可用性以及计算的进步而发展。现有研究已经揭示了人类移动中存在的一些规律，并使用统计算法从复杂的移动行为数据中提取相关模式。不同地区的人类存在着许多共通的移动行为模式，但这些规律是如何涌现的尚未被完全理解。最新发表于Nature Computational Science 的综述文章，讨论了人类移动科学（human mobility science）的进步，并确定了未来研究的三个关键领域：理解空间认知如何塑造移动模式、新型交通工具以及算法如何塑造移动行为。


研究领域：城市科学，人类移动性，空间认知，交通网络，人工智能

Luca Pappalardo, Ed Manley, Vedran Sekara & Laura Alessandretti | 作者

刘志航 | 译者

王朝会、刘培源 | 编辑




论文题目：Future directions in human mobility science

论文地址：https://www.nature.com/articles/s43588-023-00469-4


目录

1. 引言
2. 心智——空间认知和移动选择
（一）记忆与表征
（二）导航和移动选择
（三）特征、环境和信息
3. 社会——城市和交通系统
4. 算法——用于移动性建模的计算模型和AI
（一）算法对人类移动性的影响
5. 其他需要考虑的因素
（一）应对公共卫生危机
（二）缓解气候变化
（三）减少不平等




1. 引言




大约130年前，科学家首次发现了人类移动模式中存在的普遍特征。德裔英国地理学家Ernest George Ravenstein研究了居住在英国的人们的出生地和居住地，发现用简单的规律就可以描述国内和跨国移民的特征[1,2]。这是一个开创性的成果，奠定了如今整个人类移动行为研究领域的基础[3,4]。考虑到当时使用的人口普查数据粗糙的空间分辨率且时间信息的缺失，以及统计学家和统计职员手动处理手写记录的巨大工作量，这些成就更加令人瞩目。此后，该领域发生了巨大变革（见图1a、b）。从移民到导航，再到通勤和日常事务，我们现在已经揭示了许多涉及人类移动的规律[3,4]。


图 1 人类移动性的数据来源。a，通过在Google学术搜索中使用Q = （‘human mobility’ OR ‘mobility network’ OR ‘mobility flow’ OR ‘flow of mobility’ OR ‘mobility dynamics’ OR ‘mobility patterns’），获得的关于人类移动性的年度出版物数量。b，获得了有关心智、社会和算法的人类移动性相关出版物数量。通过在Google学术搜索中查询获得：关于心智（圆形），Q AND（‘spatial cognition’ OR ‘psychology’ OR ‘navigation’ OR ‘cognitive mechanism’ OR ‘spatial memory’）；关于社会（正方形），Q AND（‘transportation’ OR ‘public transport’ OR ‘multimodal’ OR ‘sustainable’）；关于算法（三角形），Q AND（‘machine learning’ OR ‘artificial intelligence’ OR ‘AI’ OR ‘computational’）。c，个人移动路径。从左到右分别是：个人旅行路径，通过通话详单数据（CDR）获得的移动路径，通过智能手机应用程序收集的GPS数据，以及从智能卡估计的旅行路径。对于通话数据，每当个人发出或接收短信或电话时（背景形状描述相应的Voronoi图分割），将移动重构为基站（黑点）之间的行程。GPS数据位置以高空间分辨率记录，通常在固定时间间隔或每当移动设备的加速度计注册变化时记录。智能卡数据捕获使用公共交通旅行的部分行程。d，通过聚合个人级别数据获得集体移动数据。示例显示了来自多个个体的通话数据所描述的移动行为聚合。


这些发展得益于日益详细和全面的数据可用性。在过去的20年里，人类移动性研究领域与定位技术的发展和广泛应用齐头并进，这些技术最初被嵌入到手机和车辆导航系统中，现在则应用于智能手机和可穿戴设备中（图1c）。如今，据估计有66亿人拥有智能手机，这意味着全世界人口中大约85%身上都带有一个位置传感器[5]。


同时，随着算力的巨大进步，行为数据的研究在规模和复杂性上都得到了扩展。云计算和分布式计算有助于存储和分析大量的空间和时间数据集；基于模拟的计算模型帮助研究复杂的、非线性的系统，这些系统以前被认为是难以分析的[6,7,8,9,10,11]；统计学习算法已经被用来从复杂的行为数据中提取模式[12,13,14]，并用来预测[15,16]和生成[17,18,19,20]移动轨迹。这些方法的应用意味着移动性领域的研究取得了空前的成功。


从统计角度来看，一条轨迹被理解为停留和位移的交替，即一个人在某个确定位置花费时间，以及此人在不同地点之间导航这两种状态[3,18,21,22]。对于只考虑关于停留的序列数据，我们如今已经有了非常深刻的理解程度，这是20年前无法想象。我们已经能够捕捉到几乎所有空间和时间尺度上的停留统计数据，从短暂到访商店到住宅搬迁[4,12,23,24,25,26]。我们已经能够描述如何通过丰富的停留序列数据描述建筑和自然环境，以理解出行目的[27,28,29]以及城市特征[30,31]如何影响出行。此外，基于性别、年龄、社会经济状况和居住国家等因素[13,25,32,33,34]，我们已经能够描述个体之间的差异。


值得注意的是，尽管每个人都是独一无二的，但许多移动模式的属性是人们共有的。这包括，例如，给定距离的出行概率[12,35,36,37]；访问[11,35,38]、探索[10,39]和更新位置[40,41]的频率；如何在不同地方分配时间[42]；人类移动性的可预测性[38,43,44,45,46]；旅行的层次性[6]；个体移动网络的时空结构[47,48]；以及个体和集体移动之间的联系[11,48,49]（图1d）。


然而，这些规律为何会涌现出来，目前尚未被完全理解。基于主体的建模已经揭示了观察到的模式可能是由个体间共享的简单决策机制产生的[6,10,11,36,42]，但在很多情况下，这些假设缺乏实证论证。值得注意的是，数据在人类移动行为的所有领域中都发挥着关键作用，也可能带来不同的问题（材料1）。


随着计算方面的更多进步，从深度生成模型到联邦学习，以及新技术的采用，从移动脑电图到自动驾驶汽车和部署在智慧城市中的传感器，人类移动性的研究将继续繁荣。在这篇文章中，我们讨论了我们期望看到重大进步的三个关键领域。我们首先从心智开始，讨论了更好地理解认知如何塑造人类移动性，特别是在导航中的需要。然后，我们转向社会，讨论了更好地理解新型的交通和研究城市社会融合的重要需要。最后我们聚焦于算法，特别是人工智能，讨论它们不仅帮助我们理解和建模人类移动性，而且还影响移动行为。




材料 1 与移动性数据相关的问题



用于估算人类移动性的大多数数据集（如手机记录、智能手机应用记录、社交媒体签到和智能卡数据）并非最初就为此目的设计。因此，根据用于收集数据的技术的不同，移动轨迹中会引入不同的偏差和模式。例如，从通话详单（CDR）或数据记录（XDR）中推断的移动性，这些数据是由移动网络运营商为了计费目的被动收集的，可能会受到多重偏差的影响[160,161,162]。要被纳入移动性样本的个体必须拥有手机，而手机所有权已被证明集中在较富有、男性、年轻人和受过更好教育的人群中 [163,164,165]。然而，值得注意的是，这个问题的严重程度取决于研究的区域。2020年的统计数据显示，不同国家之间存在很大的差异；在高收入国家，每100人拥有122个手机，而在低收入国家，这个数字只有59 [166]。同样，要被纳入通话详单或数据记录数据集，个体需要积极地打电话、接电话、发短信或使用移动数据。尽管许多国家的预付手机订阅都包含了通话、短信和数据使用的宽松限制，但在低收入国家，按量计费的订阅仍然很流行。对于在这些地方收集的数据集，较贫穷的状况会限制他们的移动活动，因为打电话、发送短信或使用流量数据可能会非常昂贵。因此，这些人将产生更少的移动数据，他们的移动模式将是有偏的[161,167]。此外，由于商业利益，不是所有的地区都能被手机运营商均等覆盖[168]，这实际上限制了移动轨迹推断的分辨率。在农村地区，移动轨迹是稀疏的，因为大片地区（100平方公里或更大）通常只有一座天线基站，而在城市地区，由于天线密度更高（低至100平方米级别），移动轨迹更为精细。了解哪些人口被包含在数据中，他们的轨迹可以被重构的分辨率，以及数据是如何生成的，都是处理偏差和不完整数据的重要第一步。


