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

传统交通预测基于传感器数据的范围有限，综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案，使用网络活动计数，但缺乏关键的方向性。因此，我们提出了 TeltoMob 数据集，其中包含无向电信计数和相应的方向流，以预测道路上的方向性移动流。为了解决这个问题，我们提出了一个两阶段的时空图神经网络（STGNN）框架。第一阶段使用预训练的 STGNN 处理电信数据，而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性，并证实了其有效性。我们还展示了如何将该框架融入现实交通系统，以增强可持续城市移动性。

May, 2024

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022

通过机器学习方法，结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集，本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型，用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战，提出了一种新的技术来识别模型估计的异常值并减轻其影响。该研究为交通模型师、政策制定者和城市规划师提供了一个有价值的资源，以改进基于先进的新兴数据驱动型建模方法的主动交通基础设施规划和政策。

Mar, 2024

本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

May, 2023

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

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

该论文提出了一种增强的事件感知时空网络 (EAST-Net)，其中包括设计一个异构移动信息网络 (HMIN) 和提出一个增强型记忆动态过滤器生成器 (MDFG)，以更好地建模 Mobility-as-a-Service 中的人群移动，特别是在社会事件驱动移动行为偏离正常情况的情况下。

Dec, 2021

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

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023