Metropolitan Scale and Longitudinal Dataset of Anonymized Human Mobility Trajectories
本文构建了一个包含10万人、90天的开源匿名都市尺度人类移动轨迹数据集，并基于该数据集举办HuMob Challenge 2023，以解决人类移动预测方法因数据集不统一而难以公平比较的问题。
2023-07-07 cs.SI physics.soc-ph
Predicting encounter and colocation events in metropolitan areas
尽管大量的文献已经致力于矿山和模型的移动功能，预测在哪里，何时和谁的人会遇到/共定位仍然值得进一步的研究工作。预测人们的遭遇和托管功能是许多应用成功的关键点，从流行病学到新的网络模式和服务（如延迟容忍和机会网络）的设计。虽然已经提出了许多依赖于移动性和社会信息的算法，我们提出了一种新的相遇和托管预测模型，该模型通过利用这些事件的历史中的时空规律性来预测用户的相遇和托管事件及其特征。我们采用加权特征贝叶斯预测器，并评估其准确性在两个大规模的WiFi和蜂窝数据集。结果表明，我们的方法可以提高预测精度w.r.t标准朴素贝叶斯和一些国家的最先进的预测。
2016-10-06 cs.SI
Predicting Healthcare System Visitation Flow by Integrating Hospital Attributes and Population Socioeconomics with Human Mobility Data
Texas A&M University（德克萨斯农工大学）；University of Tennessee（田纳西大学）
本研究通过整合医院属性、人口社会经济因素和人类移动数据，利用深度引力模型预测医疗访问流量，发现医院容量、ICU入住率和评分对访问模式有显著影响，且不同人群对医院评分的敏感性存在差异。
2026-01-22 cs.LG cs.SI
A Systematic Analysis of Fine-Grained Human Mobility Prediction with On-Device Contextual Data
用户移动性预测被广泛认为有助于移动设备上的各种基于位置的服务。大量的研究已经探索了不同的算法来预测用户将在未来访问的地方，基于他们的当前和历史背景和轨迹。他们中的大多数都专注于特定的预测目标，例如用户入住的下一个地点或下一次旅行的目的地，这通常取决于他们的任务是什么以及他们的数据中有什么。虽然成功的故事经常被报道，但很少有人讨论如果预测目标不同会发生什么：粗糙的位置是否比精细的位置更容易预测，预测轨迹上的下一个位置是否比预测目的地更容易。另一方面，通常用于这些预测任务中，很少有人利用更细粒度的设备上用户行为数据，这些数据应该指示用户意图。在本文中，我们使用细粒度的真实世界数据集的移动性预测问题进行了系统的研究。基于马尔可夫模型，递归神经网络和多模态学习方法，我们进行了一系列的实验，以调查不同类型的预测目标的粒度的可预测性和不同类型的信号的有效性。这些结果提供了许多关于可以预测什么以及如何预测的见解，这些见解通常为现实世界的移动性预测提供了帮助。
2019-01-29 cs.SI
Online Trajectory Prediction for Metropolitan Scale Mobility Digital Twin
University of Tokyo（东京大学）；Southern University of Science and Technology（南方科技大学）
了解城市中移动性的“正在发生的事情”和“将要发生的事情”是数据驱动的智慧城市系统的基石。近年来，移动性数字孪生，使一个虚拟的复制人类的移动性和预测或模拟的对象在一个虚拟空间中的细粒度移动在城市规模在近实时显示其在现代城市智能系统的巨大潜力。然而，很少有研究提供了实际的解决方案。主要困难有四个方面。1)人类移动性的日常变化难以建模和预测; 2）交通网络对人类移动性施加了复杂的约束; 3）生成合理的细粒度人类轨迹对于现有的机器学习模型是具有挑战性的;以及4）进行细粒度预测会导致高计算成本，这对于在线系统是具有挑战性的。考虑到这些困难，在本文中，我们提出了一个两阶段的人的流动性预测，分层的粗粒度和细粒度的水平预测。在第一阶段，为了在大都市层面上对人类流动的日常变化进行编码，我们自动提取全市范围内的流动趋势作为人群背景，并在粗略的水平上预测长期和长距离的移动。在第二阶段中，通过概率轨迹检索方法将粗预测解析到细粒度级别，该方法将大部分繁重的计算卸载到离线阶段。我们使用日本关东地区的真实手机GPS数据集对我们的方法进行了测试，在一台机器上预测约22万手机用户的未来1h移动时，实现了良好的预测精度和约2分钟的时间效率，以支持更高层次的移动预测分析。
2022-06-21 cs.AI cs.SI
Predicting Urban Dispersal Events: A Two-Stage Framework through Deep Survival Analysis on Mobility Data
The University of Iowa（爱荷华大学）；Worcester Polytechnic Institute（伍斯特理工学院）