对于来自智能手机应用和社交媒体平台的GPS推断的移动数据，需要类似的考虑因素[34,169]。基于手机应用的数据集通常受到平台、应用及其所有者的目标的影响，最终会在数据中产生各种形式。例如，收集GPS数据的应用可能会频繁地诱导和推动其用户使用应用。这可以通过算法或一些预定义的启发式方法实现。然而，这是一种无法衡量的现象，并且很难检测，但最终会渗入到移动数据中[170]。


数据中的偏差、表达错误或未表达的问题和分辨率差异将根据数据源以及用于收集数据的过程和方法的不同而表现出不同形式。除非解决并考虑这些问题，否则它们可能会影响从数据中得出的任何洞见[161,169]。


不幸的是，没有简单或标准化的修复方法。关于如何适当解决这些问题的文献还很少见[171,172]，加上缺乏对流动性的真实估计，情况会变得更加复杂。有些技术对缓解这些问题是有用的。这些技术的例子包括抽样，后期分层，以及从诸如引力或辐射模型的零模型生成的合成数据，以及从多个数据源混合移动模式。


此外，移动性数据集非常敏感，可能包含关于人们所在地、财务状况[25]、社交网络[173]和无数其他行为模式[174]的详细信息。对个人数据收集的态度差异很大，有些人担心隐私被侵犯，有些人对技术无批判的热情，有些人则对数据被收集感到无能为力[175]。用户倾向于分享他们的数据，如果他们预期有实质性的好处，即使他们对隐私有所顾虑[176]。重要的是，这些多样的态度可以进一步将偏见引入到空间数据集中。关于如何获取这些数据的知情同意的困难没有明确的解决方案[177]。目前，这些方面都还没有公认的标准，但这些数据以安全、保护隐私和道德的方式处理是至关重要的[178]。


 



2. 心智——空间认知和移动选择




许多日常出行任务，从规划个人的空间路径，到定位资源，都依赖于我们组织和检索空间知识的能力。然而，人类的大脑对物理空间形成了一幅有限且扭曲的物理空间图景[50]。理解人类大脑如何组织空间知识，或构建所谓的认知地图（cognitive maps），对于理解移动行为，最终规划以人为中心的城市和交通系统至关重要。


然而，尽管人类移动性研究领域取得了很大的进步，但与支持移动和导航的认知机制的更广泛研究的联系还很少。人类大脑中的结构——经过数千年演化——决定了我们如何回忆方向，位置之间的关联和这些点之间的距离，最终塑造所有人在空间中移动的选择。虽然我们知道人类对空间的感知和记忆远非完美，但对这些如何影响人类移动的理解还不够。在人类认知和移动性的交叉领域，有三个方面有待进一步探索：空间记忆和表征、导航和移动选择策略，以及有影响力的环境和个人特征。


（一）记忆与表征


当一个人在空间中移动时，他会构建记忆，记住不同地方之间的距离和关联（图2d）。最初，记忆由一系列沿途观察到的“特征”组成（以自我为中心的表征）。随着人对一个地方的经验增加，这些“特征”被整合成一个结构，捕捉到不同特征在空间中的关系（以空间为中心的表征），不依赖于个体的位置。这种空间记忆的结果被称为“认知地图”[50]，尽管两种表征的共存意味着很难分离出一张单一的地图。


图2空间认知中决定性因素和认知结构的总结。a-e，空间导航受到包括：社交互动和合作（a）；个体特征（b）；可用的外部信息（c）；基于特征和场景的认知机制的影响，包括基于特征和场景的表示（以自我为中心的“场景”记忆），它们之间的关联（以他者/空间为中心的“地图”记忆），以及朝向目标的方向（d）；使用与其他选择架构一起工作的不同策略，依赖于以自我为中心（E）和以他者为中心（A）的记忆表示（e）。这些策略包括：路径积分（E/A），通过将从起点开始的行进距离和方向相加来计算自己的位置；角度最小化（E/A），选择将目标位置的方向偏差最小化的路径；分层区域细化（A），开发基于地理空间的分层认知模型的启发式导航规则；以及基于区域和地标的（A）策略，其中路径被划分并参考特定的地理特征进行规划。


地理空间中的那些值得记忆的“特征”在塑造记忆时起着不同的作用。地标——无论是具有文化意义的，还是仅仅在视觉上显眼的——都被视为编码空间记忆的重要特征。主要的路口[51]、路线[52]以及区域之间的边界[53]都是空间记忆中的关键特征。神经科学似乎证实了许多这样的观点。在大脑的海马区，一组细胞编码了常见物体的位置，保存了一个关于空间个体化的地图式表征：位置细胞编码显著的位置，边界细胞表示区域边界，网格细胞捕捉空间间的距离（参见文献[54]的评论）。这些机制得到了头部方向细胞和目标方向细胞的支持，所有这些都有助于描述主观位置相对于其他特征，这是一种称为路径整合（path integration）的过程（图2e）。最近的研究也确定了特征在层次结构中的组织[55]，在层次结构中，物体（例如，社区、街道和地标）被组织在嵌套的结构中，这是已经在认知规划过程中被构建的[56]。


这些认知表征是移动选择的基础。然而，尽管计算模型在描述移动行为方面非常常见，但空间认知和空间数据表示之间的联系很少。启动这个领域研究的一个重要的定性框架是凯文·林奇（Kevin Lynch）的《城市印象》（The Image of the City）[57]，该框架提出，城市的感知可以被解构为五个元素：边界、节点、地标、区域和路径。《城市印象》产生了深远的影响，并引领了现代空间数据分析的最新进展[58]。空间句法（space syntax）研究人员关注城市空间的特定特征，提出了捕捉道路网络中显著性的模型，其他人则关注显著地标的识别[59]。相比之下，机器人领域的研究人员试图明确地在机器人上复制人类空间学习过程[60,61]。然而，除了典型的例子[62]，我们缺乏全面的视角来捕捉真实世界的地理空间是如何被学习、存储和回忆的，以及知识如何在不同人群中变化。这样一个模型（基本上是一个“认知地理信息系统（cognitive geographic information system）”）将为衡量人类与空间如何互动提供一个新的基础。


（二）导航和移动选择


空间认知在人类移动的许多方面都起着作用，包括选择目的地、交通方式和路线，或在新环境中导航。虽然以前的大多数研究都集中在导航上，但这些机制影响着更广泛的出行决策。


认知科学的研究结果让我们对于城市和交通科学的一些长期假设产生了质疑，比如当选择目的地路线时，人们的行为是效用最大化的。在城市和交通研究中，路线选择通常被建模为在一组可选择的路线中做出逻辑选择，并通过采访和调查收集的数据进行校准[63]。这些数据受到样本量小、数据缺失和自我报告偏差的困扰。这些替代方案通常建模为最优路径（例如，采取最少时间或最短距离的路径），但最近在真实环境中的研究已经发现，行人和车辆驾驶员通常不会遵循最优路径，而是受到城市特征（地标、区域及其层次组织）以及目标的距离和方向的影响[8,64,65,66,67]，这些发现为认知科学和神经科学提供了实验性证据。街道网络的结构显然也起着作用[31]，绿化[68]、交通量[30]和噪声[69]也可能产生影响。然而，还有很大的机会来加强和拓展这些发现，并发展出更复杂的模型，这些模型基于我们对潜在认知机制的了解。


当考虑决策建模的机制以及如何将这些理论应用到预测模型中时，就会出现更多的机会。除了离散选择模型，行为经济学、认知建模[70,71]和强化学习等方法已经被考虑用于塑造移动行为选择。有限理性的影响越来越被认为是决策的基础[8]，有学者已经提出了启发式框架[72]。最近，融合理论和机器学习方法的机会也已经出现，包括传统方法[73]和人工智能[74,75]。


尽管我们对空间导航的理解正在提高，但在空间认知与更具“策略性”的出行选择（例如，目的地选择、出行方式和出发时间）之间建立的联系较少。最近有希望的研究开始考虑如何将生理数据[76]和功能磁共振成像数据[77]纳入到空间和时间感知以及移动选择的模型中。虽然这些发现为我们如何建立空间和时间感知的模型做出了贡献，但它们必须融入到一系列行为决定因素中，包括最新的移动选择理论。


