从城市轨迹数据中提取知识：一项综述

《ACM Computing Surveys》：Knowledge Discovery from Urban Trajectory Data: A Survey

　　摘要：理解城市环境中实体的移动性对于开发和维护高效宜居的城市至关重要。本调查介绍了从城市轨迹数据中发现知识的基本概念、方法及挑战，包括数据采集、预处理、挖掘以及实际应用。与以往的研究不同，我们的调查提供了这些步骤的全面和综合视图，确保每个阶段都得到优化，以促进移动性知识发现过程的整体性能。此外，我们还明确了操作和技术上的挑战，并讨论了可能的未来发展方向，这些方向可能会为该领域带来新的机会和进步。

人工智能摘要：本摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解这项工作。它补充了作者提供的摘要，后者仍是文章的主要总结。全文仍然是权威版本。点击此处了解有关此摘要的准确性、清晰度和实用性的反馈。您的反馈将有助于改进和未来版本的制作。点击此处评论。

1 引言
移动性数据为研究人员和实践者提供了重要知识，以开发对城市生活产生深远影响的应用程序，从而有助于创建高效宜居的城市[124, 150, 223]。它可以在多个领域提供宝贵见解，包括交通管理[88]、医疗保健[25]、机器人技术[153]和社会研究[105]等。这一重要性的增长反映在大量关于从移动性数据中发掘知识（KD）的文献中。许多研究考察了该领域的各个阶段，但往往只关注特定元素而忽略了同样重要的其他方面。例如，一些研究探讨了机器学习（ML）[119, 165]、深度学习（DL）[112, 183]、轨迹数据管理[182]以及预处理和数据挖掘[55, 222, 223]，但它们未能建立这些阶段之间的明确关系，并忽视了数据表示和特征工程等关键要素。其他研究涵盖了移动性数据科学[124]以及在大数据背景下使用轨迹的服务和管理[91, 167, 169]，但对影响这些方法性能的预处理和表示步骤关注较少。这些研究在表1中进行了总结，其中实心圆（●）表示覆盖所有相关元素，半圆（?）表示部分覆盖特定方面。

表1. 预处理、数据管理、数据挖掘与相关研究
| 参考文献 | 预处理 | 数据管理 | 数据挖掘 | 重点 |
| ----- | ----- | ----- | ----- | ----- |
| [223] | 预处理、数据管理和挖掘 | ● | ? | ? | ● | ● | ● | ● | ● | [55] |
| 预处理、管理、挖掘、应用程序及挑战 | ? | ● | ? | ● | ● | ● | ● | ● | [222] |
| 基于数据挖掘或机器学习方法的KD过程 | ● | ● | ● | ● | [119] |
| 数据挖掘方法、应用程序及挑战 | ● | ? | ? | ● | [165] |
| 用于大规模人类移动性的ML | ● | ? | ? | ● | [14] |
| 轨迹数据分类方法 | ● | ? | ? | ? | ? | ● | ● | [140] |
| 人类运动预测及其应用 | ● | ? | ● | ● | [183] |
| 用于时空数据挖掘的DL方法 | ● | ? | ● | ● | [91] |
| 大轨迹数据的应用及挑战 | ● | ? | ● | ● | [167] |
| 交通和移动性中的大数据生命周期 | ● | ● | ● | ● | [169] |
| 人类移动性大数据的应用 | ● | ? | ● | ● | [182] |
| 数据管理、分析与学习 | ● | ? | ● | ● | ● | ● | [112] |
| 用于人类移动性任务的DL解决方案 | ● | ? | ? | ? | ● | ● | [124] |
| 数据采集、清洗、挖掘、管理及隐私 | ● | ? | ? | ● | ● | ● | ● |

我们的工作提供了一个综合视角，强调了所有元素之间的关系和特性，解决了现有文献中的空白，为移动性分析提供了结构化指导，并阐明了KD过程中的复杂关系。我们的贡献不仅仅是步骤的分解；它还讨论了直接应对城市环境独特挑战的元素和考虑因素。这种包容性确保了我们的框架在不断发展的移动性研究领域中保持适应性和相关性，鼓励共同努力探索城市轨迹数据的全部潜力。

本文的结构如下：第2节概述了该领域；第3节介绍了我们的框架，并强调了各元素之间的关系；第4节讨论了操作和技术挑战，并探讨了可能的未来发展方向；第5节总结了我们的工作。

2 从城市轨迹数据中进行知识发现
KD意味着从数据中揭示有价值且以前未知的信息，以改进决策，使用来自不同领域（如统计学、机器学习和数据可视化）的方法[163]。它通常包含图1所示的五个步骤：数据采集、预处理、管理和数据挖掘。本节从宏观角度讨论这些元素，而第3节将详细探讨每个组件单独及其与其他组件的交互方式。

图1. 从城市轨迹数据中进行知识发现的概述。
数据：轨迹是实体移动性的离散表示，由参考系统捕获，这些系统是能够使用抽象坐标记录随时间变化的任何对象，具有与移动实体跟踪相关的时间和空间属性。移动实体包括动物、天气以及步行或使用交通工具的人。此外，轨迹中的位置可以对应于序列数据中的坐标（实际表示）或网络和语义轨迹中的语义抽象（逻辑表示）[15, 27, 29, 55, 120, 223]。

预处理：目标是修改整个轨迹和单个点或将轨迹转换为相关特征，从而实现有效的挖掘并改进分析。由于收集、存储和处理轨迹数据的方式多种多样，这一阶段是KD过程中最耗费人力和时间的部分，可能需要在一个分析中使用多种预处理方法，需要大量的计算能力和人力[163]。

管理：重点在于通过高效索引、存储和检索结构化和非结构化数据来优化数据分析期间的数据存储、操作和重用，确保数据质量、安全性和用户隐私。构建强大的基础设施对于提高检索和分析能力也非常关键，尤其是在实时应用和大数据方面[55, 182]。

数据挖掘：由于数据特性（即异构性、噪声和高维度（大量数据和高采样率），轨迹数据挖掘面临独特挑战。另一个关键问题是时空依赖性，即轨迹点的顺序会影响它们的含义[119, 163]。例如，轨迹\(A \rightarrow B \rightarrow C \rightarrow D\)可能与\(A \rightarrow C \rightarrow D \rightarrow B\)有很大不同，如果假设数据独立性和相同分布，可能会导致解释和矛盾问题，从而影响性能[10]。

应用程序：具体目标驱动移动性研究，KD过程为实现这些目标提供了系统框架。应用步骤至关重要，对其他阶段的决策有着深远影响。例如，我们需要关于行人和骑自行车人的轨迹数据来识别这些活动。相反，如果轨迹数据仅限于坐标，分析空气污染可能不切实际，这表明早期的KD考虑如何塑造具体应用。尽管存在这些方向性影响，但随着技术进步和更多城市元素的探索，轨迹数据在城市生活中的潜在应用范围广泛且不断扩展。潜在用途包括但不限于城市规划策略、污染控制、业务改进、优化通勤和丰富社交互动[55, 91, 119, 167, 169]。

3 从城市轨迹数据中进行知识发现
该框架为从城市轨迹数据的KD过程提供了指导，不仅仅是单个步骤的系统分解。它提供了一个全面的视图，深入探讨了每个步骤之间的关系和相互依赖性（图2），并提供了从数据采集到应用整个过程的细致理解。

关于数据，我们区分了两个关键方面：数据采集和表示。数据采集关注影响我们获取信息的关键要素：参考系统和移动实体。人和车辆是城市景观中不可或缺的移动实体，不同的参考系统提供了多种方式来跟踪它们的移动性；例如，摄像头可以通过记录交通中的车辆位置来捕捉室内外的人员移动。之后，移动性分析无缝结合了两个步骤：数据表示和预处理。这种相互作用允许灵活的方法，在与挖掘相关的处理步骤之前或之后准备数据以适当的格式表示。在这些选项（以及每个选项中使用的技术）之间的选择取决于用于数据采集的参考系统和具体的应用。同时，数据管理优先考虑高效的数据存储和检索，确保数据安全和用户隐私。最终，数据挖掘任务符合应用的需求，从而达到最终目标。

3.1 数据采集
本节讨论了在城市环境中显著影响KD过程制定和解决方案的两个关键组件的数据特性（即时间、空间、感知和记录方面）：生成轨迹的移动实体和捕获轨迹的参考系统。

3.1.1 移动实体
它们是动态元素，在环境中移动和互动，例如动物。它还包括天气事件，尽管不受控制，但由于大气条件的影响，它们会在地球表面移动[91, 222, 223]。在城市场景中，两组实体的移动性对我们的社会有重大影响：人和车辆。
人类的移动性不仅仅是从一个地方到另一个地方；它是个体与其周围环境之间的动态复杂关系，反映了城市环境的发展。例如，早期的人类移动性受到自然环境因素（如食物短缺和气候变化）的影响，而在当代越来越多地受到社会经济因素（如工资不平衡和全球化）的影响。这种移动性对于塑造城市和影响社会、经济和文化互动的各个方面至关重要[130, 142]，既可能带来积极的结果（如交朋友[134]），也可能带来消极的结果（如疾病传播[25]）。
此外，人类移动性具有可预测性，我们的行为遵循基于文化、社会经济等因素的“模式”[5, 150, 179]。因此，除了采集轨迹数据外，我们还必须考虑这些多样化的方面，这些方面在不同数据格式中塑造了移动性模式及其特性，例如时间和空间数据分辨率[151, 156]以及轨迹的多样性[39]。关注少数行为维度会影响结果，需要预处理方法来获得更丰富的KD分析[91, 109]。
将车辆视为移动实体，它们的轨迹记录了人类移动的行为。因此，人类移动性的可预测性超越了个体运动，影响了交通选择，并赋予交通系统独特的特性。探索这些特征有助于开发许多以人类为中心的应用程序，例如理解用户的移动模式和偏好可以进行轨迹预测[127]和位置推荐[199, 216]。利用车辆轨迹进行KD的另一种可能性是开发提高运输效率和安全的基础设施[56]。城市化问题（如交通拥堵）每天影响数百万人，降低了生活质量，通过增加通勤困难、造成压力和污染而阻碍经济发展[177]。移动性研究必须提供解决这些问题的方法，例如评估车辆的环境影响[60]并协调自动驾驶车辆的运动以提高安全性和缓解交通[8]。
此外，可以根据应用目标将车辆分为子组，例如：(i) 人类体力活动（步行、跑步和骑自行车）和非体力活动（静止和车辆）；(ii) 动力来源（人力（静止、步行和跑步）和机械动力（汽车、公交车和地铁）；以及 (iii) 车辆行驶的路面（汽车和公交车）和轨道（火车和地铁）[178]。

