文章信息：Xiao-Yong Yan, Wen-Xu Wang, Zi-You Gao, & Ying-Cheng Lai. (2017). Universal model of individual and population mobility on diverse spatial scales. Nature Communications: 8(1), 1639. https://doi.org/10.1038/s41467-017-01892-8

整理人：杨文，2023级硕士生

整理时间：2024年7月26日

Abstract: Studies of human mobility in the past decade revealed a number of general scaling laws. However, to reproduce the scaling behaviors quantitatively at both the individual and population levels simultaneously remains to be an outstanding problem. Moreover, recent evidence suggests that spatial scales have a significant effect on human mobility, raising the need for formulating a universal model suited for human mobility at different levels and spatial scales. Here we develop a general model by combining memory effect and population-induced competition to enable accurate prediction of human mobility based on population distribution only. A variety of individual and collective mobility patterns such as scaling behaviors and trajectory motifs are accurately predicted for different countries and cities of diverse spatial scales. Our model establishes a universal underlying mechanism capable of explaining a variety of human mobility behaviors, and has significant applications for understanding many dynamical processes associated with.

摘要：过去十年对人类流动性的研究揭示了一些普遍的比例定律。然而，在个体和群体水平上同时定量再现缩放行为仍然是一个突出的问题。此外，最近的证据表明，空间尺度对人员流动有重大影响，因此需要制定一个适用于不同层次和空间尺度的人员流动的通用模型。在这里，我们通过结合记忆效应和人口诱导竞争来开发一个通用模型，以便仅根据人口分布准确预测人口流动。针对不同空间尺度的不同国家和城市，准确预测了各种个人和集体流动模式，如缩放行为和轨迹主题。我们的模型建立了一个能够解释各种人类移动行为的通用底层机制，对于理解与人类移动相关的许多动态过程具有重要应用。

图 个人轨迹和集体运动的真实世界例子

a来自中国大陆经验数据集的个人轨迹和相应的集体运动的四个例子。b-d美国大陆、科特迪瓦和比利时的数据集中嵌入的集体运动。这里的颜色条表示单位时间内位置之间的迁移通量，其中较亮（较暗）的线表示通量较强（较弱）。请注意，与这些数据集相关的空间尺度截然不同

图 模型插图

底部显示了一个典型的轨迹，该轨迹访问由不同颜色的字母A-e表示的五个位置：A→b→c→A→…。包含一个字母的圆圈的大小表示相应位置的相对吸引力，如指数rj所示，其中r1是最有吸引力的位置，r2是第二有吸引力的地点，以此类推。以位置c为中心的虚线圆圈表示旅行者从c移动到A，其半径是c和A之间的距离，虚线圆圈内的总人口是Wca。该模型包含一个参数λ，可以从每组经验数据中确定

图 个体轨迹水平上人类流动的模型预测和经验统计行为

a–d在t内访问的位置总数随时间t而代数增加，e–h在返回时间分布中的代数衰减行为，以及i–l类Zipf访问频率分布。在所有面板中，绿色表示我们的模型预测的结果，橙色表示直接从数据中获得的经验结果。这两种结果之间普遍存在很强的一致性。a–d和e–h中的代数递增和递减行为分别是记忆效应的表现

图 人口水平的模型预测和验证

对于空间尺度存在巨大差异的四个经验数据集，模型预测和实际分布的行进距离d（a-d）和两个位置e-h之间的行进步数T。e–h中的线表示与真实数据的幂律拟合。i–l分别对四个数据集的模型预测值和实际T值进行统计显示，几乎无法区分。灰点是每对位置的散点图。蓝色点表示不同箱中预测行程的平均数量。标准箱线图表示预测行程数在观测行程数的不同区间中的分布。如果线y=x位于该箱中的10%和91%之间，则该框标记为绿色，否则标记为红色

图 与运动轨迹相关的图案出现频率

从四个经验数据集中，确定了运动轨迹中包含的九个不同的主题。从模型生成的轨迹中可以获得完全相同的图案。模型和实际轨迹中图案的出现频率相当一致。存在更多类型的可能图案。然而，这里包括的九种类型的出现频率最高，其总和超过0.97。例如，第10个最高基序的频率为<0.001。考虑到这九个主题就足够了

原文链接：https://www.nature.com/articles/s41467-017-01892-8