从城市轨迹数据中发现知识:一项调查
《ACM Computing Surveys》:Knowledge Discovery from Urban Trajectory Data: A Survey
【字体:
大
中
小
】
时间:2026年08月28日
来源:ACM Computing Surveys 30.4
编辑推荐:
摘要
要查看这份由AI生成的摘要,您必须具有高级访问权限。了解更多信息并登录。
摘要
理解城市环境中实体的移动性对于开发和维护高效且宜居的城市至关重要。本调查介绍了从城市轨迹数据中发现知识的基本概念、方法和挑战,包括数据采集、预处理、挖掘以及实际应用。与以往的研究不同,我们的调
摘要
要查看这份由AI生成的摘要,您必须具有高级访问权限。了解更多信息并登录。
摘要
理解城市环境中实体的移动性对于开发和维护高效且宜居的城市至关重要。本调查介绍了从城市轨迹数据中发现知识的基本概念、方法和挑战,包括数据采集、预处理、挖掘以及实际应用。与以往的研究不同,我们的调查提供了这些步骤的全面和综合视图,确保每个阶段都得到了优化,以促进移动性知识发现过程的总体性能。此外,我们还指出了操作和技术上的挑战,并讨论了潜在的未来发展方向,这些方向可能会为该领域带来新的机遇和进步。
AI生成的摘要(实验性)
这份摘要是使用自动化工具生成的, tidak ditulis atau ditinjau oleh penulis artikel tersebut。它提供了发现支持,帮助读者评估相关性,并协助来自相关研究领域的读者理解这项工作。它的目的是补充作者提供的摘要,后者仍然是论文的官方摘要。完整文章是权威版本。点击此处了解更多信息。点击此处评论这份摘要的准确性、清晰度和实用性。这样做将有助于改进和未来生成的版本。要查看这份由AI生成的简明语言摘要,您必须具有高级访问权限。
1 引言
移动性数据为研究人员和实践者提供了关键知识,以开发对城市生活产生深远影响的应用程序,有助于创建高效且宜居的城市[124, 150, 223]。它可以在多个领域提供有价值的见解,包括交通管理[88]、医疗保健[25]、机器人技术[153]和社会研究[105]等。这种日益增长的重要性反映在大量关于从移动性数据中进行知识发现(KD)的文献中。许多研究已经探讨了这一领域的各个阶段,但往往只关注特定方面而忽略同样重要的其他方面。例如,一些研究调查了机器学习(ML)[119, 165]、深度学习(DL)[112, 183]、轨迹数据管理[182]以及预处理和数据挖掘[55, 222, 223]。然而,它们未能建立这些阶段之间的明确联系,并忽视了数据表示和特征工程等关键要素。其他研究涵盖了移动性数据科学[124]以及在大数据背景下使用轨迹的管理、应用和服务[91, 167, 169],但对影响这些方法性能的预处理和表示步骤关注较少。这些研究在表1中进行了总结,其中实心圆(●)表示涵盖了所有相关要素,半圆(?)表示部分覆盖了特定方面。
表1. 预处理、数据管理、数据挖掘 参考文献
| 预处理、数据管理和挖掘 | DADRSTCTCPAPTDFEIRPPCOPMSM | App. | 挑战 |
|---------------|-------------------|--------|--------|
| ● | | ● | |
| ? | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ? | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ? | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
| ● | | ● | |
我们的研究提供了所有要素的综合性视图,强调了它们之间的关系和特性。
与城市轨迹数据知识发现相关的调查
DA:数据采集;DR:数据表示;预处理:ST(选择轨迹)、CT(更改轨迹)、CP(清理点)、AP(调整点)、TD(转换数据)、FE(特征工程);数据管理:IR(索引和检索)、PP(隐私保护);数据挖掘:PM(主要挖掘)、SM(次要挖掘);应用:知识发现和应用;挑战。
移动性研究的有效性取决于诸如数据质量、数量以及适当预处理和数据挖掘算法的选择等因素。然而,现有文献缺乏对移动性KD过程的全面和综合概述,导致我们在从数据采集到应用的整个过程中存在理解上的空白。为了填补这一空白,我们的工作提出了一个整体框架,为移动性分析提供了结构化的指导,并阐明了KD过程中的复杂关系。这种方法通过系统地阐明每个步骤并强调它们之间的相互联系来填补文献中的空白。我们的贡献不仅限于步骤的分解;它还讨论了直接应对城市环境所提出的独特挑战的要素和考虑因素。这种包含确保了我们的框架在移动性研究不断变化的背景下保持适应性和相关性,鼓励合作努力来探索城市轨迹数据的全部潜力。
我们的文章结构如下。第2节概述了该领域。第3节介绍了我们的框架,强调了各个要素之间的关系。第4节讨论了操作和技术挑战,并探索了可能的未来发展方向。第5节总结了我们的工作。
2 城市轨迹数据知识发现概述
KD意味着从数据中揭示有价值且以前未知的信息,以改进决策,使用来自各个领域(例如统计学、机器学习和数据可视化)的方法[163]。它通常包含图1中显示的五个步骤:数据采集、预处理、管理和数据挖掘。本节从宏观角度讨论这些要素,而第3节将深入探讨每个组件的行为,无论是单独还是与其他组件的结合。
图1. 城市轨迹数据知识发现概述。
数据:轨迹是由参考系统捕获的实体移动性的离散表示,这些参考系统是任何能够使用抽象坐标记录随时间位置的对象,具有与移动实体跟踪相关的时间和空间属性。移动实体包括动物、天气以及步行或使用车辆的人。此外,轨迹中的位置可以对应于序列数据中的坐标(实际表示)或网络中地点的语义抽象和语义轨迹(逻辑表示)[15, 27, 29, 55, 120, 223]。
预处理:目标是修改整个轨迹和单个点或将轨迹转换为相关特征,从而实现有效的挖掘并改进分析。由于收集、存储和处理轨迹数据的方式多种多样,这一阶段是KD过程中最劳动密集和耗时的部分,可能涉及单次分析中的多种预处理方法,需要大量的计算能力和人力[163]。
管理:重点在于通过高效索引、存储和检索结构化和非结构化数据来优化数据分析期间的数据存储、操作和重用,确保数据质量、安全性和用户隐私。构建强大的基础设施对于增强检索和分析能力也至关重要,特别是对于实时应用和大数据[55, 182]。
数据挖掘:由于数据特性(即异质性、噪声和高维度(大体积和高采样率),轨迹数据挖掘面临独特挑战。另一个关键问题是其时空依赖性,轨迹点的顺序会影响其含义[119, 163]。例如,轨迹A→B→C→D可能与A→C→D→B完全不同,假设数据独立且分布相同可能会导致由于解释和矛盾而产生的性能不佳[10]。
应用:特定目标驱动移动性研究,KD过程为实现这些目标提供了系统化的框架。应用步骤至关重要,会对其他阶段的决策产生深远影响。例如,我们需要关于人们步行和骑自行车的轨迹数据来识别这些活动。相反,如果轨迹数据仅限于坐标,则分析空气污染可能不切实际,这说明了早期KD考虑如何塑造特定应用。尽管存在这些方向性影响,但随着技术进步和更多城市元素的探索,轨迹数据在城市生活中的潜在应用是广泛且不断增长的。潜在用途包括但不限于城市规划策略、污染控制、业务改进、优化通勤和丰富社交互动[55, 91, 119, 167, 169]。
3 城市轨迹数据知识发现
该框架作为指导,带领人们穿越城市轨迹数据KD过程的复杂景观,不仅仅是系统地分解各个步骤。它提供了一个全面的视图,深入探讨了每个步骤之间的关系和相互依赖性(图2),并提供了从数据采集到应用的整个过程的细致理解。
关于数据,我们区分了两个关键方面:数据采集和表示。数据采集关注影响我们所获取信息的关键要素:参考系统和移动实体。人和车辆是城市景观中不可或缺的移动实体,不同的参考系统提供了多种方式来跟踪它们的移动性;例如,摄像机可以通过记录交通中车辆的位置来捕捉人们室内的和室外的移动。之后,移动性分析无缝结合了两个步骤:数据表示和预处理。这种互动允许灵活的方法,在与挖掘相关的处理步骤之前或之后准备数据以适当的格式表示。在这些选项之间的选择(以及每个选项中应用的技术)取决于用于数据采集的参考系统和具体的应用。同时,数据管理优先考虑高效的数据存储和检索,确保数据的安全性和信息隐私,以保护个人隐私。最终,数据挖掘任务与应用需求保持一致,实现最终目标。
3.1 数据采集
本节讨论了影响KD过程制定和解决方案的两个关键组成部分在城市环境中的数据特性(即时间、空间、 sensing和记录方面):生成轨迹的移动实体和捕获轨迹的参考系统。
3.1.1 移动实体
它们是在环境中移动和互动的动态元素,例如动物。它还包括天气事件,虽然不受自我控制,但由于物理定律的影响,它们会在地球表面移动[91, 222, 223]。在城市场景中,两组实体的移动性对我们的社会有着重大影响:人和车辆。
人类移动性不仅仅是从一个地方到另一个地方;它是个人与其周围环境之间的动态和复杂关系,反映了城市环境的发展。例如,早期的人类移动性受自然环境因素(例如食物稀缺和气候变化)的驱动,而在当代越来越多地受社会经济因素(例如工资不平衡和全球化)的影响。这种移动性在塑造城市和影响社会、经济和文化互动的各个方面都起着关键作用[130, 142],既产生了积极的结果(例如交朋友[134],也产生了消极的结果(例如疾病传播[25])。
