[文章摘要]Studying commuting behaviours using collaborative visual analytics

文章：Studying commuting behaviours using collaborative visual analytics
作者：Beecham R, Wood J, Bowerman A.
来源：Computers, Environment and Urban Systems, 2014, 47: 5-15.


本文利用伦敦的公共自行车租用数据来分析通勤模式，将通勤作为一种事件（event）来处理。


以前的研究假设早上和晚上的journey形成一个闭合的圈，即早上和晚上的旅途正好相反，但这有时候是不成立的，特别是对自行车数据而言。
以前相似的研究仅利用了temporal模式来分析，而本研究还加上了空间部分。


文本两大贡献：
1，利用自行车停靠站的空间分析，来得到用户的工作点，并且标记出通勤旅行。
2，与多个人共同协作的协同可视分析方法。


方法分为三步：
1，定义问题：与交通局的人员一起商定
2，开发可视分析工具
3，生成假设和见解。


注意：早晚高峰时期，自行车除了通勤还可能有其他目的。


为分析用户行为，利用市场分析中的时间邻近-频度分割法（Recency–Frequency (RF) segmentation），对用户分组，即考虑用户最近一次使用自行车的时间，以及使用的频率，将用户分组，每个维度分为5组，如果Recenty为5，Frequency也为5，则其为重度用户。


见journey按早晚高峰的时间过滤，并且查看每个用户高峰时间的journey总数，总数越大，则越能确定与工作相关。

利用三个协同视图来分析该数据，如下图，timeline，flowmap view和用户视图（显示其属性，注意这里有用户属性信息）。

本文使用了三个方法来确定work地点：

1，对早高峰的目的地（Destination）和晚高峰的出发地（Origin）求加权平均中心点（Weighted mean centers），但该方法会遗漏有多个工作地点的情况，如下图，

左图是三个中心地点，右图是两个，其中还绘制了标准差椭圆，地点用红色的圆表示。

2，利用K均值聚类来克服上述方法不能发现多个工作地点的不足，利用标准差椭圆的信息来制定k的数目。但从下图可见，该方法有时候也会出错，a high level of distance deviation and large ratio of dispersion（标准差椭圆的信息）也不一定意味着双中心的工作地点。当然，空间异常的存在也会干扰结果。

3，利用KDE方法，拟解决上述两个问题（多中心和空间异常）。
对早高峰的目的地（Destination）和晚高峰的出发地（Origin）进行KDE，结果如下，
Kernel的大小为750m，750m作为停靠站和用户工作点步行的距离。两个参数：一个是kernel大小，另一个是如果密度小于某一阈值，则认为其不属于通勤的地点。

下面是城区用户和周边用户的使用情况，城市外围（蓝色）的一般通过火车等赶到市中心，最后的一点距离使用bike，红色的为市区居民的使用，可以看到两者的模式有很大不同，市区用户的模式更加多样化。

在peak time 之间（早10点到下午3点）发现bike使用大多在大学城中。