Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis
Di cosa parla
Il lavoro presenta un sistema che genera giornate tipo di spostamenti delle persone partendo da informazioni socio-demografiche e caratteristiche della famiglia; al sistema viene inoltre assegnata una mappa di zone per ricostruire percorsi quotidiani completi. L'obiettivo è superare i limiti dei metodi attuali che trascurano i legami tra attività e famiglie o richiedono dati di posizione ristretti, addestrando il modello su indagini di viaggio aperte e adattandolo poi a regioni locali con simulazioni su larga scala del traffico.
Cosa permette di osservare
Consente di esplorare se e come modelli che imparano da dati demografici e familiari possano integrare o sostituire i modelli tradizionali di mobilità, e quale tipo di dati locali serva per adattarli a nuove città o regioni.
Dalla fonte
Human mobility plays a crucial role in transportation, urban planning, and public health, but current approaches face important limitations. Existing deep learning models tend to overlook the semantic interdependencies among activities and households and rely on restricted GPS data, while activity-based models depend on rigid assumptions and extensive data, making them costly and difficult to adapt to new regions, especially those with limited conventional travel data. To address these limitations, we propose a generative Transformer model that uses socio-demographic and household attributes to synthesize daily activity chains, with a location module assigning spatial zones to produce complete daily trajectories. Trained on open-source and widely available household travel survey data and then fine-tuned with local data, the model captures national activity patterns and transfers effect…