超越朝九晚五：用于增强代表性不足的轮班工人出行数据的生成模型
机器学习
2025-07-29 v1 人工智能
摘要
本文通过关注轮班工人来解决城市出行建模中的一个关键空白，该群体占工业化社会劳动力的15-20%，但在传统交通调查和规划中却存在系统性的代表性不足。本研究通过对GPS和调查数据的比较分析揭示了这种代表性不足，突显了轮班工人的双峰时间模式与调查中记录的常规朝九晚五作息之间的显著差异。为了解决这种偏差，我们引入了一种基于Transformer的新方法，利用碎片化的GPS轨迹数据，为在非标准时间工作的个体生成完整的、行为有效的活动模式。我们的方法采用周期感知时间嵌入和以转换为重点的损失函数，专门设计用于捕获轮班工人独特的活动节律，并减轻传统交通数据集中固有的偏差。评估表明，生成的数据与来自洛杉矶县的GPS数据实现了显著的分布对齐（所有评估指标的平均JSD < 0.02）。通过将不完整的GPS轨迹转化为完整的、具有代表性的活动模式，我们的方法为交通规划者提供了一个强大的数据增强工具，以填补理解城市人口全天候出行需求方面的关键空白，从而实现精准且包容性的交通规划。
引用
@article{arxiv.2507.19510,
title = {Beyond 9-to-5: A Generative Model for Augmenting Mobility Data of Underrepresented Shift Workers},
author = {Haoxuan Ma and Xishun Liao and Yifan Liu and Chris Stanford and Jiaqi Ma},
journal= {arXiv preprint arXiv:2507.19510},
year = {2025}
}