此外,人类移动性具有可预测性,我们的行为遵循基于文化、社会经济等方面“特征”的模式[5, 150, 179]。因此,除了捕获轨迹数据之外,我们必须考虑这些多样化的方面,这些方面在不同的数据格式中以特定的方式塑造移动模式,例如时间和空间数据分辨率[151, 156]以及轨迹的多样性[39]。关注一些行为维度会影响结果,需要预处理方法以得出更丰富的KD分析[91, 109]。
关于车辆作为移动实体,它们的轨迹记录了人类在运动中的行为。因此,人类移动性的可预测性超越了个体运动,影响了交通选择,并赋予交通系统独特的特征。探索它们有助于开发许多以人为中心的应用程序,例如理解用户的移动模式和偏好可以用于轨迹预测[127]和位置推荐[199, 216]。使用车辆轨迹进行KD的另一种可能性是开发提高运输效率和安全性的基础设施[56]。城市化问题(例如交通拥堵)每天影响着数百万人,降低了人们的生活质量,并通过造成通勤困难、引发压力和污染来阻碍经济增长[177]。移动性研究必须提供解决方案,例如评估车辆的环境影响[60]和协调自动驾驶车辆的移动以增强安全性并缓解交通[8]。
此外,可以根据应用目标将车辆分类为子组,例如:(i) 人类体力活动,分为活跃(步行、跑步和骑自行车)和非活跃(静止和车辆);(ii) 动力来源,分为人力驱动(静止、步行、跑步和骑自行车)和机械驱动(汽车、公共汽车和地铁);以及 (iii) 车辆的移动方式,分为道路(汽车和公共汽车)和铁路(火车和地铁)[178]。
3.1.2 参考系统
它们通过跟踪移动实体来提供位置信息。可用的多种参考系统源于人们携带的多种物体(例如卡和手机)及其对移动物体的影响(例如车辆)。表2概述了文献中发现的传统参考系统。全球导航卫星系统(GNSS)利用卫星信号来确定位置。基于位置的社会网络(LBSN)使用签到提供位置信息。摄像机捕捉显示运动的视觉数据,而惯性传感器测量加速度和旋转的变化。蜂窝塔和接入点通过信号强度(使用接收信号强度指示器,即RSSI)来三角定位设备的位置,而接近传感器在两个设备靠近时可以检测到它们的位置。表2列出了不同的数据类型及其特性。
**数据类型及特性:**
| 类型 | 特性 |
|-----------|------------------------------------------------------------------------------------|
| 蜂窝塔 | 蜂窝塔ID、CDRs(通话记录)、RSSI |
| 接入点 | 接入点ID、RSSI |
| 接近传感器 | 传感器ID、RSSI |
| 相关系统 | 数据类型包括坐标(纬度、经度)、LBSN数据(如签到、照片、视频)、摄像头数据(包括相机ID和视频)、惯性传感器数据(传感器位置)、GNSS坐标(全球导航卫星系统) |
| 记录方式 | 时间驱动、事件驱动 |
| 精度 | 精细、粗糙 |
| 覆盖范围 | 有限、全局 |
| 适用场景 | 部分场景(如Oppor)、GNSS适用于全球范围;LBSN适用于城市和室外 |
| 应用场景 | 跟踪移动实体(如车辆、行人)、分析交通模式、应急处置等 |
**参考系统比较:**
历史上,摄像头、蜂窝塔和GNSS一直是轨迹数据的主要来源,相关研究可以追溯到21世纪初,例如Jung和Taylor [85]、Kuchar和Yang [94]的研究,以及更早的Schwarz等人 [144] 的工作。随着技术的进步,新的参考系统(如LBSN)不断被发现,这为轨迹数据收集提供了更多可能性。实际上,任何能够记录实体随时间位置变化的对象都可以作为参考系统,包括一些非传统的选项,如纸币和税收数据 [130, 223]。然而,专门研究这些非传统数据的研究相对较少,因此我们主要关注现有文献中常用的系统,如表2所示。表中列出的特性与图1中介绍的KD(数据挖掘)过程元素相符,包括空间和时间粒度、覆盖范围、数据记录责任(参考系统和实体),以及移动实体在感知过程中的参与度。
**数据:**
构建轨迹所需的最基本信息是位置和时间——不同参考系统捕获这些信息的方式各不相同 [130, 192, 223]。它们还根据自身特点收集额外数据(见表2)。例如,蜂窝塔和接入点收集基础设施相关数据,而惯性传感器测量相对于之前状态的位置变化。有些参考系统专门用于追踪人类(如LBSN和蜂窝塔),而摄像头可以同时观察多个实体,从而增加预处理的复杂性。我们的研究没有发现专门用于车辆的参考系统,只有特定的实例(如道路传感器,一种接近传感器)。此外,一个实体的数据也可能支持其他推断,例如LBSN数据有助于估计车辆或天气事件的轨迹 [93, 150]。
**记录方式:**
记录涉及为位置赋值以及在设备上或远程存储数据 [31, 55, 182]。主要有三种记录模型:
1. 参考系统同时记录和存储数据。
2. 参考系统仅提供位置信息,由移动实体存储数据(例如手机记录惯性传感器数据)。
3. 参考系统和移动实体共同记录和存储数据,通常基于信号强度进行推断(例如接入点)。
**时间粒度:**
数据收集的频率可以是时间驱动的(固定间隔)或事件驱动的(触发时)。时间驱动的采样会产生密集且精确的轨迹;事件驱动的轨迹通常规模较小、较为稀疏且不规则。不过,这并不总是成立;例如,许多车辆同时触发传感器可能会短暂生成密集的轨迹。此外,时间上的稀疏性可能是有意为之,通过预处理方法减少复杂性,但这可能会引入偏差或掩盖轨迹细节,从而影响分析 [174, 221, 223]。
**空间粒度:**
参考系统在物理空间中捕获的细节程度:精细(厘米到米)或粗糙(米到公里)。参考系统可以通过多种方式结合空间和时间粒度:
1. 精细-精细(例如,相隔数米的传感器);
2. 粗糙-粗糙(例如,农村地区稀疏的传感器);
3. 精细时间、粗糙空间(例如,实体的加速度超过采样率,如火箭);
4. 精细空间、粗糙时间(例如,附近位置的事件生成,如集群化的社交帖子)。粗糙的空间粒度可能保护隐私或降低成本 [9, 53, 228],但也可能降低数据挖掘的准确性 [55, 163, 174, 221, 223]。
**覆盖范围:**
可以是有限的或全局的。当参考系统是静态的且只能覆盖小范围空间时,或者使用频率较低时(例如单台摄像头),则覆盖范围有限;当参考系统广泛部署和采用时(例如GNSS),则覆盖范围是全球性的。某些参考系统(如全球LBSN)可以根据用户使用情况显示局部或全球覆盖 [150, 210]。
**感知方式:**
可以是参与式的或机会主义的。在参与式感知中,用户主动共享数据(例如LBSN),从而创建更丰富的上下文数据。相比之下,机会主义感知是在共享空间中被动发生的,由最初并非为数据收集设计的传感器收集数据(例如交通摄像头和商场接入点);用户可能知道被追踪但并不直接参与 [20, 150, 166]。现代法律要求获得许可才能进行感知以保护隐私(参见第3.4节)。此外,融合数据可以通过对比不同类型的数据提供移动模式的整体视图 [55, 109, 223]。例如,天气数据可以揭示天气如何影响人们的移动方式,城市摄像头提供局部视角,卫星提供全局概览。
**新兴技术对数据采集的影响:**
物联网(IoT)通过嵌入式传感器连接设备,实现数据的收集和共享,从而实时监控城市环境和移动性。它整合了传统参考系统和新兴技术(如无人机和自主机器人),加速了数据采集 [1, 2, 16, 98]。车联网(IoV)将车辆与交通基础设施连接起来,提供对交通、道路状况和驾驶员行为的详细洞察,这对于优化移动性和安全性至关重要 [2]。5G技术的整合通过增加连接容量、减少延迟和提高稳定性增强了参考系统的性能 [1]。它使得在同一地点收集更大体积的数据成为可能,缓解了数据采集问题。所有IoT基础设施都能从这种连接性中受益。5G还有潜力通过混合定位方法提升卫星导航系统的精度,例如通过传输校正值或增加额外的距离测量,特别是在卫星可视性较差的地区 [132]。此外,由5G和IoT推动的数据爆炸性增长已经超过了云计算的处理能力 [227]。边缘计算通过在本地处理数据来解决这一问题,允许智能手机等参考系统在传输到云端之前先去除噪声、重复数据、压缩和规范化数据。数据挖掘也可以在边缘节点直接进行,结果存储在云端。例如,Chavhan等人 [28] 提出了一种基于AI和IoT的智能交通系统,利用边缘计算进行实时数据处理和决策制定。城市区域被划分为配备边缘设备的路边单元(RSUs),每个RSU运行一个多智能体系统(MAS),从传感器、车辆和基础设施收集数据,进行本地处理并生成预测性洞察,然后通过IoT与邻近RSU和车辆共享这些洞察,减少了对云端的依赖。类似的策略也可以应用于其他应用中的轨迹数据挖掘。
**数据表示:**
轨迹数据可以被视为特定领域的时间序列:按时间顺序排列的位置点序列。形式上,时间序列X(t)={x1,x2,…,xn}由n个值组成,其中每个xi代表一个位置或坐标元组。在文献中,轨迹通常分为具有实数或逻辑位置表示两类。在实数表示中,位置对应于与物体相关的坐标(例如地球表面或参考系统本身),可能采取点或多边形等几何形式。相比之下,逻辑表示则从语义上抽象位置(例如道路、餐厅、地址)[55, 120, 223]。通过映射函数可以在实数和逻辑表示之间转换数据,例如将GPS点与道路段对齐 [15, 27, 29]。根据这些表示,轨迹通常分为三类:
1. **序列数据:** 由参考系统收集的原始时间序列。虽然可以转换为其他形式,但某些任务(如拥堵检测)更适合这种原始格式 [206]。此外,转换序列数据需要语义信息,而这并不总是可用的。即使可以进行 enrichment(数据增强),也会增加时间和计算成本 [105, 120, 223](参见第3.3节)。压缩技术可以在保留关键模式的同时减少轨迹长度 [55, 182, 223](详见第3.4节)。序列轨迹通常以列表形式存储,空间复杂度为O(n),其中n是轨迹长度 [10, 189, 223]。
2. **语义轨迹:** 它们通过添加上下文信息来增强序列数据,例如描述运动状态(移动或停止)、地理环境(道路、餐厅)和交通方式(步行、驾驶)[55, 105, 120, 223]。通常以带有语义标签的时间戳元组形式存储,空间复杂度为O(n)。从序列数据转换为语义轨迹需要额外的信息和计算工作 [10, 189, 223]。
3. **网络:** 连接相似实体的大型系统,允许移动或通信,通常涉及复杂的交互。例如,在交通中,行人、出租车和乘客之间有动态交互。网络通常建模为图,节点和边的含义取决于分析目的。节点(V)可以表示位置(如住宅、公园)[120] 或社交互动(如会议)[134],边(E)表示移动或连接。空间复杂度随图结构而变化:邻接列表适用于稀疏图(O(V+E)),而邻接矩阵无论边数多少都需要O(V^2) [11]。
**数据预处理:**
目标是提高轨迹数据的质量并创建用于数据挖掘的相关子轨迹 [119, 163, 165],通常同时应用一种或多种预处理方法。我们可以根据它们准备的数据类型(轨迹、轨迹点和特征)以及在这些数据中的目标对方法进行分类,详见表3。
**预处理任务:**
| 目标 | 方法 |
|-----------------|----------------------------------------|
| 选择轨迹 | 通过阈值、形状或语义意义进行分割 |
| 人口抽样 | 采样整个轨迹或创建子集 |
| 校准 | 将轨迹对齐到锚点 |
| 数据丰富 | 使用来自多个参考系统或其他数据源的数据 |
| 清洗数据 | 过滤噪声 |
| 地图匹配 | 几何、拓扑、概率或机器学习方法 |
| 调整点 | 用或不使用额外信息 |
| 简化 | 几何、基于图、语义感知或机器学习方法 |
| 数据转换 | 规范化 |
| 频率域处理 | 傅里叶变换和小波变换 |
| 离散化 | 时间、基于图像、空间、基于图的以及多尺度方法 |
| 特征提取 | 创建手工特征或自动提取特征 |
| 特征工程 | 维度降低、统计变换或基于学习的处理 |
**选择轨迹的方法:**
选择轨迹或子轨迹的目的是通过分割或抽样来减少计算资源的消耗并突出潜在模式。分割意味着将轨迹划分为有意义的子轨迹(或子集)。除了降低计算复杂性外,还有助于理解构成轨迹的独特属性,从而学习更丰富的知识。选择轨迹时可以考虑三个因素:
1. 阈值:可以是停止时间、点的数量限制或时间限制。在停止时间中,如果实体完全或几乎停止的时间超过阈值,则将轨迹分割成多个部分;时间限制是指相同大小的片段不应超过特定时间长度。这些分割方法在需要快速决策的实时应用中至关重要,而离线应用可以使用更灵活的分割方法 [173, 178, 179]。阈值限制在深度学习方法中也很常见,因为它们通常要求轨迹大小相同 [35, 59, 126]。
2. 形状:分析点在轨迹中的位置,当移动实体改变行为时(例如在变化点处)可以进行分割。这些点可以代表方向变化 [223]、速度变化 [113] 或多种特征的组合 [7, 49]。
3. 语义意义:取决于分析类型。例如,在基于出租车轨迹的行为和推荐分析中,识别乘客上下车地点作为分割点很有帮助 [92, 105, 190];在车辆行为特征化中,不同交通模式之间的转换(如从步行到驾驶)可以用作分割点 [35, 225]。
**人口抽样:** 选择原始数据集中的代表性子集,以捕获分析所需的相关知识,这可能是一项具有挑战性的任务。然而,它可以通过专注于最有意义的数据来简化数据挖掘操作,降低成本并节省时间 [37, 55]。3.3.1 抽样
抽样可以选择整个轨迹或轨迹片段。
- **整个轨迹**:这种抽样基于有助于研究的基本特征,如年龄、地区、城市[55, 150]和交通方式信息[35, 224]。还可以使用统计方法来找到最佳轨迹,例如,根据轨迹的估计分布从时空(ST)区域中检索数据[37]。
- **轨迹片段**:它涉及寻找有助于分析的轨迹模式。例如,Ferrero等人[57]研究了如何从轨迹中找到形状片段[10],即相关的移动模式,而无需将轨迹划分为预定义的子轨迹。
3.3.2 修改轨迹
该方法使用操作来创建或聚合轨迹中的新信息,提高其分析价值。主要方法包括校准和数据丰富化。
- **校准**:将数据集标准化,以便于聚合和比较,解决格式不一致、采样率、坐标系统[55, 182]以及重构缺失点[24, 155]等问题。它通常将轨迹对准参考点(即锚点),包括道路交叉口、网格单元、常访问的位置或重要城市地点(即兴趣点(POIs),如住宅和地标[89, 176, 211]。
- **数据丰富化**:利用外部来源添加上下文信息,例如与道路网络的地图匹配[18, 152]、兴趣点[76, 186]、活动或交通方式的语义标签[178, 225]、天气或交通数据[63, 79],或者整合多个数据集[105, 176]。
3.3.3 清理数据点
目标是通过消除可能影响数据挖掘和有意义见解提取的错误或不相关的点来提高数据质量。这些点可能包括重复项、不可能的运动或参考系统错误[55, 98, 124]。一种常见的数据清理方法是噪声过滤,它涉及基于(i)阈值(如交通模式的最高速度[35, 191])来检测和移除异常值。这些阈值易于实现,但需要领域专业知识,并且在实时场景中可能不具备可行性[98];以及(ii)使用轨迹统计(均值或中位数)或启发式和随机过滤器(如卡尔曼[164]和萨维奇-戈莱[35])的数学方法。
3.3.4 调整数据点
该方法旨在通过修改、细化或简化数据点的空间和时间方面来提高轨迹数据的质量和可用性,同时保留基本特征。三种主要方法包括地图匹配、填补空白和简化。
- **地图匹配**:将连续数据点与逻辑位置关联起来,或调整轨迹度量(例如在室内导航中)以提高定位精度和鲁棒性[26, 122, 141, 152, 207]。可以离线执行,一次性处理整个轨迹,或者在线处理,即数据到达时进行处理[29, 141]。地图匹配有多种方法:(i)几何方法,直接将数据点与最近的道路段匹配;(ii)拓扑方法,利用道路网络的连通性和图形来确定最合理的路径;(iii)概率技术,如隐马尔可夫模型(HMM),根据观测数据将车辆位置建模为隐藏状态;(iv)机器学习(ML)方法,训练以学习轨迹和道路网络之间的复杂关系[26, 122, 141]。然而,地图匹配不易推广和扩展,每次地图更改时都需要地图信息和更新[152, 207, 223]。
- **填补空白或完成**:旨在通过填补由于数据采集过程中的粗粒度或错误导致的两点之间的缺失时间间隔或距离来提高数据质量。这种方法可以仅依赖现有的轨迹数据,或者结合额外的信息。没有额外信息的方法通常涉及插值样本[74]或利用历史数据中的锚点[24, 155]。这些方法计算效率高,但在处理长间隔或复杂的城市环境时可能会遇到困难[40]。相比之下,结合额外信息的方法包括使用领域专家数据(如车辆平均速度、道路特征和时间因素(例如高峰时段)[40]以及多个参考系统(如摄像头和行人运动[67])进行数据丰富化。
- **简化**:在保留轨迹的基本空间和时间特征的同时减少轨迹中的点数。方法可以分类为以下几种:(i)几何方法,通过在连接起始和结束轨迹点的线段内递归移除点来减少数据量,同时保持形状的真实性。最近的进展包括基于上下文的适配和自适应阈值[219];(ii)基于图的方法,通过图结构捕捉个体和群体级别的模式[61];(iii)考虑上下文的信息方法,保留重要的轨迹特征,如兴趣点、活动和时间模式[139, 161];(iv)机器学习方法,利用机器学习算法学习最佳的简化策略,克服基于规则的方法的局限性。它使用强化学习(RL)等技术来学习简化阈值策略[187]和深度学习(DL)模型来学习紧凑的轨迹表示[31, 182, 214]。
3.3.5 数据转换
将轨迹数据转换为新的类型、领域或结构,以便应用先进的聚类(KD)策略。有效的数据转换通过提高解释性、鲁棒性和挖掘技术、应用程序和系统之间的兼容性来增强结果。然而,开发有价值的转换以促进有意义的分析并克服缺失数据、异常值和不规则时间间隔等问题可能需要领域专业知识[163, 189, 223]。可以应用多种数据转换技术,包括:
- **规范化**:将数值属性缩放到一个一致的范围(通常是{0,1}或{?1,1}),这对于比较具有不同 scale 的属性(如速度和加速度)至关重要,确保所有特征平等地贡献于分析,并防止大尺度属性扭曲结果[163]。例如,最小-最大规范化将值调整到固定范围[184];基于比率的标准化,将值除以相关基线[123];z分数规范化,确保DL方法中的权重收敛和偏差稳定[178, 180]。
