城市群（Megalopolis）/城际（inter-city）OD相关研究即Open Access数据集调研

文章目录

- [1 城市群/城际OD定义](#1 城市群/城际OD定义)
- [2 理论模型与分析方法](#2 理论模型与分析方法)
- - [2.1 重力模型 Gravity Model](#2.1 重力模型 Gravity Model)
  - [2.2 干预机会模型 Intervening Opportunities Model](#2.2 干预机会模型 Intervening Opportunities Model)
  - [2.3 辐射模型 Radiation Model](#2.3 辐射模型 Radiation Model)
- [3 Issues related to OD flows](#3 Issues related to OD flows)
- - [3.1 OD Prediction](#3.1 OD Prediction)
  - [3.2 OD Forecasting](#3.2 OD Forecasting)
  - [3.3 OD Construction](#3.3 OD Construction)
  - [3.4 OD Estimation](#3.4 OD Estimation)
- [4 OD Data](#4 OD Data)
- - [4.1 Basic Infor About OD Data](#4.1 Basic Infor About OD Data)
  - [4.2 Open Access Dataset](#4.2 Open Access Dataset)
- Reference

1 城市群/城际OD定义

Origin-Destination用于表示空间移动（from the origin to the destination)，有时也被称为流数据（flow data）[1]
- (Origin, Destination, Number, Mode, ...)
- Origin以及Destination表示方法：
  *
  1. Zone ID，例如'zone1'
  - 1. 坐标coordinate
- Number: 该OD对的出行数量
- Mode: 出行模式
  - 通常只包含1种交通方式，例如bus, train等
  - 对于多交通模式出行，例如cycle-train-bus；一般也只表示为一种模式 ，例如train
- 一般不包含详细的路径数据（routing）
  - 可以选择routing服务基于OD来生产routing数据
  - 例如OSRM(shortest path) , Google Directions API , CycleStreets.net or OpenRouteService

2 理论模型与分析方法

2.1 重力模型 Gravity Model

2.2 干预机会模型 Intervening Opportunities Model

2.3 辐射模型 Radiation Model

3.1 OD Prediction

问题定义与解析
- 定义：
- 解析：
  - 数据基础：城市的区域(region)特征数据、区域间的OD对数据
  - 方案：基于特征数据以及OD对数据构建OD预测模型
    - 输入：region的属性特征
    - 输出：region间OD数量
  - 用途：基于部分已有数据，构建出区域属性与OD pair之间的推导模型，能够实现由已知到未知的预测
  - 缺陷：数据要求严格（属性数据的充分与否一定程度上决定了模型的泛化能力）

3.2 OD Forecasting

问题定义与解析
- 定义
- 解析：
  - 数据基础：过去一段时间内的OD情况
  - 方案：时序模型构建
    - 输入：过去的OD
    - 输出：未来的OD
  - 用途：由历史数据推测未来数据
  - 缺陷：
    *
    1. 粒度不确定：point-level; matrix-level(city-level); 可以想见的是，预测范围越广，模型越为复杂
    - 1. OD数据需要具备时间属性
  - 优势：可以在没有任何其他辅助数据的情况下进行OD预测

3.3 OD Construction

问题定义与解析
- 定义：
- 解析：
  - 数据基础：易获取的信息
  - 方案：基于前期获取的信息构建出完整的城市OD Matrix
  - 优势
    *
    1. 无需任何前置OD数据

3.4 OD Estimation

问题定义与解析
- 定义：
- 解析：
  - 数据基础：在不同地点采集（例如路段、交叉口等）的具有时间标签的交通agent数量（或其他可用数据）
  - 方案：基于观测数据推测OD流

4 OD Data

4.1 Basic Infor About OD Data

用于OD研究的数据一般可以分为两类
- 基础OD流数据
  - Survey data：问卷调查数据
  - Individual trajectories：轨迹数据
    - Call Detail Records
    - Cellular Network Access
    - GPS Records
    - Location-based Social Network Check-ins
  - Transportation records：交通系统记录数据
    - traffic surveillance video
    - smart cards
    - taxi orders
- 包含其他辅助数据的OD数据
  - 常用于探究OD与城市属性的空间分布特性（例如用地属性）
  - Region-level socioeconomic data: demographics, land use patterns, points of interest (POIs), and infrastructure
  - Transportation observation data
    - Traffic Flow: link counts，即起点-目的地连线数
    - Vehicle Speed: 车速数据
  - Urban geographic data

4.2 Open Access Dataset

CITYDATA.ai[3]
- Inner City
- 提供开放数据集以供使用（数据量极大）
- 提供访问API以供程序调用（需要申请开发者权限）
- 没有inter-city OD
Datarade[4]
- 可直接购买数据集（价格贵）
- 可与运营公司联系获取数据集
Translink[5]
- 澳大利亚Queensland公共交通数据 (public transportation)
Cencus[6]
- 英国威尔士
- 包含：
  - Migration data：1年范围内的人口迁移OD
  - Workplace data：工作相关OD数据
  - Second Address data：居住地之间的迁移
  - Student data：学生OD
大数据平台
- 腾讯位置服务[7]

Reference

[1] 'The importance of OD data'. Accessed: Oct. 23, 2023. [Online]. Available: https://cran.r-project.org/web/packages/od/vignettes/od.html#:\~:text=As the name suggests%2C origin,represented by a zone centroid).

[2] Rong, C., Ding, J., & Li, Y. (2023). An Interdisciplinary Survey on Origin-destination Flows Modeling: Theory and Techniques. ArXiv, abs/2306.10048.

[3] https://data.world/citydataai/spain-regions

[4] https://datarade.ai/use-cases/origin-destination-analysis

[5] https://www.data.qld.gov.au/dataset/translink-origin-destination-trips-2022-onwards

[6] https://www.nomisweb.co.uk/sources/census_2021_od

[7] https://heat.qq.com/wap_qqmap_big_data/qianxi_index.html