读书笔记一——Urban Computing with Taxicabs

目的：通过出租车的轨迹挑选有缺陷的城市规划

侧重方面：1）Traffic modeling 2）Flaw detection 3)Real evaluation

OVERVIEW(概述)：

1）Taxi Trajectory(出租车轨迹): Tr 

    是一群按照时间排序的GPS点序列，每个点都由三个部分组成：1、空间坐标集2、时间3、乘车状态，例如 

2) Region(区域):r

    是按照不同等级道路划分的城市区域

3） Transition(过渡)  

代表的是一个区域到另一个区域的过程

MODELING CITY-WIDE TRAFFIC(模拟城市广泛的交通)

1)Map Partition(映射分区)

 使用主要道路（如红色和蓝色道路）将北京市区划分为不相交的区域。每个区域代表一个社区，包括一些社区和低级路段（表示为灰色折线）。首先，道路上出现的交通问题只是观察，而对人们生活和旅行有丰富知识的地区是问题的根源。其次，地区所代表的缺陷有助于土地利用和交通规划。但是，路段只能帮助运输规划。

2)Building Region Matrix(建立区域矩阵)

step1 Temporal partition(时间分区)：

把出租车轨迹按照工作日和休息日(包括节假日)分成两个部分，再把一天分为几个时段，如图所示

 step2 Transition construction(过渡建设):

 

 Region Pair:一个区域对包含了很多轨迹点，且包含三个因素：1）两个地区之间的交通量 2）过渡区的期望速度 3）实际行进距离的期望值与两个区域的质心之间的欧几里德距离之间的比率。

step3 Build region matrix(建立区域矩阵):

DETECTING FLAWED URBAN PLANNING (检测有缺陷的城市规划)

1)Skyline Detection(天际线检测)

Skyline(L):天际线被定义为不受任何其他点支配的那些点。 如果一个点在所有维度上都是好的或更好，并且在至少一个维度上更好，那么这一点在另一点上占主导地位。

在本文中，每个不被其他点支配（关于和方面，），换句话说，没有一个点比有更低的速度和更大的。

 检测到的天际线由三种区域对组成:

2)Pattern Mining from Skylines (从天际线的模式挖掘)

step1 Formulating skyline graphs(制定天际线图):

step2 Mining frequent sub-graph patterns(挖掘频繁的子图模式):

一是避免任何虚假的改动。 有时，由于某些异常事件（例如交通事故），可以将具有有效连通性的区域对检测为天际线的一部分。 另一个是更深入地了解有缺陷的计划。 通过关联单个区域对，我们可以找到这些区域之间的因果关系和关系，这对于理解问题是如何导出更有价值。

EVALUATION(评估)

 

 检验缺陷的方式：

1）我们选择了一些城市规划，例如新的地铁线路和道路，已经在两个数据集的时间之间实施，并研究是否执行的计划减少了以前数据集中存在的缺陷。

2）我们通过北京未来城市规划中体现的方法检查两个数据集中是否存在一些缺陷（即，这些地区的问题已被城市规划者认可）

 

此指标表示在单位时段（小时）内将人员发送到某个区域的出租车密度。 这里，道路的总长度（在一个区域内）比区域的区域大小更有意义，因为道路的长度（和容量）反映了车辆可以行驶的真实空间。 与此同时，我们不再区分某个地区的路段能力，因为它们都是当地的街道。 我们稍后将根据该指标显示北京的热图

RELATED WORK(相关工作)

1)Mining Taxi Trajectories​​​​​​​(挖掘出租车轨迹)：

大量已发表的文件提出了旨在挖掘出租车轨迹的工作，因为轨道数据最近已广泛传播可用。 他们研究了出租车司机通过分析车队轨迹创造更高利润（例如，如何轻松找到乘客）的接送行为。 论文提出了一些基于历史GPS轨迹预测驾驶员目的地和路线的概率模型。 还有根据最近收到的出租车轨迹估算了某些路段的实时交通流量。 有的考虑到出租车司机是经验丰富的驾驶员，从出租车轨道学习到目的地的实际驾驶路径。 与上述工作不同，本文采用滑行轨迹来支持城市规划而不是最终用户。 本文是第一个为此目的开展此类研究的团队。

2) Urban Computing(城市计算)：

近年来，普适计算技术的进步引起了人们对城市计算的极大关注。 大多数文献从城市社会计算的角度讨论城市计算，例如，根据位置历史估计用户之间的相似性[2] [3] [9]，从手机数据中提取社会结构，启用朋友和位置现实世界中的推荐者，研究普适系统对城市空间人的影响。 与这些研究不同，本文从城市规划的角度探讨城市计算，利用出租车不引人注意地感知城市人口的流动性，并通过公民的隐性参与来发现缺陷。

CONCLUSION(结论)

在本文中，我们使用在城市地区旅行的出租车轨迹来检测城市现有城市规划中的缺陷。检测到的结果是由两组调查结果组成。一个是频繁的子图模式，包括具有显着交通问题的区域对和这些区域之间的联系结构。另一个是这些模式之间的关联关系。这些结果可以首先评估城市规划的有效性，其次提供全面的在城市规划者构思未来计划时，对现有的决策问题进行评估。我们根据生成的实际数据执行了我们的方法2009年和2010年在北京出租了30,000辆出租车，并使用北京的实际城市规划评估了我们的结果的有效性，包括新建的地铁线路以及仍在建设中的道路和城市项目。数据也揭示了一些有趣的发现。
在未来，我们可以分析如何从现有的城市规划中得出检测到的缺陷：1）研究区域的地理特征，例如路段和兴趣点，以及2）人们旅行的目的，例如，用于购物，体育，工作等。