3.1.2 参考系统
它们通过跟踪移动实体提供位置信息。可用的多种参考系统源于人们携带的多种对象（如卡片和手机）及其对移动对象（如车辆）的影响。表2总结了文献中发现的传统参考系统。全球导航卫星系统（GNSS）利用卫星信号确定位置。基于位置的社会网络（LBSN）通过签到提供位置信息。摄像头捕捉运动视觉数据，而惯性传感器测量加速度和旋转的变化。基站和接入点通过信号强度（使用接收信号强度指示器RSSI）来三角定位设备的位置，而proximity传感器则在两个设备靠近时检测位置。表2展示了不同的技术及其特性：

| 技术 | 时间粒度 | 空间粒度 | 空间覆盖范围 | 传感方式 | 参考系统 | 数据类型 |
|------------------|-----------------|-----------------|------------------|----------------------------------------------------------------------|------------------------------------------------------------|
| 蜂窝塔 | 时间驱动 | 精细 | 全球 | 绕行基站的GNSS坐标（纬度，经度） | ? | ? |
| LBSN | 时间驱动 | 精细 | 全球 | GPS坐标、签到、照片、视频 | ? | ? |
| 相机 | 时间驱动 | 精细 | 全球 | 相机ID、视频 | ? | ? |
| 惯性传感器 | 时间驱动 | 粗略 | 全球 | 传感器位置 | ? | ? |
| 接入点 | 时间驱动 | 粗略 | 全局 | 接入点ID、RSSI | ? | ? |
| Proximity传感器 | 时间驱动 | 粗略 | 全局 | 传感器ID、RSSI | ? | ? |

历史上传统上，相机、蜂窝塔和GNSS是轨迹数据的主要来源，相关研究可追溯到21世纪初，例如Jung和Taylor [85]、Kuchar和Yang [94]，以及更早的Schwarz等人[144]的研究。随着技术的进步，新的参考系统（如LBSN）不断被发现，扩展了轨迹数据收集的可能性。本质上，任何能够记录实体随时间位置变化的对象都可以作为参考系统，包括一些非传统的选项，如纸币和税收收入[130, 223]。然而，专门研究这些非传统数据的研究相对较少，因此我们重点关注现有文献中使用的最常见技术，如表2所示。表中列出的特性与图1中呈现的KD过程元素相对应，包括空间和时间粒度、空间覆盖范围、数据记录的责任（参考系统和实体），以及移动实体在传感中的参与。

**数据**：构建轨迹所需的最基本信息是位置和时间——这些信息由不同的参考系统以不同的方式捕获[130, 192, 223]。它们还根据自身的特点收集额外的数据（见表2）。例如，蜂窝塔和接入点收集基础设施相关数据，而惯性传感器测量相对于之前的位置变化。此外，有些参考系统专门用于追踪人类（如LBSN和蜂窝塔），而相机可以同时观察多个实体，这增加了预处理的复杂性。我们的研究没有发现专门用于车辆的数据源，只发现了实例（例如道路传感器，这是一种proximity传感器）。最后，一个实体的数据也可以支持其他推断：例如，LBSN数据可以帮助估计车辆或天气事件的轨迹[93, 150]。

**记录**：它涉及记录，即为设备上或远程存储数据分配位置和获取数据[31, 55, 182]。主要有三种记录模型：(i) 参考系统同时记录和存储数据；(ii) 参考系统仅提供位置，移动实体存储数据（例如手机记录惯性传感器数据）；(iii) 双方协作记录和存储数据，通常基于信号强度进行推断（例如接入点）。

**时间粒度**：数据收集的频率，可以是时间驱动的（固定间隔）或事件驱动的（触发时）。时间驱动的采样会产生密集且精确的轨迹；事件驱动的轨迹往往较小、较稀疏且不规则。然而，这并不总是成立的；例如，许多车辆同时触发传感器可能会短暂生成密集的轨迹。此外，时间上的稀疏性可能是有意为之，通过预处理方法来减少复杂性，但这可能会引入偏差或掩盖轨迹细节，从而影响分析[174, 221, 223]。

**空间粒度**：参考系统在物理空间中能够捕捉的细节程度：精细（厘米到米）或粗略（米到公里）。参考系统可以以多种方式结合空间和时间粒度：(i) 精细-精细（例如，相隔数米的传感器）；(ii) 粗略-粗略（例如，稀疏的农村传感器）；(iii) 时间精细、空间粗略（例如，实体的加速度超过采样率，如火箭）；(iv) 空间精细、时间粗略（例如，附近位置的事件生成，如聚集的社交帖子）。此外，粗略的空间粒度可能保护隐私或降低成本[9, 53, 228]，但也可能降低挖掘准确性[55, 163, 174, 221, 223]。

**空间覆盖范围**：可以是有限的或全球的。当参考系统是静态的且只能覆盖小范围空间时，或者使用频率较低时（例如单个相机），覆盖范围是有限的；当参考系统广泛部署和采用时（例如GNSS），则覆盖范围是全球的。某些参考系统，如全球LBSN，可以根据用户的使用情况展示局部和全球覆盖范围[150, 210]。

**传感方式**：可以是参与式的或机会主义的。在参与式传感中，用户主动共享数据（例如LBSN），从而创建更丰富的上下文数据。相比之下，机会主义传感是在共享空间中被动发生的，由最初并非为数据收集而设计的传感器收集数据（例如交通摄像头和商场接入点）；用户可能意识到被跟踪，但并不直接贡献数据[20, 150, 166]。现代法律要求获取数据前需获得许可以保护隐私（参见第3.4节）。此外，融合数据可以通过对比它们的特性来提供移动模式的全面视图[55, 109, 223]。例如，天气数据可以揭示天气如何影响人们的移动，城市摄像头提供局部视角，卫星提供全局概览。

**3.1.3 新兴技术对数据获取的影响**：物联网（IoT）通过嵌入式传感器连接设备，实现城市环境和移动性的实时监控。它整合了传统参考系统和新兴技术，如无人机和自主机器人，加速了数据获取[1, 2, 16, 98]。车联网（IoV）将车辆与交通基础设施连接起来，提供关于交通、道路状况和驾驶员行为的详细信息，这对于优化移动性和安全性至关重要[2]。5G的集成通过增加连接容量、减少延迟和提高稳定性来增强参考系统的能力[1]。它使得在同一位置收集更大体积的数据成为可能，缓解了数据收集的问题。所有IoT基础设施都受益于这种连接性。5G还有潜力通过启用混合定位方法来提升卫星导航系统，其中5G可以通过传输校正或添加额外的距离测量来提高GNSS的准确性，尤其是在卫星可视性较差的地区[132]。此外，在5G和IoT的推动下，收集的数据量激增，超过了云计算的处理能力[227]。边缘计算通过在本地处理数据来解决这个问题，允许智能手机等参考系统在传输到云端之前对数据进行去噪、去重、压缩和标准化等预处理。 KD也可以直接在边缘节点进行，结果存储在云端。例如，Chavhan等人[28]提出了一个AI-IoT智能交通系统，使用边缘计算进行实时数据处理和决策制定。城市区域被划分为配备边缘设备的路侧单元（RSUs），每个RSU运行一个多智能体系统（MAS），从传感器、车辆和基础设施收集数据，并在本地进行处理，生成预测性洞察。这些洞察通过IoT与相邻的RSU和车辆共享，减少了对外部云的依赖。类似的策略也可以支持其他应用中的轨迹数据KD。

**3.2 数据表示**：轨迹数据可以概念化为特定领域的时间序列：按时间顺序排列的位置点序列。正式地，时间序列 \(\mathbf {X}(t) = \lbrace x_1, x_2, \ldots , x_n\rbrace\) 由 \(n\) 个值组成，索引为 \(i \in \mathbb {N}\)，每个 \(x_i\) 代表一个地点或坐标元组。在文献中，轨迹通常被分类为具有实际位置表示或逻辑位置表示。在实际表示中，位置对应于与对象相关的坐标，例如地球表面（例如GNSS数据）或参考系统本身（例如蜂窝塔数据），并根据所使用的技术采取几何形式，如点或多边形。相比之下，逻辑表示从语义上抽象位置（例如，道路、餐厅、地址）[55, 120, 223]。实际形式和逻辑形式之间的转换可以通过映射函数实现，例如将GPS点与道路段对齐[15, 27, 29]。基于这些表示，轨迹通常分为三种类型：顺序数据（实际）、语义轨迹和网络（逻辑），我们接下来将讨论这些类型。

- **顺序数据**：由参考系统收集的原始时间序列。虽然可以转换为其他表示形式，但某些任务（例如拥堵检测）更适合这种原始格式[206]。此外，转换顺序数据需要语义信息，而这并不总是可用的。即使可以进行丰富，也会增加时间和计算成本[105, 120, 223]（参见第3.3节）。压缩技术可以在保留基本模式的同时减少轨迹长度[55, 182, 223]（详见第3.4节）。顺序轨迹通常以列表形式存储，空间复杂度为 \(O(n)\)，其中 \(n\) 是轨迹长度[10, 189, 223]。
- **语义轨迹**：它们通过上下文信息增强顺序数据，例如描述运动状态（例如移动或停止）、地理环境（例如道路、餐厅）和交通方式（例如步行、驾驶）[55, 105, 120, 223]。通常，它们以带有语义标签的时间戳元组形式存储，空间复杂度为 \(O(n)\)。从顺序数据转换为语义轨迹需要额外的信息和计算工作[10, 189, 223]。
- **网络**：连接相似实体以允许移动或通信的大型系统，通常涉及复杂的交互。例如，在交通中，行人、出租车、公交车和乘客之间动态交互。网络通常被建模为图，节点和边的含义取决于分析目标。节点（\(V\)）可能代表位置（例如住宅、公园）[120]或社交互动（例如会议）[134]，而边（\(E\)）代表移动或连接。空间复杂度随图结构而变化：邻接列表需要 \(O(V + E)\)（适用于稀疏图），而邻接矩阵无论边数多少都需要 \(O(V^2)\)[11]。