- **频率域**:傅里叶变换将轨迹分解为其周期性组成部分,例如行走的步数和汽车的振动[80, 179]。然而,它在捕捉时间信息方面有局限性。小波变换通过捕捉频率和时间域的信息来克服这一限制,这对随时间变化的轨迹很有用[80]。
- **离散化**:将连续数据转换为离散格式,常用于序列数据。时间离散化将数据分割成固定间隔,例如小时或一天中的不同部分[143],或者根据领域知识创建新的时间序列,例如实体运动(如速度和距离)[126, 225]。基于图像的离散化将轨迹转换为抽象的网格表示,可以像图像一样用于DL方法,通过创建反映在抽象空间中花费时间的矩阵或将特征堆叠成网格[35, 36, 46, 99, 218]。空间离散化将地理区域划分为规则的网格单元或使用分层结构,如不同分辨率的H3六边形,保持与地理空间的直接关系[41]。基于图的离散化使用节点作为空间单元对数据进行建模,例如道路段和交叉口。这种方法通常由图神经网络(GNN)用来有效捕捉复杂的时空依赖性[205]。多尺度方法分析不同空间分辨率(例如500米到4公里)的数据,以捕捉不同城市规模的模式[41],通常结合使用兴趣点和人口普查信息的数据丰富化[111]。
- **编码**:一种基于神经网络的方法,将点转换为高维向量表示。位置编码器必须具有以下属性:(i)距离保持,确保附近位置的嵌入相似;(ii)方向感知,即共享相似方向的位置具有更接近的嵌入;(iii)归纳学习能力,允许在不重新训练的情况下编码新位置;(iv)任务独立性,即在不同任务中具有可用性而不需要修改;(v)参数模型结构,即有限的参数集。位置编码器可以是单点类型,即通过离散化和规范化等方法独立处理单个位置,也可以是聚合类型,基于GNN,同时考虑点位置及其周围邻域的特征[33, 116, 135, 153, 212]。适当的数据转换可以帮助特征工程,通过保留原始数据的关键局部和全局信息来减少维度和特征提取[189]。因此,数据转换和特征工程通常被视为连续步骤。
3.3.6 特征工程
目标是从整个或部分轨迹中开发一个新的特征集,更有效地捕捉关键信息。这个新特征集可能比原始特征集小,并通常替代原始特征集,从而增强我们对数据的理解并提高挖掘性能[35, 225]。两种主要方法是特征提取和降维。
- **特征提取**:可以从手工制作的方法到自动技术。手工制作的特征依赖于领域专业知识来定义合适的特征,例如速度和转向角度可以捕捉与理解城市移动性相关的运动方面[35, 225]。统计特征不需要专业知识,但领域特定的专业知识通常会提高其选择和解释性,例如,从轨迹的概率分布计算出的最大值、均值和峰度等度量可以捕捉轨迹的潜在动态,而不仅仅是其原始值[191]。这些策略可以从单个轨迹生成数百个特征,但在识别最相关的子集方面可能会遇到挑战,并可能导致维数灾难和过拟合[163]。因此,人们对自动特征提取越来越感兴趣,特别是使用DL方法。例如,卷积神经网络(CNNs)从表示为图像的轨迹数据中提取空间特征,而长短期记忆(LSTM)网络有效地处理序列数据并捕捉长期依赖性[202]。生成对抗网络(GANs)学习生成真实的轨迹数据,间接捕捉重要的城市移动性特征[64, 107]。结合自动方法(如GANs和CNNs[99])在挖掘任务中表现出更优的性能。
- **降维**:创建原始数据的更紧凑表示,消除无关或冗余的特征,从而降低计算需求并减少噪声和维数灾难[163]。它可以分为三种主要方法。特征选择通过使用过滤器(统计指标)或包装器(ML方法,如随机森林[191])来消除最不重要的特征或添加最相关的特征,从而创建最具信息量的特征子集[170]。统计转换将原始的高维空间转换为低维表示,同时保持关键统计属性,包括主成分分析(PCA)[125]和动态时间弯曲(DTW)[208]等方法。基于学习的表示包括各种先进技术,例如变分自动编码器(VAEs),它们学习紧凑的潜在空间,压缩高维数据同时保留重要的时空模式。这种能力使得降维和生成建模成为可能,有助于模拟真实的城市轨迹[136]。VAEs还用于自动驾驶的RL应用中,通过函数近似降低状态空间的维度[90]。
3.4 数据管理
它涉及获取、索引、存储、组织、维护和有效利用数据,以确保其可靠性、可访问性和安全性,以便进行分析[55, 98, 182]。
- **索引和检索**:它们对于快速准确的数据访问至关重要。传统的轨迹数据索引方法包括R树及其变体(例如R*-树和3D R树),它们将轨迹空间分割成分层边界矩形[32, 182, 194];基于网格的方法,将空间分割成规则的或自适应的单元[147, 182];以及基于图的表示,专为受网络限制的轨迹设计,采用地图匹配策略[31, 122, 152, 182]。然而,轨迹数据的连续性和时间依赖性带来了独特的索引挑战[55, 182],特别是对于包含来自数百万移动实体的数十亿数据点的大规模数据集[3, 182]。此外,现代轨迹数据分析需要实时索引,以提供最新的信息,以便在自动驾驶和交通管理等高风险场景中快速决策,其中低延迟至关重要。分布式系统通过将数据分散到各个节点上进行并行计算来提高响应速度[4, 114, 182]。将边缘计算集成到这种分布式架构中可以通过将初始数据处理卸载到靠近数据源的设备上来进一步减少延迟[198, 228]。Apache Hadoop等框架使用MapReduce范式,通过在工作负载的“Map”阶段分布在多个节点上并在“Reduce”阶段汇总结果来高效处理大规模城市轨迹数据集。除了可扩展性外,这种策略还具有容错性。然而,Hadoop主要设计用于批处理,而城市应用通常需要更快的迭代处理。Apache Spark通过使用内存计算和弹性分布式数据集(RDDs)在内存中缓存大量轨迹数据来解决这个问题,这对于迭代算法特别有利[114, 195]。此外,这些分布式框架促进了传统索引方法的可扩展实现。例如,可以在Spark集群上维护R树的分布式版本[194, 195]。流式场景从基于网格的分布式索引中受益,因为它们不将流式元素存储在单独的数据结构中;相反,它们直接将单元ID分配给元素,消除了插入和删除相关的开销[106, 114, 145, 195]。此外,像Spark的GraphX这样的分布式图处理系统能够在城市规模的网络上进行高效计算,支持连续的交通监控和管理[31, 137, 195]。最后,像Apache HBase[101, 102]和Google Cloud的BigTable[154, 182]这样的分布式NoSQL数据库可以存储和查询大量轨迹数据,为城市环境提供端到端的分布式解决方案。
3.4.2 轨迹压缩
目标是在保持必要信息的同时减少轨迹数据,以便于高效存储、传输和处理[55, 98, 182]。压缩技术可以分为无损或有损压缩,以及在线或离线压缩。无损方法在解压后可以恢复数据,通常通过编码和清洗等技术实现,但压缩比率通常较低[6, 98]。相比之下,有损方法会丢弃不太重要的数据(例如次要细节或冗余点)以实现更高的压缩比率,通常使用简化等技术[98, 139, 219]。通过首先应用有损方法来减少数据,然后应用无损策略进行存储优化,可以结合使用有损和无损压缩[6]。技术的选择取决于应用需求,要在压缩比率和对挖掘和分析的影响之间取得平衡[117]。
此外,压缩技术还可以根据应用时间的不同进行分类:在线压缩或在收集所有轨迹数据后进行,这样可以使用更先进的算法来更好地平衡压缩比率和信息丢失[98, 194]。另一方面,在线压缩涉及实时技术,用于在数据收集过程中减少轨迹数据,以最小化数据传输并节省带宽和能源。这对于资源受限的设备(如传感器和边缘计算系统)特别有益,因为它可以降低存储和处理延迟[71, 114, 117];同时也能提高像Apache Hadoop和Spark这样的分布式框架的可扩展性,通过减少处理需求[106, 114, 194]。最后,在压缩过程中处理不确定性可以确保数据完整性和有效的后续分析。不确定性可能来源于多种来源,例如传感器噪声、分辨率低和数据质量差[21, 98, 223]。也可以应用压缩技术来保护隐私[162]。压缩算法可以通过概率表示或考虑不确定性的编码方法等模型来减轻不确定性的负面影响[98, 106, 154]。
3.4.3 隐私保护
移动模式可以唯一地识别个人,使得轨迹数据容易受到先进AI技术支持的复杂推断攻击的匿名化[53]。现代深度学习(DL)和基础模型(FM),例如大型语言模型,可以发现匿名数据中的细微模式,使对手能够提取敏感的训练数据[4, 106]。此外,物联网(IoT)和边缘计算的快速增长增加了数据收集量,但也由于计算资源有限和互联性增强而增加了隐私风险和潜在的网络攻击[9, 106, 228]。作为回应,许多国家已经实施了严格的隐私法律,要求组织在收集数据之前获得明确同意,告知个人数据使用的目的,并确保安全和透明的管理。例如,欧盟的《通用数据保护条例》(GDPR)和巴西的《通用数据保护法》(LGPD)[2]。接下来将讨论主要的隐私保护策略。
