A refined dichotomy on returners and explorers in urban mobility pattern

为了更深学习在城市空间内人类移动返回和探索模式的特征，本文在原始回转半径指标的基础上提出了一个多重指标模型。用图阐述了k-returners和k-explorers根据回转半径比值的分类机制，并提出其不足。比较了不同空间指标对人类返回和探索的分类效果。

Paper Reading

Introduction

重要研究(后续关注重点):

• Understanding individual human mobility patterns

  提出人类空间运动的强周期规律遵循简单的重复模式，

  个人访问地点的顺序符合指数为−1的幂律分布

  回转半径首次提出

• Limits of predictability in human mobility

  运用移动轨迹熵表示人类移动行为预测准确率可以达到93%的上限

• Understanding aggregate human mobility patterns using passive mobile phone location data: a home-based approach

  提出了一个标准距离公式，将家定义为计算中心，以描述用户的移动范围。这和第一条作者使用算术平均数作为回转半径中心的方法不同。

  聚类算法将用户按照标准距离划分为6类，研究了不同人类移动模式的空间分布。

• Returners and explorers dichotomy in human mobility

  根据top-k 与比率定义k-returners和k-explorers。

  本文作者提出人类移动具有时空多样性，returners和explorers能否通过的比率体现出人类的回归和探索特征值得研究。

Spatial Indicator Modeling

定义了回转半径(ROG: radius of gyration)，指出其是稳定的和对极端值不敏感的，一些小数目的偏离日常轨迹的形成对计算结果影响不大。

质心的位置也对结果有影响，质心离访问频繁的位置越远，ROG越大。

本文提出其他几个测量用户活动空间的指标,这些指标用来描述用户移动的时空特征:

• Radius of total visited space

  其中是该用户访问过的不同地点数目()，是用户访问过不同地点的质心。(Q1)

• Radius of stay space

Question

1.自己计算回转半径质心时，使用的是集合还是轨迹数组，重复的点有没有进行计算， 可能和这个搞混了