本文主要是介绍城市信息学其三-智能地理可实现个性化和可持续的未来城市交通，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

摘要：

几十年来，城市流动性和人的交通量一直在不可阻挡地增加。尽管流动性给我们的社会带来了优势和机遇，但也存在严重的缺陷，例如交通部门是温室气体排放和交通堵塞的主要贡献者之一。未来，越来越多的人将生活在大城市环境中，因此，必须解决这些问题，以确保宜居环境。信息和通信以及地理信息技术的快速发展为城市信息和智能城市铺平了道路，这些城市允许进行大规模的城市分析，并支持人们进行复杂的移动决策。本章展示了geosmartness是一种新型空间数据源、计算方法和地理空间技术的组合，它如何为科学家提供机会，对移动模式进行大规模时空分析，以及调查人们的移动决策。流动模式分析对于评估实时情况和预测未来状态是必要的。这些分析也有助于发现行为变化，例如对人们出行方式的影响，可能导致更可持续的交通方式。移动技术提供了新的用户支持方式。示例包括多模式和节能移动环境下的移动数据分析，以及通过基于凝视的交互提供移动决策支持。

介绍：

几十年来，城市流动性和人口运输一直在无情地增长。尽管流动性给我们的社会带来了许多优势和机会，但也存在严重的缺点，例如交通部门是二氧化碳排放、交通堵塞和大规模事件灾难的主要贡献者之一（Elliott and Urry 2010；Taaffe et al.1996）。预测显示，到2030年，全世界将有41个超大城市，每个城市的居民超过1000万（联合国2014年），到2050年，约80%的欧洲人口将生活在城市地区（Caragliu等人，2011年）。因此，必须解决这些具有挑战性的问题，为子孙后代提供适宜居住的环境。信息和通信技术（ICT）和地理信息技术的快速发展为城市信息学和智能城市铺平了道路，它们允许进行大规模的城市分析，并支持人们进行复杂的移动决策。本章展示了地理智能是一种新型空间数据源、计算方法和地理空间技术的结合，它为科学家提供了对移动模式进行大规模时空分析以及调查人们移动决策的简单机会。这种利用空间大数据的新方法和技术的应用将使实时评估包括市民在内的城市系统的当前状态，并对未来状态进行预测和预测成为前所未有的可能。流动模式分析对于评估实时情况以及对交通网络进行短期和长期预测都是必要的。此外，这些分析有助于发现行为变化，如人们的出行习惯或新的出行选择的影响，可能导致更可持续的交通方式。为了在未来控制温室气体排放，可持续的城市流动性将变得越来越重要。交通运输的长期脱碳不仅可以通过新技术实现，如车辆效率测量、动力传动系统技术和新能源载体，还需要人们努力控制需求并转向低排放交通方式（Boulouchos等人，2017年）。移动技术有助于识别面向个人的问题，并提供个性化用户支持的新方式。空间大数据可用于支持人们基于位置的决策，结合新技术和互动概念，如基于位置的服务和基于视线的互动。这将导致更有效和高效的时空决策，并有望为未来的可持续城市流动性做出贡献。本章首先介绍geosmartness及其主要促成因素，即地理空间技术、空间、大数据和时空计算方法。我们将研究城市移动模式的分析，包括数据、预测和标记方法。本节还对移动性研究进行了概述，并提供了一个详细的示例，重点介绍了多模式和节能移动性。在下一节中，我们将详细介绍地理空间的潜力以及有说服力的技术来支持人们的可持续流动。这包括动机方面以及检测和支持行为变化的方法。本节还概述了这一领域的研究，并描述了最近一项旨在改变移动行为的研究。在最后一节中，我们解释了移动决策的特殊性，介绍了移动眼球跟踪技术和基于凝视的交互概念，并演示了它们的组合如何实现基于凝视的个性化决策支持。最后一节给出了结论和未来工作的方向。