每种表示方式都给KD过程带来独特的挑战，影响预处理和应用。选择最有效的表示方式取决于数据量、粒度、收集的额外信息以及涉及的具体数据挖掘任务等因素。

**3.3 数据预处理**：目标是提高轨迹数据的质量并创建用于数据挖掘的相关子轨迹[119, 163, 165]，同时应用一种或多种预处理方法。我们可以根据它们准备的数据类型（轨迹、轨迹点和特征）以及在这些数据中的目标对其进行分类，如表3所示。

| 目标 | 预处理任务 | 方法 |
|------------------|-------------------|------------------------------------|
| 选择轨迹 | 分段 | 截断阈值、形状或语义意义 |
| 人口采样 | 抽样整个轨迹或创建子段 | |
| 校准 | 将轨迹对齐到锚点 | |
| 修改轨迹 | 使用来自多个参考系统或其他数据源的数据 | |
| 清洗数据 | 过滤噪声 | |
| 简化数据 | 使用几何、基于图的、语义感知或机器学习方法 | |
| 转换数据 | 归一化 | Min-Max、基于比率的标准化和Z-score |
| 特征提取 | 创建手工特征或提取自动特征 | |
| 降维 | 特征选择、统计转换或基于学习的 | |

**3.3.1 选择轨迹**：选择轨迹或子轨迹的目的是通过分段或采样来减少计算资源的使用并突出潜在模式。分段意味着将轨迹划分为有意义的子轨迹（或子段）。除了降低计算复杂性外，它还有助于理解构成轨迹的独特属性，从而学习更丰富的知识。为了分段轨迹，我们可以考虑三个方面：(i) 阈值，(ii) 形状，以及(iii) 点的语义[55, 119, 223]。

- **阈值**：可以是停止时间、点的限制或时间限制。在停止时间，如果实体完全或几乎停止的时间超过阈值，则将轨迹分割成多个部分。时间限制是指相同大小的子段不应超过特定的时间长度。这些分段方法在需要快速决策的实时应用中至关重要，而离线应用可以使用更灵活的分段方法[173, 178, 179]。阈值限制在深度学习方法中也很常见，因为它们通常需要相同大小的轨迹[35, 59, 126]。
- **形状**：分析轨迹中点的位置可以在移动实体改变行为时对其进行分段，例如在点发生变化时。这些点可以代表方向变化[223]、速度变化[113]或多种特征的组合[7, 49]。
- **语义意义**：这取决于分析类型。例如，在基于出租车轨迹的行为和推荐分析中，将乘客的上下车位置标识为分段点是有帮助的[92, 105, 190]；在车辆行为特征描述中，从步行到驾驶等交通模式的变化可以用作分段点[35, 225]。
- **人口采样**：指的是选择原始数据集中的代表性子集，以最佳捕获分析所需的相关知识，这可能是一项具有挑战性的任务。然而，通过只关注最有意义的数据，它可以简化KD操作，降低成本，并减少时间消耗[37, 55]。采样可以选择整个轨迹或轨迹片段。整个轨迹：这种采样基于有助于研究的本质特征，如年龄、地区、城市[55, 150]以及交通方式信息[35, 224]。也可以使用统计方法来找到最佳轨迹，例如，根据轨迹的估计分布从时空（ST）区域检索数据[37]。采样片段：它涉及寻找有助于分析的轨迹模式。例如，Ferrero等人[57]研究了如何从轨迹中找到形状片段[10]，即相关的移动模式，而无需将轨迹分割或离散成预定义的子轨迹。3.3.2 修改轨迹。它使用操作在轨迹中创建或聚合新信息，提高其分析价值。主要方法有校准和数据丰富化。校准标准化数据集，以便于聚合和比较，解决诸如格式不一致、采样率、坐标系统[55, 182]以及重建缺失点[24, 155]等问题。它通常将轨迹对齐到参考点（即锚点），包括道路交叉口、网格单元、频繁访问的位置或重要的城市地点，即兴趣点（POIs），如住宅和地标[89, 176, 211]。数据丰富化使用外部来源添加上下文信息，例如，与道路网络的地图匹配[18, 152]、POIs[76, 186]、活动或交通方式的语义标签[178, 225]、天气或交通数据[63, 79]，或整合多个数据集[105, 176]。3.3.3 清理点。其目标是通过消除可能破坏数据挖掘和提取有意义洞察的错误或不相关点来提高数据质量。这些点可能包括重复项、不可能的运动或参考系统错误[55, 98, 124]。一种常见的数据清洗方法是噪声过滤，它涉及基于（i）阈值（例如，交通方式的最大速度[35, 191]）检测并移除异常值。这些阈值易于实现，但需要领域专业知识，并且在实时场景中可能不具备可行性[98]；以及（ii）使用轨迹统计（均值或中位数）的数学方法，或采用启发式和随机过滤器，如Kalman[164]和Savitzky-Golay[35]。3.3.4 调整点。其目标是通过修改、细化或简化点的空间和时间方面来提高轨迹数据的质量和可用性，同时保留本质特征。三种主要方法有地图匹配、填补空白和简化。地图匹配：将连续数据点与逻辑位置关联起来，或调整轨迹度量（例如，在室内导航中）以提高定位准确性和鲁棒性[26, 122, 141, 152, 207]。它可以离线执行，一次性处理整个轨迹，或者在线执行，随着数据的到来进行处理[29, 141]。有几种地图匹配方法：（i）几何方法，直接将数据点与最近的道路段匹配；（ii）拓扑方法，利用道路网络的连通性和图来确定最可能的路径；（iii）概率技术，如隐马尔可夫模型（HMM），根据观察到的数据将车辆位置建模为隐藏状态；以及（iv）机器学习（ML）方法，训练来学习轨迹和道路网络之间的复杂关系[26, 122, 141]。然而，地图匹配不易泛化和扩展，每次地图变更都需要地图信息和更新[152, 207, 223]。填补空白或完成：旨在通过完成由于数据采集过程中的粗粒度或错误导致的两个连续点之间的缺失时间间隔或距离（即空白）来提高数据质量。这种方法可以仅依赖于现有的轨迹数据，或结合额外的信息。没有额外信息的方法通常涉及插值样本[74]或使用历史数据中的锚点[24, 155]。这些方法在计算上高效，但在处理长距离空白或复杂的城市环境时可能遇到困难[40]。相比之下，结合额外信息的方法包括使用领域专家数据的数据丰富化，例如车辆的平均速度、道路特征和时间因素（例如，高峰时段）[40]，以及多个参考系统，如摄像头和行人运动[67]。简化：在保留轨迹的基本空间和时间特征的同时减少轨迹中的点数。方法可以分为以下几类：（i）几何方法，通过递归移除连接起点和终点的线内的点来减少数据量，同时保持形状的忠实度。最近的进步包括上下文感知的适应性和自适应阈值[219]；（ii）基于图的方法，通过图结构捕捉个体和群体层面的模式[61]；（iii）语义感知方法，结合上下文信息以保留重要的轨迹特征，例如POIs、活动和时间模式[139, 161]；以及（iv）机器学习方法，利用机器学习算法学习最佳简化策略，解决基于规则的方法的局限性。它使用强化学习（RL）等技术来学习简化阈值[187]和深度学习（DL）模型来学习紧凑的轨迹表示[31, 182, 214]。3.3.5 转换数据。将轨迹数据转换为新的类型、领域或结构，使高级KD策略的应用成为可能。有效的数据转换通过改进解释、增强鲁棒性和提高挖掘技术、应用程序和系统之间的兼容性来提升结果。然而，开发有价值的转换以促进有意义的分析并克服缺失数据、异常值和不规则时间间隔等问题可能需要领域专业知识[163, 189, 223]。可以应用几种数据转换技术，包括：规范化：将数值属性缩放到一致的范围内（通常是\(\lbrace 0, 1\rbrace\)或\(\lbrace -1, 1\rbrace\)），这对于比较不同尺度的属性（如速度和加速度）至关重要，确保所有特征对分析贡献相等，并防止大额属性扭曲结果[163]。例如，我们可以提到最小-最大规范化，将值调整到固定范围[184]；基于比率的标准化，将值除以相关基线[123]；以及z分数规范化，确保DL方法中的权重收敛和偏差稳定[178, 180]。频率域：傅里叶变换将轨迹分解为其周期性分量，如走路的步数和汽车的振动[80, 179]。然而，它在捕获时间信息方面有限。小波变换通过在频率和时间域中捕获信息来克服这一限制，对于随时间变化的轨迹非常有用[80]。离散化：将连续数据转换为离散格式，常用于序列数据。时间离散化将数据分割成固定间隔，如小时或一天中的不同时间段[143]，或根据领域专业知识创建新的时间序列，如实体运动（例如，速度和距离）[126, 225]。基于图像的离散化将轨迹转换为抽象的网格表示，可以通过创建反映在抽象空间中花费时间的矩阵或将特征作为网格堆叠来供DL方法处理[35, 36, 46, 99, 218]。空间离散化将地理区域划分为规则的网格单元，或使用分层结构，如不同分辨率的H3六边形，保持与地理空间的直接关系[41]。基于图的离散化使用节点作为空间单位来建模数据，例如道路段、交叉口。这种方法通常由图神经网络（GNN）用来有效捕捉复杂的时空依赖性[205]。多尺度方法分析不同空间分辨率（例如，500米到4公里）的数据，以捕捉不同城市尺度的模式[41]，通常结合使用POI和人口普查信息的数据丰富化[111]。编码：一种基于神经网络的方法，将点转换为高维向量表示。位置编码器必须具有以下属性：（i）距离保持，确保附近位置的嵌入相似；（ii）方向感知，共享相似方向的位置具有更接近的嵌入；（iii）归纳学习能力，允许在无需重新训练的情况下编码新位置；（iv）任务独立性，即跨各种任务的可用性；以及（v）参数化模型结构，即有限的参数集。位置编码器可以是单点类型的，即通过离散化和规范化等方法独立处理单个位置，或者是聚合类型的，基于GNN，同时考虑点位置及其周围邻域的特征[33, 116, 135, 153, 212]。适当的数据转换有助于特征工程，通过保留原始数据的关键局部和全局信息来减少维度和特征提取[189]。因此，数据转换和特征工程通常被视为连续的步骤。3.3.6 特征工程。目标是从整个或部分轨迹中开发出一组新的特征，更有效地捕捉重要信息。这新的一组特征可能比原始特征更小，并通常替代原始特征，增强我们对数据的理解并提高挖掘性能[35, 225]。两种主要方法是特征提取和降维。特征提取：范围可以从手工制作的方法到自动技术。手工制作的特征依赖于领域专业知识来定义适当的特征，例如，速度和转弯角度捕捉与理解城市流动性相关的运动方面[35, 225]。统计特征不需要专业知识，但领域特定的专业知识通常可以增强其选择和解释，例如，从轨迹的概率分布计算出的最大值、平均值和峰度等度量，捕捉轨迹的潜在动态而不是其原始值[191]。这些方法可以从单个轨迹中产生数百个特征，这可能在识别最相关的子集时带来挑战，并可能导致维度灾难和过拟合[163]。因此，人们对自动特征提取越来越感兴趣，特别是使用DL方法。例如，卷积神经网络（CNNs）从表示为图像的轨迹数据中提取空间特征，而长短期记忆（LSTM）网络有效地处理序列数据并捕捉长期依赖性[202]。生成对抗网络（GANs）学习生成真实的轨迹数据，间接捕捉重要的城市流动性特征[64, 107]。结合自动方法如GANs和CNNs[99]在挖掘任务中显示出更出色的性能。降维：它创建原始数据的更紧凑表示，消除不相关或冗余的特征，从而降低计算需求并减轻噪声和维度灾难[163]。它可以分为三种主要方法。特征选择通过消除最不重要的特征或添加最相关的特征来创建最具信息量的特征子集[170]，使用过滤器（统计指标）或包装器（ML方法，如随机森林[191]）。统计变换将原始的高维空间转换为低维表示，同时保持关键统计属性，包括主成分分析（PCA）[125]和动态时间 Warping（DTW）[208]等方法。基于学习的表示包含多种先进技术，例如变分自编码器（VAEs），它们学习一个紧凑的潜在空间，压缩高维数据的同时保留重要的时空模式。这种能力使得降维和生成建模成为可能，有助于模拟真实的城市轨迹[136]。VAEs还用于自动驾驶中的RL应用，通过函数近似来降低状态空间的维度[90]。3.4 数据管理。它涉及获取、索引、存储、组织、维护和有效利用数据，以确保其可靠性、可访问性和安全性，以便进行分析[55, 98, 182]。3.4.1 索引和检索。它们对于快速准确地访问数据至关重要。传统的轨迹数据索引方法包括R树及其变体（例如，R*-树和3D R树），它们将轨迹空间划分为层次化的边界矩形[32, 182, 194]；基于网格的方法，将空间划分为规则或自适应的单元[147, 182]；以及基于图的表示，专为受网络约束的轨迹设计，采用地图匹配策略[31, 122, 152, 182]。然而，轨迹数据的连续性和时间依赖性带来了独特的索引挑战[55, 182]，特别是对于包含来自数百万移动实体的数十亿数据点的大规模数据集[3, 182]。此外，现代轨迹数据分析需要实时索引，以提供最新的信息，尤其是在自动驾驶和交通管理等高风险场景中，低延迟至关重要。分布式系统通过在节点之间划分数据来进行并行计算，从而进一步提高响应速度[4, 114, 182]。将边缘计算集成到这种分布式架构中可以通过将初始数据处理卸载到更靠近数据源的设备上来进一步减少延迟[198, 228]。Apache Hadoop等框架使用MapReduce范式通过在工作量的“Map”阶段分布在多个节点上来高效处理大规模城市轨迹数据集，并在“Reduce”阶段汇总结果。除了可扩展性外，这种策略还具有容错性。然而，Hadoop主要设计用于批处理，而城市应用程序通常需要更快的迭代处理。Apache Spark 通过内存计算解决了这个问题，使用弹性分布式数据集（RDDs）将大量轨迹数据缓存到内存中，这对于迭代算法特别有利[114, 195]。此外，这些分布式框架促进了传统索引方法的可扩展实现。例如，可以在 Spark 集群上维护 R-树的分布式版本[194, 195]。流式场景可以从基于网格的分布式索引中受益，因为它们不需要将流式元素存储在单独的数据结构中；相反，它们直接将单元格 ID 分配给元素，从而消除了插入和删除操作的开销[106, 114, 145, 195]。此外，像 Spark 的 GraphX 这样的分布式图处理系统能够在城市级别的网络上进行高效计算，支持连续的交通监控和管理[31, 137, 195]。最后，像 Apache HBase[101, 102] 和 Google Cloud 的 BigTable[154, 182] 这样的分布式 NoSQL 数据库可以存储和查询大量轨迹数据，为城市环境提供端到端的分布式解决方案。

