从存在缺失数据的 GPS 轨迹推断移动性指标

随着具备 GPS 功能的智能手机日益普及，将个体层面的移动模式与从情绪障碍到术后恢复等各种以患者为中心的结果相关联的大规模研究正成为现实。以往类似的研究规模较小，并向受试者提供可穿戴 GPS 设备。这些设备通常连续收集移动轨迹，数据中没有显著间隔，因此数据缺失问题一直被安全地忽略。利用受试者自己的智能手机可以扩大此类研究的规模并延长持续时间，但同时也引入了一项重大挑战：为了节省智能手机的电池，GPS 只能在很小比例的时间内处于活动状态，通常不到 $10\%$，从而导致严重的缺失数据问题。我们引入了一种基于观测数据加权重采样的有原则的统计方法，以填补缺失的移动轨迹，随后使用不同的移动性指标对其进行汇总。我们在解析层面以及通过对经验数据进行缺失模拟，将我们方法的优势与处理缺失数据的一种流行方法——线性插值进行了比较。我们得出结论，无论是在理论上还是在 Geolife 数据集中 182 名个体的 GPS 移动轨迹样本中，我们的插值方法都更好地反映了人类移动性；与线性插值相比，该插值方法在所有移动特征上的平均误差降低了 10 倍。