Oct, 2010

人类移动的规模特性建模

PDF
TL;DR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。
human mobilitycontinuous time random walk modelsscaling lawsempirical datamicroscopic model
发现论文，激发创造
  • 理解个体人类移动模式

    通过追踪 100,000 个匿名移动电话用户 6 个月的位置，发现人类运动的行为规律性，即每个人都具有一个时间无关特征尺度，并有极高的概率返回特定位置，这种旅行模式可与单一的空间概率分布相一致，这对城市规划、疫情预防和紧急响应等方面有重要的影响。

    Jun, 2008

  • 人类活动的爆发和长尾建模

    本文探讨了人类活动的非泊松分布性质，表明人类的活动具有爆发性特征，并提出了两种排队模型来描述任务执行的优先级和等待时间，这些模型可以很好地解释人类的活动规律，并给出了实证结果和未来发展挑战。

    Oct, 2005

  • 城市级出行数字孪生在线轨迹预测

    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

  • 人类旅行的尺度定律

    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

  • 在城市空间中发现和表征移动模式：曼哈顿出租车数据的研究

    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

  • 利用大规模运动数据预测 COVID-19 传播

    基于电信数据的 Hawkes 模型为公共卫生决策者提供了一个可扩展的预警系统，可有效预测新冠疫情的传播趋势并优于基准方法。

    Jun, 2021

  • 多尺度移动网络与传染病大规模传播

    本文研究人类移动性在感染病毒建模中的重要性，并通过分析 29 个国家的移动数据和构建重力模型，以及将短程通勤流纳入全球疫情结构化流行病模型中，证明通勤流的引入会影响到疫情在近距离群体中的传播，但对全球模式的影响相对较小。

    Jul, 2009

  • 个性化人类移动性预测

    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。

    Oct, 2023

  • 基于双阶段 GAN 的连续轨迹生成

    本文提出了一种名为 TS-TrajGen 的新颖的两级生成对抗框架，它有效地将人类移动性问题的先前领域知识与无模型学习范例相结合，用于生成道路网络上的连续轨迹，并通过两个真实世界数据集和两个案例研究验证了该方法的有效性。

    Jan, 2023

  • 流行病模型中的人类移动性预测简要调查：从 Transformers 到 LLMs

    本文综述了最近在利用机器学习技术（尤其是 Transformer 模型）预测疫情期间人类流动模式方面的进展。了解疫情期间人们的流动情况对于建立疾病传播模型和制定有效的应对策略至关重要。预测人口流动对于提供流行病学模型的信息和在公共卫生紧急情况下实施有效的应对计划非常关键。预测流动模式可以使当局更好地预测疾病的地理和时间传播情况，更高效地分配资源，并实施有针对性的干预措施。我们回顾了一系列方法，这些方法既利用了像 BERT 这样的预训练语言模型，也利用了专门针对流动性预测任务设计的大型语言模型（LLMs）。这些模型在捕捉文本数据中的复杂时空依赖关系和上下文模式方面表现出重要潜力。

    Apr, 2024