1006大设计翻译版-高工以

生：李京指导老师：装载GPS的出租车所的交通路况数据，研究了城市交通中潜在的可预测Fano不等式，得到了道路交通状态的可预测：城市计算，交通拥堵预测，大数据，信息论，地图可视 绪 课题背景和目 城市计 研究背 国内外研究现 城市计算研究现 地理信息系统（GIS）发展现 存在的问 课题研究方 构成及研究内 地图匹 数据结构及预处 车载GPS数 地图数 地图匹配算法的比较和选 STMatching算 算法的比较和选 本章小 交通可预测性研 3.1环路可预测 交通信息的抽象表 信息熵与Fano不等 不同维度变量的影 可预测性和速度的关 空间层面的可预测性——可观测 本章小 地图可视 地图匹 速度转移状态 可预测性和速 可观测性和速 本章小 总结与展 致 参考文 绪另一方面，近几个世纪以来，的脚步在世界各地逐步加快，而全世界的人口仅居住在约0.4%的地球表面积上。本已经资源紧张的地球，正着因城市规模不断元来协同完成一个城市级别的计算（不仅仅在一条道或者一栋楼房里。通过城市在近十几，人们有幸目睹了现代城市和社会的飞速发展，但同时对大都市的移路通行能力之间的愈发突出[3]。伴随能源消耗和空气污染的问题愈发严重，市民的堵可能是其中重要的因素。尽管此前为解决城市交通拥堵[5]，人们在城市规划[6]和交通查数据，二是每名作为具有智能的，在作选择的时候具有十分复杂的自适应行任何关于出行目的地的先验知识，以及具有高度自适应性的条件下，复杂路网的交确定性。研究交通，对城市规划建设，城市拥堵缓解都是很有意义的。的发展大家能交通管理系统通过把高新科技与的交通流优化控制理论相结合，对整个城市的交通系统进行全面实时，优化交通组织和控制，从而实现整个城市交通系统交通（201AA010502一个月的市出租车车载GPS历史数据，并匹配到全的路网。选择其中二环、找到空载出租车的打车地点；或实时检测一些异常事件（如道路坍塌、临时交通和大型等，以便提前或及时处置。通过对长期数据的分析，还可以发现城市利用将这些数据共享给信息中心或自己的朋友。在新加坡，研究人员利用人们的还有一些研究，结合大量用户在社交网络（如或）上产生的数据来（如。也有一些应用通过分析大量用户在基于位置的社交网络（如Foursquare）中产生的带有位置属性的数据（如、轨迹数据或签到记录等）来发现一个城市中的热提到的道路、传感器和点等，人也变成了一个计算单元，其所处的社交网络和生城市计算在应用的层面可以分为城市规划，智能交通，环境保护和社交推荐系学习方面的方法，通常可分为3大类：数据分别输入到一个模型的两个不同部分来分析城市的不同功能区域[14]。城市计算使用的数据大致有出租车数据，数据和出行数据。出租车数据由载GPS获得[13]，数据需要用户提供，依靠所途径的信号站的位置获得]，而出行是依靠采访和问卷的方式获得，可靠性和数据量与前两种地理信息系统（GIS）发展现地理信息系统（GIS）与全球(GPS)、遥感系统(RS)合称3S系统。地理信息系统是一种具有信息系统空间专业形式的数据管理系统。在严格的意义上,这是一个具有集中、、操作、和显示地理参考信息的计算机系统。例如，根据在数据库中的位规划。例如，一个地理信息系统能使应急计划者在自然的情况下较易地计算出应急反应时间，或利用GIS系统来发现那些需要保护不受污染的湿地。GIS有着古老的发展历史，可以说在人类早期社会，对周边地形的描绘记录就已经是人类的本能。穴居人的壁画可能是人类已知最早的GIS。15,000年前，在（Lascaux附近的墙壁上法国的CroMagnon猎人画下了他们所捕猎动物的图案。版本，例如：科学方面或人口普查资料。·在1854年，用点来代表个例，疾病的来源——一个位于霍乱爆发中心区域百老汇街的一个被污染的公共水泵。·将泵断开，最终终止了爆发。20世纪初期将分成层的“石印术”得以发展。它允许地图被分成各图层，例如一个层表示植被和另一层表示水。这技术特别用于印刷轮廓-绘制，这是一个劳力集中的任务，但他们有一个单独的图层意味着他们可以不被其他图层上的工作。这息系统-因为这个地图只有图像而没有附加的属性数据库。60年代早期，在核研究的推动下，计算机硬件的发展导致通用计算机“绘图”理信息系统（CGIS），用于，分析和利用土地收集的数据，并增设CGIS是“计算机制图”应用的改进版，它提供了覆盖，资料数字化/扫描功能。它支持一个横跨大陆的国家坐标系统，将线编码为实的嵌入拓扑结构的“弧”，并这样的销售各种商业地图应用软件的供应商竞争。CGIS2090年代，未被应用于计算机硬件的发展使得像ESRICARIS那样的供应商成功地兼CGIS特征，并结合了对空间和属性信息的分离的第一种世代方法与对组GISUNIX20世纪末，在各种系统中迅速增长使得其在相关的少量经得到了巩固和规范。并且用户开始提出了在互联网所有的GIS都有着以下的四个鲜明特点：2、具有、管理、分析和输出多种地理空间信息的能力继续研究发展的问题主要有以下4个方面：设备中高效而可靠地收集、传送数据将给现有的传感器网络技术带来。此外，人社交网络上发布消息或上传。这些用户其实就是在感知发生在他们身边的事情。用户在出入地铁站时的刷卡行为也间接帮助我们感知了地铁系统的拥挤和人们的出行。