手机位置数据竟能精准识别6类工作日人群模式，无需活动标签！
Modelling daily activity patterns from mobile phone location data via deep representation learning
📖 AI 总结
该研究针对被动采集的手机定位数据虽能大规模、长期反映人类移动性、却无法直接揭示活动目的这一问题，提出将活动模式挖掘视为表示、聚类与解释的一体化流程，并设计了活动链编码器（ACE）。ACE是一种自监督模型，融合预训练的城市嵌入与停留时间、时长信息，借助Transformer建模停留的序列组织，通过掩码活动建模和身份引导对比学习进行训练，无需确定性的活动目的标签。研究以伦敦手机应用定位数据为样本，将学习到的日度表示聚合为用户画像并聚类，结合时空功能模式与人口普查人口背景进行解释。与三种代表性方法相比，ACE识别出六个差异化的工作日活动模式群体，各群体具有独特的日常节律、城市功能背景和人口关联特征。这些互补证据支持构建有实证基础的活动模式画像，为从无标签手机定位数据中提取具有行为意义的人群模式提供了整体路径，相关源代码已公开。
🔑 关键词速览
| Activity Chain Encoder (ACE) | 一种自监督模型，用于从手机位置数据中学习每日活动模式的表示，结合城市嵌入、到访时间和持续时间，并使用Transformer建模停留序列。 |
| Self-supervised learning | 一种机器学习范式，利用数据本身的结构作为监督信号，无需人工标注的标签进行训练。 |
| Masked activity modelling | 一种自监督预训练任务，通过掩码部分活动序列并让模型预测被掩码的部分来学习序列表示。 |
| Contrastive learning | 一种表示学习方法，通过拉近相似样本的表示并推远不相似样本的表示来学习有区分性的特征。 |
| Activity pattern personas | 基于实证数据构建的典型活动模式画像，用于描述具有相似行为特征的人群群体。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