基于新型 Transformer 模型从位置服务数据中恢复individual-level活动序列

位置服务 (LBS) 数据提供了关于人类 mobility 的关键见解，但其稀疏性往往导致 trip 和 activity 序列不完整，使得对 trip 和 activity 的准确推断困难。我们提出了一个研究问题：能否使用从高质量 LBS 数据中派生的 activity 序列来恢复 individual level 上不完整 activity 序列？本研究提出了新解决方案：Variable Selection Network-fused Insertion Transformer (VSNIT)，将 Insertion Transformer 的灵活序列构建与 Variable Selection Network 的动态协变量处理能力相结合，以在保持现有数据不变的同时，恢复 individual level 上不完整 activity 序列中的缺失片段。研究结果表明，VSNIT 插入更具多样性和真实感的 activity 模式，更接近真实世界的可变性，恢复受破坏 activity 转换更有效地与目标一致。在所有指标上，VSNIT 还显著优于基线模型。这些结果突显了 VSNIT 在 activity sequence recovery 任务中的卓越准确性和多样性，展示了其增强 LBS 数据在 mobility 分析中实用性的潜力。该方法为未来位置服务研究和应用提供了有前景的框架。