数据匿名化和抽象:通过修改或隐藏数据来保护隐私,同时保留其分析价值。假名化用假名替换实际标识符,常用于车辆网络[2, 162]。K-匿名性确保一个人的数据与其他至少k-1个人的数据无法区分,通常用于传输多个用户的匿名区域的位置系统中。混淆技术使用附近的替代位置来隐藏精确位置,经常利用强化学习(RL)来确定最佳的掩码位置。混合区和静默期分别通过在指定区域或时间间隔内改变假名来进一步复杂化跟踪[121, 162]。差分隐私(DP)向数据中添加随机噪声,确保分析结果不依赖于个别用户数据,并且几乎不暴露个人对最终结果的贡献[58, 203]。DP可以在各种情境中使用,包括在训练期间向模型参数添加扰动;在公开共享数据之前对随机选定的参与者添加噪声的聚合数据发布;个性化DP,允许用户根据数据敏感性设置自己的隐私级别;以及本地DP,在数据离开本地设备之前直接对数据进行噪声处理[58, 106, 162, 203]。
联邦学习(FL):一种分布式机器学习方法,允许设备或本地服务器使用其本地数据训练模型,同时仅共享模型更新以进行全局聚合。它避免了在集中式仓库中收集原始轨迹数据,从而有助于缓解隐私问题[71, 106, 229]。然而,FL面临几个挑战。架构决策,如客户端数量、数据在客户端之间的分布(即是否独立同分布(IID)以及聚合算法的选择,都可能影响准确性和模型收敛。用户的移动特性(例如规律性、稳定性和移动模式的熵)也会影响FL的性能。例如,具有更大多样性、更低规律性和更高熵(即更不稳定)的用户比那些具有更一致日常活动的用户更难以预测,由于这些移动和架构特性,FL的性能在相同的数据集中可能会有很大差异(例如准确率在0.3到0.8之间[48]。
加密和密码学:密码学方法主要通过加密技术保护信息和系统,将数据转换为未经解密密钥的用户无法读取的格式[2, 4]。在城市环境中,关键的密码学策略包括安全聚合,专注于FL等分布式场景,确保在模型更新期间无法识别个人贡献,只显示聚合结果。安全的多方计算适用于FL之外的场景,使各方能够在保持输入隐私的同时进行协作,这对于城市研究(如交通管理和城市规划)中的联合数据分析非常有价值[4, 12]。这些技术利用了同态加密和秘密共享等加密方法。秘密共享将数据部分分布在服务器之间,确保没有人能够访问全部数据[106]。同态加密允许在不解密的情况下分析加密数据,通过不暴露原始数据来保护隐私[198, 203]。
3.5 数据挖掘
数据挖掘是通过应用各种技术自动发现数据中有价值的信息的过程,从而提取可能未知的新颖有效模式[163]。如图1所示,数据挖掘方法可以分为主要方法和次要方法。主要方法为分析轨迹提供了一个通用的分析框架,提供理论和算法工具来研究它们的属性和关系。次要方法在城市领域内应用这一基础,整合专门知识来检查轨迹类内部或之间的空间、时间或时空模式[119, 172]。因此,虽然主要方法定义了更广泛的方法,但次要方法的选择基于数据所需的特定见解,使分析与研究目标保持一致,即次要方法指的是特定应用的方法。此外,次要方法的结果可以指导对主要方法的调整,从而实现持续改进。
3.5.1 主要挖掘方法
它们支持在不同抽象层次上更深入地理解数据结构,促进高级分析和合成数据的生成。
监督学习(SL):训练模型根据具有已知输出的输入做出决策[119, 163]。这种方法既使用传统的机器学习算法(例如支持向量机(SVM)[46]和k-最近邻居(k-NN)[35],也使用深度学习方法(例如CNN [35, 36]和LSTM [178, 202])。它还可以结合多种方法以获得更好的性能[35, 80, 126]。
无监督学习(UL):根据与其他组不同的共享特征将轨迹分组[119, 163]。一些例子包括带有噪声的应用程序的基于密度的空间聚类(DBSCAN)[208]和VAE(90, 136)。最近,一种称为自监督学习(self-SL)的UL子集受到了广泛关注。在这种方法中,模型从数据中生成自己的SL任务,通常是通过预测掩码输入部分来实现的,使模型仅从未标记数据中存在的固有结构中学习有意义的表示[83, 103, 217]。
半监督学习(semi-SL):在标记数据稀缺但未标记数据丰富的情况下成为一种强大的方法,最终节省了人力和财力。与self-SL不同,这种方法使用标记和未标记的数据,应用SL技术来理解轨迹特征,然后将这些知识传播到未标记数据中[31, 86]。它可以应用深度学习(36, 80)和具有对抗性的深度学习(81, 202)方法。
强化学习(RL):训练智能体在环境中确定最佳行动,旨在通过正负奖励系统最大化他们的收益。RL特别适合处理城市场景中的复杂性,其中有许多可能的行动和结果,最佳策略可能取决于多个因素[97]。此外,它还允许研究人员理解他们难以轻易测试的城市场景,例如危险和高度要求高的场景,如飓风[51]、犯罪[84]和自动驾驶车辆[8]。
对抗学习(AL):生成带有微小改动的人工示例,保持与原始数据相似的分布。其主要应用是通过增加数据多样性来增强模型对抗恶意攻击的鲁棒性[81]。在城市场景中,这种多样性对于数据增强至关重要,允许训练数据密集型深度学习方法(64, 99, 110)。这种增强还可以涉及生成具有挑战性的环境,其中数据收集非常困难,例如将白天场景转换为夜间环境或模拟恶劣的天气条件,从而生成能够在不同情况下更好地泛化的模型[107]。
3.5.2 次要挖掘方法
表4总结了次要挖掘方法,介绍了它们的目标和方法,我们将在本节的其余部分详细讨论。
表4. 次要挖掘 方法 目标 方法
模式挖掘 发现轨迹中的移动模式 分析一个或多个一起移动的实体,这些实体可能是周期性的、顺序的或分组的
不确定性 理解数据收集和位置中的轨迹不确定性 减少不确定性或开发考虑不确定性的方法以提高数据分析性能。也可以添加不确定性以保护隐私
异常检测 发现与其他轨迹显著不同的轨迹或片段 检测值、上下文和集体异常,并且可以根据标记数据的可用性使用不同的学习范式
预测 发现未知的结果 预测轨迹随时间的变化或推断创建轨迹的实体(例如,人们活动)或某些特定轨迹特征(例如,速度)
停留点检测 找到实体停留一段时间的点 基于时间、距离、密度、马尔可夫链和机器学习此外,当单个实例本身并不异常,但在被组合时变得异常时,就会出现集体异常现象,例如人们参加游行[50, 119, 223]。异常检测可以使用SL(监督学习)、semi-SL(半监督学习)或UL(无监督学习)方法,这取决于是否有标记数据[50]。此外,对抗性学习可以用来生成合成异常值,从而提高先前学习方法的有效性[107]。预测:估计或推断系统未知结果、特征或状态的过程。预测包括两种主要方法:时间预测和概括性结果推断。时间预测,或称预测,涉及分析空间和时间模式以及社会和心理因素,以预测个体和群体的轨迹将如何随时间演变[31, 93]。它可以按时间范围和范围进行分类。时间范围关注时间长度:短期预测针对的是即时未来,例如实时交通管理[33]和自动驾驶汽车导航中的行人轨迹预测[93],而长期时间预测则针对相对于上下文的较长时间段,例如预测一分钟内的五秒钟轨迹[118]。相比之下,范围关注的是预测的轨迹大小,包括下一个最近的位置、最终目的地和整个路线[127, 213]。时间预测通常应用SL方法,但对于机器人学来说,RL(强化学习)在寻找无碰撞路径方面尤其相关[93, 97, 153]。此外,对抗性方法可以预测潜在未来轨迹的分布,而不仅仅是最佳的单一条轨迹,有助于有效分析多种情况[188]。概括性结果推断超越了时间序列,可以推断内在模式、对事件进行分类或识别属性,而无需一定将其向前预测[50, 107]。人类活动识别(HAR)是城市场景中最常见的预测任务,因为人类研究在这种背景下非常重要。HAR包括识别和理解人类行为,包括游泳、步行、参加体育活动以及驾驶等[96, 138],这些支持许多应用,例如跌倒检测[138]、人机交互[153]、交通预测(例如速度、旅行时间和拥堵情况)[69, 96]以及交通方式检测[22, 72, 126]。此外,考虑到人类动态的重要性以及各种参考系统捕捉人类轨迹的能力(如第3.1节所讨论的),预测任务采用了所有主要挖掘范式的方法。
停留点检测:停留点是实体在空间或时间上保持不变的位置,即持续一定时间。它们的检测提供了有关人们如何在城市空间中使用和移动的宝贵见解,例如帮助识别道路交通拥堵[207]和兴趣点(POIs),如住宅区、商业设施和旅游景点[76, 186]。停留点检测方法可以包括:(i)基于时间的,考虑最低停留时间;(ii)基于距离的,考虑最小停留时间和与中心点的最大距离;(iii)基于密度的,使用UL技术识别高轨迹点密度集群作为停留点,避免需要固定阈值;(iv)基于马尔可夫链的,通过建模位置之间的转换来识别模型倾向于停留的地方;以及(v)基于机器学习的,应用SL和semi-SL来学习复杂模式。也可以结合这些方法以提高准确性[76, 186, 223]。
3.5.3 评估。关键绩效指标(KPIs)是评估结果质量和相关性的指标。虽然与主要挖掘方法相关,但它们间接衡量了次要挖掘方法和预处理步骤的有效性。次要挖掘方法没有专属的KPIs;它们的评估取决于所使用的主要方法。例如,使用SL算法的预测任务可以采用准确性,而UL需要不同的评估方法。表5展示了在城市场景中应用的数据挖掘中的常见KPIs,我们将在本节简要解释这些指标。我们提供了“概念公式”来帮助阐明核心概念,使这些想法对没有强大数学背景的读者也易于理解。