 智能地理

Geosmartness与利用新的地理空间技术、空间大数据和时空计算方法解决世界上许多具有挑战性的移动、运输和气候领域问题的巨大机会有关。通过计算、通信和信息技术的快速发展，以及地理信息科学领域的理论进步（或更广泛的空间数据科学，包括数字表示、模型和分析方法），这一点成为可能（Goodchild 1992；Raubal 2019；Reitsma 2012）。Geosmart对于成功地将传统城市和城市地区转变为智能城市至关重要，智能城市本质上是基于实时传感器控制系统的数字集成城市空间。这样一个系统包括技术、人和社区（Nam和Pardo，2011年），其主要目标和挑战是通过技术和环境的整合来解决发展中城市的关键问题（Batty等人，2012年）。Ratti和Claudel（2016）概述了未来智慧城市的概念，同时强调了开放数据和平台的价值，以及智慧公民的必要性。已经展示并描述了在建设智慧城市时所取得的具体努力和经验教训，例如巴塞罗那（Gasco Hernandez 2018）。实现地理智能的各种方法和工具（图6.1）涵盖了传统阶段的FAGIS（地理信息系统）过程，包括空间数据，建模、表示、分析和展示（Longley et al.2011），但规模要大得多，涉及新颖的界面、尖端信息技术和实时传感器数据（不仅是地理规模；Montello 1993）。随着计算、通信和信息技术的不断进步，空间数据的结果也在不断增加。它们以大规模运动的形式出现——轨迹数据集、精细分辨率环境数据或特定的行为数据（例如，来自眼睛跟踪），通常是实时的。Li等人（2016年）通过以下维度来描述地理空间大数据：•容量：图像、传感器和基于位置的社交媒体数据的字节（或更多）会引发存储和分析问题多样性：与各种类型的地理空间数据有关，如光栅、矢量、网络、结构化和非结构化数据及其集成速度：实时轨迹和社交媒体数据，以及其他连续的传感器数据流需要以与数据采集相同的速度进行数据处理真实性：根据来源的不同，地理空间大数据的准确性和精确度各不相同，并影响可靠性和可信度。因此，质量评估可能很困难可视化：一方面提供将人类推理应用于大数据分析的程序，另一方面促进模式和关系的交流，作为此类分析的结果可视性：地理空间数据可以通过云计算技术进行有效访问和处理。为了从这些复杂而海量的空间数据中发现知识，传统的时空分析方法现在通过机器学习方法得到了大规模的扩展和完善（Raubal et al.2018）。机器学习应用于CyberGIS分析中的空间大数据、时空异常和异常检测，以及预测人类空间行为。空间数据科学通过提出时空建模和上下文集成方法来增强机器学习，以实现更好的结果和更高的性能。在移动和运输领域，最近已经证明了如何利用图形进化神经网络（GCN）从轨迹数据计算人类活动（Martinetal.2018）。利用多重个性化图形来模拟人类的移动行为，并在图形的权重和连接中嵌入大量的时空信息和结构。这些图形作为GCN的输入，GCN反过来利用了这种结构。地理信息技术利用地理信息支持人们的时空决策的比较系统和服务（Raubal 2018）。它们利用与空间和时间位置相关的数据，并根据空间位置处理这些数据，这会增加推理和数据分析的复杂性。如今，地理信息技术不仅包括用于获取、表示、分析和可视化时空数据的桌面GIS，还包括基于位置的服务（LBS），通过提供基于当前位置的空间信息来支持人们的移动决策，通常依靠内置的GPS（全球定位系统）技术（Brimicombe和Li，2009）。LBS可以通过其他上下文信息进一步增强，比如用户的视线。这允许考虑用户的观看方向（Anagnostopoulos等人，2017年），例如，引入个性化的音频指南，帮助用户在环境中找到物体，并根据之前观看的内容调整音频内容（郭等人，2019年）。这直接关系到地理人机交互，即人们与地理信息技术的交互（Hecht等人，2011年）。如今，新的交互模式和范例以及上下文感知的用户界面已经面世。除了人们可以通过传统的用户界面与基于文本的信息或地图交互外，还存在新的交互模式，如音频、手势、凝视或振动（Gkonos等人2017），以及集成增强现实和虚拟现实的显示器（Rudi等人2016）。

城市流动模式分析

流动性一直是城市生活的重要组成部分。随着城市规模的扩大，转移数百万人从事工作、差事或休闲活动变得越来越复杂，如果不加以管理，流动性会产生严重的负面影响，如温室气体排放、空气污染、健康问题（Krzy˙zanowskietal.2005）和交通拥堵。为了减轻这些负面影响，系统层面的行动必须与能够改变个人流动行为的行动相结合（Banister 2011）。系统级干预的例子包括智能交通管理系统的实施，或适应性强且有吸引力的公共交通系统。个人机动能力的改变可以通过启用新的机动形式来实现，例如移动即服务（MaaS）、即时乘车共享或按需最后一英里公交车。这些新颖的流动性概念都是地理智能的表现，因为它们是优化分配空间资源的方法，因此需要详细了解单个和聚合的城市范围流动行为。

