Scaling law of individual urban tour behavior

Resumo Técnico: Lei de Escalonamento do Comportamento de Tours Urbanos Individuais

1. Problema e Motivação

O processo de mobilidade humana, caracterizado por "tours" (sequências de viagens que começam e terminam em uma localização base, como a residência), é fundamental para entender sistemas complexos, desde o forrageamento animal até o transporte de cargas. Embora modelos de mobilidade humana tenham identificado leis de escalonamento universais (como a Lei de Zipf para frequências de visita e a Lei de Heaps para o número de locais únicos), a distribuição do comprimento do tour (número de paradas intermediárias antes de retornar à base) foi historicamente negligenciada.

A literatura existente foca em características gerais de mobilidade ou em modelos de escolha de destino, mas falha em capturar o mecanismo específico de geração e terminação de tours. Modelos anteriores, como o EPR (Exploration and Preferential Return) e o SHMU (Simplified Human Mobility Universal), conseguem reproduzir leis de escalonamento de mobilidade geral, mas não conseguem replicar a distribuição observada empiricamente do comprimento dos tours, pois ignoram o processo de decisão de quando encerrar um tour e retornar à base.

2. Metodologia

A. Dados Empíricos

• Fonte: Dados de "check-in" de usuários do Foursquare nas cidades de Nova York e Los Angeles.
• Escopo: 15.499 usuários gerando 255.204 viagens.
• Definição de Tour: Uma sequência de viagens iniciando e terminando na localização mais frequente visitada pelo indivíduo (base).
• Análise: Os pesquisadores extraíram a distribuição estatística do comprimento dos tours ($l$) e a relação entre a probabilidade de terminação e o comprimento atual do tour.

B. O Modelo Proposto: TTC (Tour Terminate-Continue)
Para preencher a lacuna existente, os autores propuseram um novo modelo baseado em física estatística que integra a geração de tours. O modelo TTC opera em dois passos principais a cada etapa da viagem:

1. Decisão de Terminar ou Continuar:

   • O indivíduo decide se retorna à base (termina o tour) ou continua explorando.
   • A probabilidade de terminação ($P_{term}$) segue uma relação de lei de potência decrescente com o comprimento atual do tour ($l$):
     $$P_{term} = \rho l^{-\gamma}$$
     Onde $\rho$ é a probabilidade inicial de terminação e $\gamma$ caracteriza a taxa de decaimento. Isso implica que quanto mais longo o tour, menor a probabilidade de terminação imediata (mas a probabilidade acumulada de continuar diminui).

2. Seleção do Próximo Destino:

   • Se o tour continua, o indivíduo decide visitar um novo local ou um local já visitado.
   • Isso é governado por um parâmetro de exploração $\theta$, que compete com a frequência de visitas anteriores ($m_k$).
   • A probabilidade de explorar um novo local é:
     $$P_{new} = \frac{\theta}{\theta + \sum m_k}$$

C. Extensão Espacial (d-TTC)
Reconhecendo que o modelo básico não considera a distância, os autores estenderam o modelo incorporando um mecanismo baseado na Lei da Gravidade para a escolha de novos locais:
$$P_{new}^{(j)} \sim \frac{O_i O_j}{d_{ij}^\sigma}$$
Onde $O$ representa a população/atratividade dos locais e $d$ a distância. Isso permite reproduzir características espaciais como o raio de giração.

3. Resultados Principais

• Distribuição do Comprimento do Tour:

  • Os dados empíricos mostram que a distribuição do comprimento do tour segue uma lei de potência truncada:
    $$P(l) \sim l^{-\alpha} e^{-l/\beta}$$
  • O modelo TTC reproduz com alta precisão essa distribuição (distância de Kolmogorov-Smirnov, KS, muito baixa), enquanto os modelos EPR e SHMU falham, subestimando tours curtos e superestimando tours longos.

• Relação de Escalonamento de Terminação:

  • Foi confirmada uma relação de lei de potência negativa entre a probabilidade de terminação e o comprimento do tour ($P_{term} \propto l^{-\gamma}$). O modelo TTC é o único que captura essa dinâmica corretamente.

• Outras Leis de Escalonamento:

  • O modelo TTC reproduz com sucesso a Lei de Heaps (relação entre número de locais únicos e número de viagens) e a Lei de Zipf (distribuição de frequências de visita), validando que o mecanismo de terminação de tours não interfere negativamente nas outras leis universais de mobilidade.

• Análise de Sensibilidade e Parâmetros:

  • $\rho$ (Probabilidade inicial de terminação): Aumentar $\rho$ reduz o comprimento médio dos tours e o raio de giração, concentrando a mobilidade perto da base.
  • $\gamma$ (Taxa de decaimento): Valores maiores de $\gamma$ aumentam a tendência de explorar novos locais antes de retornar, reduzindo a heterogeneidade nas frequências de visita.
  • $\theta$ (Exploração): Afeta a homogeneidade das visitas a locais não-base, mas não altera significativamente o comprimento do tour.
  • $\sigma$ (Parâmetro de distância): Controla a influência da distância; valores maiores concentram os trajetos em locais mais próximos, reduzindo o raio de giração.

• Validação em Outros Contextos:

  • O modelo foi aplicado a dados de caminhões pesados em Pequim e Xangai, demonstrando que a lei de escalonamento de tours também se aplica ao transporte de cargas, com o modelo TTC superando novamente os modelos de mobilidade padrão.

4. Contribuições Chave

1. Descoberta Empírica: Identificação e caracterização da distribuição de lei de potência truncada para o comprimento de tours urbanos, uma métrica anteriormente negligenciada.
2. Novo Modelo Mecanístico: Desenvolvimento do modelo TTC, que introduz explicitamente o mecanismo de decisão de "terminar ou continuar" um tour, algo ausente em modelos de mobilidade baseados em passeios aleatórios tradicionais.
3. Unificação de Escalonamentos: Demonstração de que um único modelo simples pode reproduzir simultaneamente a distribuição de comprimento de tours, a Lei de Heaps, a Lei de Zipf e a distribuição do raio de giração.
4. Extensibilidade: Prova de que o framework é aplicável não apenas a humanos, mas também a sistemas de transporte de carga e potencialmente ao forrageamento animal.

5. Significado e Implicações

• Planejamento Urbano e Transporte: O entendimento de como e quando os indivíduos decidem encerrar um tour pode ajudar governos a formular políticas para incentivar tours mais longos (reduzindo viagens de retorno desnecessárias e custos de transporte).
• Logística: Para empresas de frete, o modelo oferece insights para otimizar o "tour chaining" (cadeia de viagens), permitindo o acoplamento dinâmico de entregas e reduzindo a frota necessária e as emissões de gases de efeito estufa.
• Ciência da Mobilidade: O trabalho fornece uma nova perspectiva teórica, sugerindo que a estrutura de "tours" é um componente essencial para modelar a mobilidade humana, indo além da simples análise de viagens ponto-a-ponto.
• Limitações e Futuro: O estudo baseia-se em dados de check-in (que podem ter viés de seleção) e a causa fundamental da relação de escalonamento de terminação ainda precisa ser explorada em nível cognitivo/comportamental.

Em resumo, este artigo estabelece uma nova base para a modelagem de mobilidade humana ao integrar a decisão de terminação de tours como um mecanismo central, oferecendo um modelo unificado que explica padrões complexos de comportamento urbano com poucas regras e parâmetros.