（三）特征、环境和信息


除了影响移动性的机制外，还有一系列其他因素被证明可以调节人类移动性（图2b）。个人特征尤其重要。例如，女性和老年人的导航效率较低[78]。个人成长的环境也起着作用[31]。行动不便或有视力障碍的旅行者面临额外的行动限制，这在很大程度上是由于环境的原因。移动者所处的环境也很重要。例如，一个对环境不熟悉的游客与一个当地人的导航方式会有所不同，但当地人的知识也因经验而有很大差异[79]。此外，朋友或家人的存在为导航带来了社交元素，需要合作和共享信息[80]（图2a）。交通和拥堵也促使途中计划发生变化[81]。最后，导航支持设备（例如，卫星导航设备和地图）的作用也会影响行为和空间学习[82,83]（图2c）。


虽然认知地图的作用与环境和特征是相互依赖的，但许多现有的研究都是在小规模、受控的环境中进行的，我们缺乏对影响人类移动的认知因素的系统性、交叉性理解。大规模收集这些与决定因素结合的移动行为的数据是具有挑战性的，面临着与其他移动性研究相同的问题（材料 1）。对大量人群被动收集的数据进行计算分析，特别是结合实验数据，可能是了解实际环境下移动行为的认知机制的关键。


最终，理解出行选择、人类导航和路线的基本机制将在空间认知、人类移动性和交通工程的文献之流中架起桥梁，并使得生成更贴近现实的交通和运输模型成为可能。


 



3. 社会——城市和交通系统




全球许多城市正努力从以汽车为中心的交通方式转变为综合多种模式——包括步行、骑行和公共交通[84]——来支持跨越各种空间和时间尺度的城市日常出行（图3a）。对人类移动性的科学理解对于辅助这一转变至关重要，因为它为决策者提供了预测城市交通需求和评估新政策影响的工具。然而，我们对多模式城市出行的理解存在重要的空白。


图3 多模式交通系统的复杂时空性质。a，人类的移动涵盖了大范围的空间和时间尺度。城市移动主要通过不同的交通方式处理日常的位移。b，c，巴黎城市的多模式交通网络示例。b，底层对应步行层（街道网络）；中间层对应Vélib’网络（微移动自行车），其中链接是自行车道，节点是自行车停靠点；顶层是地铁网络。各层的空间密度差异很大。虽然步行网络是静态的，即从给定的起点到给定的终点总是可以行走的（左图），但沿着微移动层的行走受到自行车的可用性的影响（中图），而沿着地铁网络的行程受到公共交通时间表的影响（右图）。c，箱线图显示了巴黎交通网络中交通选择的可用性随一天中时间的变化：每小时在巴黎地铁站的车辆出发次数（上图）和至少有一辆自行车的Vélib’站的比例（下图）。对于一天中的每个小时：中心线对应于各天的中位数。箱线图包括104个点，对应于考虑的天数。街道网络数据来自OpenStreetMap（从https://planet.osm.org获取的planet dump，https://www.openstreetmap.org）。2021年1月至7月的地铁数据来自RATP（https://transitfeeds.com/p/regie-autonome-des-transports-parisiens/413）。2020年11月至2021年3月的Vélib’数据来自data.gouv.fr（https://www.data.gouv.fr/en/datasets/velib-paris-et-communes-limitrophes-idf/#resources）。


研究多模式出行的首要挑战是捕获多模式出行的数据的有限可用性。例如，从智能交通卡中获取的移动模式描述了公共交通的使用情况，但并没有提供关于人们如何从出行的起点到终点的完整画面[85,86,87]。此外，大多数现有的数据来源于发达国家，而南半球城市交通复杂，最大且发展最快的城市都集中在这些国家[88]，所以很难对这些国家的交通模式展开研究（如材料 1所示）。因此，我们还不清楚各种交通方式及其组合是如何满足不同个体出行需求的。一个有前途的数据收集途径来自于正在开发基于智能手机的票务系统的倡议，这些系统将乘客与多个公共和微移动运输运营商连接起来[89,90,91,92]。通过多种方式收集定位数据（GPS）和交通数据，这些手机应用有可能推动对移动行为的新颖、前所未有的理解。


为足够大的人口收集交通方式选择的轨迹数据，可以进一步帮助量化个体在使用交通时彼此的接触程度。反过来，理解这些城市内部个体的接触是至关重要的，可以用来量化城市区隔[25,93]和模拟疾病传播[28]。自2019冠状病毒疾病（COVID-19）大流行以来，大规模的GPS轨迹数据集已经成为量化城市人口接触的有效方法。研究报告在某些地区的人口覆盖率达到空前的 22%[94]。未来的研究应该解决一些与从移动轨迹推断接触有关的挑战，包括数据在室内环境中的限制，缺乏数据捕捉公共交通中的接触，以及抽样偏差（参见材料 1中的更多细节）。


研究城市出行的第二个问题是缺乏全面整合不同形式的交通的模型。在过去的20年里，新的共享交通解决方案在世界许多地方变得司空见惯。微移动（共享单车自和滑板车），按需乘车（Uber和Lyft）和共享汽车[95]正在推动从私人交通向公共交通的转变。传统的方法将旅行视为一系列独立的过程，在整体规模上进行建模[96]，忽视了旅行方式和路线之间的依赖关系。虽然新的方法，如基于活动和基于主体的交通模型[97]，提供了更个性化的视角，但在包括路线和拥堵效应在内的选择方面，通常为了计算方便而进行简化。


多层网络的框架为模拟多模式基础设施提供了一个有前景的多功能工具[84]。多层网络根据不同的交通方式进行分层组织，在每一层中，交通基础设施（例如，街道、公共汽车和地铁线路、自行车道）构成网络的连接，交叉口（例如，公共汽车站、地铁站）构成节点（图3b）。然而，我们仍然需要全面整合代表每种出行模式的基础设施的时间依赖性。公共交通遵循固定的时间表，这意味着在过渡层的网络连接只是间歇地活跃（参见图3c，顶部的一个例子）。相反，私人交通模式可以理解为链路持续活动的静态网络。共享移动系统，如微移动，提供了不同程度的灵活性，因此处于私人和公共交通方式之间。例如，在基于站点的共享自行车系统中，任何一对站点之间的交通连接在任何时间都可以被激活，只要在出发站有车可用（图3c，底部）。在拼车中，只有当提供了覆盖特定起点和终点的乘车服务时，连接才是活跃的，因此需要更多的规划。设计整体模型的努力不仅对于设计交通基础设施至关重要，而且对于开发全面的路线规划算法至关重要，该算法考虑真正依赖时间的网络中所有可用的交通方式。


最后，值得注意的是，在未来自动驾驶汽车、车对车（V2V）通信和车对基础设施（V2I）通信等新兴技术将推动城市出行发生巨大变化[98]。


车对车和车对基础设施技术的集成在塑造人类移动行为的未来方面具有广阔的前景。能够收集关于城市基础设施、车辆和人类行为的各个方面的实时数据，为我们洞察人类与城市环境互动的复杂性开辟了新的窗口。如果这些信息被正确地分析和应用，有可能通过实现更好的交通管理、更有效的导航和改善道路安全，来彻底改变交通系统。与收集和存储这些数据相关的技术挑战有很多，包括隐私问题、互操作性问题和监管难题，这些都超出了本文的范围。在计算建模方面，为车辆收集的实时数据将需要开发新的移动建模方法，因为它可以考虑驾驶员的同时选择，并以协调的方式将车辆实时分配到路径[99]。


鉴于在不久的将来自动驾驶汽车的大量使用，协调的交通分配模型可能有助于显著降低城市拥堵。在这方面，探索既能保持系统最优（即全局有效的分配）又能保持用户最优（即对每个用户公平的分配）的平衡的方法将至关重要[100]。


 



4. 算法——用于移动性建模的计算模型和AI




受到在计算机视觉、自然语言处理、医疗诊断和零和博弈[101,102,103,104,105,106]中实现的人类般的表现的激励，研究人员开始使用深度学习来改进基本移动任务的解决方案，如轨迹预测和生成，以及流量预测和生成[18]。移动预测器和生成器应同时捕捉人类轨迹中隐藏的空间、时间、社交和地理规律，外部因素的影响，以及对移动决策的偏好。在这方面，AI在人类移动性研究中的使用相比于传统方法有许多优势。


虽然在AI爆发之前已经有许多移动任务的解决方案[15,16,107]，但它们通常使用概率或基于时间序列的方法，只能部分地捕捉人类移动性的维度。特别是，这些传统的方法在捕捉数据中的复杂序列模式方面存在困难。AI方法通过使用诸如循环神经网络（RNN）[108]和卷积神经网络（CNNs）[105]等机制来解决这些问题。此外，AI方法可以有效地捕捉外部因素的影响，如城市中的天气条件和公共活动，这些可以通过全连接网络[102]有效处理，并与CNN或RNN的输出结合起来。