数据

随着人类社会数字化进程的推进，城市已经成为许多不同来源数据的混合体。这一发展带来了前所未有的新潜力，可以获得关于人们流动行为的详细知识，从而实现可持续的流动概念。从运动分析的角度来看，所有可用的数据可以分为两组：跟踪数据和上下文数据。定量运动分析是跟踪数据的基础，可以描述为顺序记录和时间戳位置。过去这些数据以纸质或电话调查为基础，但在过去十年中，跟踪数据源的多样性成倍增加，如今，各种不同类型的跟踪数据可用。例如，全球导航卫星系统（GNSS）跟踪数据（Zheng等人，2008年）、基于WiFi热点附近的位置数据（Sapiezynski等人，2015年）、来自社交网络的位置数据（Hasan等人，2013年）、公共交通智能卡数据（Zhong等人，2016年），通话详细记录（CDR）数据（Gonzálezetal.2008；Yuandandraubal2016b；Yuantetal.2012）和信用卡交易（Clemente et al.2018）。这些新的可能性来源可用于分析带有初始值的移动。然而，记录城市移动的多可能性创建了一个跟踪数据集的不确定区域。在比较不同的数据集时，四个因素尤为重要：•跟踪方式（例如，固定与移动跟踪设备Asintheerianversus-Lagrangian跟踪方式概念；Laube 2014）•时空分辨率（即采样率）•时空分布（跟踪点分布，例如，规则与突发模式）•样本偏差（例如，每日城市流动性与游客流动性）。由于这些差异，很难比较不同数据集的结果，也很难开发数据不可知的方法。为了确保城市运动数据分析的成功，这些仍然是有待解决的研究挑战。在城市环境中可用的第二部分数据并不是描述人口流动本身，而是描述人口流动的背景。这些背景数据对于分析人类移动模式非常重要，因为人类移动总是在时空背景中设定并受其影响（Sharif和Alesheikh2018）。例如，当我们出行时，我们的行动受到街道网络的限制，当我们使用公共交通工具时，我们依靠固定的时间表；下雨时我们走得更快（Knoblauch et al.1996），根据城市或郊区的环境，我们的行动方式也有所不同（Yuan和Raubal 2016a）。过去，只有少数上下文数据源可用，通常具有粗略的时空分辨率。随着城市数字化的发展，这一点发生了变化，如今有许多具有良好时空分辨率的不同背景数据源可用。其中最重要的是，城市运动分析是志愿地理信息（VGI）平台，如OpenStreetMap，它提供了对道路网络和兴趣点数据的轻松访问。受开放数据社区的成功启发，最近的一个趋势是城市层面的开放数据运动。如今，许多城市都有开放的数据政策，并在开放的数据平台上发布数据。传感器网络为环境数据（如温度、噪音、行人计数或空气质量）提供了其他重要来源。具有公共可用数据的传感器网络的测试示例是基于Vgi的平台，如OpenSenseMaporluft daten。infoforair qualitydata。还有一些由城市自己运营的无线传感器网络，比如芝加哥的物联网项目。其他上下文数据包括摄影测量或街道图像数据，如谷歌街景。后者已被用于自动评估社区福祉（Suel等人，2019年）和开发基于图像的导航系统（Mirowski等人，2019年）。

大规模时空移动模式分析的计算方法

智能城市生成的交通和环境数据为分析城市交通模式提供了前所未有的可能性（另见第28章和第29章）。然而，巨大的数据量、新的城市数据源的多样性以及巨大的任务带宽都要求增强传统的GIS方法，这些方法是从经典的运动分析中得知的

数据准备和数据融合

特别是对于数据准备和不同空间数据集的组合，完善的GIS方法非常重要。重要的预处理步骤是GPS轨迹分割、地图匹配、空间滤波或运动轨迹压缩。同样，经过验证的GIS方法可用于组合不同的空间数据集，并用上下文数据丰富轨迹（Jonietz和Bucher 2017）。然而，随着数据量的增长，人工处理在未来将不再是一种选择。因此，必须始终牢记工作流的可伸缩性。这包括高效算法的选择、高效实现，以及使用分布式框架（如大数据框架）进行处理的可能性。