人赋予了传统传感器强大的感知能力和前所未有的灵活性，但产生的数据更加随机、无序（如上的文字，数据的产生时间也变得难以预测、不可控，这给数据的收集和解析带来了。，在保证知识提取深度的同时，如何提高对大数据的分析效率，从而满足城市计在物理世界，通过终端设备被收集到云端（虚拟世界）分析和处理，最后云再将提取散到集中，再到分散。这对系统的设计和搭建提出了更高的要求。基于浮动车数据的人类行为预测是东学的科学家Albert-LászlóBarabási和Song等人对手上人类活动遵循着有规律的模式。Barabási等人认为在群体中自然的率性的人非常少。据之前的行为轨迹预测他或者她未来行踪的可能性。这些网络科学家对5万匿名用户的资料进行了3个月的研究以探究他们的行为模式。这些受试者是从1000万在本文中，首次使用了车载全球（GPS）的数据来研究交通拥堵和可预测我们可以使用信息论的工具进行计算，比如信息熵[17]Fano不等式[18]，来计算路段上Song等人的开创性工作启发，他们将信息论运用使交通中的复杂性指数性增加。但是在人类行为预测中，研究人员还发现，行为的规律性和预测性在人口统计类别方面没有明显不同，如、、语言、人口密度和城市和乡村区域。类似的在交通中，虽然我们也要面对诸多变量，但交通数据在层本文的主要贡献在于将这一方法从机动性延伸至交通这一行为上，由车GPS记录分析道路使用情况，为不同地点提供交通可预测性。相比于传统的Origin-Destination分析[7][19]，我们只需要短期的交通历史记录，无需任何有关出发本次毕业设计的研究内容分为四个方面：地图匹配算法；道路交通可预测性评估；手从100出593%可预测性应该不会低于80%。本毕设的研究目标是利用一个月的市出租GPS历史数据，匹配到的二环、 地图匹随着现在汽车流量的不断增大,交通堵塞问题日趋严重,这对导航系统的实时性与准在着很大的差距。地图匹配算法,GPS数据进行修正来保证车辆位在着一定的缺陷,导致在某些特殊情况下无法正确显示出车辆当前所在的位置。因此,辆出租车，每辆车每分钟一组信息，全天24小时不间断。单从数据组上来看数据11点——5点的数据抛去，单纯只计算有较大交通流的表2.1车载GPS数据具体格式字段 字段含 调度中心 车辆 形式的11位数字型字时间使用GMT时间格式共14个数字字符格式（YYYYMMDDHHMMSS），WGS84经度 WGS84纬度 最长为10个数值型字符，精度为（xx.xxxxxx），变长，单位度。 单位为公里/小时，整数，为1-3个数值型字符，精确到个位。 单位度，整数，为1-3位数值型字符，0~360角度，以正北为0度，顺时 0：空载；1：满载；2：驻车；3：停运；4事 为1-3位数字，数值型字因为出租车数据只单纯包括坐标信息，要想获得道路信息，需将出租车与道路向匹配。这就牵扯到地图匹配（MapMatching。在考虑地图匹配算法之前，首先要Map（OSM）OSMOSM是一个完全地图以XML方式，数据格式可分为：空间点(node)，包括经纬坐标，或高度信息。其他一些可选信息，如name等，在tag子数据中表示。关系(relation)，表示way和node的从属关系。way中没有具体的信息，这些信息都由relation对应的node来表示。具体到市的OSM数据，我们从OSM数据集中提取到的市地图数据有142964条路。本文在初始的数据处理方面就着上千万个点匹配到10万多条的驶在已知的道。有许多的胡同和小路无法被显示到地图上，这就导致我们的匹GPSGPS车辆在道路网上的位置主要是通过地图匹配算法，也就是根据GPS信号中的数据和地图道路网信息，利用几何方法、概率统计方法、模式识别或者人工神经网络等技术将车以通常的地图算法都有一个车辆在道的默认前提。地图匹配的准确性决定了GPS车辆导航系统的准确性、实时性与可靠性。具体来说取决于两方面：确定当前车辆正在行驶的路段的准确性与确定车辆在行驶路段上的位置的准确性。地图匹配的目标是将轨迹匹配到道，当道路是准确的时，也就成了确定GPS的准确位置，然后利用垂直GPS定位误差。还有一个假设是大部分现有算法的前提，就是矢量地图的高本文主要通过编码和实际数据实验验证了其中的两种算法：平均FréchetAFD(AverageFréchetdistance)算法是一种典型的几何算法，主要从曲线匹配的角度要。目前比较常用的方法有最小距离法，平均距离法和Hausdorff距离。虽然最小距离适用于曲线匹配。16中利Fréchet距离，定义车辆轨迹与各候选路段的详细性。Fréchet距离的优点在于它充分考虑到了历史轨迹曲线的连续性，非常适用于曲线STMatchingSTMatching算法是一种概率统计算法，从地图映射的角度解决地图匹配。该算法使 给定一条轨迹Tp1p2pnpi相关的半区域，可以选择三条路段：e1,e2e3。根据线段投影计算公式，可以确定 影点c1,c2,c3。很显然，将一个位置点投影成多个点的集合，进而对应多个路段是不 ciPcj1cj2cjn与Tppp形成最佳匹配 2.1STMatching算法传递概率空间分观察概率(ObservationProbability)来表示，拓扑信息将通过传递概率(Transmission般来说，GPS的测量误差，即坐标点和投影点之间的距离满足正态分布N(,2)，也公式2.1：xj N(cij) e2

