政府网站建设企业/在线刷高质量外链

流动性分析，或理解和建模人们何时、何地以及如何从一个地方移动到另一个地方的流动模式，至关重要，因为这些信息是对国家多式联运基础设施进行大规模投资决策的基础。

最近使用来自移动设备的被动生成的移动数据的兴起引发了使用此类数据来捕获人口移动模式的问题，因为：1）有各种各样的移动数据，它们各自的属性是未知的；2）数据预处理和分析方法通常没有明确报告。移动性分析所涉及的高风险以及与被动生成的移动数据相关的问题要求移动性分析（包括数据、方法和结果）可供所有人访问，可在不同计算系统之间互操作，可由其他人复制和重用。

在这项研究中，开发了一个名为迁移分析工作流（MAW）的容器系统，该系统集成了数据\方法和结果。MAW 基于容器化技术构建，允许其用户以 Docker 容器的形式轻松创建、配置、修改、执行和共享其方法和结果。还开发了用于操作MAW的工具，并在GitHub上公开提供。MAW的一个用例是比较分析不同预处理和迁移率分析方法对推断迁移模式的影响。

这项研究发现，不同的预处理和分析方法确实对由此产生的移动模式有影响。MAW的创建以及MAW促进的数据，方法和由此产生的迁移模式之间关系的更好理解，是促进被动生成数据的迁移率分析的可重复性和可重用性的重要第一步。

点击文后阅读原文，可获得下载资料的方法。

欢迎加入智能交通技术群！

联系方式：微信号18515441838