揭示移动模式的关键特征在纽约市COVID-19大流行的发生
(Akhil Anil拉其普特人
(李
鑫高- UrbanResilience。人工智能实验室,Zachry土木与环境工程系,德州农工大学学院站,TX,美国
纽约已经成为受灾最严重COVID-19热区和大流行中心由于持续的危机。本文确定了流感大流行的影响和政府政策的有效性对人类流动通过分析多个数据集可以在宏观和微观两个层面对纽约市。使用数据源与人口密度、人口流动进行聚合,公共轨道交通使用,车辆使用、热点和non-hotspot运动模式,和人类活动聚集,我们分析了纽约市inter-borough和intra-borough运动通过聚合在区一级的数据。我们也评估了节间的热点和non-hotspot之间人口流动的兴趣点的2020年3月和4月。结果表明在人们的流动性下降约80%,3月中旬开始。运动和从曼哈顿最公共交通和道路交通中断。城市看到它的第一个案例3月1日,2020年,但中断迁移之后才可以看到3月的第二周的庇护下订单时的效果。由于人们在家工作,坚持全职订单,曼哈顿看到了国米和最大中断intra-borough运动。但在曼哈顿的感染传播的风险是高,因为更高的hotspot-linked运动。呆在家里的限制也导致增加人口密度在布鲁克林和皇后区人不回曼哈顿。 Insights obtained from this study would help policymakers better understand human behavior and their response to the news and governmental policies.
1介绍
COVID-19全球大流行造成了前所未有的社会、经济和环境影响(巴希尔et al ., 2020)。纽约成为美国的主要热点的初期阶段大流行期间,有超过500000例确诊病例,1月15日,2021年。纽约首次观察到高峰在4月的第一个星期。公共政策和实施控制措施是必不可少的支持社会距离,这可能有助于减缓COVID-19的传播(Kraemer et al ., 2020;Lasry et al ., 2020)。黄et al。(2020)表明,流动性变化对应与缓解措施的声明,暗示效果。Abulibdeh和曼苏尔(2021)发现,尽管在南半球国家实施的政策措施,离开家园的人数增加,导致更多的病例。这就产生了问题的政策执行是否严格,一般人紧随其后。此外,英国的一项研究分析了政府控制措施对人类的影响减少流动性和发现了一个人类迁移之间的关系趋势和COVID-19例(Hadjidemetriou et al ., 2020)。他们发现低流动性的减少导致COVID-19相关人员伤亡。
本研究评估COVID-19流行和政府政策的影响对人类四大纽约区流动。这座城市是一个早期COVID-19流行在美国的中心(汤普森et al ., 2020)。纽约也是人口最稠密的城市之一在美国,有一个完善的市内的公共铁路和多样性在运输选项。研究表明,人类活动直接与相关阳性病例的数量与滞后一段时间(巴德尔et al ., 2020;Carteni et al ., 2020;格莱泽et al ., 2020;熊et al ., 2020)和疾病繁殖数量(Linka et al ., 2021)。Iacus et al。(2020)发现,流动性就可以解释90%以上的初始COVID-19病毒的传播。此外,与et al。(2020)在意大利发现政策限制人口流动导致减少流动性,减少了45%的病毒传播。Yabe et al。(2020)发现,即使在东京的非强制性措施导致流动性下降50%,导致社会接触减少了70%。Bonisch et al。(2020)发现,平均每日距离封锁时期显著减少。因此,了解政府政策的有效性在减少人类活动将帮助塑造这些政策和更好地控制任何未来爆发。
Almagro和Orane-Hutchinson (2020)发现,拥挤的空间发挥更重要作用比人口密度在传播感染。高et al。(2020)使用维纳布尔斯距离来理解人类活动的集聚县级194我们县。李et al。(2020)分类的兴趣点(POIs)热点或non-hotspots和评估它们之间的移动模式为我们的城市。他们发现,当访问热点减少在一些城市,一些并没有显示出相当大的下降;然而,这些研究没有关注粒度级别的。我们的研究集中在发现这些措施在区一级纽约市理解是否区显示运动模式的差异。我们聚合POIs纽约区水平的评估inter-borough和intra-borough热点和non-hotspot流动趋势。这些知识可以使决策者更好地管理不同行政区的控制措施。