尽管关于生成模型的文献繁多，这些模型再现了人类移动的简单的时间、空间或社会模式[3,4,7,10,14,19,40,42,48,49,84,109,110,111,112]，但这些模型的有效性由于实现的机制的简单性而受到限制。大多数机制性的生成器假设一个个体依赖于一个简单的、二元的决策（通常是回到已知的地点或探索新的地方[40,42]）或服从特定的人类位移的法则（例如，引力法则、辐射法则及其后续的扩展[4,20,49,111]）。AI的最近的进步，如生成对抗网络（GAN）[113]和变分自动编码器（VAE）[114]依赖于深度学习模块来学习数据的分布，并生成来自相同分布的轨迹或移动流[18,115,116,117,118,119]。GAN和VAE是多功能的，可以同时捕捉不同的方面（空间、时间和社交维度）和数据中的非线性关系，这是传统方法可能无法捕捉的。


研究者现在已经在研究使用Transformer网络[120]生成、预测和完成个人轨迹的应用。这些模型的一些显著的例子是GPT-3（一个生成的预训练Transformer模型）和BERT（一个基于Transformer的双向编码器模型），这些都是基于注意力的神经网络模型。正如ChatGPT的惊人能力所显示的，这些网络在语言建模领域的表现优于RNN，这引发了假设：它们可能在建模人类移动性方面更有效。最近的研究为这个假设提供了实证支持[18,27,121,122]，但挖掘语言模型的全部潜力是一个尚待探索且有前途的研究问题。


然而，闪闪发光的并非都是金子。AI模型（特别是基于深度学习的模型）是不透明的[123]，这意味着它们实际上是黑箱，很难从中重构预测或生成轨迹的推理。例如，虽然移动AI模型依赖于许多特性，无论是时空的还是外部的（例如，天气数据，兴趣点），模型结果的每个特性的角色并不明确。当一个算法在没有人类输入的情况下从数据中学习模式时，可解释性对于提供公开性和透明性至关重要。可解释性的缺乏可能会导致用户信任受到侵蚀或道德问题，因为得出的预测可能会延续经验数据的偏见（材料 1）。最近的研究[20,124]已经表明，通过采用为研究移动数据开发的可解释的AI技术，可以获得更好的可解释性。然而，这些方法也受到了批评，因为它们可能会给出关于预测特性的相对重要性的误导信息[125,126]。因此，现在是时候开发专门为人类移动性设计的解释器了，提供例子和反例来从不同的角度验证轨迹和移动流[18,127]。设计透明的AI移动模型或可解释的移动AI技术是获得对潜在用户（如政策制定者和城市规划者）有用的知识的关键（图4a）。


图4 人类移动性，AI和城市环境。a，一个示意性的例子，说明可解释AI工具如何改进深度学习解决人类移动性中常见问题的解决方案，如流量生成。工具提供的解释可能指出了影响流量位置特征的变量的重要性，例如，通过Shap-like解释图。在Shap图中，每个点代表一个流量，x轴的位置是Shap值（捕获单个特征对预测的影响程度），颜色表示特征值。本例中考虑的特征有：源和目标位置之间的距离，目标位置的土地使用（自然或商业），目标位置的人口，以及目标位置的健康兴趣点（POIs）的数量。需要为人类移动性定制的解释，未来的移动科学努力将需要定义专门为人类移动性设计的解释。b，一个例子，说明三个不同的导航服务（NS1，NS2和NS3）可能会为具有相同起点-终点对的车辆建议不同的路线，每条路径对城市环境的影响（例如CO2排放）都不同。理解这些服务的集体影响，并设计下一代导航服务，这些服务可以在满足用户需求的同时减轻他们的影响，将是人类移动科学的未来挑战。


一个有前途的方向是将AI模型的优点与机制模型（mechanistic models）（如探索和优选返回模型及其改进[19,42,109]）的优点结合起来，这些模型旨在复制控制人类移动性的基础过程。机制模型在设计上是可解释的，但由于其简单的机制，只能捕捉有限数量的移动性维度。尽管如此，这些模型具有高度的地理可转移性[18]，可以用来预测不同区域的位置和流量。相反，AI模型可以捕捉许多维度，但需要更多的可解释性，并且高度依赖于用于训练的数据，这可能限制了它们的地理可转移性。将这两种方法结合成一个混合模型的潜力尚未完全探索，可能推动人类移动模式的新发现。


（一）算法对人类移动性的影响


研究人员正在加大努力，使用数字数据源来研究AI移动应用（如新的公共移动服务：共享汽车、自行车、叫车以及产品和食品配送）和GPS导航应用（例如，谷歌地图和TomTom），以及这些应用对城市福利的多个维度，如安全、空气污染和空间隔离[128,129,130]的影响。


尽管新的公共移动服务承诺增加商品和区域的可达性，但它们对城市环境的集体影响基本上还不清楚。使这些服务得以运作的移动任务是服务需求预测，其目标是使用AI预测未来的公共移动服务的用户需求[131,132,133]。像Uber、Lyft和Amazon这样的公司每天都在全世界提供这些服务，作为基于技术的、按需的和负可担得的替代传统方案的手段。例如，生活在大型零售商不能触达的社区的居民，可以利用Amazon当天送货服务，避免走更远的路和支付更多的钱来获得家庭必需品。同样，没有私家车的人可以利用如Uber和Lyft这样的叫车服务到达公共交通不能覆盖的区域，作为对出租车公司的替代。初步的研究显示，叫车服务可能有助于改善城市移动性，但它们也可能增加道路交通量，让人们减少乘坐公共交通工具，并产生更多的污染[134]。


此外，这些服务可能会产生社会区隔，因为它们是基于对少数群体进行歧视性的预测[131,132,133]：模型可能会过拟合，因为源数据与社会经济条件和人口统计数据的相关性可能存在强烈偏差（详见材料 1）。例如，贫困社区的乘客量低并不一定（或甚至通常）是需求低的表现[135]。总的来说，现有的研究是零散的（因为算法通常被视为商业秘密，而且算法系统难以审核），并产生了不确定的或矛盾的结果。需要进一步的研究来阐明这些方面。


近年来，像TomTom、谷歌地图和Waze这样的GPS导航应用的广泛传播，这些软件使用路径推荐的算法、启发式方法和AI来建议到达用户期望目的地的最佳路径。尽管这些软件十分有用，特别是在探索一个不熟悉的城市时，但导航应用也可能对城市环境产生负面影响（图4c）。


关于生态路径的研究产生了混合结果：绿色导航应用可以减少CO2排放[136]，但会增加对氮氧化物的暴露[137]，而导航应用建议的最快路线并不总是优化燃油消耗的[138]。最近的研究[139]显示，随着一个城市中越来越多的车辆遵循导航应用的路线建议，城市环境中的CO2排放量会增加。这些研究虽然还处于初期阶段，但突出了需要进一步研究AI推荐对路线选择的影响及其对城市空间和福利的影响。通过理解这些因素之间的相互作用，我们可能能够开发出优化燃油效率和可持续性的导航算法，同时最小化对环境和社会的负面影响。


 



5. 其他需要考虑的因素




近年来算力的发展已经使得该领域取得了实质性进步，我们预期正在进行的研究将会与计算的进步并行发展。数据收集方法的进步，如可穿戴传感器、智能手机和连接的车辆，可能会揭示移动性一些鲜为人知的方面。此外，数据存储和分析的新兴技术，如分布式数据库和联邦学习，可以在保持隐私和数据质量的同时，对大量数据进行融合。最后，新的分析工具和建模技术的整合，如机制模型和AI黑箱移动模型的融合，可以帮助揭示移动行为的新一面。这些洞见在未来几年可能在塑造社会方面起着关键的作用。通过在这篇文章中概述的研究方向上取得进步，我们可能帮助解决社会今天面临的一些最紧迫挑战，包括公共卫生危机、气候变化和社会经济不平等。


（一）应对公共卫生危机


人类移动性对公共卫生产生深远影响，移动性数据在理解影响空间政策的关键角色上起着至关重要的作用。COVID-19大流行强调了这种关系，因为许多国家实施了非药物干预（NPIs）如封控、居家令和旅行限制来控制病毒的传播[29,140,141,142,143,144,145,146,147,148]。然而，像无差别关闭公共和商业活动这样的传统非药物干预，可能并非最有效的方法。相反，一个包含多样化数据（如健康、人口统计、收入、移动和空间特征）的AI模型，可以确定更有针对性和有效的健康政策和非药物干预。例如，如果移动到某地主要由特定的兴趣点驱动，例如大学，那么限制对那个位置的访问就可能控制病毒的传播。一个AI模型甚至可以预测如果限制对该点的访问，移动性会如何变化，并提供潜在结果的洞见。


