深度活动模型：一种用于人类移动模式合成的生成式方法

人类移动在交通、城市规划和公共卫生中发挥着至关重要的作用。深度学习的进步和多样化移动数据的可用性改变了移动建模。然而，现有的深度学习模型通常关注时空模式，难以捕捉活动之间的语义相互依赖关系，同时受限于特定数据源。这些挑战降低了它们的现实性和适应性。传统的基于活动的模型（ABMs）也面临问题，它们依赖僵化的假设并需要大量数据，使其成本高昂且难以适应新区域，尤其是那些缺乏常规出行数据的区域。为了解决这些局限性，我们开发了一种新颖的生成式深度学习方法，用于人类移动建模与合成，该方法利用开源数据整合了活动模式和位置轨迹。该模型可以使用本地数据进行微调，使其能够适应并准确表示不同区域的移动模式。该模型在美国的全国性数据集上进行了评估，在生成紧密遵循真实分布的活动-位置链方面表现出卓越的性能。使用来自加利福尼亚州、华盛顿州和墨西哥城的州级或城市级特定数据集进行的进一步测试证实了其可迁移性。这种创新方法为推进移动建模研究提供了巨大潜力，特别是在生成合成人类移动数据方面。这可以为城市规划者和政策制定者提供增强的工具，用于模拟不同区域的移动情况，并为交通、城市发展和公共卫生相关决策提供更好的依据。