研究人员还分析了流动性对温室气体排放的影响的航空和运输部门(Abu-Rayash Dincer, 2020)。例如,江泽民et al。(2021)发现了人类行为的影响和流动性在新加坡的环境。他们还减少了30%流动导致约44 - 55%减少空气排放与运输有关。
周et al。(2020)手机数据建立接触模型用于深圳,中国,发现减少流动性帮助平峰的病例数,导致延迟峰。
研究观察流动来自不同数据源的数据为同一数据集而不是不同类型的数据集(黄et al ., 2021;Iacus et al ., 2020;Yabe et al ., 2020)。我们所知,我们的研究是第一次的,包含不同的数据集,如人口密度、人口流动进行聚合,市内的铁路使用,车辆使用、热点和non-hotspot运动模式和人类活动聚集。新奇的研究不仅在于执行分析以更好的规模也在考虑多个数据集来减少不确定性,并获得多维的见解。目的是了解流行影响流动在不同的领域,如transportation-intracity铁路和交通。看在6个不同的数据集,我们努力回答以下研究问题:1)如何COVID-19和政府政策来抵消病毒的传播影响人类内流动和在纽约区?2)整体流动性的变化是如何解释流动性通过不同的意思吗?3)减少流动性导致减少高风险运动吗?第一个研究问题给我们的见解如何迁移是影响COVID-19意识、国家政策、地方政策(纽约)和新闻(图1),这些政策是否有对流动性产生重大影响。不同数据集上给出了一个整体的视角关注人类的机动性。第二个研究问题确定如果人们从高风险的运输方式(纽约地铁)低风险(车辆)或显示类似的流动性降低。第三个研究问题给予见解是否减少流动性导致减少运动和热点,运动与热点表现出高传播感染的风险。甚至少数super-spreader POIs可以占大量的感染(Chang et al ., 2020)。
图1。政策和COVID-19-related新闻的时间为3月纽约和纽约的状态。
2数据和处理
对于我们的研究,我们获得的流动性数据从五个来源:Facebook,纽约州纽约市大都会运输署数据库,开放数据门户(data.ny.gov),从研究李et al。(2020)和高et al。(2020)。
从Facebook,我们收购Facebook的人口和运动数据集在2020年3月和4月。Facebook匿名化数据通过添加一个小的随机噪声,实现空间平滑和小数下降。对于这些数据,指标聚合在每个瓷砖,与瓷砖或多边形的中心(或两者的结合)。人口密度的密度数据集包括,用户数量(用户数量与位置),为每个数据点等措施。移动数据集包括开始和结束坐标和相应的运动与起始-结束坐标。这些数据集是可用频率8 h,但聚合/天的运动数据集和每周分辨率密度数据集。基线和危机值可用于人口和运动数据集。Facebook的基线值计算第5 - 13在每个数据点的数据集使用周的危机前的数据。基线值计算使用数据从危机前的前几周(Maas et al ., 2019)。我们使用危机和人口密度为我们研究的基线值。同样,我们使用危机和基线值运动从起始-结束坐标对运动数据集。
我们获得了MTA转门数据从纽约州开放数据为2020年1月至4月门户。累积的十字转门数据集包括出入境计数为每个十字转门为所有在纽约地铁站每小时间隔。获得每小时出入境数,第一个的区别是出入境的时间序列计算。然后我们聚合这些十字转门的入口和出口在天的间隔。从MTA隧道和桥梁收费数据包含车辆的数量(汽车、公共汽车、卡车和摩托车)穿越它。
16我们城市的流动数据(包括纽约市)的兴趣点分为热区和non-hotspots从这项研究中获得了李et al。他们用SafeGraph数据地图叫做网络和识别热点和non-hotspots映射网络。这里,热点地区代表高风险区域,non-hotspots表示低风险区域的感染风险(李et al ., 2020)。热点和纽约non-hotspot运动数据被从这项研究和聚合区层面的分析。