城市疏散事件是指在短时间内大量人口离开同一地区的过程。疏散事件的早期预测对于缓解拥堵和安全风险以及为出租车和共乘车队做出更好的调度决策非常重要。现有的工作主要集中在通过从历史数据中学习模式来预测不久的将来的出租车需求。然而，它们在异常情况下失败，因为具有异常高需求的分散事件是非重复的，并且违反了常见的假设，例如需求随时间变化的平滑性。相反，在本文中，我们认为，分散事件遵循一个复杂的模式，在过去的行程和其他相关功能，可以用来预测这样的事件。因此，我们制定的扩散事件预测问题的生存分析问题。我们提出了一个两阶段的框架（DILSA），其中结合生存分析的深度学习模型被开发来预测扩散事件的概率及其需求量。我们对2014-2016年纽约市黄色出租车数据集进行了广泛的案例研究和实验。结果表明，DILSA可以预测未来5小时内的事件，F1评分为0.7，平均时间误差为18分钟。它比最先进的出租车需求预测深度学习方法好几个数量级。
2019-07-11 cs.LG cs.SI stat.ML
Leveraging Mobility Flows from Location Technology Platforms to Test Crime Pattern Theory in Large Cities
以前，犯罪是以居住人口的社会特征来解释的，而且根据犯罪模式理论，也可能与非居住游客的人员流动有关。然而，对后者缺乏充分的经验验证。主要原因是，以前的研究仅限于人类游客的汇总统计数据，而不是流动流量，因此，忽略了个人移动的时间动态。作为一种补救措施，我们提供了第一项工作，研究在每小时规模的描述和预测犯罪浓度的粒度人类流动性的能力。为此，我们建议使用来自定位技术平台的数据。这种类型的数据使我们能够跟踪各个过渡，因此，我们成功地区分了不同的移动流，（i）从社区传入或传出，（ii）保持在其中，或（iii）指的是人们只通过社区的过渡。我们的评估通过利用来自Foursquare的匿名数据集来推断移动流量，该数据集包括美国三个主要城市的近1480万次连续签到。根据我们的实证结果，流动性与犯罪有着显著的正相关关系。这些发现推进了我们的理论理解，因为它们为犯罪模式理论提供了确证性证据。此外，我们对数字位置服务数据的新颖使用被证明是犯罪预测的有效工具。在研究人口流动与犯罪之间的联系时，它也提供了前所未有的粒度。
2020-04-17 cs.CY cs.SI physics.soc-ph
Assessing reliable human mobility patterns from higher-order memory in mobile communications
了解人们如何在一个地理区域内移动，例如一个城市，一个国家或整个世界，在一些应用中是至关重要的，从预测流行病的时空演变到推断迁移模式。移动电话记录提供了一个很好的人类流动的代理，表明运动表现出高水平的记忆。然而，记忆在广泛采用的移动代理中的确切作用，如移动电话记录，是未知的。在这里，我们使用来自塞内加尔的5.6亿个呼叫详细记录来表明，标准的马尔可夫方法，包括高阶方法，无法捕获真实的移动模式，并引入了现实中从未观察到的虚假移动。我们引入一个自适应的内存驱动的方法来克服这些问题。与马尔可夫模型不同的是，它能够真实地模拟条件等待时间，即根据个人的历史移动留在特定区域的概率。我们的研究结果表明，在标准的流动性模型的个人往往扩散速度比在现实中观察到的，而自适应记忆方法的预测显着同意与观察。因此，我们发现，当使用标准方法时，疾病的发病率和地理传播可能无法充分估计，这对流行病爆发期间的资源部署和政策制定产生了至关重要的影响。
2016-03-18 cond-mat.dis-nn cs.SI physics.data-an
Understanding the Spatial and Temporal Activity Patterns of Subway Mobility Flows
在城市交通系统中，地铁系统中的移动流反映了工作日的时空动态。为了研究流动性的变化，我们分析了空间社区，通过一系列的快照地铁站在连续的时期。以上海为例，我们发现空间社区快照揭示了动态的乘客活动。采用双重视角，我们分别应用空间和时间模型来探索个人何时何地旅行娱乐。在这两个模型中，微博话题和空间设施，如餐饮场所和娱乐企业被用来衡量每个车站的空间人气和人们的出行感知。在所研究的案例中，城市中心的特点是更大的社会影响力，它是更好地描述了空间模型。在时间模型中，较短的旅行距离促使人们更早开始旅行。有趣的是，随着始发站附近与食品相关的设施数量的增加，直到超过1563个，人们的行程速度就会放缓。本研究提供了一种方法来模拟社会功能对流动性的影响，并预测时空流动性的新建地铁站。
2017-02-19 cs.CY cs.SI
IMAP: Individual huMAn mobility Patterns visualizing platform
The University of Sydney（悉尼大学）
了解人类的流动性对于智慧城市的发展和社会行为研究至关重要。人类移动模型可用于许多应用，包括流行病控制、城市规划和交通管理。现有模型预测用户移动模式的准确率低于25%。低精度可以通过人类运动的灵活性来证明。事实上，人类在日常活动中并不刻板。此外，僵化的移动模型可能会导致用户记录中隐藏的信息丢失。因此，我们提出了一个新的视角来研究和分析人类的流动模式，并捕捉他们的灵活性。通常，移动性模式由位置序列表示。我们建议通过将这些位置抽象成一组地方来定义移动模式。标记这些位置将使我们能够检测接近现实的隐藏模式。我们提出了IMAP，一个人的移动模式可视化平台。我们的平台使用户能够根据他们的历史记录可视化他们访问过的地方的图表。此外，我们的平台显示使用修改后的PrefixSpan方法计算的最常见的移动模式。