这里按经验值有x0,20米图2.2所示。2.2STMatching算法拓扑概率p若只考虑观察概率，则会与c1匹配的更好，而实际上参照前后的轨迹，应与 和p对应的两个投影点 和cs， 到p的真实路径概率

到cs的最短路径有关。传递概率定义为公式iVi

cs

i1,t 分子表示 到p的Euclidean距离，分母表示 到cs的最短路径 i ii i

tF F

csNcsV cs,2i

时间分析是用与从候选路径p1,p2,...,pn中选取真实的路径

2.3STMatching算法时间分析此时间分析将速度加入，作为一个验证的标准。时间分析定义为公式2.4：k(e'.v F

cs) (i1,t)(i,s k(e k(e'ku1(i1,tvFF

cs)F cs)F cs),2i STMatching算法由于综合了时空分析，无论是从匹配的准确度和AFD算法。本文对此现象给出了一个启发式的解释：一个可能是北分割段数多，不适宜从曲线相似的几何角度来进行匹配。在不考虑匹配效率的前提下，AFD算法也存在误差过大的问终选STMatching算法作为地图匹配算法，对数GPSOpenStreetMap开源地图数据，在比较了几何算AFD算法和概STMatching算法后，选择效率和速度都STMatching算交通可预测性研本文使用的数据为两万多辆出租车，24时行驶的实时数据。我们主要研究三条环路：二，三环四环。其三环承着最繁重交通负。出租车据描述道路信息有着很的频度，辆车每钟都会一数据。文特地将条路按相同距离分段，取该段上的平均速度来衡量路段的交通状况。通过将0k/h到100km/h分段，速度离散为各自相对的段数。将各个路段的交通状况通过这种在人类行为预测[16]中，从100万用户中选择5万用户的数据，将他们每个对信号塔的时间先后顺序作为位置状态转移的关系(edge)。这样他们就得到大量由个人信息构成的图，如图3.1：图3.1数据显示的人类行为模式网络—100km/h10km/h0km/h—10km/h,10km/h—20km/h,…90km/h—100km/h十档，将这一路段的速度变化抽象为状态转化的时序关系(edge)，这中，按经验值将路段按{0.1,0.2,0.512}km，速度窗口{5,10,15202530}km/h分别计在信息论中，熵被用来衡量一个随量出现的期望值。它代表了在被接收之前，1948年，·德·将热力学的熵，引入到信息论，因此它又被称为ezquq与任何其它字母的组合。如果压缩，一段英文文本的每个字母需要8个比特来编码，但是实际上[23]。我们定义三种不同的熵作为衡量标准随机熵Srand。随机熵定义为公式SS