考虑人类活动的集聚,维纳布尔斯距离数据用于研究高et al。(2020)。他们计算维纳布尔斯距离为193个县在美国通过使用数字从Mapbox跟踪数据。维纳布尔斯距离聚集人类活动的空间分布不同的瓷砖在一个县。它会给洞察避难所的有效性/锁定订单得到聚集的活动和更多的本地化。更多信息在维纳布尔斯距离的计算在这个数据集,请参考高et al。(2020)。在我们的研究中,我们进行了分析在区一级的纽约。
表1概述本文所使用的数据集,这些数据集提供的独特的见解。
表1。从每个数据集获得的数据描述和见解。
3的方法
本节描述人类迁移的方法用于分析的数据集方面Facebook运动和计算基线值数据集和地铁栅门。图2说明了本文分析的步骤之后下面进一步解释。
图2。流程跟踪分析人工移动使用六个数据集。
3.1基线计算
从Facebook获得的数据集以外没有基线值从以前的数据。评估流动性的变化,为Facebook运动和地铁十字转门数据集,基线值是通过计算数据的平均值从1月和2月的综合平均两个月。我们使用了两个月的综合平均代替day-wise平均周有两个原因:1)我们没有足够的危机前的数据;2)我们采取了7天滚动意味着各种数据集的方法来评估流动性消除流动性的变化在工作日和周末,所以精确的平均并不是必要的。
3.2人口密度
评估pandemic-related人口密度的变化对3月和4月,我们首先提取四个主要的人口密度数据区纽约:曼哈顿,皇后区,布鲁克林区和布朗克斯。然后,我们每周平均基线和危机值计算人口密度从3月1日到4月30日。聚合后的数据每周每个网格点,我们估计人口密度的百分比变化的基线值。然后,我们绘制了密度变化对纽约不同的星期。
3.3聚合人口流动
我们分析了inter-borough intra-borough人口运动使用Facebook运动数据集,代表用户的通用移动模式基于手机的位置数据。我们从Facebook空间聚合基线和危机值在区一级运动数据。每一个开始或结束坐标被分配到一个区,如果是在区边界。重新取样数据,因此,而不是捕捉起始-结束协调动作,inter-borough和intra-borough运动捕获。Borough-to-borough运动缺乏足够的数据点来产生统计上显著的结果被丢弃。然后运动变化时间序列(7天移动平均)为3月和4月inter-borough和intra-borough运动被绘制。
类似的方法是采用十字转门的数据。分析地铁十字转门数据提供了深入了解移动在地铁比较观察从Facebook运动数据集,它对应于一般流动的趋势。MTA并不直接提供旋转栅门位置(坐标)。我们第一次获得数据集包含从MTA地铁站的坐标。然后我们合并这些与主数据集组成的十字转门数据为每个站使用站名称作为共同加入参数(车站名称)。因为这些数据集没有产生同年,车站的名字有微小的改动(更新名称、短小精悍的长篇,等等)。我们与这些手动站到一个坐标。地理编码这些电台后,出入境数据聚合区,运用同样的方法对于Facebook运动数据集。退出的人数略低于每个站的条目数,因为人们倾向于使用紧急出口退出车站以节省时间。因此,我们认为两个入口和出口数量分别分析。
3.4行车运动
限制公众集会可能对旅游有不同的影响通过个人车辆,因为它们符合社会距离措施和更安全比公共交通从接触的角度来看。评估道路交通,我们考虑隧道和桥梁收费数据作为一个代理来测量inter-borough道路交通。因为这些桥梁或隧道区没有连接的地方,我们可以不使用这个数据集计算intra-borough车辆统计数据。在纽约所有的隧道和桥梁连接不同的行政区,所以我们分组人数数据集的基础上流动的方向和区有关。例如,来自布鲁克林的传入流量布鲁克林和外向交通单独分组。这给一个想法的净资金流入或流出的流量从一个特定的区。数据集包含的车辆数使用ez通过或现金支付(包括支付邮寄)。由于流感大流行,然而,一些收费站不接受现金,这种转变的确切日期并没有公开,所以本研究只分析交通流和不支付方法(非接触式或现金)。基线流量值被计算为每个收费广场考虑总车辆交通。交通的变化百分比计算使用3月和4月的基线值。 Time series plots (7-days moving average) for inbound and outbound traffic for four main boroughs were plotted for further analysis.