3.4.2 轨迹压缩的目标是在保留必要信息的同时减少轨迹数据量，以便于高效存储、传输和处理[55, 98, 182]。压缩技术可以分为无损或有损压缩，以及在线或离线压缩。无损方法在解压缩后可以重新构建数据，通常通过编码和清洗等技术实现，但压缩比率较低[6, 98]。相比之下，有损方法会丢弃不太重要的数据（例如，次要细节或冗余点）以实现更高的压缩比率，通常使用简化等技术[98, 139, 219]。可以通过先应用有损方法减少数据量，然后再应用无损方法进行存储优化来结合使用有损和无损压缩[6]。选择哪种技术取决于应用需求，需要在压缩比率和对数据挖掘与分析的影响之间取得平衡[117]。此外，压缩技术还可以根据应用时间分为在线或离线压缩。离线压缩是在收集完所有轨迹数据后进行的，这样可以使用更高级的算法来平衡压缩比率和信息损失[98, 194]。另一方面，在线压缩涉及实时技术，在数据采集过程中减少轨迹数据量，以节省带宽和能源。这对于资源受限的设备（如传感器和边缘计算系统）特别有益，因为它可以降低存储和处理延迟[71, 114, 117]；同时对于像 Apache Hadoop 和 Spark 这样的分布式框架也有助于提高可扩展性[106, 114, 194]。最后，在压缩过程中处理不确定性可以确保数据的完整性和后续分析的有效性。不确定性可能来自多种来源，例如传感器噪声、分辨率低或数据质量差[21, 98, 223]。它也可以用于保护隐私[162]。压缩算法可以通过概率表示或考虑不确定性的编码方法等模型来减少不确定性的负面影响[98, 106, 154]。

3.4.3 隐私保护。移动模式可以唯一地识别个人，使得轨迹数据容易受到先进的 AI 技术支持的去匿名化攻击[53]。现代的深度学习（DL）和基础模型（FM），例如大型语言模型（Large Language Models），可以在匿名数据中发现微妙的模式，使对手能够提取敏感的训练数据[4, 106]。此外，物联网（IoT）和边缘计算（edge computing）的快速发展增加了数据收集量，但也由于计算资源有限和互联性增强而提高了隐私风险和潜在的网络攻击风险[9, 106, 228]。作为回应，许多国家实施了严格的隐私法律，要求组织在收集数据之前获得明确的同意，告知个人数据使用的目的，并确保数据的安全和透明管理。例如欧盟的《通用数据保护条例》（GDPR）和巴西的《通用数据保护法》（LGPD）[2]。接下来将讨论主要的隐私保护策略。

数据匿名化和抽象：通过修改或隐藏数据来保护隐私，同时保留其分析价值。伪匿名化（Pseudonymization）用假名替换实际标识符，这在车辆网络中 commonly 使用[2, 162]。K-匿名性（K-anonymity）确保一个人的数据与至少 \(k-1\) 个其他人的数据无法区分，通常用于具有多个用户的定位系统中[2]。混淆技术使用附近的替代位置隐藏精确位置，通常利用强化学习（RL）来确定最佳的掩码位置。混合区域和静默期通过分别在指定区域或时间间隔内更改假名来进一步复杂化追踪[121, 162]。差分隐私（Differential Privacy, DP）向数据中添加随机噪声，确保分析结果不依赖于个别用户数据，从而减少对个体贡献的揭示[58, 203]。DP 可以应用于多种场景，包括在训练模型参数时添加扰动；聚合数据发布（如人口普查），在公开共享数据之前向随机选定的参与者添加噪声；个性化 DP，允许用户根据数据敏感性设置自己的隐私级别；以及本地 DP，在数据离开本地设备之前直接对数据进行噪声处理[58, 106, 162, 203]。

联邦学习（Federated Learning, FL）：这是一种分布式 ML 方法，使设备或本地服务器能够使用本地数据训练模型，同时仅共享模型更新以进行全局聚合。它避免了在中央存储库中收集原始轨迹数据，有助于缓解隐私问题[71, 106, 229]。然而，FL 面临一些挑战。架构决策，如客户端数量、数据在客户端之间的分布（即是否独立同分布，IID），以及聚合算法的选择，都可能影响准确性和模型收敛性。用户的移动特性（例如规律性、稳定性和移动模式的熵）也会影响 FL 的性能。例如，具有更大多样性、较低规律性和更高熵的用户比那些行为更规律的用户更难以预测，由于这些移动性和架构特性，FL 的性能可能会有显著差异（例如，在同一数据集中的准确率范围从 0.3 到 0.8）[48]。

