🔬 physics

Scaling law of individual urban tour behavior

该论文基于 Foursquare 数据发现城市游览长度服从截断幂律分布，并提出了“游览终止 - 继续模型”以同时复现游览长度分布、赫普斯定律、齐普夫定律及回转半径分布，从而为刻画个体城市移动行为提供了新视角。

原作者： Xu-Jie Lin, Yitao Yang, Wei-Peng Nie, Xiao-Yong Yan

发布于 2026-03-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Xu-Jie Lin, Yitao Yang, Wei-Peng Nie, Xiao-Yong Yan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在给城市里的人“画地图”和“算账”，试图搞清楚我们每天出门办事、逛街、通勤时，到底是怎么安排行程的。

为了让你轻松理解，我们可以把城市里的每个人想象成一只在森林里觅食的松鼠，或者一个在商场里逛店的顾客。

以下是这篇论文的核心内容，用大白话和比喻来解释：

1. 以前大家忽略了什么？（问题的发现）

以前的科学家研究人怎么移动，主要关注两点：

走了多远？（比如从家到公司有多远）
去了哪些地方？（比如今天去了超市、公园还是学校）

但是，他们忽略了一个很重要的概念：“一趟行程”到底包含几个点？
想象一下，你早上出门（从家出发），先去送孩子上学，然后去公司，中午去附近买个饭，下午去银行办个事，最后回家。这一连串的动作，在交通学里叫作一个**“行程链”（Tour）**。

以前的模型：只关心你每一步走了多远，或者你总共去了多少个新地方。
这篇论文发现：大家其实很在意“这一趟要逛几个点”。大多数人逛 1-2 个点就回家了，只有少数人会逛一大圈（比如逛 5-6 个点）。而且，“逛的点越多，这一趟结束回家的概率就越大”，但这个概率下降得很有规律。

2. 他们发现了什么规律？（核心发现）

研究人员分析了纽约和洛杉矶的 Foursquare（一个打卡 APP）数据，发现了一个神奇的数学规律：
“行程长度”的分布遵循“截断幂律”。

通俗比喻：
这就好比你在玩一个“抓娃娃机”。

大多数时候，你抓 1-2 次娃娃（逛 1-2 个点）就心满意足回家了。
偶尔，你会抓 3-4 次。
极少极少的时候，你会抓 10 次以上。
关键点：随着你抓的次数（行程长度）增加，你决定“收手回家”的概率并不是固定的，而是随着次数增加，越来越难让你决定回家（或者说，你越逛越不想停，但城市大小和你的时间限制了你不能无限逛下去）。

3. 他们提出了什么新模型？（解决方案）

为了解释这个现象，作者发明了一个叫**“行程终止 - 继续模型”（TTC 模型）**。

这个模型是怎么工作的？（松鼠的决策树）
想象一只松鼠（也就是你）在树上跳：

每跳一次（每去一个地方），松鼠都要做一个决定： “我是现在回树洞（家），还是继续跳？”
决定规则：
- 如果你刚跳了 1 次，回家的概率比较大（比如 40%）。
- 如果你已经跳了 5 次，回家的概率就变小了（比如 10%），因为你已经逛得挺开心了，不想马上停。
- 但是，如果你跳了 100 次，虽然概率很低，但受限于体力（城市大小、时间），你终究得回家。
去哪里跳？
- 如果你决定继续跳，你是去一个没去过的地方（探索新大陆），还是去一个以前去过的老地方（回老巢）？
- 模型里有个参数控制这种“喜新厌旧”还是“念旧”的程度。

4. 这个模型厉害在哪里？（验证结果）

以前的老模型（比如 EPR 模型）只能算出“人爱去老地方”或者“人爱去新地方”，但算不准“这一趟到底逛几个点”。
而TTC 模型不仅算准了“行程长度”的分布，还顺便把其他几个著名的城市规律都算准了：