3.5热点和Non-hotspot运动
了解运动与高风险区域(热点)是至关重要的,因为他们可能导致更快的传播感染(Almagro Orane-Hutchinson, 2020)。李et al。(2020)绘制了叫做(OD)网络SafeGraph数据作为导演和加权由两部分构成的网络。他们分类POIs基于阈值在变化和out-flux OD bi-adjacency中获取的值矩阵。在我们的研究中,这些POI(热点和non-hotspots)研究的数据集李et al。(2020)被重新分类为不同的行政区之间的运动POIs空间聚合borough-wise获取国际米兰——和intra-borough运动。为每个区运动例(16例,-国际米兰和intra-borough运动),我们获得的运动模式热点(HH)的热点,热点,non-hotspot (HN), non-hotspot热点(NH),和non-hotspot non-hotspot (NN) 3月和4月的动作。这种分类将给予额外的洞察的构成整体运动进入高风险和低风险的运动模式,在高风险运动对应于那些与non-hotspot热区和低风险。
3.6人类活动聚集
而高人口密度和运动活动可能对应于一个更高的感染风险,研究人类活动的集聚也很重要。更高的聚集可能意味着人们之间的平均距离是越来越可能导致疾病传播的风险更高。这种方法考虑了地区(邮政编码或普查区)人口密度可能较低,但仍显示更高的聚集。因此,这些地区可能有更高的感染风险传播比预计将从评估人口密度。我们获得了更细粒度的数据研究水平高et al ., 2020纽约市区层面观察活动密度曼哈顿,皇后区,布鲁克林区和布朗克斯。
3.7维纳布尔斯距离
维纳布尔斯距离计算由以下方程:
在哪里一个k(t)在瓷砖代表了人类活动的指标k在时间t,d我j代表瓷砖之间的中心到中心的距离我和j。这些活动分子表示加权距离,而且,除以分母,值归一化,得到加权平均,或者维纳布尔斯距离(Louail et al ., 2014)。高维纳布尔斯距离意味着人们之间的距离,因此减少了感染的风险蔓延。
4的结果
我们观察到的变化四个行政区的人口密度在纽约通过分析每周汇总从Facebook密度数据。图3显示了密度变化的结果(百分比)纽约四个区的City-Manhattan,布朗克斯布鲁克林和皇后区的3月和4月。我们观察到三月的第一周图3一),密度的变化的变化在百分之五以内。在3月的第二周(图3 b),我们开始看到一个轻微的降低密度在曼哈顿。从3月的第三周(图3 c, D),变化更明显,可以看出有明显降低人口密度在曼哈顿和其他区人口密度的增加。一些地方在曼哈顿,减少超过75%。由于曼哈顿是一个中心办公室和商业空间,结果表明,在3月13日宣布国家紧急状态和办公室强度降低了50% 3月18日,人们开始在家工作。皇后区的面积显示减少人口密度可以归因于肯尼迪国际机场的位置。机场几乎等于国内和国际旅行的乘客(纽约数据门户,2015年数据)。由于许多国家旅行限制放在3月的第三周之后,全球人们旅行更少,也在国内,导致较低的脚步声在机场地区。
图3。常住人口密度变化百分比(相对于基线值)纽约市四个行政区的时间表。(模拟)人口密度代表了第一,第二,第三,第四星期3,分别。红色代表高人口密度;蓝色代表低人口密度与基线相比。
可以看出三月的第三个星期,减少人口密度是最高相比前几周;减少人口密度在三月的最后一个星期4月仍然类似。大部分的变化发生在3月的第三周,适逢宣布紧急状态和全职订单。此外,改变密度状态仍然是整个4月(相同的数据是可用的补充附件),这可能意味着群众有效地遵循的指导方针,和一个稳定的状态。
上述结果表明减少人口密度为曼哈顿,这可能减少感染传播的风险。其他区,人口密度的增加,目前尚不清楚这是否会增加患病的危险。我们分析了移动模式和测量了国米,intra-borough运动通过Facebook运动和地铁十字转门数据来解决这个问题。图4显示了国米,intra-borough运动模式四个行政区纽约一般流动使用Facebook运动数据。图5显示每个行政区的站地铁客流量。图4,5表明,减少流动发生在3月的第三和第四个周。
图4。7天滚动意味着聚合运动四个行政区之一纽约。一些borough-to-borough运动阴谋没有显示由于数据不足。(模拟)显示运动来自曼哈顿,皇后区和布朗克斯,布鲁克林,分别到其他区。