其中Ni是第i 个路段上速度划分的段数。随机熵指的是在速度转移完全随机的情况下，道路交的程。概率熵Sunc。概率熵定义为公式

pi(j)log

pi( 其中pi(j)是在所有历史记录中路段i转移至速度档j的概率。概率熵衡量的是在不计算时序的情况下，由概率分布下所构成的系统程度。转移的前后顺序。具体来说，定义Ti{X1,X2,...,XL为在路段i所观察到的速度档的集合，由此定义为公式3.3S P(T')log[P(T Ti P(T')T后能观测T'的概

SSuncSrand3.2 平均有21.83.48个状态，而依照速度状态转移概率，状态转移的可能有21.52.83个状15.4%20.3%，而真实熵的速度状态转移可能性有20.61.52，少于两个状态。这就表示在真实交通系统中速度转移时，平均少于两个选择可能性。从这一角度看，交通可预测性已经高于50%。公式3.4：HX|YXY的条件熵PeP(XY)，即XY采样相同的概

类似人类行为预测的研究[16]，利用Fano不等式，我们可以由获得的熵来计算相应的可预测性。如果路段的速度状态总数为N的话，那么这一路段可预测性max(S,N)其中max满足公式SH(max)(1max)log2(N 其中H(max)代表二进制熵函数，即公H(max)maxlog2(max)(1max)log2(1max 0.110%的交通状况。另一种等价的说法是无论使用何种算法或策略，这一路段速度能被准确预测的可能性只有10%。通过计算可预测性，我们能够得到令人振奋的结论：环路的可预测性越为85%。现在市交通系统和地图提供的路况信息，都只采用三个档位：绿色知，工作日和周末的流量模式是截然不同的。工作日有着明显的早和晚，而周量模式，也值得我们进行研究。工作日有着鲜明的早晚，早为上午8-9点，晚为下午6-7点，而周末人们更愿意上午在家休息，一般选择下午出行。这一点在第3.4性带来怎样的影响，也是我们研究的重点。实验结果如图3.5所示。3.5虽然三条环路的可预测性都很高，但其中还是有一些微小的差异。当可预测首先，可预测性和对应的速度制成散点图。结果见图3.6(A)。我们计算了三条环路各自的可预测性和速度的相关系数，二环、三环和四环分别为0.57,0.423.6于二环和四环有关，见图3.6(C)。前文中讨论的可预测性时时间层面上的可预测性，即预测这一路段下一时间片的速i12LRXXi12L