2022-09-08 cs.DC cs.HC cs.LG
Taming the Long Tail in Human Mobility Prediction
The University of Tokyo（东京大学）
针对人类移动预测中POI访问分布不均的长尾问题，提出结合图调整、损失调整及辅助任务的LoTNext框架，在真实数据集上性能超越现有最优方法。
2025-01-15 cs.AI cs.CY cs.LG
The wisdom of the few: Predicting collective success from individual behavior
我们是否可以通过只监控一小部分人的行为来预测表现最好的产品、服务或企业？虽然大多数以前的研究都集中在具有许多社交联系的“枢纽”个人的预测能力上，但解决这个问题所需的客户行为数据来源仍然不清楚，主要是由于同时捕获个人购买模式和社交互动的可用数据集的稀缺性。在这里，我们在一个独特的大规模数据集中解决了这个问题，该数据集将个人的信用卡购买历史与整个国家的社会和移动特征相结合。令人惊讶的是，我们发现，仅购买历史就可以检测到一小群“发现者”，他们的早期购买为他们访问的实体店提供了可靠的成功预测。与大多数现有的口碑传播研究的假设相反，由社交网络中心性选择的枢纽并不能始终如一地预测成功。我们的研究结果表明，能够访问大规模采购数据的公司和组织可以检测发现者，并利用他们的行为来预测市场趋势，而不需要社交网络数据。
2020-06-09 cs.CY cs.SI physics.soc-ph
DeepSpace: An Online Deep Learning Framework for Mobile Big Data to Understand Human Mobility Patterns
近年来，移动终端的迅速普及，产生了海量的移动数据。然而，随着移动网络的发展，诸如支持向量机（SVM）等浅结构模型在处理高维数据时遇到了困难。在本文中，我们分析移动数据来预测人类的轨迹，以了解人类的移动模式，通过一个称为“深空”的深层结构模型。据我们所知，这是第一次将深度学习方法应用于预测人体轨迹。此外，我们将普通卷积神经网络（CNN）发展成为一个在线学习系统，可以处理连续的移动数据流。一般来说，“DeepSpace”由两种不同的预测模型组成，分别对应于不同的空间尺度（粗预测模型和细预测模型）。这两个模型构成了一个层次结构，使整个体系结构并行运行。最后，我们测试我们的模型的基础上的数据使用详细记录（UDR）从移动蜂窝网络在中国东南部的一个城市，而不是呼叫详细记录（CDR），这是被广泛使用的其他人通常。实验结果表明，“DeepSpace”在人体轨迹预测方面具有良好的应用前景。
2018-11-15 cs.CY cs.SI
Urban mobility network centrality predicts social resilience
The Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Northeastern University（东北大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Santa Fe Institute（圣塔菲研究所）；University of Chicago（芝加哥大学）
研究通过分析城市流动性网络中心性，揭示核心场所在不同冲击下的社会韧性预测机制。
2026-02-20 cs.CY cs.SI
Understanding Cycling Mobility: Bologna Case Study
本文基于意大利博洛尼亚六个月的32万余条自行车出行数据，分析骑行时空模式及其与天气、污染等因素的关系，并利用机器学习和深度学习方法预测未来30和60分钟的短时出行，最佳模型R平方达0.91。
2021-09-09 cs.CY cs.SI
Survey of Federated Learning Models for Spatial-Temporal Mobility Applications
National Institute of Applied Sciences（国立应用科学学院）；CNRS（法国国家科学研究中心）；Imperial College London（伦敦帝国学院）；University of Washington（华盛顿大学）
本文综述了联邦学习在时空移动应用中的模型，涵盖人类移动预测、交通预测等任务，并讨论去中心化挑战与未来研究方向。
2024-02-08 cs.AI cs.DC cs.IR
Enhancing Human Mobility Prediction with Spatially Aware LLM-based Multi-Agent Systems
University of California & Santa Barbara（加州大学圣塔芭芭拉分校）；San Diego State University（圣地亚哥州立大学）；Politecnico di Milano（米兰理工大学）
针对LLM忽略空间上下文导致移动预测不准的问题，提出三阶段多智能体框架，结合行为模式与空间约束，在NYC基准上Hit@1提升达493%。
2026-09-15 cs.CY cs.MA cs.SI