齐普夫定律 (Zipf's law)：为什么大家都爱去那几个热门大商场，而小商店没人去？模型能解释。
赫普斯定律 (Heaps' law)：你逛得越久，发现的新地方越多，但新地方的增长速度会变慢。模型也能解释。
回转半径 (Radius of gyration)：你这一趟活动范围有多大？模型也能模拟出来。

简单说：以前的模型是“盲人摸象”，只摸到了腿或耳朵；这个新模型是“全图视角”，把大象（人类移动）的整个形态都还原了。

5. 这对我们有什么用？（实际应用）

搞清楚这个规律，对城市管理和商业很有用：

城市规划：如果知道大家通常逛 2-3 个点就回家，那么把学校、超市、医院规划得离得近一点，大家就能在一个“行程”里搞定，少开车，省时间。
物流货运：送快递的卡车也是“逛”的。如果知道卡车通常能跑多远、停几个点，就能优化路线，少派车，省油，减少污染。
动物研究：连松鼠、蜜蜂找食物也是这个规律，这个模型甚至能用来研究动物怎么觅食。

总结

这篇论文就像给城市交通装了一个**“智能导航大脑”。它发现人类出门办事不是乱跑的，而是遵循一套“逛几个点就回家”**的隐形规则。作者把这个规则写成了数学公式，不仅能完美解释我们过去的行为，还能帮助未来设计更聪明的城市和更高效的物流系统。

一句话概括：我们出门不是漫无目的的乱逛，而是在“逛几个点”和“回家”之间，进行着一场精妙的数学博弈。

这篇论文《Scaling law of individual urban tour behavior》（个体城市巡游行为的标度律）深入探讨了人类移动性中常被忽视的“巡游（Tour）”行为，特别是巡游长度（Tour Length）的分布规律，并提出了一个新的模型来解释和复现这一现象。

以下是该论文的详细技术总结：

1. 研究问题 (Problem)

背景：移动性建模（如动物觅食、人类移动、货物运输）通常关注单次行程（Trip）或整体轨迹，但“巡游”（即从基地出发，经过若干中间点，最终返回基地的一系列行程）是移动性的基本单元。
缺口：尽管巡游行为至关重要，但现有的个体人类移动性模型（如 EPR 模型、SHMU 模型）长期忽视了巡游长度（即一次巡游中包含的中间停靠点数量）的分布规律。
核心问题：
1. 城市巡游长度的分布遵循什么统计规律？
2. 现有的移动性模型为何无法复现这一分布？
3. 如何构建一个包含巡游生成机制的模型，以同时复现巡游长度分布及其他经典标度律（如 Heaps 定律、Zipf 定律、回转半径分布）？

2. 方法论 (Methodology)

2.1 数据实证分析

数据来源：使用了 Foursquare 用户在纽约（New York）和洛杉矶（Los Angeles）的签到数据，包含约 1.5 万名用户的 25 万次行程。
定义：
- 基地（Base Location）：个体访问频率最高的地点（通常是家或工作地）。
- 巡游（Tour）：从基地出发，经过一系列中间点，最终返回基地的行程链。
- 巡游长度 ( $l$ )：一次巡游中中间停靠点的数量。
发现：通过统计分析发现，城市巡游长度的分布遵循截断幂律分布（Truncated Power-law Distribution）：
$P(l) \sim l^{-\alpha} e^{-l/\beta}$
其中， $\alpha$ 是标度指数， $\beta$ 是截断值。这意味着大多数巡游较短（1-2 个中间点），长巡游概率随长度增加呈指数衰减。

2.2 模型构建：巡游终止 - 继续模型 (TTC Model)