（二）缓解气候变化


人类移动性及其对环境影响的关系复杂且多面。由于约11.9%的温室气体排放来自道路运输，其中60%的排放由乘客旅行产生，联合国已经呼吁采取行动减少城市的负面环境影响，特别是关注空气质量[149,150]。


这方面的一个未解的问题是如何有效地利用已知的移动模式来定义和实施有效的减排政策。研究已经显示，一小部分被称为重污染者的车辆排放的污染物比其他车辆显著地多[151,152]。鼓励这些重污染者采用更可持续的移动形式，如电动车或远程工作，比随机地针对车辆来减少CO2排放更有效[151]。这些发现是有前途的；然而，移动模式和排放以及可持续性之间的关系只被粗浅探索过。


另一个需要进一步研究的领域是开发考虑路线选择的集体环境影响的下一代导航策略。移动导航应用的普及使得移动性和排放之间的关系进一步复杂化，因为各个应用程序向用户建议的路线的环境影响可能会有很大的不同[136,139,153]。设计降低整体环境影响的路由算法需要更深入地理解人类移动性，特别是认知因素，以鼓励人们遵循可能在个体层面并非最优，但在集体层面有助于缓解环境影响的路线。多模式和移动性对环境影响的关系，以及AI在关系中的潜在角色，仍然是正在进行的研究和调查的领域。


（三）减少不平等


实现可持续的城市，促进社会凝聚力，使所有个体都有公平的机会获得资源，是联合国可持续发展目标设定的优先事项之一[154]。然而，全球城市在收入、教育和健康等方面仍面临深度的社会不平等和隔离[155]。这篇综述文章强调的研究方向可以帮助解决这个差距，通过提供不平等和由移动模式驱动的隔离的理解。例如，隔离和不平等的机会，可以是不公平的运输和可达性的直接后果。以车为中心的城市，实际上，倾向于居民隔离[156]。对低收入群体的就业机会的较差的可达性，阻碍了家庭搬迁，从而维持了隔离[157]。多模式交通承诺通过提供一系列选择，帮助到达那些只能通过汽车抵达地点[158]，从而鼓励社会融合，帮助减少不平等。然而，多模式交通实际上对减少社会融合和不平等的效果尚未完全理解，利用现实世界的数据和计算模型的研究将是填补这个空白的关键。人类移动科学的研究可以推动对社会隔离和不平等的新理解，并通过规划可持续和包容性的基础设施，帮助开发新的解决方案来缓解这些问题。


参考文献

  1. Ravenstein, E. G. The laws of migration. J. R. Stat. Soc.52, 241–305 (1889).

  2. Ravenstein, E. G. The Birthplaces of the People and the Laws of Migration (Trübner, 1876).

  3. Barbosa, H. et al. Human mobility: models and applications. Phys. Rep.734, 1–74 (2018).

  4. Wang, J., Kong, X., Xia, F. & Sun, L. Urban human mobility: data-driven modeling and prediction. SIGKDD Explor. Newsl.21, 1–19 (2019).

  5. O’Dea, S. Smartphone users worldwide 2021 statista. Statistawww.statista.com/statistics/330695/number-of-smartphone-users-worldwide/ (2022).

  6. Alessandretti, L., Aslak, U. & Lehmann, S. The scales of human mobility. Nature587, 402–407 (2020).

  7. Barbosa, H., de Lima-Neto, F. B., Evsukoff, A. & Menezes, R. The effect of recency to human mobility. EPJ Data Sci.4, 1–14 (2015).

  8. Bongiorno, C. et al. Vector-based pedestrian navigation in cities. Nat. Comput. Sci.1, 678–685 (2021).

  9. Cornacchia, G. & Pappalardo, L. A mechanistic data-driven approach to synthesize human mobility considering the spatial, temporal, and social dimensions together. ISPRS Int. J. GeoInf.10, 599 (2021).

  10. Pappalardo, L. et al. Returners and explorers dichotomy in human mobility. Nat. Commun.6, 8166 (2015).

  11. Schläpfer, M. et al. The universal visitation law of human mobility. Nature593, 522–527 (2021).

  12. Alessandretti, L., Sapiezynski, P., Lehmann, S. & Baronchelli, A. Multi-scale spatio-temporal analysis of human mobility. PLoS ONE12, 0171686 (2017).

  13. Kraemer, M. U. et al. Mapping global variation in human mobility. Nat. Hum. Behav.4, 800–810 (2020).

  14. Noulas, A., Scellato, S., Lambiotte, R., Pontil, M. & Mascolo, C. A tale of many cities: universal patterns in human urban mobility. PLoS ONE7, 37027 (2012).

  15. Burbey, I. & Martin, T. L. A survey on predicting personal mobility. Int. J. Pervasive Comput. Commun.8, 5–22 (2012).

  16. Calabrese, F., Di Lorenzo, G. & Ratti, C. Human mobility prediction based on individual and collective geographical preferences. In 13th International Conference on Intelligent Transportation Systems 312–317 (IEEE, 2010).

  17. Dai, J., Yang, B., Guo, C. & Ding, Z. Personalized route recommendation using big trajectory data. In 31st International Conference on Data Engineering 543–554 (IEEE, 2015).

  18. Luca, M., Barlacchi, G., Lepri, B. & Pappalardo, L. A survey on deep learning for human mobility. ACM Comput. Surv.55, 1–44 (2021).

  19. Pappalardo, L. & Simini, F. Data-driven generation of spatio-temporal routines in human mobility. Data Min. Knowl. Discov.32, 787–829 (2018).

  20. Simini, F., Barlacchi, G., Luca, M. & Pappalardo, L. A deep gravity model for mobility flows generation. Nat. Commun.12, 6576 (2021).

  21. Zheng, Y. Trajectory data mining: an overview. ACM Trans. Intell. Syst. Technol.6, 1–41 (2015).

  22. Zheng, Y., Capra, L., Wolfson, O. & Yang, H. Urban computing: concepts, methodologies, and applications. ACM Trans. Intell. Syst. Technol.5, 1–55 (2014).

  23. Pappalardo, L., Ferres, L., Sacasa, M., Cattuto, C. & Bravo, L. Evaluation of home detection algorithms on mobile phone data using individual-level ground truth. EPJ Data Sci.10, 29 (2021).

  24. Fudolig, M. I. D., Monsivais, D., Bhattacharya, K., Jo, H.-H. & Kaski, K. Internal migration and mobile communication patterns among pairs with strong ties. EPJ Data Sci.10, 16 (2021).

  25. Moro, E., Calacci, D., Dong, X. & Pentland, A. Mobility patterns are associated with experienced income segregation in large US cities. Nat. Commun.12, 4633 (2021).

  26. Pappalardo, L. et al. An analytical framework to nowcast well-being using mobile phone data. Int. J. Data Sci. Anal.2, 75–92 (2016).

  27. Xue, H., Voutharoja, B. P. & Salim, F. D. Leveraging language foundation models for human mobility forecasting. In Proc. 30th International Conference on Advances in Geographic Information Systems Vol. 90, 1–9 (ACM, 2022).

  28. Aleta, A. et al. Quantifying the importance and location of SARS-CoV-2 transmission events in large metropolitan areas. Proc. Natl Acad. Sci. USA119, 2112182119 (2022).

  29. Lucchini, L. et al. Living in a pandemic: changes in mobility routines, social activity and adherence to COVID-19 protective measures. Sci. Rep.11, 24452 (2021).

  30. Borst, H. C. et al. Influence of environmental street characteristics on walking route choice of elderly people. J. Environ. Psychol.29, 477–484 (2009).

  31. Coutrot, A. et al. Entropy of city street networks linked to future spatial navigation ability. Nature604, 104–110 (2022).

  32. Gauvin, L. et al. Gender gaps in urban mobility. Humanit. Soc. Sci. Commun.7, 11 (2020).

  33. Macedo, M., Lotero, L., Cardillo, A., Menezes, R. & Barbosa, H. Differences in the spatial landscape of urban mobility: gender and socioeconomic perspectives. PLoS ONE17, 0260874 (2022).

  34. Barbosa, H. et al. Uncovering the socioeconomic facets of human mobility. Sci. Rep.11, 8616 (2021).

  35. Gonzalez, M. C., Hidalgo, C. A. & Barabasi, A.-L. Understanding individual human mobility patterns. Nature453, 779–782 (2008).