图5。7天滚动的意思是四个区的地铁客流量变化百分比的纽约。(A, B)代表了入口和出口数量变化百分比分别为曼哈顿,布朗克斯,布鲁克林和皇后区。
图4表明,聚合运动模式和来自曼哈顿的显著下降。同时,其它运动从曼哈顿区,减少60 - 80%,最大的百分比在四个行政区。曼哈顿国际米兰——或者intra-borough运动不联系,减少50 - 60%。从图5在条目数,分析变化百分比站在每一个市镇,显然,地铁客流量下降了超过80%的四个区。类似的观察从图4,曼哈顿最高的地铁入口计数下降(减少90%)。地铁的使用仍然是4月的减少。这表明,一般来说,是社会距离的建议后,在家工作,避免使用公共交通工具。运动在布朗克斯、布鲁克林和皇后区略高于他们inter-borough运动一般来说,这可能表明通勤购买必需品。相比之下,曼哈顿,intra-borough运动是最低的(与其它运动从曼哈顿区,相比),这可能是由于减少人口密度在曼哈顿;因此,当地通勤的人来自其他行政区相对比较少,虽然人与基本服务工作通勤曼哈顿和从其他区。
Facebook运动数据的结果和十字转门数据显示,虽然地铁使用下降了超过80%的所有主要的市镇,整个运动内部和跨不同行政区显示下降50 - 80%之间。减少对运动不喜欢曼哈顿,这是只有约60%。这表明,其他方式的旅行可能导致一个较小的降低整体运动从Facebook比观测到的运动数据。一个方面,我们还没有考虑是人们通过公路旅行。人们可能会诉诸个人车辆必不可少的购物旅行或工作免除减少劳动力的能力。分析流动通过道路可能提供额外的洞察力观察到的差异。
上述结果给见解总运动模式和流动性通过地铁系统。但是人们参与必要的设施可以通过道路通勤上班,或者人们会去购买生活必需品。我们分析了隧道和大桥收费数据观察如果在地铁客流量的减少而导致流量的增加车辆。图6显示流量通过隧道和桥梁连接区。我们使用隧道和桥梁收费数据作为一个代理来研究道路运动。结果表明,传入流量曼哈顿区显示下降了70%。的传入流量,皇后区和布朗克斯区降低了约60%。而曼哈顿以外出站流量显示了50 - 70%的下降。这些结果表明,交通对曼哈顿显示最高的减少,总的来说,我们看到通过道路其他区低60%左右运动。
图6。七天的移动平均线(一)的传入流量为曼哈顿,皇后区和布朗克斯;和(B)外向交通来自皇后区,布朗克斯,布鲁克林。
我们观察到类似的流动性减少模式道路运动之前观察到不同的行政区,但减少的大小不一样,观察地铁客流量。这可能是因为驾车上班是一个更安全的交通工具面对可能的传染病与公共运输方式。此外,员工操作的关键设施或应急反应仍然需要上班。此外,这个数据集的数量仅占车辆通过收费广场,没有乘客每辆车的数量的信息。如果人们共享骑在大流行之前,他们可能不这样做了,这可能暗示略高于观察每位乘客的汽车运动。
我们的分析到目前为止仅占移动模式和趋势不同的行政区。虽然它可能是真的,减少流动性可能意味着较小的风险如果仍有显著的运动与热点地区,可能会有一些运动类型,导致感染的传播。为了确定是否减少流动性导致减少高风险运动,我们调查了HH, NH, HN,和NN运动模式的四个主要市镇纽约市。图7显示了HH, NH, HN, NN运动模式之间的曼哈顿,布朗克斯,皇后区和布鲁克林区(可以访问更多的自治自治运动的结果补充附件部分)。
图7。HH, HN,在北半球,NN运动模式四个行政区的纽约周刊决议。(模拟)显示运动从曼哈顿到曼哈顿,曼哈顿,皇后区,布朗克斯,布鲁克林,分别布鲁克林和皇后区。(所有数据,请参考补充附件第二节)。
结果表明,运动对曼哈顿涉及大量的HH运动。相比之下,其它运动从曼哈顿区,涉及更多的神经网络运动。内部自治运动显示下降趋势HH运动和较低的HN运动除了曼哈顿。在其他国际米兰和intra-borough运动,NN的走势的数量在增多,但并没有显示出一个重要的活动。这表明尽管曼哈顿看到最高的流动性,减少感染的风险仍然很高,热点链接动作更高的其他运动相比对。此外,HN类型运动不会显示下降趋势暗示人们从热点地区,如果感染,可能在non-hotpots感染人。其他国际米兰和intra-borough运动主导神经网络类型的运动,这是有利的,如果无法避免旅行。神经网络类型的运动对应风险最小的旅行,相比其他运动类型的传播感染的可能性。