加密和密码学：密码学方法主要通过加密技术保护信息和系统，将数据转换为未经解密密钥的用户无法读取的格式[2, 4]。在城市环境中，关键的密码学策略包括安全聚合，专注于分布式场景（如 FL），确保服务器在模型更新期间无法识别个别用户的贡献，仅揭示聚合结果。安全多方计算（Secure Multi-Party Computation）不仅适用于 FL，还能在保持各方输入隐私的同时促进合作，对于城市研究（如交通管理和城市规划）中的联合数据分析非常有价值[4, 12]。这些技术利用了同态加密（Homomorphic Encryption）和秘密共享（Secret Sharing）等加密方法。秘密共享将数据部分分布在多个服务器上，确保没有人能够访问全部数据[106]。同态加密允许在不解密的情况下分析加密数据，通过不暴露原始数据来保护隐私[198, 203]。

3.5 数据挖掘是通过应用各种技术自动发现数据中有价值的信息的过程，从而提取可能未知的新颖和有效模式[163]。如图 1 所示，数据挖掘方法可以分为主要方法和辅助方法。主要方法提供了一个分析轨迹的通用分析框架，提供了理论和算法工具来研究它们的属性和关系。辅助方法在城市领域内应用这一基础，结合专门知识来检查轨迹类内或类之间的空间、时间或时空模式[119, 172]。因此，主要方法定义了更广泛的框架，而辅助方法则根据数据所需的特定见解来选择，使分析与研究目标保持一致，即辅助方法是指特定应用的方法。此外，辅助方法的结果可以为主要方法的调整提供信息，从而实现持续改进。

3.5.1 主要挖掘方法。它们支持在不同抽象层次上更深入地理解数据结构，促进高级分析和合成数据的生成。

监督学习（Supervised Learning, SL）：训练模型根据具有已知输出的输入做出决策[119, 163]。这种方法既使用传统的 ML 算法（如支持向量机（Support Vector Machine, SVM）[46] 和 k-最近邻（k-NN）[35]），也使用 DL 算法（如卷积神经网络（CNN）[35, 36] 和长短期记忆网络（LSTM）[178, 202]。它还可以将多种方法组合在一起以提高性能[35, 80, 126]。

无监督学习（Unsupervised Learning, UL）：根据与其他组的共享特征将轨迹分组[119, 163]。一些例子包括带噪声的应用程序的基于密度的空间聚类（DBSCAN）[208] 和变分自编码器（VAEs）[90, 136]。最近，一种称为自监督学习（self-SL）的 UL 子集受到了广泛关注。在这种方法中，模型从数据中生成自己的 SL 任务，通常是通过预测掩码输入部分来实现，使模型仅从未标记数据中的固有结构中学习有意义的表示[83, 103, 217]。

半监督学习（Semi-Supervised Learning, semi-SL）：在标记数据稀缺但未标记数据丰富的情况下成为一种强大的方法，最终节省了人力和财务资源。与 self-SL 不同，这种方法同时使用标记数据和未标记数据，应用 SL 技术来理解轨迹特征，然后通过 UL 方法将这些知识传播到未标记数据[31, 86]。它可以结合 DL[36, 80] 和对抗性学习（Adversarial Learning, AL）方法。

强化学习（Reinforcement Learning, RL）：训练代理在环境中确定最佳行动，通过正负奖励系统最大化收益。RL 特别适合处理城市场景中的复杂性，其中有许多可能的行动和结果，最优策略可能取决于多种因素[97]。此外，它还允许研究人员理解他们难以直接测试的城市场景，例如危险和高要求的场景，如飓风[51]、犯罪[84] 和自动驾驶车辆[8]。

对抗性学习（Adversarial Learning, AL）：生成带有微小变化的人工示例，保持与原始数据相似的分布。其主要应用是通过增加数据多样性来增强模型对恶意攻击的鲁棒性[81]。在城市场景中，这种多样性对于数据增强至关重要，允许训练数据密集型 DL 方法[64, 99, 110]。这种增强还可以涉及生成具有挑战性的环境，例如将白天气景转换为夜间场景或模拟恶劣天气条件，从而生成能在不同情况下更好地泛化的模型[107]。

表 4 总结了辅助挖掘方法，介绍了它们的目标和方法，我们将在本节的其余部分进一步详细讨论。

**表 4. 辅助挖掘方法**
**目标** | **方法** |
|------------------|-------------------------------------|-----------------------------------------|
| 模式挖掘 | 发现轨迹中的移动模式 | 分析一起移动的一个或多个实体，这些实体可能是周期性的、顺序的或分组的 |
| 不确定性处理 | 理解数据收集和位置中的不确定性 | 减少不确定性或开发考虑不确定性的方法以提高数据分析性能；也可以添加不确定性以保护隐私 |
| 异常值检测 | 发现与其他轨迹显著不同的轨迹或片段 | 检测值、上下文和集体异常值，根据标记数据的可用性使用不同的学习范式 |
| 预测 | 揭示未知结果 | 预测轨迹随时间的演化或推断创建轨迹的实体（例如，人员活动）或某些特定轨迹特征（例如，速度） |
| 停留点检测 | 找到实体停留一段时间的点 | 基于时间、距离、密度、马尔可夫链和机器学习 |

**辅助挖掘方法概述**
**模式挖掘**：通过分析特定时期内的个体或集体移动来发现移动模式[66, 100, 124]。轨迹模式可以是周期性的，用于识别时间规律性[66]；顺序的，用于识别频繁跟随的路线[119]（例如，预测未来移动）；基于组的，用于检测在接近的空间和时间中一起移动的实体，如群行走的人[66]（例如，分析社交关系）。模式挖掘通常使用 UL 来识别簇，利用 self-SL 和 semi-SL 来提高模式识别准确性，自动化特征提取，并适应新的或变化的移动模式[81, 86, 103, 217]。此外，模式挖掘需要隐私保护策略（第 3.4.3 节）。
**不确定性处理**：移动是一个连续的现象，但我们将其作为离散数据（即轨迹）收集，导致位置不确定的点。各种因素，如城市峡谷中的 GPS 信号干扰或 LBSN 的粗粒度，可能导致不确定性。为了减少不确定性，可以使用平滑、历史数据插值和地图匹配等技术[15, 98]。此外，考虑不确定性的应用程序可以帮助减轻不确定性影响，例如在室内位置使用压缩技术和流量估计[181]。不确定度策略需要在保护用户隐私和确保服务质量之间进行权衡[107, 124, 223]。异常检测（也称为异常值检测）旨在识别与整体数据分布显著不同的轨迹或片段，通常通过观察数值的偏差来实现。异常也可能由上下文引起，例如，在高峰时段流量下降可能表明道路封闭或发生了事故。此外，当单个实例本身并不异常，但在被组合时变得异常时，也会出现集体异常情况，例如人们在游行中行走[50, 119, 223]。异常检测可以根据标记数据的可用性使用监督学习（SL）、半监督学习（semi-SL）或无监督学习（UL）方法[50]。此外，对抗学习可以被用来生成合成异常值，从而增强前述学习方法的有效性[107]。

预测：估计或推断系统的未知结果、特征或状态的过程。预测包括两种主要方法：时间投影和广义结果推断。时间投影或预测涉及分析空间和时间模式，以及社会和心理因素，以预测个体和群体的轨迹将如何随时间演变[31, 93]。它可以按时间范围和范围进行分类。时间范围关注持续时间：短期预测即时未来，例如在实时交通管理[33]和自动驾驶车辆导航的行人轨迹预测[93]中；而长期时间投影则预测相对于上下文的一个较长周期，例如预测一分钟内五秒的轨迹[118]。相比之下，范围关注预测的轨迹大小，包括下一个立即位置、最终目的地和整个路线[127, 213]。时间投影通常应用SL方法，但对于机器人技术来说，强化学习（RL）在寻找无碰撞路径方面尤其相关[93, 97, 153]。此外，对抗方法可以预测潜在未来轨迹的分布，而不仅仅是最佳单个轨迹，有助于有效分析多种场景[188]。广义结果推断超越了时间序列，可以推断内在模式、分类事件或识别属性，而不必将它们向前投影[50, 107]。

人类活动识别（HAR）是在城市场景中最常见的预测任务，鉴于在这样的背景下对人类研究的重要性。HAR包括识别和理解人类行为，包括游泳、行走、参与体育活动和驾驶等轨迹[96, 138]，这些支持了许多应用，例如跌倒检测[138]、人机交互[153]、交通预测（例如速度、行驶时间和拥堵情况）[69, 96]以及交通方式检测[22, 72, 126]。此外，考虑到人类动态的重要性以及各种参考系统捕捉人类轨迹的能力，如第3.1节所讨论的，预测任务采用了所有主要挖掘范式中的方法。

停留点检测：停留点是实体在空间上或时间上保持不变的位置，即持续一定时间。它们的检测为人们如何使用和在城市空间中移动提供了宝贵的见解，例如，有助于识别道路拥堵[207]和兴趣点（POIs），如住宅、商业设施和旅游景点[76, 186]。停留点检测方法可以是：(i)基于时间的，考虑最小的停留时间；(ii)基于距离的，考虑最小停留时间和与中心点的最大距离；(iii)基于密度的，使用UL技术来识别高轨迹点密度区域作为停留点，避免了需要固定阈值；(iv)基于马尔可夫链的，通过建模位置之间的转换来识别模型倾向于停留的地方；以及(v)基于机器学习的，应用SL和semi-SL来学习复杂模式。也可以结合多种方法以提高准确性[76, 186, 223]。

3.5.3 评估。关键绩效指标（KPIs）是评估结果质量和相关性的指标。虽然与主要挖掘方法相关，但它们间接衡量了次要挖掘方法和预处理步骤的有效性。次要挖掘方法没有专属的KPIs；它们的评估取决于使用的主要方法。例如，使用SL算法的预测任务可以采用准确性，而无监督学习（UL）需要不同的评估方法。表5展示了在城市场景中应用的数据挖掘中的常见KPIs，我们将在本节简要解释这些指标。我们提供了“概念公式”以帮助澄清核心概念，使这些想法对没有深厚数学背景的读者也易于理解。