为了解释上述分布，作者提出了巡游终止 - 继续模型（Tour Terminate-Continue, TTC）。该模型的核心机制包括：

巡游终止概率 ( $P_{term}$ )：
- 假设个体在每一步决定是否结束巡游并返回基地。
- 终止概率与当前巡游长度 $l$ 呈负相关的幂律关系：
  $P_{term} = \rho l^{-\gamma}$
- 其中 $\rho$ 是初始终止概率， $\gamma$ 控制终止概率随长度增加的下降速率。
- 继续巡游的概率为 $P_{cont} = 1 - P_{term}$ 。
目的地选择机制：
- 若选择继续，个体需决定是去新地点还是旧地点。
- 引入参数 $\theta$ 控制探索新地点与回访旧地点的竞争机制。
- 回访旧地点的概率与访问频率成正比（偏好回归）。
空间扩展 (d-TTC Model)：
- 为了捕捉空间特征（如回转半径），在探索新地点时引入了重力模型机制。
- 选择新地点 $j$ 的概率与两地人口吸引力 ( $O_i, O_j$ ) 成正比，与距离 ( $d_{ij}$ ) 的幂次 ( $\sigma$ ) 成反比：
  $P_{new}^{(j)} \sim \frac{O_i O_j}{d_{ij}^\sigma}$

3. 关键贡献 (Key Contributions)

揭示了巡游长度的普适标度律：首次明确指出并量化了城市巡游长度遵循截断幂律分布，填补了人类移动性统计规律研究的空白。
提出了 TTC 模型：
- 该模型显式地模拟了“巡游终止”的决策过程，这是传统模型（如 EPR、SHMU）所缺乏的。
- 证明了巡游长度的分布是由“终止概率随长度增加而降低”这一机制驱动的。
实现了多标度律的统一复现：TTC 模型不仅能复现巡游长度分布，还能同时复现：
- Heaps 定律（访问地点数量与行程数的关系）。
- Zipf 定律（地点访问频率分布）。
- 回转半径分布（通过引入重力机制的 d-TTC 模型）。
跨领域验证：除了人类移动数据，该模型在重型卡车（货运）的 GPS 数据中也得到了验证，表明该机制具有跨物种和跨系统的普适性。

4. 研究结果 (Results)

模型拟合度：
- 在纽约和洛杉矶的数据中，TTC 模型对巡游长度分布的拟合效果（Kolmogorov-Smirnov 距离 KS）远优于 EPR 和 SHMU 模型。
- EPR 和 SHMU 模型低估了短巡游的比例，高估了长巡游的比例，因为它们缺乏明确的巡游终止机制。
参数敏感性分析：
- $\rho$ (初始终止概率)：增大 $\rho$ 会显著增加短巡游比例，降低平均巡游长度，导致回转半径减小。
- $\gamma$ (长度依赖指数)：增大 $\gamma$ 使得长巡游更难发生，但主要影响巡游长度的尾部特征。
- $\theta$ (探索参数)：主要影响新地点的探索倾向和访问频率的异质性，对巡游长度分布本身影响较小。
- $\sigma$ (距离衰减指数)：主要影响空间分布（回转半径），对巡游长度分布影响微弱。
理论推导：作者推导了巡游长度分布和访问地点数量增长的解析解，与模拟结果高度一致，验证了模型的理论自洽性。

5. 意义与启示 (Significance)

理论意义：
- 为理解人类移动性提供了一个统一的框架，将“巡游生成机制”纳入统计物理模型，解释了为何不同城市表现出相似的移动性标度律。
- 揭示了移动性决策中的核心机制：个体倾向于在巡游长度增加时降低终止概率，但在达到一定长度（受城市规模或时间约束）后终止概率急剧上升。
应用价值：
- 城市规划：通过理解巡游长度分布，政府可以制定政策（如优化土地利用、增加服务设施可达性）来鼓励更长的巡游，减少出行次数和成本。
- 物流优化：货运车辆同样遵循巡游规律。该模型可帮助物流公司动态匹配订单与车辆位置，优化配送路径，减少车辆需求和碳排放。
- 公共卫生：在传染病传播模型中，考虑巡游行为（而非单次行程）能更准确地模拟病毒在局部区域的扩散模式。

总结：
这篇论文通过引入“巡游终止 - 继续”机制，成功解释了人类移动性中巡游长度的截断幂律分布，并构建了一个能够统一复现多种移动性标度律的模型。这项工作不仅修正了现有移动性模型的不足，也为城市交通规划、物流管理和公共卫生政策提供了新的理论依据和量化工具。