进一步理解紊乱状态,减少流动性,我们调查这些市镇的维纳布尔斯距离深入了解集群活动对距离。图8显示了四个行政区维纳布尔斯距离纽约市。聚类的结果表明,人类活动显著增加百分之二十曼哈顿三月的前2周。其他区显示小的增量,直到3月底然后逐渐下降。这表明曼哈顿最聚类显示活动相比其他行政区。高et al ., 2020发现,县级的美国,社会关系的平均增加维纳布尔斯距离大约是15%。布朗克斯,布鲁克林和皇后区市镇,维纳布尔斯距离的变化是低于美国平均水平。从热点与运动相结合的见解,曼哈顿,结果表明,尽管人们之间的距离增加,它可能不会减少风险大幅运动与热点地区占主导地位。尽管集群的活动是曼哈顿,观察区有大量的运动与热点。这不会帮助有效地减少这些集群仍然可以被感染的风险,大量的热点研究热点,热点non-hotspot和non-hotspot热点类型的运动。等其他行政区皇后区,布朗克斯,布鲁克林只显示增加边际维纳布尔斯的距离。
图8。维纳布尔斯距离纽约时间序列的四个行政区。
这些结果表明,人与人之间的平均距离而曼哈顿以外没有显著变化。当人们开始在家工作,他们没有上班在曼哈顿办公室;因此,维纳布尔斯只有曼哈顿距离增加了大约百分之二十。对于其他行政区,目前尚不清楚为什么维纳布尔斯距离只略微增加。可能是因为平衡影响的人口密度增加和减少数量的旅行在一个区。
5讨论
这项研究表明人类流动性大流行的影响以及如何影响第一COVID-19积极的情况下,政府政策,重大新闻。总流的估计的人可以帮助官员理解哪些政策是最有效的(Buckee et al ., 2020)。新闻的第一例COVID-19在纽约和紧急状态的声明没有对流动的影响。有边际流动性下降几天后紧急状态宣布在纽约州,但有一个显著减少流动只有在当地紧急声明。我们只看到一个流动性急剧减少宵禁时对餐馆和酒吧,和学校关闭了纽约州州长。我们看到,今年3月,国际米兰和intra-borough运动人口的下降,和到3月底,它能减少60 - 90%低价值,一直持续到4月底。最高的流动性下降是观察到曼哈顿,因为它是一个商业中心,有一个小数量的住宅区。禁止所有不必要的聚会后,仍有流动性的下降趋势。不过,当自愿锁定于3月29日延长一个月,流动性已经达到最低,没有观察到的进一步下降。这个流动性下降的趋势是一致的在不同的数据集,但我们观察细微变化的大小。这种变化可能是因为Facebook的数据依赖于用户保持启用定位服务。 While it may give valuable insights into the movement trends, we can expect some variations as they do not represent all the people. Moreover, the dataset captures general mobility trends and does not specify whether this movement is associated with traveling via road, subway, bicycle, or walking.
地铁地铁客流量减少十字转门数据结果表明,曼哈顿和20多10% - 30%为其他行政区。总的来说,减少地铁客流量超过80%区,表明政府控制措施的有效性。车载移动显示了类似的模式的通用移动模式,但是对于而曼哈顿以外,稍微减少。维纳布尔斯距离显示了曼哈顿高变异只因为它是由办公空间和居住人口的比例相对较小。当劳动力开始在家工作,只有这些区域显示集群活动。高密度区在曼哈顿可能与居民区。此外,人们不上班曼哈顿,有助于增加人与人之间的平均距离。尽管我们看到人口密度的增加区像皇后一样,和布朗克斯,布鲁克林流动性保持60 - 90%:低国际和intra-borough运动。这表明人通勤次数少,严格遵循全职订单。这是通过减少地铁客流量证实没有增加车辆交通,显示类似的减少运动。 But the risk of infection in Manhattan is not reduced significantly, as hotspot-linked movements still dominate even after a significant drop in overall mobility.