预测和标记

在分析城市移动模式时，以下任务具有重要意义：向未标记的数据添加语义信息，并预测短期内（如小时或天）的城市移动。添加语义信息很重要，因为即使数字城市提供大量数据，大规模跟踪数据集通常是被动记录的（例如，没有用户交互），因此没有标记（Bauer等人，2016）。为了解释和理解城市交通，这些数据集必须丰富语义信息，如活动标签或交通方式。对移动和移动能力的预测对于优化移动系统的未来状态非常重要，对于灵活且个性化的移动服务提供商来说。了解未来的移动需求，但不知道如何对公共交通系统、出租车位置或交通灯的时间安排进行时间安排。另一方面，66 M.Raubal等人在了解这些次级位置的同时，发现了一个潜在的乘车共享伙伴。解决这些预测和标签问题的当前技术状态显示了机器学习方法的应用（Toch等人，2018年）。通常的方法是从可用的移动和上下文数据中提取有意义的特征，并使用它们来训练用于标签预测任务的分类器或用于预测未来移动需求的回归器。在这里，特别值得一提的是随机森林算法（Breiman 2001），因为它在输入数据的分布方面非常重要，通常具有非常好的性能，并且不需要对参数进行大量的超调。一个重要的研究方向是创建空间感知的机器学习方法（Gilardi and Bengio 2000；Hengl et al.2018）。一个问题是通用机器学习算法通常不考虑空间相关性（例如，输入或输出数据中存在的空间自相关；Cracknell和Read 2014）。最近的另一个研究方向是完全避免显式特征提取步骤，因为它通常意味着假设数据独立且分布相同。另一种方法是使用神经网络，直接从数据中学习特征图。然而，在这里，通常很难找到适合神经网络的有意义的数据表示。可能的表示是图像表示（Chen等人，2016a）或最近的图形表示（Martin等人，2018）。

学习

在实践中，基于跟踪数据的研究很少，通常无法公开获取。最重要的原因是，个人跟踪数据对隐私极为敏感（Keßler和McKenzie 2018）。这意味着，一方面，由于隐私问题，很难找到愿意分享其地理数据的参与者，另一方面，其他研究小组一旦收集到数据集，就无法获得这些数据集。基于这种情况，有两种类型的流动性研究：基于研究小组为研究目的招募的参与者的用户研究，以及基于已经为不同目的收集的数据的流动性研究，其中包含作为副产品的用户位置。第一类研究也称为主动跟踪研究，因为这些研究中的用户通常会提供反馈，用于标记数据和回答潜在的研究问题。第二种类型的研究被称为被动跟踪研究，因为用户通常不知道他们参与了研究，并且他们的位置是在后台被动收集的，用户不可能提供反馈。基于被动跟踪数据集的移动性研究的一些显著例子包括：Brockmannel。（2006）WereamongtheFirstousealReady collecteddata（从www.where.george.com查看美元钞票），其中包含关于作为副产品的人类流动性的信息。对这个数据集的分析超过了一百万位移揭示了人类运动的基本统计特性，例如旅行距离的幂律分布。González等人（2008年）基于移动电话提供商收集的用于计费目的的CDR数据，开发了一项早期大型移动研究，该研究允许构建人类移动模式。这些数据使我们能够分析个人在六个月的时间跨度内的运动，并揭示人类运动模式的高度时空规律性。这两项研究都是大规模实证研究的早期代表，都是描述性和一般性的。后来的研究变得更加具体：Hasan等人（2013年）使用公共交通系统中使用的智能卡数据，专门分析城市内的人员流动性。除其他结果外，本研究再现了城市环境中已知的一般流动性特征。Yuan和Raubal（2016a）利用人口信息丰富的CDR数据，实证分析了城市内不同人口群体的空间分布。克莱门特等人（2018年）将信用卡记录与来自同一用户的CDR数据结合起来分析了城市移动。这使他们能够聚集用户使用EMANTICALLYRICHCredit Card数据，并使用CDR数据对集群进行空间预处理。第二类研究有很大不同，因为它只涉及少数人，但有关于这些人的非常详细的数据：Eagle和Pentland（2006）进行了第一个更大的研究之一，使用手机作为可穿戴传感器。他们收集了诸如通话记录、蓝牙近距离数据和当前手机发射塔ID等信息，作为位置的代理。这项研究的目的不是研究参与者的流动性，而是研究他们的社会互动。这个所谓的现实挖掘数据集是首批公开的包含跟踪数据的数据集之一。Zheng等人（2008年）介绍了GeoLife，这是首批大型GPS跟踪研究之一，在一个月内跟踪了65个不同时间跨度的用户。这些数据用于分析单个移动模式。该数据基本可用，可用于研究目的。Alessandretti等人（2018年）使用了不同的公开数据集，如现实挖掘数据集和专有数据集，如Stopczynskietal的CNS数据集。（2014）ToshowThatpersons只保留了经常访问的地点的数量，虽然地点随时间缓慢变化，但地点总数保持不变。