表5. 范式 KPI 解释 概念公式
准确性 在所有实例中正确识别的实例比例 正确识别的实例总数
精确度 在所有实例中正确识别的实例比例 实际正确识别的实例数量
召回率 在所有实例中正确识别的相关实例的比例 实际正确识别的实例数量
F1分数 通过计算精确度和召回率的调和平均值来平衡精确度和召回率
监督学习
均方误差(MSE) 输出与实际值的接近程度 1/N∑i=1N((actual?predicted)^2)
轮廓系数 对象与自己的簇相比与其他簇的相似程度 分离 - 凝聚 max(separation, cohesion)
无监督学习
戴维斯-鲍尔丁指数 每个簇与最相似簇的平均相似度 cluster spread + 最近簇的距离
累积奖励 能者在一段时间内获得的总奖励 每个时间步骤的奖励总和 平均每集奖励 能者在每集获得的平均奖励
总奖励 总集数
强化学习
成功率 成功集的比例 成功集的数量 总集数
Inception分数 测量生成图像的质量和多样性 exp(生成图像的清晰度 生成图像的多样性)
Fréchet Inception Distance (FID) 生成图像与真实图像分布的匹配程度
攻击成功率 导致模型得出错误结果的对抗性实例的百分比 成功攻击的数量 总攻击次数
攻击严重程度 生成实例逃避检测机制并欺骗模型的有效性 攻击对性能的影响程度
攻击的易检测性
评估指标
SL KPIs通过将模型的结果与已知真实值进行比较来衡量模型对未见数据的泛化能力。在分类任务中,KPIs包括准确性、召回率和F1分数,分析重点关注“top-k”结果或最可能的结果(“top-1”[30, 76, 186]。对于连续值任务,例如城市流量预测和DL训练损失,通常使用均方误差(MSE)及其变体(均方根误差(RMSE)和平均绝对误差(MAE)[17, 193, 215]。RMSE强调较大的误差,而MAE则平等对待所有误差[17, 193, 215]。
在UL中,KPIs通过测量簇的紧凑性和分离度来评估发现的结构的质量。关键指标包括:(i)轮廓系数,它通过平衡分离(数据点与其他簇的距离)和凝聚(数据点与其簇的接近程度)来衡量每个数据点在其分配的簇中的适配情况;以及(ii)戴维斯-鲍尔丁指数,通过考虑每个簇内的分散程度和每个簇与其最相似邻居的差异来评估簇的分离度和紧凑性[113, 133, 209]。此外,SL指标如F1分数和精确度也可以应用于UL任务,例如异常检测,但它们需要伪标记或真实标签来识别异常[38, 50]。在自SL中,重点在于学习有用的表示,而不是直接解决特定任务。因此,评估通常涉及在后端任务上评估这些学到的表示——这些是我们最终想要解决的任务。这通常在SL环境中完成,其中应用SL场景中的KPIs[83, 103, 149, 217]。此外,作为SL和UL之间的混合范式,半SL使用SL和UL方法的KPIs[36, 81, 86]。
评估RL代理涉及独特的挑战,因为它们具有交互式学习过程且没有固定的“正确”答案。评估主要关注代理在其环境中的表现,使用标准指标,如(i)每集的累积奖励,反映整体成功;(ii)每集的平均奖励,表明学习进展;以及(iii)成功率,显示代理成功的集数比例。还可以评估其他方面,包括样本效率(学习良好策略的速度)、对未见环境的泛化能力、对变化的鲁棒性、可扩展性到更大环境或更多代理,以及安全性(避免危险状态)[8, 97]。
强化学习(AL)可以使用标准的SL指标,如准确性和精确度来评估对抗性攻击对模型性能的影响。这些可以用来推导特定的AL指标,如成功攻击率和攻击严重程度。此外,AL评估通过测量生成数据分布与原始数据分布的相似性以及生成实例的多样性和有效性来评估生成数据的质量[64, 99, 107, 110, 188]。
此外,各种方法可以提高模型性能并带来更好的KPI结果。例如,如段内多数投票[43]和使用HMM确定类别之间的转移概率[179]等技术可能有益。此外,除了模型性能之外的因素也同样重要。虽然不同算法可能产生相似的KPI结果,但它们的有效性可能因其他考虑因素而有所不同,如计算成本、延迟、通信成本和能源效率。在分布式解决方案(例如物联网、边缘计算和联邦学习)中,低延迟和通信成本可能更为重要,即使这需要牺牲一定的准确性[106, 228]。
3.6 知识发现和应用
从轨迹数据中发现的知识有许多应用。由于技术进步可能会引入新的用途,因此不可能捕捉到所有潜在的应用。本节重点介绍了文献中最常见的应用,分为四个关键类别: mobility表征、可视化、群体和个体行为分析以及城市服务。虽然我们将获得的知识分类到一个特定领域,但它可以贡献于不同类别的各种应用。例如,分析群体行为可以为城市规划和建议提供信息。然而,每个应用类别可能需要专门的方法,包括不同的预处理和挖掘方法。后续章节将更深入地探讨每个类别,探索它们生成的知识及其各自的应用。
3.6.1 Mobility表征
它研究了移动性的运作方式以及影响它的众多因素。这些见解为创建能够有效应对人类和车辆移动性复杂性的智能城市铺平了道路[13, 19, 95]。从Mobility表征中获得的关键知识包括以下内容:
内在移动性模式和规律:控制移动性的组成部分尚未完全理解,因为它们源于空间、时间和行为因素之间的复杂相互作用。例如,研究表明 human mobility 是无尺度的,即移动性在各种尺度上保持相似的统计特性,从日常活动到国际旅行[5, 151]。个体轨迹内的行为成分也显著影响移动性,例如常规性(返回经常访问的地点)和新颖性(发现新的地方)[39, 48]。认知因素也有影响,因为个人根据个人和社会背景选择路线,而不仅仅是选择最短路径[130]。这些见解使得开发用于模拟和测试机器人学、自动驾驶汽车和车辆自组织网络(VANETs)中的导航算法和安全系统的实时移动性模型成为可能,否则由于可能危及公民的安全而无法进行测试[8, 13, 64, 153]。
影响移动性的外部因素:了解移动性如何受到文化规范、社会经济条件和环境限制等情境因素的影响,可以为社会系统及其动态提供宝贵见解。例如,移动性根据社会情境(无论是单独旅行还是与同伴同行)和技术支持(如导航设备)而显著变化[130]。从交通拥堵到自然灾害和地缘政治冲突等外部干扰也会塑造移动性模式。Xu等人[196]揭示了COVID-19大流行期间移动性适应的社会经济差异,富裕地区的居民在减少移动性以降低风险方面表现出更大的灵活性。此外,移动性与社会结构之间的关系特别复杂。关于人类移动性网络的研究表明,城市移动性可能会加剧或缓解隔离:虽然大城市提供了与相似个体联系的更多机会,但城市空间的移动也会创造超越直接邻里范围的多样化互动机会[128]。这些知识可以影响城市规划,使得设计更高效的交通系统和优化的公共空间成为可能[19, 95],允许城市规划策略平衡可访问性、便利性和可持续性[130]。此外,数据驱动的模拟可以帮助识别各种情况下的脆弱区域,并理解影响社会公平性、空间访问和社区韧性的社会机制[196]。
3.6.2 可视化
将复杂数据转换为交互式视觉表示,利用人类感知进行数据探索和分析。它可以帮助知识不那么专业的个人理解任何应用中的具体信息[54, 163, 226]。以下是通过视觉分析实现的主要发现知识及其应用:
全市范围和街道级别的趋势:时间和空间分辨率影响洞察的粒度。细粒度可以实现街道级别的可视化,例如小区域内的行人流量[52],而粗粒度可以揭示影响城市动态的宏观级模式,如交通流量、人口流动和城市热点的演变[54, 204]。可视化这些趋势需要使用可扩展算法处理大量的轨迹数据集,以简化轨迹记录同时保留关键信息[114, 195, 204]。此外,整合多样化的数据源可以从不同角度增强城市行为分析,但由于数据质量问题(如噪声或缺失),可能会影响可视化效果,因此需要强大的预处理和具有不确定性意识的可视化技术[54]。例如,Sun等人[158]结合了GPS轨迹、街景图像和社会环境指标来评估COVID-19封锁对户外活动的影响,观察到封锁期间活动减少,随后又恢复了到疫情前的水平,并且人们更喜欢有绿地和海景的低密度场所。
新兴行为:检测突然出现的异常情况,如意外的交通拥堵或由公共紧急情况引发的移动模式变化,需要立即采取行动。实时可视化技术使分析师能够监控实时数据流,快速识别偏差并及时展开调查。通过利用GPU加速和云解决方案,这些技术可以提供复杂城市动态的流畅、交互式的可视化[77, 95, 195]。先进的数据索引和压缩技术提高了相关轨迹数据的快速检索和渲染速度,即使面对大型数据集也能确保用户互动的响应性[106, 114, 145, 195]。此外,机器学习方法提供了预测能力,可以显示预测轨迹或实时识别异常[78]。现代可视化系统强调交互性,允许用户动态探索和自定义视图[54, 78],甚至可以使用虚拟现实或增强现实等沉浸式技术来进行更直观的时空模式探索[95]。
3.6.3 群体和个体行为分析。探索群体和个体行为可以为我们提供关于社会组织和城市环境的宝贵且互补的见解,因为我们的移动不仅影响自己,也影响周围的集体。
人群动态:监控大规模事件和人群动态对于公共安全至关重要,因为它有助于防止传染病的传播[25, 158],并协调救灾和重建工作[55, 196]。实时人群跟踪还可以检测异常情况,例如一起移动的车辆群,这可能表明存在安全威胁(例如协调性盗窃或抗议活动),同时过滤掉良性群体行为(例如车队旅行)[185]。