数据可用性声明
数据分析在这项研究中受到以下许可证/限制:一些数据集不公开可用的,请求访问这些数据集应该指向https://www.mapbox.com/data-products;https://www.streetlightdata.com/;https://dataforgood.fb.com/;数据集可以公开:MTA十字转门数据http://web.mta.info/developers/turnstile.html;隧道和桥梁人数数据http://web.mta.info/developers/data/bandt/trafficdata.html。
作者的贡献
研究设计和概念化:所有作者;数据收集、处理、分析和可视化:所有作者;写作:基于“增大化现实”技术,是;审查和修改:所有作者。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
确认
作者要感谢资金从美国国家科学基金会支持快速项目# 2026814:“城市韧性卫生突发事件:揭示潜在的流行传播风险人口波动和集体进行的活动。作者还想承认Safegraph, Mapbox, Facebook提供的数据集在数据好计划。任何意见、发现和结论或建议在这研究中表达作者的,不一定反映资助机构的观点和数据提供者。
补充材料
本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fbuil.2021.654409/full补充材料
引用
Abu-Rayash,。,和D我ncer, I. (2020). Analysis of Mobility Trends during the COVID-19 Coronavirus Pandemic: Exploring the Impacts on Global Aviation and Travel in Selected Cities.Energ。Soc >,科学。68年,101693年。doi: 10.1016 / j.erss.2020.101693
Abulibdeh,。,和Mansour, S. (2021). Assessment of the Effects of Human Mobility Restrictions on COVID-19 Prevalence in the Global South.专业地理学家。doi: 10.1080 / 00330124.2021.1970592
Almagro, M。,和Orane-Hutchinson, A. (2020). JUE Insight: The Determinants of the Differential Exposure to COVID-19 in New York City and Their Evolution over Time.j .城市经济。,103293年。doi: 10.1016 / j.jue.2020.103293
巴德尔,h·S。杜,H。,Marshall, M., Dong, E., Squire, M. M., and Gardner, L. M. (2020). Association between Mobility Patterns and COVID-19 Transmission in the USA: a Mathematical Modelling Study.柳叶刀感染。说。20 (11),1247 - 1254。doi: 10.1016 / s1473 - 3099 (20) 30553 - 3
巴希尔,m F。,妈,B。,和Shahzad, L. (2020). A Brief Review of Socio-Economic and Environmental Impact of Covid-19.空气质量,大气压。健康13日,1403 - 1409。doi: 10.1007 / s11869 - 020 - 00894 - 8
Bonisch, S。,Wegscheider, K., Krause, L., Sehner, S., Wiegel, S., Zapf, A., et al. (2020). Effects of Coronavirus Disease (COVID-19) Related Contact Restrictions in Germany, March to May 2020, on the Mobility and Relation to Infection Patterns.雷竞技rebat公共卫生领域前沿(10月8日),1 - 10。doi: 10.3389 / fpubh.2020.568287
Buckee, c . O。、Balsari年代。陈,J。,Crosas, M., Dominici, F., Gasser, U., et al. (2020). Aggregated Mobility Data Could Help Fight COVID-19.科学368年,145 - 146。doi: 10.1126 / science.abb8021
Carteni,。,D我Francesco, L., and Martino, M. (2020). How Mobility Habits Influenced the Spread of the COVID-19 Pandemic: Results from the Italian Case Study.科学。总环境。741年,140489年。doi: 10.1016 / j.scitotenv.2020.140489
Chang年代。,Pierson, E., Koh, P. W., Gerardin, J., Redbird, B., Grusky, D., et al. (2020). Mobility Network Models of COVID-19 Explain Inequities and Inform Reopening.自然589年,82 - 87。doi: 10.1038 / s41586 - 020 - 2923 - 3
高,X。,Fan, C., Yang, Y., Lee, S., Li, Q., Maron, M., et al. (2020). Early Indicators of COVID-19 Spread Risk Using Digital Trace Data of Population Activities. Available at:http://arxiv.org/abs/2009.09514(Acccessed: 11月18日,2021)。
与,M。,Bertuzzo, E., Mari, L., Miccoli, S., Carraro, L., Casagrandi, R., et al. (2020). Spread and Dynamics of the COVID-19 Epidemic in Italy: Effects of Emergency Containment Measures.Proc。国家的。学会科学。美国117 (19),10484 - 10491。doi: 10.1073 / pnas.2004978117
格莱泽,e . L。Gorback C。,和Redding, S. J. (2020). JUE Insight: How Much Does COVID-19 Increase with Mobility? Evidence from New York and Four Other U.S. Cities.j .城市经济。,103292年。doi: 10.1016 / j.jue.2020.103292