表5. 范式 | KPI | 解释 | 概念公式
---------|--------|--------|--------------
准确率 | \(\frac{\text{正确识别的实例数}}{\text{所有实例数}}\) | 在所有实例中正确识别的实例的比例 |
精确度 | \(\frac{\text{实际正确识别的实例数}}{\text{被分类为正的实例数}}\) | 正确识别的实例在所有实例中的比例 |
召回率 | \(\frac{\text{实际正确识别的实例数}}{\text{实际实例数}}\) | 在所有实例中相关实例的有效识别率 |
F1分数 | \(2 \cdot \frac{\text{精确度} \cdot \text{召回率}}{\text{精确度} + \text{召回率}}\) | 通过计算精确度和召回率的调和平均值来平衡两者 |
监督学习 | 均方误差（MSE） | \(\frac{1}{N} \sum _{i=1}^{N} (\text{实际值} - \text{预测值})^2\) | 输出与实际值的接近程度 |
无监督学习 | 谱影分数 | \(\frac{\text{分离度 - 凝聚力}}{\text{最大分离度, 凝聚力}}\) | 对象与其自身簇与其他簇的相似度 |
Davies-Bouldin指数 | \(\frac{\text{簇扩散} + \text{最近簇扩散}}{\text{到最近簇的距离}}\) | 每个簇与其最相似簇的平均相似度 |
强化学习 | 累积奖励 | 时间内代理获得的总奖励 | 每个时间步骤的奖励总和 |
平均奖励 | 每个剧集中的平均奖励 | 代理在每个剧集中获得的平均奖励 |
成功率 | \(\frac{\text{成功剧集数}}{\text{总剧集数}}\) | 成功剧集的比例 |
Inception分数 | \(\text{exp} \left(\frac{\text{生成图像的清晰度}}{\text{生成图像的多样性}} \right)\) | 生成图像的质量和多样性 |
Fréchet-Inception距离（FID） | \(\text{生成图像与真实图像分布的匹配程度} | 生成图像的特征分布与真实图像的不一致性 |

评估指标
SL KPIs通过将模型的结果与已知真实值进行比较来衡量模型对未见数据的泛化能力。在分类任务中，KPIs包括准确率、召回率和F1分数，分析重点关注“前k”结果或最可能的结果（“top-1”）[30, 76, 186]。对于连续值任务，例如城市流量预测和深度学习训练损失，通常使用均方误差（MSE）及其变体（均方根误差（RMSE）和平均绝对误差（MAE）[17, 193, 215]。RMSE强调较大的误差，而MAE则平等对待所有误差[17, 193, 215]。
在UL中，KPIs通过测量簇的紧凑性和分离度来评估发现的结构质量。关键指标包括：(i) 谱影分数，它通过平衡分离度（数据点与其他簇的距离）和凝聚力（数据点与其簇的距离）来衡量每个数据点在其分配的簇内的适用程度；以及(ii) Davies-Bouldin指数，通过考虑每个簇内的扩散和每个簇与其最相似邻居的差异来评估簇的分离度和紧凑性[113, 133, 209]。此外，SL指标如F1分数和精确度也可以应用于UL任务，例如异常检测，但它们需要伪标记或真实标记来识别异常[38, 50]。在自监督学习中，重点在于学习有用的表示，而不是直接解决特定任务。因此，评估通常涉及在这些下游任务上评估这些学习到的表示——这些是我们最终想要解决的任务。这通常在SL环境中完成，其中应用SL场景中的KPIs[83, 103, 149, 217]。此外，作为SL和UL之间的混合范式，半监督学习（Semi-SL）使用SL和UL方法的KPIs[36, 81, 86]。

评估强化学习（RL）代理涉及独特的挑战，因为它们具有交互式学习过程且没有固定的“正确”答案。评估主要关注代理在其环境中的表现，使用标准指标，如(i)跨剧集的累积奖励，反映整体成功；(ii)每剧集的平均奖励，表明学习进展；以及(iii)成功率，显示代理成功的剧集比例。还可以评估其他方面，包括样本效率（学习良好策略的速度）、对未见环境的泛化能力、对变化的鲁棒性、对更大环境或更多代理的可扩展性，以及安全性（避免危险状态）[8, 97]。
强化学习（AL）可以采用标准的SL指标，如准确率和精确度，来评估对抗性攻击对模型性能的影响。这些可以用来推导特定的AL指标，如成功攻击率和攻击严重程度。此外，AL评估通过测量生成数据与原始数据分布之间的相似性以及生成实例的多样性和有效性来评估生成数据的质量[64, 99, 107, 110, 188]。
此外，各种方法可以提高模型性能并带来更好的KPI结果。例如，在段落内部使用多数投票[43]和使用HMM确定类别之间的转移概率[179]等技术可能有益。此外，超出模型性能的因素对于分析同样重要。虽然不同算法可能产生类似的KPI结果，但它们的有效性可能基于其他考虑因素而有所不同，如计算成本、延迟、通信成本和能源效率。在分布式解决方案（例如物联网、边缘计算和联邦学习）中，即使需要牺牲一定的准确性，低延迟和通信成本也可能更为重要[106, 228]。

3.6 知识发现与应用
从轨迹数据中发现的知识有很多应用。由于技术进步可能会引入新的用途，因此不可能捕获所有潜在应用。本节重点介绍了文献中最常见的应用，分为四个关键类别：流动性特征描述、可视化、群体和个体行为分析以及城市服务。虽然我们将获得的知识归类到一个特定领域，但它可以应用于不同类别的各种应用。例如，分析群体行为可以为城市规划和建议提供信息。然而，每个应用类别可能需要特定的方法，包括不同的预处理和挖掘方法。后续部分将更深入地探讨每个类别，探索它们生成的知识及其各自的应用。

3.6.1 流动性特征描述
它研究流动性的运作方式以及影响它的众多因素。这些见解为创建更智能的城市铺平了道路，这些城市拥有能够有效应对人类和车辆流动性复杂性的自适应技术[13, 19, 95]。从流动性特征描述中获得的关键知识包括：
内在流动性模式和规律：控制流动性的组件尚未完全理解，因为它们源自空间、时间和行为因素之间的复杂相互作用。例如，研究表明人类流动性是无尺度的，即流动性在从日常活动到国际旅行的各种尺度上保持相似的统计特性[5, 151]。个体轨迹内的行为组成部分也显著影响流动性，例如习惯性（返回常访问的地点）和新颖性（发现新地方）[39, 48]。认知因素也有影响，因为个人根据个人和社会背景选择路线，而不仅仅是选择最短路径[130]。这些见解使得开发现实主义的流动性模型成为可能，用于模拟和测试机器人技术、自动驾驶车辆和车载自组织网络（VANETs）中的导航算法和安全系统，否则由于可能会危及公民的安全而无法进行测试[8, 13, 64, 153]。
影响流动性的外部因素：理解流动性如何受到文化规范、社会经济条件和环境限制等上下文因素的影响，可以为社会系统及其动态提供宝贵的见解。例如，流动性根据社交环境、是否与他人同行以及技术支持（如导航设备）而有显著差异[130]。从交通拥堵到自然灾害和地缘政治冲突的外部干扰也会影响流动性模式。Xu等人[196]揭示了COVID-19大流行期间流动性适应的社会经济差异，富裕地区的居民在减少流动性以最小化风险方面表现出更大的灵活性。此外，流动性与社会结构之间的关系尤其复杂。关于人类流动性网络的研究表明，城市流动性可能会矛盾地加剧或缓解隔离：虽然大城市提供了与相似个体联系的更多机会，但城市空间的移动也为超越直接邻域的多样化互动创造了机会[128]。这些知识可以影响城市规划，使设计更高效的交通系统和优化的公共空间成为可能[19, 95]，允许城市规划策略在可访问性、便利性和可持续性之间取得平衡[130]。此外，数据驱动的模拟可以帮助识别各种情景下的脆弱区域，并理解影响社会公平性、空间访问和社区韧性的社会机制[196]。

3.6.2 可视化
将复杂数据转化为交互式视觉表示，利用人类感知进行数据探索和分析。它可以帮助知识不太专业的个人理解来自任何应用程序的特定信息[54, 163, 226]。以下是通过视觉分析发现的主要知识及其应用：

**城市范围和街道级别的趋势：**时间分辨率和空间分辨率影响洞察的粒度。高粒度可以进行街道级别的可视化，例如小区域内的行人流动[52]，而低分辨率则可以揭示影响城市动态的宏观模式，例如交通流量、人口移动和城市热点的演变[54, 204]。可视化这些趋势需要使用可扩展算法处理大型轨迹数据集，以简化轨迹记录同时保留关键信息[114, 195, 204]。此外，整合多种数据源可以从不同角度增强城市行为分析，但数据质量问题（如噪声或缺失）可能会影响可视化效果，因此需要强大的预处理和考虑不确定性的可视化技术[54]。例如，Sun等人[158]合并了GPS轨迹、街景图像和社会环境指标，以评估COVID-19封锁对户外活动的影响，观察到封锁期间活动减少，随后恢复到疫情前的水平，并且人们更倾向于选择有绿地和海洋视野的低密度地点。

**新兴行为：**检测突然的异常情况，如预期的交通拥堵或由公共突发事件引发的移动性变化，需要立即采取行动。实时可视化技术使分析师能够监控实时数据流，快速识别偏差并启动及时调查。通过利用GPU加速和云计算解决方案，这些技术可以提供复杂城市动态的流畅、交互式可视化[77, 95, 195]。先进的数据索引和压缩技术提高了相关轨迹数据的快速检索和渲染能力，确保即使在大数据集下也能有响应式的用户交互[106, 114, 145, 195]。此外，机器学习方法提供了预测能力，允许显示预测轨迹或实时识别异常[78]。现代可视化系统还强调交互性，允许用户动态探索和定制视图[54, 78]，甚至可以利用虚拟现实或增强现实等沉浸式技术进行更直观的时空模式探索[95]。

