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

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

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

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

利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

Jun, 2018

该研究通过分析 2016 年芝加哥的出租车数据，以理解街区之间的相互联系，提出新的公共交通开发建议，并生成交通流的可视化图表，以加强城市的设计和规划。

Jun, 2023

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

通过社交媒体共享的地标数据收集，利用社区检测方法模拟了人类移动行为在不同地理分区下的自然刻度，发现了自然刻度的相变及其相关行为，并画出了离散的多重地理边界，为流行病学或文化传播等领域提供了关键的空间研究洞见。

Apr, 2017

通过交叉轨迹特征工程和聚类，该研究利用高阶特征从人类移动轨迹记录中挖掘用户的生活方式特征，并且通过深入提取包括旅行模式、离散傅里叶变换的节奏和 word2vec 词向量化地点语义等特征，在深圳超过 50 万用户的轨迹数据集上，得到了七个具有不同生活方式特征的用户类簇，这些结果通过常识解释得到了很好的验证。

Dec, 2023

本研究通过分析两个真实数据集来探究人类社交关系对其移动范围的影响，首先开发了一种衡量人们社交多样性的方法，即 “社区熵”，其次，利用机器学习技术来预测移动轨迹，实验表明预测效果良好。

Aug, 2014