  36. Gallotti, R., Bazzani, A., Rambaldi, S. & Barthelemy, M. A stochastic model of randomly accelerated walkers for human mobility. Nat. Commun.7, 12600 (2016).

  37. Pappalardo, L., Rinzivillo, S., Qu, Z., Pedreschi, D. & Giannotti, F. Understanding the patterns of car travel. Eur. Phys. J. Spec. Top.215, 61–73 (2013).

  38. Song, C., Qu, Z., Blumm, N. & Barabási, A.-L. Limits of predictability in human mobility. Science327, 1018–1021 (2010).

  39. Scherrer, L., Tomko, M., Ranacher, P. & Weibel, R. Travelers or locals? Identifying meaningful sub-populations from human movement data in the absence of ground truth. EPJ Data Sci.7, 1–21 (2018).

  40. Alessandretti, L., Sapiezynski, P., Sekara, V., Lehmann, S. & Baronchelli, A. Evidence for a conserved quantity in human mobility. Nat. Hum. Behav.2, 485–491 (2018).

  41. Barbosa, H., de Lima-Neto, F. B., Evsukoff, A. & Menezes, R. The effect of recency to human mobility. EPJ Data Sci.4, 1–14 (2015).

  42. Song, C., Koren, T., Wang, P. & Barabási, A.-L. Modelling the scaling properties of human mobility. Nat. Phys.6, 818–823 (2010).

  43. Lu, X., Wetter, E., Bharti, N., Tatem, A. J. & Bengtsson, L. Approaching the limit of predictability in human mobility. Sci. Rep.3, 2923 (2013).

  44. Smith, G., Wieser, R., Goulding, J. & Barrack, D. A refined limit on the predictability of human mobility. In International Conference on Pervasive Computing and Communications 88–94 (IEEE, 2014).

  45. Cuttone, A., Lehmann, S. & González, M. C. Understanding predictability and exploration in human mobility. EPJ Data Sci.7, 1–17 (2018).

  46. Ikanovic, E. L. & Mollgaard, A. An alternative approach to the limits of predictability in human mobility. EPJ Data Sci.6, 1–10 (2017).

  47. Schneider, C. M., Belik, V., Couronné, T., Smoreda, Z. & González, M. C. Unravelling daily human mobility motifs. J. R. Soc. Interface10, 20130246 (2013).

  48. Yan, X.-Y., Wang, W.-X., Gao, Z.-Y. & Lai, Y.-C. Universal model of individual and population mobility on diverse spatial scales. Nat. Commun.8, 1639 (2017).

  49. Simini, F., González, M. C., Maritan, A. & Barabási, A.-L. A universal model for mobility and migration patterns. Nature484, 96–100 (2012).

  50. Tversky, B. Cognitive maps, cognitive collages, and spatial mental models. In European Conference on Spatial Information Theory 14–24 (Springer, 1993).

  51. Sadalla, E. K., Burroughs, J. W. & Staplin, L. J. Reference points in spatial cognition. J. Exp. Psychol. Hum. Learn. Mem.6, 516–528 (1980).

  52. Weisberg, S. M. & Newcombe, N. S. How do (some) people make a cognitive map? Routes, places, and working memory. J. Exp. Psychol. Learn. Mem. Cogn.42, 768 (2016).

  53. Newcombe, N. & Liben, L. S. Barrier effects in the cognitive maps of children and adults. J. Exp. Child Psychol.34, 46–58 (1982).

  54. Moser, E. I., Kropff, E. & Moser, M.-B. et al. Place cells, grid cells, and the brain’s spatial representation system. Annu. Rev. Neurosci.31, 69–89 (2008).

  55. Hirtle, S. C. & Jonides, J. Evidence of hierarchies in cognitive maps. Mem. Cogn.13, 208–217 (1985).

  56. Balaguer, J., Spiers, H., Hassabis, D. & Summerfield, C. Neural mechanisms of hierarchical planning in a virtual subway network. Neuron90, 893–903 (2016).

  57. Lynch, K. The Image of the City Vol. 1 (MIT Press, 1960).

  58. Filomena, G., Verstegen, J. A. & Manley, E. A computational approach to ‘The Image of the City’. Cities89, 14–25 (2019).

  59. Winter, S., Tomko, M., Elias, B. & Sester, M. Landmark hierarchies in context. Environ. Plann. B35, 381–398 (2008).

  60. Kuipers, B. Modeling spatial knowledge. Cogn. Sci.2, 129–153 (1978).

  61. Chown, E., Kaplan, S. & Kortenkamp, D. Prototypes, location, and associative networks (PLAN): towards a unified theory of cognitive mapping. Cogn. Sci.19, 1–51 (1995).

  62. Manley, E., Filomena, G. & Mavros, P. A spatial model of cognitive distance in cities. Int. J. Geogr. Inf. Sci.35, 2316–2338 (2021).

  63. Ben-Akiva, M., Bergman, M., Daly, A. J. & Ramaswamy, R. Modelling inter urban route choice behaviour. In Papers Presented During the Ninth International Symposium on Transportation and Traffic Theory 299–330 (VNU Science Press, 1984).

  64. Manley, E. J., Addison, J. D. & Cheng, T. Shortest path or anchor-based route choice: a large-scale empirical analysis of minicab routing in London. J. Transp. Geogr.43, 123–139 (2015).

  65. Malleson, N. et al. The characteristics of asymmetric pedestrian behavior: a preliminary study using passive smartphone location data. Trans. GIS22, 616–634 (2018).

  66. Lima, A., Stanojevic, R., Papagiannaki, D., Rodriguez, P. & González, M. C. Understanding individual routing behaviour. J. R. Soc. Interface13, 20160021 (2016).

  67. Sevtsuk, A. & Basu, R. The role of turns in pedestrian route choice: a clarification. J. Transp. Geogr.102, 103392 (2022).

  68. Miranda, A. S., Fan, Z., Duarte, F. & Ratti, C. Desirable streets: using deviations in pedestrian trajectories to measure the value of the built environment. Comput. Environ. Urban Syst.86, 101563 (2021).

  69. Guo, Z. & Loo, B. P. Pedestrian environment and route choice: evidence from New York City And Hong Kong. J. Transp. Geogr.28, 124–136 (2013).

  70. Gilbert, N. et al. (eds) Tools and Techniques for Social Science Simulation 83–114 (Springer, 2000).

  71. Georgeff, M., Pell, B., Pollack, M., Tambe, M. & Wooldridge, M. The belief-desire-intention model of agency. In Proc. Intelligent Agents V: Agents Theories, Architectures, and Languages: 5th International Workshop 1–10 (Springer, 1999).

  72. Manley, E., Orr, S. W. & Cheng, T. A heuristic model of bounded route choice in urban areas. Transp. Res. Part C56, 195–209 (2015).

  73. Aboutaleb, Y. M., Danaf, M., Xie, Y. & Ben-Akiva, M. Discrete choice analysis with machine learning capabilities. Preprint at https://arxiv.org/abs/2101.10261 (2021).

  74. Banino, A. et al. Vector-based navigation using grid-like representations in artificial agents. Nature557, 429–433 (2018).

  75. Mirowski, P. et al. Learning to navigate in cities without a map. In Advances in Neural Information Processing Systems Vol. 31, 2424–2435 (Curran Associates, 2018).

  76. Hancock, T. O. & Choudhury, C. F. Utilising physiological data for augmenting travel choice models: methodological frameworks and directions of future research. Transp. Rev.https://doi.org/10.1080/01441647.2023.2175274 (2023).

  77. Qin, T., Dong, W. & Huang, H. Perceptions of space and time of public transport travel associated with human brain activities: a case study of bus travel in Beijing. Comput. Environ. Urban Syst.99, 101919 (2023).

  78. Coutrot, A. et al. Global determinants of navigation ability. Curr. Biol.28, 2861–28664 (2018).

  79. Montello, D. R. in Spatial and Temporal Reasoning in Geographic Information Systems 143–154 (Oxford Univ. Press, 1998).

  80. Mavros, P. et al. Collaborative wayfinding under distributed spatial knowledge. In 15th International Conference on Spatial Information Theory: Leibniz International Proceedings in Informatics Vol. 240 (eds Ishikawa, T. et al.) 25:1–25:10 (Schloss Dagstuhl, Leibniz-Zentrum für Informatik, 2022).

  81. Spiers, H. J. & Maguire, E. A. The dynamic nature of cognition during wayfinding. J. Environ. Psychol.28, 232–249 (2008).

