提出一个基于 PrefixSpan 方法的可视化人类活动模式的网络平台,可对单个用户和城市规模下的用户进行活动模式的可视化,可用于智慧城市、交通管理等方面。
May, 2023
该研究利用非负张量因式分解和 HypTrails 贝叶斯方法将 Foursquare 和人口普查数据应用于曼哈顿出租车数据,以探索和解释人类流动的不同模式,证明人类流动不是一维的,而是包含时间和空间上的不同方面。
Jan, 2016
本研究通过分析大量 Foursquare 用户的数据,研究了全球多个大都市的城市移动性模式,发现了影响城市人类移动的关键因素:原地和目的地之间的地点数量,而非纯物理距离,经过排名计算的移动模型可以准确地捕捉不同城市的真实人类移动,这为城市规划、基于位置的广告甚至社会研究提供了新的启示。
Aug, 2011
使用移动电话轨迹的经验数据,证明了连续时间随机漫步模型的预测与经验证据存在系统性冲突。并引入了两个原则,建立了一个统计自洽的微观模型来解释人类活动模式,不仅说明了实验观测到的标度定律,而且还允许我们以解析的方式预测大部分相应的标度指数。
Oct, 2010
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022
通过分析美国纸币的流通,我们发现人类旅行遵从 Levy 飞行的规律,可以通过一个双参数连续时间随机漫步模型进行数学描述,并证明人类在地理尺度上的旅行是一个具有二重性的超扩散过程。
May, 2006
研究了使用 GPS 追踪数据进行下一地点预测的算法,提出了一个独立于时间尺度的自然长度尺度,并表明相比下一时间段位置预测,这种方法可以显著降低对下一地点的预测可靠性。
Aug, 2016
通过对领先的大语言模型如 GPT-4 和 Claude-2 在检测移动数据中的异常行为的能力进行实证研究,我们的研究发现大语言模型可以在没有特定线索的情况下达到合理的异常检测性能,并且在提供上下文线索的情况下可以进一步提高预测效果,同时能够提供合理的判断解释,从而增加透明度,为人类空间轨迹分析的研究提供了洞察。
Oct, 2023
本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据,探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系,并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明,通过聚类方法可以鲁棒地识别用户的家庭和办公室,并且其通勤距离可以通过引力模型进行合理地解释。
Nov, 2012
使用个性化模型和支持向量回归(Support Vector Regression)方法,这篇研究论文主要介绍了一种用于人类迁移预测的数据分析竞赛,实现了相对准确的结果,并在计算成本上节省了资源。