Выделение ролей в сетях общественного транспорта с атрибутами узлов: исследование открытых данных Санкт-Петербурга

Введение. Представлены результаты моделирования и выделения ролей станций (остановок) сетей общественного транспорта на примере Санкт-Петербурга (Россия). Метод. Моделирование выполнено с применением нового подхода, предложенного авторами, на основе взвешенных сетей с атрибутами узлов. Узлы представляют собой станции (остановки) общественного транспорта, сгруппированные по их геопространственному положению. Атрибуты узлов содержат информацию о социальной инфраструктуре вокруг станций. Взвешенные связи интегрируют информацию о расстоянии и количестве пересадок в маршрутах движения между станциями. Выделение ролей осуществлено с помощью кластеризации станций по их топологическим и семантическим атрибутам. Основные результаты. Предложен программный фреймворк для решения задачи выделения ролей в сети общественного транспорта. Результаты его применения показаны на примере набора данных транспорта Санкт-Петербурга. Выделены значимые роли узлов сети с точки зрения топологических и инфраструктурных особенностей. Выполнена оценка общей эффективности сети общественного транспорта. Обсуждение. Результаты работы подхода могут быть использованы городской администрацией для выявления транспортных и инфраструктурных недостатков сети общественного транспорта Санкт-Петербурга для улучшения функционирования сети в будущем.

1. Lytkin Yu.V., Chunaev P.V., Gradov T.A., Boytsov A.A., Saitov I.A. Role discovery in node-attributed public transportation networks: the model description // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 2. С. 340–351. https://doi.org/10.17586/2226-1494-2023-23-2-340-351

2. Haznagy A., Fi I., London A., Nemeth T. Complex network analysis of public transportation networks: A comprehensive study // Proc. of the 2015 International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). 2015. P. 371–378. https://doi.org/10.1109/mtits.2015.7223282

3. Yang X.-H., Chen G., Chen S.-Y., Wang W.-L., Wang L. Study on some bus transport networks in china with considering spatial characteristics // Transportation Research Part A: Policy and Practice. 2014. V. 69. P. 1–10. https://doi.org/10.1016/j.tra.2014.08.004

4. Wang L.-N., Wang K., Shen J.-L. Weighted complex networks in urban public transportation: Modeling and testing // Physica A: Statistical Mechanics and its Applications. 2020. V. 545. P. 123498. https://doi.org/10.1016/j.physa.2019.123498

5. Shanmukhappa T., Ho I.W.-H., Tse C.K. Spatial analysis of bus transport networks using network theory // Physica A: Statistical Mechanics and its Applications. 2018. V. 502. P. 295–314. https://doi.org/10.1016/j.physa.2018.02.111

6. Rossi R.A., Ahmed N.K. Role discovery in networks // IEEE Transactions on Knowledge and Data Engineering. 2015. V. 27. N 4. P. 1112–1131. https://doi.org/10.1109/tkde.2014.2349913

7. Gupte P.V., Ravindran B., Parthasarathy S. Role discovery in graphs using global features: Algorithms, applications and a novel evaluation strategy // Proc. of the 2017 IEEE 33rd International Conference on Data Engineering (ICDE). 2017. P. 771–782. https://doi.org/10.1109/icde.2017.128

8. Revelle M., Domeniconi C., Johri A. Persistent roles in online social networks // Lecture Notes in Computer Science. 2016. V. 9852. P. 47–62. https://doi.org/10.1007/978-3-319-46227-1_4

9. MacQueen J. Some methods for classification and analysis of multivariate observations // Proc. of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. V. 1: Statistics. 1967. P. 281–297.

10. Freeman L.C. A set of measures of centrality based on betweenness // Sociometry. 1977. V. 40. N 1. P. 35–41. https://doi.org/10.2307/3033543

11. Freeman L.C. Centrality in social networks conceptual clarification // Social Networks. 1978. V. 1. N 3. P. 215–239. https://doi.org/10.1016/0378-8733(78)90021-7

12. Onnela J.-P., Saramäki J., Kertész J., Kaski K. Intensity and coherence of motifs in weighted complex networks // Physical Review E. 2005. V. 71. N 6. P. 065103. https://doi.org/10.1103/physreve.71.065103

13. Page L., Brin S., Motwani R., Winograd T. The pagerank citation ranking: Bringing order to the web: Technical Report 1999-66, Stanford InfoLab, November 1999.

14. Van der Maaten L., Hinton G. Visualizing data using t-SNE // Journal of Machine Learning Research. 2008. V. 9. N 86. P. 2579–2605.

15. Welch B.L. The generalization of `student's' problem when several different population variances are involved // Biometrika. 1947. V. 34. N 1-2. P. 28–35. https://doi.org/10.2307/2332510