  82. Ishikawa, T., Fujiwara, H., Imai, O. & Okabe, A. Wayfinding with a GPS-based mobile navigation system: a comparison with maps and direct experience. J. Environ. Psychol.28, 74–82 (2008).

  83. Gardony, A. L., Brunyé, T. T., Mahoney, C. R. & Taylor, H. A. How navigational aids impair spatial memory: evidence for divided attention. Spat. Cogn. Comput.13, 319–350 (2013).

  84. Alessandretti, L., Natera Orozco, L. G., Battiston, F., Saberi, M. & Szell, M. Multimodal urban mobility and multilayer transport networks. Environ. Plann. B.https://doi.org/10.1177/23998083221108190 (2022).

  85. Mohamed, K., Côme, E., Oukhellou, L. & Verleysen, M. Clustering smart card data for urban mobility analysis. IEEE Trans. Intell.Transp. Syst.18, 712–728 (2016).

  86. Zhong, C., Manley, E., Arisona, S. M., Batty, M. & Schmitt, G. Measuring variability of mobility patterns from multiday smart-card data. J. Comput. Sci.9, 125–130 (2015).

  87. Zhong, C. et al. Variability in regularity: mining temporal mobility patterns in London, Singapore and Beijing using smart-card data. PLoS ONE11, 0149222 (2016).

  88. Nations, U. World Urbanization Prospects (United Nations, 2014)

  89. Pelaez Bueno, A. Identifying and Quantifying Mobility Hubs MSc thesis. ETH Zurich (2021).

  90. Wirtz, M. H. & Klähr, J. Smartphone based in/out ticketing systems: a new generation of ticketing in public transport and its performance testing. WIT Trans. Built Environ.182, 351–359 (2019).

  91. Baldauf, M. & Tomitsch, M. Pervasive displays for public transport: an overview of ubiquitous interactive passenger services. In Proc. 9th ACM International Symposium on Pervasive Displays 37–45 (Association for Computing Machinery, 2020).

  92. Nahmias-Biran, B.-h et al. Enriching activity-based models using smartphone-based travel surveys. Transp. Res. Rec.2672, 280–291 (2018).

  93. Amini, A., Kung, K., Kang, C., Sobolevsky, S. & Ratti, C. The impact of social segregation on human mobility in developing and industrialized regions. EPJ Data Sci.3, 1–20 (2014).

  94. Crawford, F. W. et al. Impact of close interpersonal contact on COVID-19 incidence: evidence from 1 year of mobile device data. Sci. Adv.8, 5499 (2022).

  95. Machado, C. A. S., de Salles Hue, N. P. M., Berssaneti, F. T. & Quintanilha, J. A. An overview of shared mobility. Sustainability10, 4342 (2018).

  96. McNally, M. G. in Handbook of Transport Modelling (Emerald Group, 2007).

  97. Axhausen, K. W., Horni, A. & Nagel, K. The Multi-agent Transport Simulation MATSim (Ubiquity Press, 2016).

  98. Lu, N., Cheng, N., Zhang, N., Shen, X. & Mark, J. W. Connected vehicles: solutions and challenges. IEEE Internet Things J.1, 289–299 (2014).

  99. Ward, J. A., Evans, A. J. & Malleson, N. S. Dynamic calibration of agent-based models using data assimilation. R. Soc. Open Sci.3, 150703 (2016).

  100. Morandi, V. Bridging the user equilibrium and the system optimum in static traffic assignment: a review. 4ORhttps://doi.org/10.1007/s10288-023-00540-w (2023).

  101. Sejnowski, T. J. The Deep Learning Revolution (MIT Press, 2018).

  102. LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature521, 436–444 (2015).

  103. Silver, D. et al. Mastering the game of Go with deep neural networks and tree search. Nature529, 484–489 (2016).

  104. Titano, J. J. et al. Automated deep-neural-network surveillance of cranial images for acute neurologic events. Nat. Med.24, 1337–1341 (2018).

  105. Krizhevsky, A., Sutskever, I. & Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun. ACM60, 84–90 (2017).

  106. Wu, Y. et al. Google’s neural machine translation system: bridging the gap between human and machine translation. Preprint at https://arxiv.org/abs/1609.08144 (2016).

  107. Zheng, X., Han, J. & Sun, A. A survey of location prediction on Twitter. IEEE Trans. Knowl. Data Eng.30, 1652–1671 (2018).

  108. Rumbert, D. E. Learning internal representations by error propagation. Parallel Distrib. Process.1, 318–363 (1986).

  109. Jiang, S. et al. The TimeGeo modeling framework for urban mobility without travel surveys. Proc. Natl Acad. Sci. USA113, 5370–5378 (2016).

  110. Toole, J. L., Herrera-Yaqüe, C., Schneider, C. M. & González, M. C. Coupling human mobility and social ties. J. R. Soc. Interface12, 20141128 (2015).

  111. Zipf, G. K. The P1P2/D hypothesis: on the intercity movement of persons. Am. Sociol. Rev.11, 677–686 (1946).

  112. Liu, E.-J. & Yan, X.-Y. A universal opportunity model for human mobility. Sci. Rep.10, 4657 (2020).

  113. Goodfellow, I. et al. Generative adversarial nets. In Advances in Neural Information Processing Systems 27 (NIPS, 2014)

  114. Kingma, D. P. & Welling, M. Auto-encoding variational Bayes. Preprint at https://arxiv.org/abs/1312.6114 (2013).

  115. Mauro, G., Luca, M., Longa, A., Lepri, B. & Pappalardo, L. Generating mobility networks with generative adversarial networks. EPJ Data Sci.11, 58 (2022).

  116. Bao, H., Zhou, X., Xie, Y., Zhang, Y. & Li, Y. COVID-GAN+: estimating human mobility responses to COVID-19 through spatio-temporal generative adversarial networks with enhanced features. ACM Trans. Intell. Syst. Technol.https://doi.org/10.1145/3481617 (2022).

  117. Feng, J. et al. Learning to simulate human mobility. In Proc. 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 3426–3433 (ACM, 2020)

  118. Huang, D. et al. A variational autoencoder based generative model of urban human mobility. In Conference on Multimedia Information Processing and Retrieval 425–430 (IEEE, 2019).

  119. Ouyang, K., Shokri, R., Rosenblum, D. S. & Yang, W. A non-parametric generative model for human trajectories. In Proc. Twenty-Seventh International Joint Conference on Artificial Intelligence Vol. 18, 3812–3817 (AAAI, 2018).

  120. Amatriain, X. Transformer models: an introduction and catalog. Preprint at https://arxiv.org/abs/2302.07730 (2023).

  121. Mizuno, T., Fujimoto, S. & Ishikawa, A. Generation of individual daily trajectories by GPT-2. Front. Phys.10, 1118 (2022).

  122. Ma, J. et al. Human trajectory completion with transformers. In International Conference on Communications 3346–3351 (IEEE, 2022).

  123. Guidotti, R. et al. A survey of methods for explaining black box models. ACM Comput. Surv.51, 1–42 (2018).

  124. Naretto, F., Pellungrini, R., Monreale, A., Nardini, F. M. & Musolesi, M. in Discovery Science. DS 2020. Lecture Notes in Computer Science Vol. 12323 (eds Appice, A. et al.) 403–418 (Springer, 2020).

  125. Huang, X. & Marques-Silva, J. The inadequacy of shapley values for explainability. Preprint at https://arxiv.org/abs/2302.08160 (2023).

  126. Kumar, I. E., Venkatasubramanian, S., Scheidegger, C. & Friedler, S. Problems with shapley-value-based explanations as feature importance measures. In International Conference on Machine Learning 5491–5500 (PMLR. 2020).

  127. Jonietz, D. et al. Urban mobility analytics: report from Dagstuhl seminar 22162. Dagstuhl Rep.12, 26–53 (2022).

  128. Rolnick, D. et al. Tackling climate change with machine learning. ACM Comput. Surv.55, 1–96 (2022).

  129. Bai, X. et al. Six research priorities for cities and climate change. Nature555, 23–25 (2018).

  130. Voukelatou, V. et al. Measuring objective and subjective well-being: dimensions and data sources. Int. J. Data Sci. Anal.11, 279–309 (2021).

  131. Yan, A. & Howe, B. Fairness-aware demand prediction for new mobility. In Proc. AAAI Conference on Artificial Intelligence Vol. 34, 1079–1087 (AAAI, 2020).

  132. Yan, A. & Howe, B. FairST: equitable spatial and temporal demand prediction for new mobility systems. In Proc. 27th International Conference on Advances in Geographic Information Systems 552–555 (ACM, 2019).