}为时间i上速度状态集合。其中RT'表示Ti

i状态Ti'i

测性中，路段长度和可观测性成反比。比如由预测后面1米的速度状态远比预测后面1千对应的相应分段数。实验结果如图3.7所示。3.7地图可视随着科学可视化的兴起和计算机的技术发展，地图学与可视化技术的结合产生了地技可视化自20世纪80年代末被提出以来，很快发展成为一个新兴的学科。而科学计成立了一个专门的可视化以研究可视化思考与智能化动态地图。地图学的可视化研究也由静态动态，由单一比例尺变成多比例尺的自动综合，由单一时刻变成连续的一段时间，由平面2维3维，由内部网Internet，使地图逐渐趋于智能化、动态化、化，并最终为管理者、使用者的决策提供支持。地理信息系统（GeographicInformationSystemGeo－Informationsystem，GIS）有行、、管理、运算、分析、显示和描述的技术系统。经广泛的应用在不同的领域，是用于输入、、查询、分析和显示地理数据的计算机系统，随GIS的发展，也有GIS为“地理信息科近年来，也有GIS为"地理之，是对地球上存在的现象和发生的事件进行成图和分析GIS技术把地图这种独特起。GIS与其他信息系统最大的区别是对空间信息的管理分析，从而使其在广泛的公众和个人企事业单位中解释事件、预测结果、规划等中具有实用价值。程，GIS要求明确定义，一致的方法来生成正确的可验证的结果。OpenStreetMap、Mapbox和ArcgisArcgisonline地图库，收到广大使用者的欢迎，是其中最有代表性的开源软件。ArcGISEsri公司40余年地理信息系统（GIS）咨询和研发经验，奉献给用户的一套完整的GIS平台产品，4.1配结果作为展示。见图4.1和图4.2.两张图的可视化效果由生成。4.2这三张状态转移图是由D3(Data-Driven s)结合Javascript生成。4.3在图4.4和图4.5中，我们利用地理信息工具Arcgis，将我们之前得到的数据可视化ArcgisOpenStreetMap的，使我们的数据和地图吻合的很好。图A为三条环路的可预测性，图B为三条环路对应的速度。在图4.6中，可观测性和对应时段的平均速度进行可视化处理。图中居上的行为的规律性和预测性在人口统计类别方面没有明显不同，如、、语言、人口MapBox和Arcgis等工具，结合交通数据和实验结果，进行了多种多样的可视化处理， 总结与展在本文中，首次利用一个月的市出租GPS历史数据，匹配到的二环、三GPS10万由于这些研究都基于短期交通历史记录，无需原则上不可能被完全的[25][26]其中有一些有意义的发现。第一点，在没有任何关于的出发地和目的地，驾驶习惯，导航策略和自适应行为等先验知识的情况下，仅使用车载GPS数据，我们就可在城市计算的研究中，可视化不仅是为了更好的直观的表现结果，同时本身也是重要的研究方法。本文利用matplotlib，MapBox和Arcgis等工具，结合交通数据和实验结果，进行了多种多样的可视化处理，为交通可预测性的研究提供了的有效信息。在今后的工作中，针对交通的、时移性等特点，如何在多边量的前提下，对Nyquist采样率的条件下，用随机采样获取信号的离散样致在此首先要感谢老师对我的指导和共同工作的同学对我的帮助。特别在Arcgis和可视化方面有自己独到的见解。同学尽管跟我有着C++和Python特别感谢师范大学系统科学学院教授和老师在数学推导和交通实参考文BrockmannD,HufnagelL,GeiselT.Thescalinglawsofhumantravel[J].Nature,2006,439(7075):462-465.GonzalezMC,HidalgoCA,BarabasiAL.Understandingindividualhumanmobilitypatterns[J].Nature,2008,453(7196):779-782.HelbingD.Asection-basedqueueing-theoreticaltrafficmodelforcongestionandtraveltimeysisinnetworks[J].JournalofPhysicsA:MathematicalandGeneral,2003,36(46):ZhangXY,WangYQ,NiuT,etal.AtmosphericaerosolcompositionsinChina:spatial/temporalvariability,chemicalsignature,regionalhazedistributionandcomparisonswithglobalaerosols[J].AtmosphericChemistryandPhysics,2012,12(2):779-799.HelbingD.Trafficandrelatedself-drivenmany-particlesystems[J].Reviewsofmodernphysics,2001,73(4):1067.BattyM.Thesize,scale,andshapeofcities[J].science,2008,319(5864):769-HerreraJC,AminS,BayenA,etal.DynamicestimationofODmatricesforfreewaysandarterials[M].InstituteofTransportationStudies,UCBerkeley,2007.HerreraJC,WorkDB,HerringR,etal.EvaluationoftrafficdataobtainedviaGPS-enabledmobilephones:TheMobileCenturyfieldexperiment[J].TransportationResearchPartC:EmergingTechnologies,2010,18(4):568-583.ThomasJM,DarntonJ.Socialdiversityandeconomicdevelopmentinthemetropolis[J].Journalofplanningliterature,2006,21(2):153-168.Mayer-SchönbergerV,CukierK.Bigdata:Arevolutionthatwilltransformhowwelive,work,andthink[M].HoughtonMifflinHarcourt,2013.HornseyR.'HewhoThinks,inModernTraffic,isLost':AutomationandthePedestrianRhythmsofInterwarLondon[J].2010.WangP,HunterT,BayenAM,etal.Understandingroadusagepatternsinurbanareas[J].Scientificreports,2012,2.ZhengY,LiuY,YuanJ,etal.Urbancomputingwithtaxicabs[C]//ProceedingsoftheinternationalconferenceonUbiquitouscomputing.ACM,2011:89-YuanJ,ZhengY,XieX.DiscoveringregionsofdifferentfunctionsinacityusinghumanmobilityandPOIs[C]//Proceedingsofthe18thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining.ACM,2012:186-194.ArampatzisG,KiranoudisCT,ScaloubacasP,etal.AGIS-baseddecisionsupportsystemforplanningurbantransportationpolicies[J].EuropeanJournalofOperationalResearch,2004,152(2):465-475.SongC,QuZ,BlummN,etal.Limitsofpredictabilityinhumanmobility[J].Science,2010,327(5968):1018-1021.Brabazon,A.,O'Neill,M.