社区:由共享特征、行为、兴趣或地理位置等多种因素紧密联系在一起的个体集群。识别社区为城市规划提供了关键见解,允许有针对性的干预措施来提高居民的生活质量[150, 196]。例如,Xu等人[196]认为网络社区通常反映了现实世界的社交结构,揭示了不同的通勤模式和资源获取能力等城市不平等现象。这些问题深受基础设施分布和交通可达性的影响。通过绘制这些社区地图,城市可以制定公平的政策,例如将公共交通线路扩展到服务不足的社区,并将公共服务分配到交通不便的地区,从而促进社会凝聚力和韧性。
功能区:具有社会功能和经济活动的城市区域,这些功能显著影响人们的移动模式,因为不同功能区域内的行为可能有所不同。例如,在教育区,由于有儿童的存在,驾驶员可能会更加谨慎,而商业区则会出现高峰时段的拥堵和高行人流量[175, 210]。因此,分析这些区域内部及各区域内的兴趣点(POIs)之间的人类移动模式有助于实现复杂和长期目标,使城市更加宜居和可持续,改进交通管理、城市规划以及安全保障[91]。
个体交通和出行模式:它们可以为交通规划和管理提供宝贵的见解。例如,通过分析出租车轨迹可以发现交通拥堵情况,从而改善交通流量并减少通勤时间[88]。同样,分析乘客需求模式可以揭示未充分利用的公交线路,并优化现有线路以减少等待时间并增加乘客数量[34]。除了这些运营上的好处外,轨迹数据还可以用于预测乘客路线和预测未来的出行需求,这对于精确估计出行时间和管理公共交通系统至关重要,比如识别哪些公交车站过于拥挤,并重新分配资源以避免长时间等待[91]。最后,个体交通模式有助于识别重复出现的模式,这对于检测和跟踪道路上的行人、动物和物体至关重要。这些信息使自动驾驶系统能够预测其他交通参与者的轨迹,并做出明智的决策以避免事故[13, 73]。
3.6.4 城市服务。城市服务可以满足个人、社会和商业需求。个人服务根据个人的出行历史、位置、性格和其他相关数据提供定制化的体验。相比之下,社会服务旨在通过考虑区域的位置和特征来满足社区的需求。此外,轨迹数据可以帮助商业服务优化运营,同时减少资源消耗[91]。从轨迹数据中提取的知识可以提供独特的视角和见解,这与传统调查不同,对于公共和私人管理者来说非常重要,有助于提升各种应用的效果。
环境污染:个人和社会健康应用可以从城市 servi?o 研究中受益,例如减少空气和噪音污染。例如,Iskandaryan等人[75]开发了一种基于GAN的技术,使用气象和交通数据来评估空气质量,展示了轨迹数据如何增强我们对污染模式的理解。此外,Guerrache等人[62]研究了测量环境噪音对健康影响的方法,并对个人和城市层面收集的数据进行了分析。虽然这类个人分析是单独进行的,但可以通过分析许多个体的数据来用于社会应用,从而在更大范围内改善城市环境。例如,通过收集许多个体的空气质量数据,研究人员和城市规划者可以识别高污染区域并采取措施减少污染。Espadaler-Clapés等人[47]使用无人机收集的车辆轨迹来估计城市环境中的交通噪音排放,提供了一种新颖的噪音污染评估方法。
用户偏好:这些知识使个人和商业服务能够提供反映个人优先事项、行为和限制的定制化推荐。例如,路线推荐系统不再仅优先考虑速度或距离,而是根据用户定义的因素(如风景价值、安全考虑或环境影响)动态调整[44, 93]。同样,商业物流系统同时优化路线,以实现多个目标,如配送时间偏好、燃油效率和工作负荷平衡,显著提高运营效率和成本[93]。基于位置的推荐是另一种流行的个性化应用。通过分析从签到历史、社交互动或过去行为中推断出的偏好,它们可以推荐符合用户喜好的餐馆、博物馆或商店[76, 186, 216]。在旅游领域,平台利用预算、时间可用性和对拥挤空间的厌恶等偏好来制定定制行程,甚至可以根据变化的情况实时调整建议[65, 104]。
时空模式:它们有助于设计符合城市需求的基础设施。例如,最近的进展利用时空图神经网络(spatio-temporal GNNs)来捕捉交通动态,即使在变化极大的城市环境中也能提高旅行时间预测的准确性[82],最终支持基础设施规划,如通过量化对事故热点的响应时间来确定最佳消防站位置[108],或通过预测乘客步行和等待时间来提高轨道交通效率[230]。商业移动性系统也从轨迹模式中受益,以设计他们的解决方案。打车平台通过整合实时交通数据、天气条件和事件信息来优化司机和乘客的匹配及上车地点,减少空闲时间和运营成本[92, 190]。同样,电动汽车充电基础设施的布局也利用历史出租车轨迹、道路网络拓扑和现有站点数据来平衡可访问性和需求[157]。时空模式还有助于自主系统规划,指导自主垃圾收集器和无人机配送网络,通过优先处理满溢的垃圾桶和选择节省能量的路径来优化任务执行[16, 168]。最后,规划内部环境(如购物中心和体育场)涉及估计交通流量以改善布局(例如,放置信息服务台、商店和厕所)并提升用户体验[55, 181]。
4 挑战和潜在的未来。基于前几节中对现有努力的讨论,我们探讨了城市计算中从移动性中发现知识(Knowledge Discovery from Mobility)所面临的关键开放挑战和潜在未来。我们将挑战分为两类:运营和技术挑战。运营挑战与日常活动中的移动性过程相关,而技术挑战指的是使移动性数据中的知识发现成为可能的基础技术。
4.1 运营挑战
4.1.1 合成创建真实数据。虽然真实世界的数据对于理解城市场景至关重要,但在某些情况下使用它们可能是不可行的,例如当自动驾驶车辆和机器人与人类共享空间时,错误可能导致伤害。在这种情况下,合成数据对于建模实体和降低成本非常有用,因为我们不需要特定的结构。然而,开发真实感强的合成数据可能具有挑战性,因为城市现象的影响因素仍不清楚。因此,研究是什么导致了移动性以及这些因素如何影响我们所观察到的变化以创建真实的合成模型至关重要。此外,我们需要通用且真实的合成移动性数据集。与仅基于单一城市或特定环境数据进行训练的生成模型或机器学习模型不同,我们需要能够适应任何城市并在不同环境中产生真实移动性模式的模型。
未来方向。大数据使得流量模型(Real-Time Models, FMs)成为可能,为合成轨迹数据创建开辟了革命性的途径。将流量模型与先进的生成模型相结合,可能会改变这个领域的未来。最初为自然语言处理设计的流量模型已经扩展到多模态数据,并解决了复杂任务,包括智能交通系统(ITS)中的应用[149]。图基础模型(Graph Foundation Models, GFM)[148]的进步为将复杂的道路网络结构和城市设计纳入合成数据生成提供了有前景的方法。这些流量模型方法与最先进的生成模型(尤其是扩散模型[197])相结合,可以在合成轨迹中实现前所未有的真实感和实用性。可以开发一种流量模型来捕捉不同城市和交通模式下人类移动性的潜在模式。然后可以将这种模型与基于扩散的生成过程相结合,利用扩散模型的迭代去噪特性将随机路径细化为高度真实的轨迹。这种组合将能够生成反映广泛移动性模式并遵循特定城市约束(如道路网络和交通模式)的合成数据。
4.1.2 数据集成和异构性。物联网(IoT)设备的普及意味着几乎所有事物都在生成数据,为从各种角度分析移动性和人类行为提供了丰富的信息。然而,由于数据来源的异质性,数据集成带来了重大挑战,这可能对分析产生不利影响。例如,简单地连接来自不同来源的特征并对它们进行分类可能无法获得最佳性能,并可能导致高维空间,从而加剧维数灾难[223]。因此,开发能够有效融合来自不同来源信息的算法至关重要,需要考虑数据格式、传感器采样率等因素的差异。有两个关键问题需要进一步研究,因为它们可能影响结果:在不同数据集中匹配实体:在许多应用中,如医疗保健,将不同数据集中的实体(例如人、位置)匹配起来对于更好地理解某种现象至关重要。然而,由于隐私问题,这项任务可能具有挑战性,因为跨数据集匹配实体可能会暴露关于个人的敏感信息。因此,平衡实体匹配的需求和隐私是关键。
确定理想的粒度:确定目标的理想粒度是移动性分析中的一个基本挑战。不同的参考系统提供了不同的时间和空间粒度,但并非所有粒度都适合每个应用。例如,基于位置的服务(LBSNs)由于其粗糙的时间和空间粒度可能不适合交通研究。问题在于:识别潜在移动性模式需要什么最低粒度,以及更高的粒度是否能保证更好的识别效果?回答这些问题对于提高我们对粒度与结果之间关系的理解至关重要。此外,理解粒度与移动性之间的关系有助于我们创建更好地代表现实世界现象的合成数据。
未来方向。表示学习架构,如分层图神经网络(hierarchical GNNs)和多尺度自动编码器(multi-scale autoencoders),可以实现多样化移动性数据的统一表示,包括各种空间和时间尺度下的结构化、半结构化和非结构化数据。这些方法相较于标准的图神经网络(GNNs)和自动编码器具有显著优势,因为它们能够捕捉移动数据中的复杂嵌套关系,并自动学习多级别粒度的表示,从而提供了一个更加全面和灵活的分析框架。通过利用自SL技术(例如对比学习)[83, 103, 217],这些模型可以在不依赖标注数据的情况下学习内在的移动模式,因此能够适应不同的数据特征,这有助于解决跨数据源匹配实体的问题。此外,这些方法还可以自动识别理解不同移动模式所需的最具信息量的粒度级别。更重要的是,这些方法可以通过学习抽象特征来提高隐私保护,这些特征在保留有价值的总体模式的同时,模糊了个体级别的细节。