**3.6.3 群体和个体行为分析：**探索群体和个体行为可以为我们提供关于社会组织和城市环境的宝贵和互补的见解，因为我们的移动不仅影响自己，也影响周围的人。

**人群动态：**监控大规模事件和人群动态对公共安全至关重要，因为它有助于防止传染病的传播[25, 158]，并协调灾害应对和重建工作[55, 196]。实时人群追踪还可以检测异常情况，例如成群移动的车辆，这可能表明存在安全威胁（例如协同盗窃或抗议），同时过滤掉良性群体行为（例如车队旅行）[185]。

**社区：**由共享特征、行为、兴趣或地理位置等因素紧密联系的个体群体。识别社区可以为城市规划提供关键见解，从而有针对性地干预以改善居民的生活质量[150, 196]。例如，Xu等人[196]认为网络社区通常反映了现实世界的社会结构，揭示了城市不平等现象，如不同的通勤模式和资源获取情况。这些问题深受基础设施分布和交通便利性的影响。通过绘制这些社区地图，城市可以制定公平的政策，例如将交通路线延伸到服务不足的社区，将公共服务分配到交通不便的地区，最终促进社会凝聚力和韧性。

**功能区：**具有社会功能和经济活动的城市区域，这些区域显著影响移动性，因为人们在不同功能区域的行为可能不同。例如，在教育区，由于有儿童存在，司机可能会更加谨慎，而商业区则表现出高峰时期的拥堵和高行人活动[175, 210]。因此，分析这些区域内的和POI之间的人类移动模式有助于实现复杂和长期的目标，使城市更加宜居和可持续，优化交通管理、城市规划以及安全和保障[91]。

**个体交通和出行模式：**它们可以为交通规划和管理提供宝贵的见解。例如，从出租车轨迹中检测交通拥堵有助于改善交通流量并减少通勤时间[88]。同样，分析乘客需求模式可以揭示未充分利用的公交路线，并优化现有路线以减少等待时间并增加乘客量[34]。除了这些运营效益外，轨迹数据还可以用于预测乘客路线和预测未来的出行需求，这对于精细化旅行时间估算和管理公共交通系统至关重要，例如识别哪些公交车站过于拥挤并重新分配资源以避免长时间等待[91]。最后，个体交通模式有助于识别重复行为，这对于检测和跟踪道路上的行人、动物和物体至关重要。这些信息使自动驾驶系统能够预测其他交通参与者的轨迹并做出明智的决策以避免事故[13, 73]。

**3.6.4 城市服务：**它可以满足个人、社会和商业需求。个人服务根据个人的出行历史、位置、个性和其他相关数据提供定制化的体验。相比之下，社会服务旨在通过考虑区域的位置和特征来解决社区的需求。此外，轨迹数据可以帮助商业服务优化运营同时减少资源消耗[91]。从轨迹数据中提取的知识可以提供与传统调查不同的独特视角和见解，对于公共和私人管理者来说至关重要，以增强各种应用。

**环境污染：**个人和社会健康应用可以从城市服务研究中受益，例如减少空气和噪音污染。例如，Iskandaryan等人[75]开发了一种基于GAN的技术，使用气象和交通数据评估空气质量，展示了轨迹如何增强我们对污染模式的理解。此外，Guerrache等人[62]研究了测量环境噪音对健康影响的方法，并对个人和城市层面收集的数据进行了分析。虽然这些类型的个人分析是单独进行的，但可以通过分析许多个体的数据用于社会应用，从而在更大范围内改善城市环境。例如，通过收集许多个体的空气质量数据，研究人员和城市规划者可以识别高污染区域并采取措施减少污染。Espadaler-Clapés等人[47]使用无人机收集的车辆轨迹估计了城市环境中的交通噪音排放，提供了一种评估噪音污染的新方法。

**用户偏好：**这些知识使个人和商业服务能够提供反映个人优先事项、行为和限制的定制化推荐。例如，路线推荐系统不再仅优先考虑速度或距离；相反，它们会根据用户定义的因素（如风景价值、安全考虑或环境影响，例如优先选择低碳路线）动态适应[44, 93]。同样，商业物流系统同时优化多个目标，例如配送时间偏好、燃油效率和工作量平衡，显著影响运营效率和成本[93]。基于位置的推荐是另一个流行的个性化应用。通过分析从签到历史、社交互动或过去行为中推断出的偏好，它们可以推荐符合用户喜好的POI，如餐厅、博物馆或商店[76, 186, 216]。在旅游业中，平台利用预算、时间可用性和对拥挤空间的厌恶等偏好来制定定制行程，甚至根据不断变化的状况实时调整建议[65, 104]。

**时空模式：**它们有助于设计符合城市需求的基础设施。例如，最近的进展利用时空图神经网络（spatio-temporal GNNs）捕捉交通动态，即使在高度变化的城市环境中也能提高旅行时间预测的准确性[82]，最终支持基础设施规划，例如通过量化对事故热点的响应时间来确定最佳消防站位置[108]，或通过预测乘客步行和等待时间来提高轨道交通效率[230]。商业移动系统也从轨迹模式中受益，以设计其解决方案。打车平台通过整合实时交通数据、天气条件和事件信息来优化司机与乘客的匹配和接驾地点，减少空闲时间和运营成本[92, 190]。同样，电动汽车充电基础设施的布置利用历史出租车轨迹、道路网络拓扑和现有站点数据来平衡可访问性和需求[157]。时空模式还有助于自主系统规划，指导自动驾驶垃圾收集器和无人机送货网络，通过优先处理溢出的垃圾桶和选择节省能源的路径来优化任务执行[16, 168]。最后，规划内部环境（如购物中心和体育场）涉及估计交通流量以改善布局（例如，放置信息台、商店和厕所）并提升用户体验[55, 181]。

**4 挑战和潜在的未来：**基于前几节中讨论的现有努力，我们 examined 移动性在城市计算中的知识发现所面临的重大开放挑战和潜在未来。我们将挑战分为两类：运营挑战和技术挑战。运营挑战与日常生活中涉及的移动性过程有关，而技术挑战指的是实现移动性数据知识发现的底层技术。

**4.1 运营挑战：**

**4.1.1 合成创建真实数据：**虽然真实世界数据对于理解城市情景至关重要，但在某些情况下使用它们可能是不可能的，例如当自动驾驶车辆和机器人与人共享空间时，错误可能导致伤害。在这种情况下，合成数据对于建模实体和降低成本非常有益，因为我们不需要特定结构。然而，开发逼真的合成数据可能具有挑战性，因为城市现象的影响仍然未知。因此，研究是什么导致移动性以及这些因素如何影响我们观察到的变化以创建逼真的合成模型至关重要。此外，我们需要通用且逼真的移动性数据集。与在单一城市或特定情境下训练的生成模型不同，我们需要能够适应任何城市并在多样化环境中产生逼真移动模式的移动性模型。

**未来方向：**大数据使得生成函数（FM）成为可能，为合成轨迹数据创建开辟了革命性的途径。将FM与先进的生成模型整合在一起，可能会改变这一领域的未来。最初为自然语言处理设计的FM已经扩展到多模态数据，并解决了包括智能交通系统（ITS）在内的复杂任务[149]。图基础模型（GFM）[148]的进步为将复杂的道路网络结构和城市设计纳入合成数据生成提供了有前景的方法。这些FM方法与最先进的生成模型（特别是扩散模型[197]）相结合，可以在合成轨迹中产生前所未有的真实性和实用性。可以开发一种FM来捕捉不同城市和交通模式中人类移动性的基本模式。然后，这种模型可以与基于扩散的生成过程相结合，利用扩散模型的迭代去噪特性将随机路径细化为高度真实的轨迹。这种组合将允许生成反映广泛移动模式的合成数据，并遵守特定的城市约束，如道路网络和交通模式。

**4.1.2 数据集成和异质性：**物联网（IoT）设备的普及意味着几乎所有东西都会生成数据，为从各种角度分析移动性和人类行为提供了丰富的信息。然而，数据集成由于数据来源的异质性而带来重大挑战，这可能对分析产生不利影响。例如，简单地将来自不同来源的特征连接起来并对其进行分类可能无法获得最佳性能，并可能导致高维问题，从而加剧维数灾难[223]。因此，开发能够有效融合来自不同来源信息的算法至关重要，需要考虑数据格式、传感器采样率和其他因素的差异。两个由于可能影响结果而需要进一步研究的关键问题是：**

- **跨不同数据集匹配实体：**在许多应用中，如医疗保健，跨不同数据集匹配实体（例如人、位置）对于更好地理解特定现象至关重要。然而，由于隐私问题，这个任务可能具有挑战性，因为跨不同数据集匹配实体可能会揭示关于个人的敏感信息。因此，平衡实体匹配的需求和隐私至关重要。
- **确定理想的粒度：**确定目标的理想粒度是移动性分析中的一个基本挑战。不同的参考系统提供不同的时间和空间粒度，但并非所有粒度都适合每个应用。例如，基于位置的服务（LBSNs）由于其粗略的时间和空间粒度可能不适合交通研究。问题是：识别潜在移动模式所需的最小粒度是多少，そして高粒度是否确实能保证更好的识别？回答这些问题对于提高我们对粒度与结果之间关系的理解至关重要。此外，理解粒度与移动性之间的关系有助于我们创建能够更好地代表现实世界现象的合成数据。未来的发展方向包括：表示学习架构（如层次化图神经网络和多尺度自动编码器）可以实现在共享嵌入空间中对不同类型移动性数据（包括结构化、半结构化和非结构化数据）的统一表示，这些数据涵盖了各种空间和时间尺度。与标准的图神经网络和自动编码器相比，它们具有显著优势，因为它们能够捕捉移动性数据中的复杂嵌套关系，并自动在多个粒度级别上学习表示，从而提供了一个更全面和灵活的分析框架。通过利用自监督学习技术（例如对比学习）[83, 103, 217]，这些模型可以在不依赖标记数据的情况下学习出内在的移动性模式，从而适应不同的数据特征，这有助于解决跨数据源匹配实体的问题。此外，这些方法还可以通过学习抽象特征来增强隐私性，这些特征在保留有价值的全局模式的同时掩盖了个体层面的细节。

