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

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

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

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

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

本研究利用深度学习直接对原始手机元数据建模，通过时间模式预测用户的基本人口统计信息，包括年龄和性别，并通过对模型假设的验证，获得了最先进的预测准确性。

Nov, 2015

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

使用手机数据和人口统计数据，基于聚合的匿名化人类行为数据进行犯罪预测，实验结果表明，该犯罪预测模型在伦敦的真实犯罪数据上的准确率接近 70%，结果对数据驱动式犯罪分析具有重要意义。

Sep, 2014

通过对社交媒体中的地理标记帖子进行全球性分析，本文介绍了一种检测城市中意外行为和通过帖子分析情况的方法。该方法使用了基于密度的聚类技术和自然语言处理技术，利用简单的硬件资源在不到一小时的时间内分析了纽约市长达七个月的 Instagram 数据，并且可以轻松适应其他地理标记数据源。

Dec, 2023

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