  133. Yan, A. & Howe, B. Fairness in practice: a survey on equity in urban mobility. Q. Bull. Comput. Soc. IEEE42, 49–63 (2019).

  134. Ngo, N. S., Götschi, T. & Clark, B. Y. The effects of ride-hailing services on bus ridership in a medium-sized urban area using micro-level data: evidence from the Lane Transit District. Transp. Policy105, 44–53 (2021).

  135. Ge, Y., Knittel, C. R., MacKenzie, D. & Zoepf, S. Racial and Gender Discrimination in Transportation Network Companies Technical Report (National Bureau of Economic Research, 2016).

  136. Arora, N. et al. Quantifying the sustainability impact of Google Maps: a case study of Salt Lake City. Preprint at https://arxiv.org/abs/2111.03426 (2021).

  137. Perez-Prada, F., Monzon, A. & Valdes, C. Managing traffic flows for cleaner cities: the role of green navigation systems. Energies10, 791 (2017).

  138. Mehrvarz, N., Ye, Z., Barati, K. & Shen, X. Optimal Travel Routes of On-road Vehicles Considering Sustainability (IAARC Publications, 2020).

  139. Cornacchia, G. et al. How routing strategies impact urban emissions. In Proc. 30th International Conference on Advances in Geographic Information Systemshttps://doi.org/10.1145/3557915.3560977 (ACM, 2022).

  140. Lai, S. et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China. Nature585, 410–413 (2020).

  141. Haushofer, J. & Metcalf, C. J. E. Which interventions work best in a pandemic? Science368, 1063–1065 (2020).

  142. Gao, S. et al. Mobile phone location data reveal the effect and geographic variation of social distancing on the spread of the COVID-19 epidemic. Preprint at https://arxiv.org/abs/2004.11430 (2020).

  143. Chinazzi, M. et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak. Science368, 395–400 (2020).

  144. Gatto, M. et al. Spread and dynamics of the COVID-19 epidemic in Italy: effects of emergency containment measures. Proc. Natl Acad. Sci. USA117, 10484–10491 (2020).

  145. Jia, J. S. et al. Population flow drives spatio-temporal distribution of COVID-19 in China. Nature582, 389–394 (2020).

  146. Tian, H. et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China. Science368, 638–642 (2020).

  147. Ross, S., Breckenridge, G., Zhuang, M. & Manley, E. Household visitation during the COVID-19 pandemic. Sci. Rep.11, 22871 (2021).

  148. Pappalardo, L., Cornacchia, G., Navarro, V., Bravo, L. & Ferres, L. A dataset to assess mobility changes in Chile following local quarantines. Sci. Data10, 6 (2023).

  149. Ritchie, H. Sector by sector: where do global greenhouse gas emissions come from? Our World in Datahttps://ourworldindata.org/ghg-emissions-by-sector (2020).

  150. Transforming Our World: the 2030 Agenda for Sustainable Development Technical Report (United Nations General Assembly, 2015).

  151. Böhm, M., Nanni, M. & Pappalardo, L. Gross polluters and vehicle emissions reduction. Nat. Sustain.https://doi.org/10.1038/s41893-022-00903-x (2022).

  152. Nyhan, M. et al. Predicting vehicular emissions in high spatial resolution using pervasively measured transportation data and microscopic emissions model. Atmos. Environ.140, 352–363 (2016).

  153. Macfarlane, J. When apps rule the road: the proliferation of navigation apps is causing traffic chaos. It’s time to restore order. IEEE Spectrum56, 22–27 (2019).

  154. Lu, Y., Nakicenovic, N., Visbeck, M. & Stevance, A.-S. Policy: Five priorities for the unsustainable development goals. Nature520, 432–433 (2015).

  155. Glaeser, E. L., Resseger, M. & Tobio, K. Inequality in cities. J. Reg. Sci.49, 617–646 (2009).

  156. Sanchez, T. W., Stolz, R. & Ma, J. S. Inequitable effects of transportation policies on minorities. Transp. Res. Rec.1885, 104–110 (2004).

  157. Smith, D. A. & Barros, J. in Urban Form and Accessibility (Mulley, C. & Nelson, J. D.) 27–44 (Elsevier, 2021).

  158. Carpio-Pinedo, J. Multimodal transport and potential encounters with social difference: a novel approach based on network analysis. J. Urban Aff.43, 93–116 (2021).

  159. Gillies, S. et al. Shapely: manipulation and analysis of geometric objects. GitHubhttps://github.com/Toblerity/Shapely (2007).

  160. Sekara, V. et al. in Guide to Mobile Data Analytics in Refugee Scenarios 53–66 (2019).

  161. Schlosser, F., Sekara, V., Brockmann, D. & Garcia-Herranz, M. Biases in human mobility data impact epidemic modeling. Preprint at https://arxiv.org/abs/2112.12521 (2021).

  162. Zhao, Z. et al. Understanding the bias of call detail records in human mobility research. Int. J. Geogr. Inf. Sci.30, 1738–1762 (2016).

  163. Blumenstock, J. & Eagle, N. Mobile divides: gender, socioeconomic status, and mobile phone use in Rwanda. In Proc. 4th ACM/IEEE International Conference on Information and Communication Technologies and Development 1–10 (ACM/IEEE, 2010)

  164. Wesolowski, A., Eagle, N., Noor, A. M., Snow, R. W. & Buckee, C. O. Heterogeneous mobile phone ownership and usage patterns in kenya. PLoS ONE7, 35319 (2012).

  165. Wesolowski, A., Eagle, N., Noor, A. M., Snow, R. W. & Buckee, C. O. The impact of biases in mobile phone ownership on estimates of human mobility. J. R. Soc. Interface10, 20120986 (2013).

  166. I.T.U.: World Telecommunication/ICT Indicators Database (ITU, 2022).

  167. Leo, Y., Fleury, E., Alvarez-Hamelin, J. I., Sarraute, C. & Karsai, M. Socioeconomic correlations and stratification in social-communication networks. J. R. Soc. Interface13, 20160598 (2016).

  168. Ricciato, F. et al. Estimating Population Density Distribution from Network-based Mobile Phone Data (Publications Office of the European Union, 2015).

  169. Acosta, R. J., Kishore, N., Irizarry, R. A. & Buckee, C. O. Quantifying the dynamics of migration after Hurricane Maria in Puerto Rico. Proc. Natl Acad. Sci. USA117, 32772–32778 (2020).

  170. Salganik, M. J. Bit by Bit: Social Research in the Digital Age (Princeton Univ. Press, 2019).

  171. Tizzoni, M. et al. On the use of human mobility proxies for modeling epidemics. PLoS Comput. Biol.10, 1003716 (2014).

  172. Pestre, G., Letouzé, E. & Zagheni, E. The ABCDE of big data: assessing biases in call-detail records for development estimates. World Bank Econ. Rev.34, 89–97 (2020).

  173. Blondel, V. D., Decuyper, A. & Krings, G. A survey of results on mobile phone datasets analysis. EPJ Data Sci.4, 10 (2015).

  174. De Montjoye, Y.-A. et al. On the privacy-conscientious use of mobile phone data. Sci. Data5, 180286 (2018).

  175. Rzeszewski, M. & Luczys, P. Care, indifference and anxiety-attitudes toward location data in everyday life. ISPRS Int. J. GeoInf.7, 383 (2018).

  176. Gerber, N., Gerber, P. & Volkamer, M. Explaining the privacy paradox: a systematic review of literature investigating privacy attitude and behavior. Comput. Secur.77, 226–261 (2018).

  177. Taylor, L. No place to hide? The ethics and analytics of tracking mobility using mobile phone data. Environ. Plann. D34, 319–336 (2016).

  178. Maxmen, A. Surveillance science. Nature569, 614–617 (2019).

  179. Stadler, J. et al. Cognitive mapping: using local knowledge for planning health research. BMC Med. Res. Methodol.13, 96 (2013).

（参考文献可上下滑动查看）



城市科学读书会进行中


随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。

在这个大背景下，集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会从2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎感兴趣的朋友报名参与！


详情请见：
城市科学读书会启动：AI与因果交织的城市复杂系统


推荐阅读

1. 城市作为复杂活系统：复杂性理论指导城市数字孪生模型
2. 从城市到国家：多学科视角的城市复杂系统
3. Physics Reports 最新综述：溯源城市规模法则的数学模型
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 加入集智学园VIP，获得20周年“涌现”学术年会入场券！
6. 加入集智，一起复杂！



点击“阅读原文”，报名读书会