《表3 基于大数据的流空间研究中主要涉及的方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于大数据的流空间研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，越来越多的研究者利用机器学习和多智能体建模等方法开展不同流的模拟和预测研究。代表性的研究有人员移动建模。人员移动建模是指通过统计模型分析人员移动特征，以及基于机器学习和多智能体建模等方法对个体或者群体在地理空间移动过程进行模拟和预测[5-6，92]。大数据可以弥补传统数据样本量少和数据覆盖范围小等问题，为构建人员移动模型提供了重要的数据来源[5，93]。如Huang等[94]基于时空语义模型，从时间、空间和语义上定量表达了人类活动模式；Ling等[95]利用多个模型预测了地铁网络中的动态客流；Barchiesi等[8]基于机器学习算法，利用Flickr数据探究了人员移动的规律。用于人员移动模拟与预测的模型还包括多智能体[96]和神经网络[97]等模型。但人员移动行为的不确定性给模型的有效性增加了难度，且现有模型在模型普适性和机理解释方面都存在不足。未来应该通过融入大数据中蕴含的语义信息，进一步提高模型的准确性。主要方法、原理及特点归纳见表3。