SBB绿色等级（多式联运和节能移动）

本节更详细地介绍了一个案例研究，即SBB绿色课程试点研究。2016年和2017年，瑞士联邦铁路（SBB）对MaaS概念进行了两次为期一年的大型试点试验。在这些研究中，客户可以通过固定的年费获得全面的出行选择。第一项试点研究有150名来自瑞士的参与者，他们获得了ASWIS宽带公共交通通行证、一辆电池电动汽车、当地火车站的停车位，以及共享汽车和自行车共享服务的积分。第二项试点研究有50名参与者，其中包括一辆电动自行车，而不是电动汽车。作为试点研究的一部分，所有参与者都在手机上安装了跟踪应用程序，并同意使用带有用户交通方式和高层次旅行目的描述的标记记录和分段GPS轨道。SBB Green Class试点研究最有趣的特点是统一的流动性费率，几乎所有费用都由订阅费支付，这使其成为第一个可以用于支付影响的FMAAS报价的规模如此之大的研究。为了评估参与者的移动行为，必须使用不同的预处理步骤来准备跟踪数据，例如不同数据源的融合、缺失标签的插补、地图匹配、将移动分组为出行和旅行，以及异常检测。随后，参与者的移动行为可以与瑞士移动和运输微保障系统（MTMC）生成的伪对照组进行比较。最重要的结果是：•尤其是绿色级电动汽车试点研究参与者的出行量超过了普通瑞士人，并且经常使用多模式。SBB绿色等级优惠可以部分解释这些差异：一方面，火车站附近有可用的停车设施，这明显促进了组合出行，另一方面，较低的流动边际成本吸引乘客进行更长、更频繁的出行与对照组的比较显示，电动汽车主要用传统车辆取代行程；绿色等级顾客和对照组的火车出行比例只有轻微差异对纵向跟踪数据的分析表明，大多数参与者的二氧化碳排放量在项目启动后不久显著减少。这主要归因于电动汽车，其平均二氧化碳排放量低于内燃机汽车（尤其是考虑到瑞士的电力结构时）。图6.2显示了绿色级电动汽车用户二氧化碳排放量的总体发展以及MaaS产品的可能影响一个特别值得注意的结果是，从长远来看，电动汽车在参与者的移动组合中确立了自己的地位，同时主要取代了传统汽车。

行为变化与可持续流动

人们经常认为，要使流动性在生态上可持续，需要广泛的技术、制度和社会创新，尤其是在短期内（Banister 2008；Holden 2016；Kemp and Rotmans 2004）。这些创新涉及公共交通网络的优化和扩展，汽车车队的电气化以及可再生能源生产的增加，以及我们移动能力的多样化转变，例如从汽车到替代交通工具。后者通常被称为改变一个人的移动行为，大量研究关注大规模移动行为变化的影响（Bucher等人，2019年；Taniguchi和Fujii，2007年），ICT如何影响人们的移动计划和选择（Chenetal.2016b；Cohen Blankshtain andRotem-Mindali，2016年），如何使用有说服力的技术帮助人们实现某些期望的行为（Gabrielli等人，2014年；Weiser等人，2016年），以及如何以及在何处建立关键支持基础设施，以最大限度地提高其对移动行为的影响（Buffatetal，2018年；Huétinketal，2010年）。在这里，我们将关注新的地理空间和有说服力的技术的潜力，以及情境化和个性化的计算方法，以帮助人们可持续地旅行。

动机

行为受到动机的强烈驱动，而动机又来自两组基本需求（Deci和Ryan 2004；Reeve 2014）：心理需求形成了最先天的群体，包括对自主性、能力和关联性的渴望。他们描述了这样一个事实：人类喜欢控制自己的行为，这些行为必须具有挑战性但可行，人们需要在有意义的关系中与他人互动。社会需求同样与人际关系的培养有关，但它是在我们的生活过程中习得的。它们包括成就感、归属感、亲密感，以及对领导者和追随者的渴望。个人行为（如选择特定的交通方式）通常是由外部或内部激励源激发的。外部来源包括金钱激励、奖励或其他人的简单承诺。与此形成鲜明对比的是，内在动机是由自己的目标、期望、信念和感知产生的。ATITSCORE是我们对自己的认知，是通过观察我们的行为对他人的影响而潜意识建立起来的。在此基础上，我们制定了目标和信念，并据此制定了特定的目标或经验。内在动机与满足上述基本需求相关（VandenBroecketal，2016）。如果人类无法坚持自己的核心信念，就会进入认知失调状态，这形成了一个强大的内部动机源，可以用来诱导行为改变。这种行为的变化可以用跨理论模型来建模（Prochaska和Velicer，1997）。从较高的层面上讲，我们可以将行为变化分为两个阶段：发现和维持（Li等人，2011年）。跨理论模型将发现分为预思考、思考和准备阶段，其特点是从不知道某个行为转变为开始制定如何改变它的计划。一旦一个人开始采取行动，就会执行到维护的过渡，这是由触发器提示的，例如，接收到关于申请的通知（Fogg2009）。在达到一定能力水平后，必须防止人们复发，直到行为真正内化并形成新习惯。因此，智能地理信息通信技术必须了解以不同方式影响个人的不同动机因素和阶段，并在不同环境和背景下为人们提供适当的支持。