&Maringer,D.Naturalcomputingincomputationalfinance[M](Springer,2008).CoverTM,ThomasJA.Elementsofinformationtheory[M].JohnWiley&Sons,JiaT,JiangB.Exploringhumanactivitypatternsusingtaxicabstaticpoints[J].ISPRSInternationalJournalofGeo-Information,2012,1(1):89-107.AltH,EfratA,RoteG,etal.Matchingplanarmaps[C]//ProceedingsofthefourteenthannualACM-SIAMsymposiumonDiscretealgorithms.SocietyforIndustrialandAppliedMathematics,2003:589-598.BrakatsoulasS,PfoserD,SalasR,etal.Onmap-matchingvehicletrackingdata[C]//Proceedingsofthe31stinternationalconferenceonVerylargedatabases.VLDBEndowment,2005:853-864.LouY,ZhangC,ZhengY,etal.Map-matchingforlow-sampling-rateGPStrajectories[C]//Proceedingsofthe17thACMSIGSPATIALInternationalConferenceonAdvancesinGeographicInformationSystems.ACM,2009:352-361.HautusMLJ.Controllabilityandobservabilityconditionsoflinearautonomoussystems[J].proceedingsofthekoninklijkenederlandseakademievanwetenschappenseriesa-mathematicalsciences,1969,72(5):443-&.OrtuzarJ,WillumsenLG.Modellingtransport[M].LiuYY,SlotineJJ,BarabásiAL.Controllabilityofcomplexnetworks[J].Nature,2011,473(7346):167-173.YuanZ,ZhaoC,DiZ,etal.Exactcontrollabilityofcomplexnetworks[J].Naturecommunications,2013,4.GonzalezMC,HidalgoCA,BarabasiAL.Understandingindividualhumanmobility08,453(7196):779-782.HelbingD.Asection-basedqueueing-theoreticaltrafficmodelforcongestionandtraveltimeysisinnetworks[J].JournalofPhysicsA:MathematicalandGeneral,2003,36(46):ZhangXY,WangYQ,NiuT,etal.AtmosphericaerosolcompositionsinChina:spatial/temporalvariability,chemicalsignature,regionalhazedistributionandcomparisonswithglobalaerosols[J].AtmosphericChemistryandPhysics,2012,12(2):779-799.HelbingD.Trafficandrelatedself-drivenmany-particlesystems[J].Reviewsofmodernphysics,2001,73(4):1067.BattyM.Thesize,scale,andshapeofcities[J].science,2008,319(5864):769-HerreraJC,AminS,BayenA,etal.DynamicestimationofODmatricesforfreewaysandarterials[M].InstituteofTransportationStudies,UCBerkeley,2007.HerreraJC,WorkDB,HerringR,etal.EvaluationoftrafficdataobtainedviaGPS-enabledmobilephones:TheMobileCenturyfieldexperiment[J].TransportationResearchPartC:EmergingTechnologies,2010,18(4):568-583.ThomasJM,DarntonJ.Socialdiversityandeconomicdevelopmentinthemetropolis[J].Journalofplanningliterature,2006,21(2):153-168.Mayer-SchönbergerV,CukierK.Bigdata:Arevolutionthatwilltransformhowwelive,work,andthink[M].HoughtonMifflinHarcourt,2013.HornseyR.'HewhoThinks,inModernTraffic,isLost':AutomationandthePedestrianRhythmsofInterwarLondon[J].2010.WangP,HunterT,BayenAM,etal.Understandingroadusagepatternsinurbanareas[J].Scientificreports,2012,2.ZhengY,LiuY,YuanJ,etal.Urbancomputingwithtaxicabs[C]//Proceedingsofthe13thinternationalconferenceonUbiquitouscomputing.ACM,2011:89-98.YuanJ,ZhengY,XieX.DiscoveringregionsofdifferentfunctionsinacityusingmobilityandPOIs[C]//Proceedingsofthe18thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining.ACM,2012:186-194.ArampatzisG,KiranoudisCT,ScaloubacasP,etal.AGIS-baseddecisio