4.1.3 在不同场景下的评估。常见的做法是在单一数据集上评估提出的方法和算法，而这些数据集可能具有独特的特征，如数据格式、粒度和表示方式。这些因素可能导致解决方案仅适用于特定数据集，而无法很好地推广到其他数据集。为了提高鲁棒性和泛化能力，全面评估各种场景下的移动性数据分析至关重要。关键的关注领域包括多数据集评估、标准化基准测试和跨领域测试。这些方法与LibCity [176]等倡议一致，这些倡议旨在创建一个统一的城市时空预测框架，以及GLOBEM这一开源基准平台，用于帮助使用和评估纵向行为建模方法[200]。然而，城市环境中的基础设施多样性、人口密度和文化差异使得建立普遍适用的基准变得更加复杂。隐私法规和数据所有权也给共享移动性数据带来了挑战。解决方案可能包括开发保护隐私的共享协议（例如共享模型更新而非数据）以及反映城市环境复杂性的合成数据集。此外，现实世界的验证也非常重要；受控实验往往忽略了都市生活的复杂性。与地方当局合作实施安全、伦理的实地试验对于评估结果的准确性、计算效率、可扩展性和可解释性至关重要。

4.1.4 公平意识的应用。数据可能反映出收集和解释数据的人的偏见，这可能导致不公平的决定，从而影响不同群体。例如，移动性数据可以用于做出关于公共交通的决策，比如在哪里设置公交车站、公交车的运行频率以及如何为不同线路分配资源。如果对某些群体（如收入较高或居住在特定社区的群体）存在偏见，那么由此产生的决策可能会对依赖公共交通的其他群体不公平。同样，移动性数据也可以用于交通管理决策，比如在哪里设置红绿灯、如何设置速度限制以及在哪里修建新道路。如果决策仅考虑车辆需求，那么结果可能会对行人不公平[23, 201]。一些研究探讨了移动性研究中的公平性问题，例如Pathiraja等人[131]研究了在恶劣天气条件下自动驾驶对象检测中的公平性。然而，我们必须研究更全面的场景并开发更复杂的评估框架。未来的工作应该考虑在整个数据生命周期中设计公平意识的方法，从数据收集到应用。关键方向包括开发稳健的技术来识别和测量移动性数据集中的偏见，同时考虑各种人口统计、社会经济和地理因素。例如，可以借鉴其他领域（如人口平等和机会均等）中使用的指标来创建公平性指标[23, 68, 201]。此外，设计公平的数据收集策略以确保不同人口群体和地理区域的代表性采样也非常重要，例如通过结合传统数据源和新的数据源来填补代表性不足的地区或社区的空白。此外，将现有的公平意识和可解释的机器学习技术适应于时空数据的特定挑战，可以使用模型和算法来解释决策并明确考虑公平性约束，从而丰富轨迹数据的知识发现。最后，我们需要技术来实时监控和调整移动性系统中的公平性，因为城市环境在不断变化。

4.1.5 积极吸引参与者。在收集和分析移动性研究的观察数据时，获得参与者的参与至关重要，因为他们可以通过他们的设备提供宝贵的信息和资源。然而，这也是最大的挑战之一。人们可能因为隐私担忧、互联网接入有限或缺乏兴趣等原因而犹豫是否分享他们的移动性信息和资源。这些因素可能导致偏见的结论，无法反映更广泛的人群和更脆弱的网络解决方案。研究人员可以使用各种策略来鼓励参与协作方法，例如财务激励、娱乐和服务奖励或社会认可可以作为有效的激励因素[20]。然而，人们可能需要更复杂和个性化的方法，这可能涉及到创建基于人工智能的系统，这些系统可以根据个人偏好和行为动态调整激励措施，利用机器学习预测和响应用户动机的变化。另一种策略是使用区块链、博弈论和人工智能（AI）以及游戏化来创建更加公平、透明和吸引人的数据共享环境。区块链技术可以确保贡献和奖励的透明和安全记录，而博弈论原理可以用来设计鼓励合作行为的激励结构[115]。例如，可以开发一个游戏化系统，参与者通过分享他们的移动性数据来获得积分（由区块链保障）。人工智能方法可以根据共享数据的质量和数量以及研究的当前需求动态调整奖励。博弈论可以用来创建竞争性或合作性的挑战，以鼓励持续的参与。目标是创造一种参与文化，使人们觉得分享他们的移动性数据和资源既容易又有趣。为此，策略必须在确保数据的准确性和代表性与保护个人隐私以及维持他们对研究过程的信任之间取得平衡。

4.2 技术挑战

4.2.1 分布式知识发现。随着物联网设备继续产生大量数据，将所有收集到的数据发送到中央服务器进行分析的传统方法已变得不切实际，这不仅增加了成本和传输成本，还引发了隐私问题，尤其是在处理移动性数据时。为了解决这些问题，研究人员专注于边缘智能（Edge Intelligence, EI），即将数据处理任务转移到物联网设备中。EI结合了负责从数据中学习的AI和协调附近设备处理生成数据的边缘计算。通过利用物联网设备的功能，EI可以显著降低数据传输成本并减少隐私问题[198, 228]。在这种情况下，EI带来了机遇和挑战，尤其是在应用于城市移动性数据的知识发现时。未来的研究应该推进EI在处理城市移动性数据方面的发展，解决效率、可扩展性和隐私挑战。关键领域包括为异构移动性数据开发先进的分布式算法，使用联邦学习（FL）或分割学习范式[42, 203]，以及关注通信效率和模型个性化；设计自适应的边缘-云架构以动态优化计算分配；整合安全多秘密计算（SMPC）和差分隐私技术以进行隐私保护的协作分析；研究基于区块链的安全、去中心化数据共享解决方案[171]；创建考虑能源需求的EI算法，以平衡计算需求与有限的边缘设备资源；以及开发专门针对分布式、对隐私敏感的城市移动性数据的新型知识发现技术。

4.2.2 隐私问题。尽管在隐私保护技术方面做出了很多努力，但不断演变的安全威胁要求在数据保护方面持续创新。例如，仅在2022年上半年，全球就发生了超过28亿次恶意软件攻击[3]，这表明需要更强大的隐私保护措施。虽然联邦学习在这种情况下提供了一种有前途的方法，但它也带来了新的挑战，因为结果会因数据特性和架构选择的不同而大相径庭[48, 106, 228, 229]，如第3.4节所讨论的。解决这些隐私问题需要多方面的方法。一个关键领域是对抗性隐私，其目标是开发出能够抵御各种攻击的强大隐私保护系统，这些攻击包括对抗性学习（AL）和差分隐私以及加密方法和博弈论方法，所有这些都是为了防止移动性数据系统的隐私泄露[1, 159, 160]。另一个方向是改进联邦学习算法以处理来自不同设备的非独立同分布（non-IID）移动性数据。个性化联邦学习可以适应个体移动模式，保留本地数据特性，并减少负面转移，而层次化联邦学习则在减少通信开销的同时平衡本地和全局知识[12, 203]。同时，还需要为动态的实时移动性数据流调整差分隐私框架，以在确保强大隐私保护的同时保持数据效用[162, 203]。最后，开发标准化的指标和评估框架对于评估移动性数据技术的隐私保障至关重要。这些框架应确保技术有效性并符合法律和伦理标准。未来的研究应该将技术解决方案与监管专业知识相结合，以创造符合不断发展的数据保护法律的有效隐私保护系统[129, 159]。

4.2.3 资源受限的场景。这些场景由于计算能力、内存和能源的限制给移动性研究带来了重大挑战，这可能对收集数据的质量和用于分析的算法的性能产生负面影响。此外，资源有限还可能妨碍物联网设备之间的通信或与中央服务器的通信，从而影响数据传输、同步和一致性[228]。研究人员已经开发了模型压缩和手工设计的架构来解决这些限制[70, 220]。然而，创建高效的轻量级模型需要大量的专业知识，这使得过程耗时且容易出现错误。自动化机器学习（AutoML）技术专注于自动选择和优化机器学习模型及其超参数。这些技术在资源受限的场景中具有巨大潜力，其中神经架构搜索（NAS）尤其有前景。NAS可以自动设计神经网络架构，并有可能发现比专家手动创建的更高效和有效的结构，已在图像识别等几个领域显示出最先进的结果[45, 87, 229]。虽然将NAS应用于移动性研究仍处于早期阶段[146]，但它为资源受限的场景提供了令人兴奋的可能性。边缘计算可以补充NAS优化的模型，使得在资源受限的设备上进行实时轨迹数据处理成为可能。这种方法可能导致为设备分析专门设计的超轻量级模型的开发，减少了对中央服务器的持续数据传输需求。此外，将AutoML与联邦学习相结合可以促进跨多个设备的协作模型训练。例如，在无人机或其他可组合元素的背景下，我们可以确定每个节点应该收集哪些数据[16]，AutoML方法可以通过优先考虑可能提升模型整体性能的数据来制定更智能的采样策略，无人机可以收集代表性不足或特别有信息价值的数据。此外，它还可以考虑电池寿命、计算能力和来自不同地理区域的数据重要性等因素。

5 结论。本调查全面探讨了从城市轨迹数据中进行知识发现（KD）的方法，强调了该过程中每个步骤的相互关联性。尽管在这一领域的研究不断增长，但这些研究往往缺乏对移动性KD过程的综合视角，导致对于各个组成部分如何交互的理解存在关键缺口。为了填补这一缺口，我们引入了一个整体框架作为移动性分析的结构化指南，阐明了KD过程中的复杂关系。此外，通过系统地检查每个阶段及其相互关系，我们解决了城市环境特有的关键挑战。我们的工作促进了对于城市轨迹数据更结构化和相互关联的理解，鼓励进一步的研究和合作，最终有助于实现更有效和有洞察力的移动性分析。