检测并支持行为变化

大量研究侧重于使用ICT来检测和识别与移动和机动性相关的活动（Feng和Timmermans 2013；Gong等人2012；Montini等人2014），尤其是旅行动机，因为它们严重影响交通方式的选择。随着研究人员越来越容易获得信息，对活动和运输方式的识别变得越来越准确可以有效用于机器学习和大规模自动推理的大型真实数据集。一旦知道这些活动，就可以分析它们随时间的变化，以检测行为的突然或逐渐变化，并在不同的运动阶段充分支持用户。JonietzandBucher（2018年）持续挖掘出具有自我信任的行为模式和行为模式。他们通过计算特征来总结每日和每周的移动使用情况；例如，在某种运输模式下的出行次数或总行程。特征从一周到另一周的正常偏差表明行为变化从一个阶段过渡到另一个阶段，应该反映在支持ICT中。此外，识别处于类似行为转变阶段的人可用于分析目的，或针对具有特定激励的个体群体（Zhao等人，2019年）。根据激励阶段的不同，人们有不同的支持需求：考虑改变的人（预先）会得到关于替代交通选项存在性的信息；有人提出行动要求外部动机——torsandwell时间和适当的触发器（Weiseretal.2015）。如果刺激管理者增加我们的动机（例如，通过给予额外的外部奖励）或增加行动的难度（例如，通过提供有意义的可持续移动替代方案），用户更有可能表现出想要的行为（Fogg 2009）。为了提供替代性出行计划，ICT必须在考虑可持续性和用户环境（例如，目的地计划的活动，或过去和未来的出行）的情况下，制定和评估这些计划。基于大量（多式联运）交通规划系统（Basetal，2016年）、启发式方法（Bucheretal，2017年）和方法基础（Arentze2013年；Campigotto等人，2016年）的开发，以生成有意义的路线。结果备选方案使用主要的感兴趣特征进行评分，例如总二氧化碳排放量、距离或持续时间。一种常用的说服方法是游戏化，即在非游戏环境中使用游戏设计元素（Deterdingetal.2011）。游戏化可以通过使用反馈、奖励、挑战、竞争或合作等机制来利用外部动机来源（Weiser等人，2015年）。这些应该遵循一套通用的设计原则，例如提供有意义的建议、提供指导、支持用户选择或个性化体验。需要注意的是，使用通用的游戏化元素对移动性行为进行反馈并不像在其他领域那样简单。由于流动性是高度个性化的，简单地为骑自行车上班提供奖励对一些人来说可能完全不可行，而对另一些人来说则极为容易。同样，乘坐公共交通的奖励积分可能会导致人们尝试更多出行，而最环保的选择可能是根本不出行（Froehlich et al.2009）。

学习

在关于有说服力的ICT对移动性、选择和行为的影响的著名早期研究中，有一些应用结合了移动跟踪和技术辅助反馈，通常通过向用户展示出行造成的二氧化碳排放的影响（Anagnostopoulou et al.2018；Gössling 2018）。UbiGreen（Froehlich et al.2009）结合使用移动传感平台、GSM基站定位和用户输入的信息来记录移动模式。它以一棵树或一座冰山的视觉表现为特色，显示了一周内旅行的效果。虽然没有对行为变化进行定量分析（由于14人的小样本量和三周的短跟踪时间），但访谈回答证明了这种生态反馈应用的可行性。类似地，MatkaHupi（Jylhäet al.2013）、tripzoom（Bie et al.2012）、THELMA项目（Bauer et al.2016）或Streetlife EU项目（Kazhamiakin et al.2015）也推出了智能手机应用程序，这些应用程序既可以用作追踪器，也可以向移动消费者提供反馈。通常，在长达两个月的研究过程中，这些研究的参与者样本较少（约10-50人）（Anagnostopoulou等人，2018年）。最近，一些研究尝试在更长时间内复制大样本的结果。Semanjski等人（2016年）的研究涉及为期六个月的数据收集和干预期，共有3400名参与者。在此期间，通过网络平台收集运动数据并给出反馈。他们的研究结果表明，生态反馈可以用来引发行为改变，但结果因态度的不同而不同。Ebermann和Brauer（2016）同样招募了248名参与者在三周的时间内使用一个网站，并探讨了不同目标（“自我探索”、“竞争”、“气候保护”等）对各种游戏化元素使用的影响。另一项大量工作强调使用有说服力的技术来改善个人健康，这通常也会导致更具生态可持续性的旅行行为。Consolvo等人（2008年）探索了早期智能手机与移动传感平台相结合促进健康生活方式的潜力。同样，Harries等人（2013年）为他们的研究招募了152名参与者，他们使用一个应用程序来促进步行行为。他们发现应用程序管理者将步数增加了64%左右，但相对的社会反馈并没有提高这个值。后者还表明，并不是所有的说服策略都能在流动性环境中很好地发挥作用。Gabrielli等人（2014年）总结了这些与诱导流动行为改变相关的挑战，以实现更可持续的未来城市流动。他们发现，改变手机的行为过程和患者很难找到吸引广泛用户的动机特征。与个人健康领域相比，集体机制（即社会影响）对行为的影响往往比个人机制更大。他们的发现与Nicholson（2012）和Weiser等人（2015）的研究一致，他们强调生态反馈必须及时且有意义。