Hadjidemetriou, g M。Sasidharan, M。Kouyialis, G。,和Parlikad, A. K. (2020). The Impact of Government Measures and Human Mobility Trend on COVID-19 Related Deaths in the UK.运输Interdiscip》。教谕。6、100167。doi: 10.1016 / j.trip.2020.100167
黄,X。李,Z。,Jiang, Y., Li, X., and Porter, D. (2020). Twitter Reveals Human Mobility Dynamics during the COVID-19 Pandemic.《公共科学图书馆•综合》15日,e0241957。doi: 10.1371 / journal.pone.0241957
黄,X。李,Z。,Jiang, Y., Ye, X., Deng, C., Zhang, J., et al. (2021). The Characteristics of Multi-Source Mobility Datasets and how they Reveal the Luxury Nature of Social Distancing in the U.S. During the COVID-19 Pandemic.Int。j .数字。地球14 (4),424 - 442。
Iacus, s M。,Santamaria, C., Sermi, F., Spyratos, S., Tarchi, D., and Vespe, M. (2020). Human Mobility and COVID-19 Initial Dynamics.非线性动力学。101 (3),1901 - 1919。doi: 10.1007 / s11071 - 020 - 05854 - 6
江,P。傅,X。,Fan, Y. V., Klemeš, J. J., Chen, P., Ma, S., et al. (2021). Spatial-Temporal Potential Exposure Risk Analytics and Urban Sustainability Impacts Related to COVID-19 Mitigation: A Perspective from Car Mobility Behaviour.j .干净。刺激。279年,123673年。doi: 10.1016 / j.jclepro.2020.123673
Kraemer, m·G。、杨、学术界。,Gutierrez, B., Wu, C.-H., Klein, B., Pigott, D. M., et al. (2020). The Effect of Human Mobility and Control Measures on the COVID-19 Epidemic in China.科学368 (6490),493 - 497。doi: 10.1126 / science.abb4218
Lasry,。,Kidder, D., Hast, M., Poovey, J., Sunshine, G., Winglee, K., et al. (2020). Timing of Community Mitigation and Changes in Reported COVID-19 and Community Mobility ― Four U.S. Metropolitan Areas, February 26-April 1, 2020.MMWR Morb。凡人。工作。代表。69年,451 - 457。doi: 10.15585 / mmwr.mm6915e2
李,问。,Bessell, L., Xiao, X., Fan, C., Gao, X., and Mostafavi, A. (2020). Disparate Patterns of Movements and Visits to Points of Interests Located in Urban Hotspots across U.S. Metropolitan Cities during COVID-19. arXiv:2006.14157.
Linka, K。,Goriely, A., and Kuhl, E. (2021). Global and Local Mobility as a Barometer for COVID-19 Dynamics.>。Mechanobiol模型。20岁,651 - 669。doi: 10.1007 / s10237 - 020 - 01408 - 2
Louail, T。,Lenormand, M., Cantu Ros, O. G., Picornell, M., Herranz, R., Frias-Martinez, E., et al. (2014). From mobile Phone Data to the Spatial Structure of Cities.科学。代表。4、1 - 12。doi: 10.1038 / srep05276
Maas, P。,Gros, A., McGorman, L., Alex Dow, P., Iyer, S., Park, W., et al. (2019). “Facebook Disaster Maps: Aggregate Insights for Crisis Response & Recovery,” in《国际ISCRAM大会,安克雷奇,正义与发展党,2019年8月4 - 8人,。
汤普森,c . N。,Baumgartner, J., Pichardo, C., Toro, B., Li, L., Arciuolo, R., et al. (2020). COVID-19 Outbreak - New York City, February 29-June 1, 2020.MMWR Morb。凡人。工作。代表。69 (46),1725 - 1729。doi: 10.15585 / mmwr.mm6946a2
熊,C。,胡锦涛,S。,Yang, M., Luo, W., and Zhang, L. (2020). Mobile Device Data Reveal the Dynamics in a Positive Relationship between Human Mobility and COVID-19 Infections.Proc。国家的。学会科学。美国117 (44),27087 - 27089。doi: 10.1073 / pnas.2010836117
今年,T。,Tsubouchi, K., Fujiwara, N., Wada, T., Sekimoto, Y., and Ukkusuri, S. V. (2020). Non-compulsory Measures Sufficiently Reduced Human Mobility in Tokyo during the COVID-19 Epidemic.科学。代表。10 (1),1 - 9。doi: 10.1038 / s41598 - 020 - 75033 - 5
关键词:multi-dataset COVID-19,人类活动,公共交通,纽约
引用:拉其普特人AA,李问,高X和Mostafavi(2022)揭示移动模式的关键特征在纽约市COVID-19大流行的发生。前面。建立环境。7:654409。doi: 10.3389 / fbuil.2021.654409
收到:2021年1月16日;接受:08年12月2021;
发表:2022年1月31日。
编辑:
Samiul哈桑美国佛罗里达中央大学版权©2022拉其普特人,李高和Mostafavi。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:Akhil Anil拉其普特人akhil.rajput@tamu.edu