在不同的场景中进行评估是常规做法,但使用单个数据集进行评估可能会导致解决方案过于特定于该数据集的属性,如数据格式、粒度和表示方式,从而可能无法很好地泛化到其他数据集。未来方向包括:全面评估各种场景下的移动数据分析,以提高模型的鲁棒性和泛化能力。关键的重点领域包括多数据集评估、标准化基准测试和跨领域测试。这些方法与诸如LibCity [176](旨在创建统一的城市时空预测框架)和GLOBEM(一个开源的基准测试平台,用于帮助使用和评估 longitudinal 行为建模方法 [200])等倡议相一致。然而,城市环境中的基础设施多样性、人口密度和文化差异使得建立普遍适用的标准变得复杂。隐私法规和数据所有权也给移动数据集的共享带来了挑战。解决方案可能包括开发保护隐私的共享协议(例如共享模型更新而非数据的Fl( federated learning))以及反映城市环境复杂性的合成数据集。此外,现实世界的验证至关重要;因为控制实验常常忽略了城市生活的复杂性。因此,与地方政府合作实施安全、道德且在现实世界中有意义的试验对于评估结果的准确性、计算效率、可扩展性和可解释性是非常必要的。
数据可能反映出收集和解释它的人们的偏见,这可能导致不公平的决策,从而影响到不同的群体。例如,移动数据可用于决定公共交通的布局,比如公交车站的位置、发车频率以及不同路线的资源配置。如果决策过程中存在对特定群体(如高收入者或居住在特定社区的群体)的偏见,那么结果可能对依赖公共交通的其他群体不公平。同样,移动数据也可用于交通管理决策,比如红绿灯的设置、速度限制的制定以及新道路的建设。如果只考虑车辆的需求,那么结果可能对行人不利[23, 201]。一些研究探讨了移动数据中的公平性问题,例如Pathiraja等人[131]研究了在恶劣天气条件下自动驾驶物体检测中的公平性。然而,我们需要研究更全面的场景,并开发更为复杂的评估框架。
未来的工作应该考虑在整个数据生命周期中(从收集到应用)设计公平意识强的方法。关键方向包括:开发稳健的技术来识别和衡量移动数据集中的偏见,同时考虑各种人口统计、社会经济和地理因素。例如,可以从其他领域(如人口平等和机会均等)中借鉴公平性指标[23, 68, 201]来定制适用于轨迹数据的公平性指标。此外,设计公平的数据收集策略以确保不同人群组和地理区域的代表性采样也非常重要,例如通过结合传统数据源和新型数据源来填补代表性不足的区域或社区的空白。此外,将现有的公平性和可解释性机器学习技术适应于时空数据的特定挑战,可以丰富轨迹数据中的知识发现(KD),通过模型和算法来解释决策并明确考虑公平性约束。最后,我们需要实时监控和调整移动系统中的公平性,以适应城市环境的变化。
在收集和分析移动研究的数据时,获得参与者的参与至关重要,因为他们可以通过设备提供宝贵的信息和资源。然而,这也是最大的挑战之一。人们可能因为担心隐私、互联网接入有限或缺乏兴趣等原因而不愿意分享他们的移动信息和资源。这些因素可能导致有偏见的结论,无法反映更广泛的人群情况,从而使网络解决方案更加脆弱。研究人员可以使用各种策略来鼓励人们参与协作方法,例如财务激励、娱乐和服务奖励,或者社会认可等,这些都可以是有效的动机[20]。然而,人们可能需要更复杂和个性化的方法,比如创建基于人工智能的系统,根据个人偏好和行为动态调整激励措施,并利用机器学习来预测和响应用户动机的变化。另一种策略是使用区块链、博弈论和人工智能(AI)以及游戏化来创建一个更加公平、透明和吸引人的数据共享环境。区块链技术可以确保贡献和奖励的透明和安全记录,而博弈论原则可以用来设计鼓励合作行为的激励结构[115]。例如,可以开发一个游戏化系统,参与者通过分享他们的移动数据来赚取积分(由区块链保障)。人工智能方法可以根据共享数据的质量和数量以及当前研究的需求动态调整奖励。博弈论可以用来创建竞争性或协作性的挑战,以鼓励持续的参与。目标是创建一种参与文化,使人们分享他们的移动数据和资源变得容易、有回报且愉快。为此,策略必须在准确和代表性数据的需求与保护个人隐私以及维护他们对研究过程的信任之间找到平衡。
随着物联网(IoT)设备持续产生大量数据,将所有获取的数据发送到中央服务器进行分析的传统方法已经变得不切实际,这导致了成本和传输费用的增加,并引发了隐私问题,尤其是在处理移动数据时。为了解决这些挑战,研究人员专注于边缘智能(Edge Intelligence,EI),它涉及将数据处理任务转移到IoT设备中。EI整合了负责从数据中学习的AI和协调附近设备处理数据的边缘计算。通过利用IoT设备的功能,EI可以显著减少与数据传输相关的成本并降低隐私风险[198, 228]。在这种情况下,EI带来了新的机遇和挑战,尤其是在应用于城市移动数据的知识发现(KD)时。未来的研究应推进EI在处理城市移动数据方面的发展,解决效率、可扩展性和隐私问题。关键领域包括:为异构移动数据开发先进的分布式算法,使用FL或分裂学习范式[42, 203];设计自适应的边缘-云架构以动态优化计算分布;整合SMPC( secure multiparty computing)和差分隐私技术以实现隐私保护的协作分析;研究基于区块链的安全、去中心化数据共享解决方案[171];创建考虑能源 efficiency 的EI算法,以平衡计算需求和有限的边缘设备资源;以及为分布式、敏感于隐私的城市移动数据开发专门的知识发现技术。
尽管在保护隐私方面已经做出了很多努力,但随着安全威胁的不断演变,数据保护仍然需要持续创新。例如,仅在2022年上半年,全球就发生了超过28亿次恶意软件攻击[3],这表明了对更强大隐私措施的需求日益增长。虽然Fl在这种情况下提供了一个有前景的方法,但它也带来了新的挑战,因为结果会因数据特征和架构选择的不同而大相径庭[48, 106, 228, 229],如第3.4节所讨论的。解决这些隐私问题需要多方面的方法。一个关键领域是对抗性隐私(adversarial privacy),其目标是开发出能够抵御各种攻击的强大隐私保护系统,这些攻击包括对抗性学习(AL)和差分隐私(differential privacy)以及密码学方法和博弈论方法,所有这些都是为了防止移动数据系统中的隐私泄露[1, 159, 160]。另一个方向是改进FL算法,以处理来自不同设备的非独立同分布(non-IID)移动数据。个性化Fl可以适应个体的移动模式,保留本地数据特征,并减少负面传输,而分层Fl则在减少通信开销的同时平衡本地和全球知识。这两种方法都能适应数据的异质性,认识到个体差异和移动模式的地理变化[12, 203]。同时,还需要调整差分隐私框架以适应动态的实时移动数据流,以在确保强隐私保护的同时维护数据的实用性[162, 203]。最后,开发标准化的指标和评估框架对于评估移动数据技术的隐私保障至关重要。这些框架应确保技术上的有效性以及符合法律和伦理标准。未来的研究应该将技术解决方案与监管专业知识结合起来,创建与不断发展的数据保护法律相一致的有效的隐私保护系统[129, 159]。
这些场景由于计算能力、内存和能源的限制,对移动研究提出了重大挑战,这些因素可能对收集数据的质量和用于分析的算法的性能产生负面影响。此外,资源限制可能会阻碍IoT设备之间的通信或与中央服务器的通信,从而影响数据传输、同步和一致性[228]。研究人员已经开发了模型压缩和定制架构等解决方案来应对这些限制[70, 220]。然而,创建高效的轻量级模型需要相当高的人手经验,使得这一过程耗时且容易出错。自动化机器学习(AutoML)技术专注于自动选择和优化机器学习模型及其超参数。这些技术在资源有限的场景中具有巨大潜力,特别是神经架构搜索(NAS)显示出巨大的潜力。NAS可以自动设计神经网络架构,并有可能发现比专家手动创建的更高效和有效的结构,已经在图像识别等多个领域取得了最先进的结果[45, 87, 229]。尽管将NAS应用于移动研究仍处于初期阶段[146],但它为资源有限的场景提供了令人兴奋的可能性。边缘计算可以补充NAS优化的模型,使得在资源受限的设备上进行实时轨迹数据处理成为可能。这种方法可以导致开发出专为设备上分析设计的超轻量级模型,减少对中央服务器的持续数据传输需求。此外,将AutoML与Fl结合起来可以实现多设备之间的协作模型训练。例如,在无人机或其他可组合组件的背景下,我们可以确定每个节点应该收集哪些数据[16],AutoML方法可以通过优先考虑可能提升模型整体性能的数据来制定更智能的采样策略,无人机可以收集代表性不足或特别有信息量的数据用于全局模型。此外,它还可以考虑电池寿命、计算能力和来自不同地理区域的数据的重要性等因素。
这项调查全面探讨了城市轨迹数据的知识发现(KD),强调了过程中每个步骤之间的相互关联性。尽管该领域的研究越来越多,但它们通常缺乏对移动KD过程的整体视角,留下了理解各个组成部分如何交互的关键空白。为了弥合这一空白,我们引入了一个全面的框架作为移动分析的结构化指南,明确了KD过程中的复杂关系。此外,通过系统地检查每个阶段及其关系,我们解决了城市环境特有的关键挑战。我们的工作促进了对于城市轨迹数据更加结构化、相互关联的理解,鼓励进一步的研究和合作,最终有利于更有效和有洞察力的移动分析。