Goeco

要更深入地了解针对移动行为改变的研究，请以GoEco为例！被选中（Cellina等人，2019年）。与之前的研究相比，GoEco！针对来自两个不同地理区域的大约200人；他们被要求参加为期一年的实验。在这一年中，参与者选择了三个阶段，在这三个阶段中，参与者必须在智能手机上安装一个应用程序，只需在第一阶段记录他们的动作，在第二阶段给他们额外的生态反馈（使用GamificationElements），第三阶段则采用简单的运动跟踪（以确定第二阶段干预的潜在长期影响；Cellina等人，2019年）。该应用程序使用了一个朴素的贝叶斯分类器，从几个特征中识别交通模式，例如行驶速度、行程距离或到附近公共交通站点的距离（Bucheretal，2019）。然后将该运输模式标识交给用户进行验证，然后为每次出行计算几个潜在的（和可行的）备选方案。这些替代方案作为对人们的反馈，以及对过渡到不同交通方式可能产生的二氧化碳减排的评估。此外，游戏化的反馈包括个人目标、每周挑战、奖牌作为对理想行为的奖励（例如，骑自行车上班、或完成某些挑战），以及根据收集的奖牌数量对人们进行排名的排行榜（图6.3；Cellina等人，2019b）。通过对长期效应的研究，我们发现，在农村，人们在系统性的路径上改变了他们的行为。这部分是由于参与者的选择，他们来自苏里奇市（由于人为为汽车司机设置障碍，那里的人通常已经是生态友好型的旅行者）和提契诺州（公共交通较不发达，私家车是主要的交通工具）。人们改变了他们的行为和系统路线（例如，从家到工作再回到家）的事实很可能是因为在这些方面有更多的选择（例如：其中一个可能是受环境限制的，比如需要固定家庭或携带购物商品），并且只需要在有限的次数内找到好的替代品（与非系统路线相反，在非系统路线中，每次都必须搜索合适的替代品）。

 移动决策

移动地理空间技术支持人们进行基于位置的决策，同时获取空间大数据，可用于城市规划和增强城市基础设施恢复力（Heinimann and Hatfield 2017）。基于移动位置的决策包括各种时空约束，这些约束不仅与人们在大规模空间中的时空行为有关（Kuipers和Levitt 1988），还与他们与移动设备的互动以及感知、认知和社会过程有关（Raubal 2015）。人们通常需要当场做出快速决策，这既需要快速访问空间内存，也需要系统立即响应。此外，手机等移动设备限制了用户的通信过程，例如通过较小的屏幕大小，这使得向移动中的人呈现信息具有挑战性（Montello and Raubal 2012）。

移动眼球跟踪和基于凝视的交互

如前所述，Geosmartness也可以通过新的交互模式和范例，以及基于交互的关注点之一来实现。基于凝视的交互是通过眼球跟踪技术实现的，它被认为是一种特别有效和直观的交互方式（Majaranta和Bulling，2014），尤其是在与空间和视觉空间表征交互时（Kiefer等人，2017）。在基于注视的显式交互中，用户通过注视刺激中的某个位置故意触发交互，而基于注视的隐式交互指的是自动解释眼动以识别认知状态，例如地图上的搜索活动。通过眼睛跟踪技术跟踪凝视运动的能力，可以测量特定刺激的当前关注点。有远程和移动眼球跟踪设备，如今，大多数都是基于视频的角膜反射系统（Duchowski 2017）。移动追踪器在野外而不是在实验室测量人对刺激的视觉注意力。基本的记录被称为凝视，一般认为只有当凝视在最短时间内几乎保持静止时，感知才会发生。因此，凝视往往在时空上与注视相关联。两种注视之间的转换称为眼跳，这是由眼睛的快速运动引起的。眼球跟踪数据可用于研究认知过程，例如在运动过程中的自我定位寻路（Kiefer et al.2014），用于活动识别（Kiefer et al.2013），并作为基于凝视的助手的输入。许多眼球跟踪系统允许实时数据访问，这是这种凝视辅助系统背后的原理。

基于个性化凝视的决策支持

由于“移动即服务”选项提供的多种组合交通方式、日益增加的环境复杂性（尤其是在大城市），以及如何参与可持续移动的多方面决策过程，未来的城市移动和交通将变得更加复杂。如本文所述，智能城市环境与凝视辅助系统相结合，将为用户提供个性化导航支持。如今，导航指令通常通过在小型移动屏幕上显示的数字地图上的旋转指令来显示（Hirtle和Raubal 2013）。在购物和环境之间切换视觉注意力会导致高认知负荷（BunchandLloyd2006）和分心，比如在社交场合。这些问题可以通过利用基于Aze的交互概念来避免。例如GazeNav（图6.4），它可以为行人导航提供基于凝视的交互（Giannopoulosetal.2015）。凝视被用来寻找他或他所覆盖的道路是否为以下道路的矫正网。在这个系统中，用户戴着移动眼球跟踪眼镜，可以捕捉当前的关注点。当接近一个具有不同选项的决策点时，用户开始检查可能要遵循的选项。当用户的视线与正确的街道对齐时，系统会自动提供反馈来传达这一点，例如通过振动旋转带，或者更有效地通过其与视线信息的组合（Gkonos etal.2017）。系统实时注视跟踪户外环境，使用计算机视觉方法将视线从移动眼球跟踪器映射到地理参考视图，允许这种个性化的基于Aze的决策支持（Anagnostopoulos等人，2017）。GazeNav的例子说明了新的交互模式将如何影响我们未来的时空决策，从而实现更个性化 能够促进和改善人们决策过程的信息。此外，这些技术还将提供大量的空间大数据，在这种情况下是用户行为数据，私营和公共部门都可以利用这些数据来改进旧服务和提供新服务。这意味着我们的位置将与多种不同的服务共享，因此，在智能城市环境中，保护地理竞争与其他类型的个人信息将成为一个更重要的问题（Keßler和McKenzie 2018；见第32章）。
    

结论和今后的工作

不断增加的城市人口流动和交通导致温室气体排放和交通堵塞增加。在本章中，我们展示了geosmartness如何帮助未来的城市交通变得更加可持续和个性化。geosmartness是通过ICT的重大进步而实现的新型空间数据源、计算方法和地理空间技术的组合。一方面，包括机器学习在内的新的运动分析方法可以应用于大量的跟踪和上下文数据，以便对交通网络状态进行短期和长期预测。这将有助于优化移动系统的未来状态，并创造灵活和个性化的移动服务。以最近的移动性研究综述和SBB Green Class（多模式和节能移动性的详细案例研究）为例。另一方面，流动模式分析将有助于检测人们的行为变化，以及他们的出行习惯和替代出行模式的影响，这反过来将为更可持续的交通方式铺平道路。可持续的城市流动性将是未来减少二氧化碳排放的一个因素。我们介绍了检测和支持行为变化的方法、相关研究和GoEco！作为一项具体的研究，通过跟踪数据分析和协同反馈，针对移动行为的变化。最后，从澳大利亚的角度来看，人们在复杂的移动决策中也必须得到直接支持。我们提出移动眼球跟踪作为一种新的数据源，它可以在城市导航中提供个性化的基于凝视的决策支持。GazNav举例说明了基于视线的行人导航是如何通过融合视线输入、导航服务和环境的代表性模型来促进人们的决策。为了实现未来完全个性化和可持续的城市交通，需要在所讨论的地理智能的所有三个方面进行进一步研究，即空间大数据、时空分析方法和地理信息技术。对于各个州来说，重要的是要有来自不同来源的真实实时数据，例如跟踪、背景和社交媒体数据，以便全面评估特定情况，并检测潜在问题的原因。纯粹的数据量、数据集成和准确性问题带来了明显的挑战。从数据分析从另一个角度来看，大多数机器学习方法不考虑空间自相关；因此，需要进一步研究如何使机器学习方法具有空间感知能力。此外，大多数机器学习模型都是黑匣子，这妨碍了结果的可解释性和解释性。因此，机器学习模型的可解释性是一个紧迫的问题（Hohman等人，2019年）。最后，城市信息化领域的未来发展将继续由技术驱动。我们期望新的地理信息技术将增强城市系统评估和预测，以及对个人用户的移动决策支持。

这篇关于城市信息学其三-智能地理可实现个性化和可持续的未来城市交通的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！