論文の概要: Modelling daily activity patterns from mobile phone location data via deep representation learning

• arxiv url: http://arxiv.org/abs/2609.22121v1
• Date: Thu, 20 Aug 2026 01:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.719409
• Title: Modelling daily activity patterns from mobile phone location data via deep representation learning
• Title（参考訳）: 深層表現学習による携帯電話位置情報からの日々の行動パターンのモデル化
• Abstract要約: 我々は,活動パターンマイニングを表現,クラスタリング,解釈の統合プロセスとして概念化している。 表現段階のための活動連鎖(ACE)を提案する。 ACEは、事前訓練された都市埋め込みと訪問タイミングと期間を組み合わせた自己教師型モデルである。 決定論的活動目的ラベルを必要とせずに、マスク付きアクティビティモデリングとアイデンティティ誘導型コントラスト学習を用いて訓練する。
• 参考スコア（独自算出の注目度）: 2.2358947614638907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Passively collected mobile phone location data provide large-scale, longitudinal observations of human mobility but do not directly reveal activity purposes. The functional characteristics of visited locations offer useful contextual information, yet their relationship with activity purpose remains uncertain, particularly in mixed-use urban environments. We conceptualise activity pattern mining as an integrated process of representation, clustering, and interpretation, and propose the Activity Chain Encoder (ACE) for the representation stage. ACE is a self-supervised model that combines pre-trained urban embeddings with visit timing and duration and uses a Transformer to model the sequential organisation of stays. It is trained using masked activity modelling and identity-guided contrastive learning without requiring deterministic activity purpose labels. Learned daily representations are aggregated into user-level profiles, clustered, and interpreted through temporal-functional patterns and Census-derived demographic context. Applied to mobile phone app location data from London and compared with three representative methods, ACE supports the identification of six differentiated weekday activity-pattern groups characterised by distinct daily rhythms, urban functional contexts, and demographic associations. These complementary forms of evidence further support the development of empirically grounded activity-pattern personas, establishing a holistic route for deriving behaviourally meaningful population patterns from unlabelled mobile phone location data. The source code for the entire analytical pipeline developed in this study is publicly available at https://github.com/xlwang233/ACE.
• Abstract（参考訳）: 受動的に収集された携帯電話の位置データは、人間の移動性に関する大規模で経時的な観察を提供するが、活動目的を直接明らかにはしない。 訪れる場所の機能的特徴は、有用な文脈情報を提供するが、その活動目的との関係は、特に混在する都市環境では不確実である。 本稿では, 活動パターンマイニングを表現, クラスタリング, 解釈の統合プロセスとして概念化し, 表現段階のためのアクティビティ・チェーン・エンコーダ(ACE)を提案する。 ACEは、事前訓練された都市埋め込みと訪問タイミングと期間を組み合わせた自己教師型モデルであり、Transformerを使用して連続的な滞在の組織をモデル化する。 決定論的活動目的ラベルを必要とせずに、マスク付きアクティビティモデリングとアイデンティティ誘導型コントラスト学習を用いて訓練する。 学習された日々の表現は、ユーザレベルのプロファイルに集約され、クラスタ化され、時間的機能パターンと国勢調査由来の人口統計コンテキストを通して解釈される。 ロンドンの携帯電話アプリの位置情報データに適用し、3つの代表的な方法と比較すると、ACEは、異なる日々のリズム、都市機能状況、人口動態の関連によって特徴付けられる6つの異なる平日活動パターン群の識別をサポートする。 これらの補完的な形態の証拠は、実証的に根拠付けられた活動パターンのペルソナの開発をさらに支援し、携帯の位置データから行動に意味のある集団パターンを導出するための全体論的経路を確立する。 この研究で開発された解析パイプライン全体のソースコードはhttps://github.com/xlwang233/ACEで公開されている。

関連論文リスト

• Learning Human-Object Interaction as Groups [52.28258599873394]
  GroupHOIは、幾何学的近接性および意味的類似性の観点から文脈情報を伝播するフレームワークである。 これは、より困難な非言語間相互作用検出タスクにおいて、主要なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-21T07:25:10Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Reconstructing human activities via coupling mobile phone data with location-based social networks [20.303827107229445]
  本稿では,携帯電話データと位置情報ソーシャルネットワーク(LBSN)データを結合することで,ユーザの行動を特定するためのデータ分析フレームワークを提案する。 我々は,10万人の携帯電話利用者の行動連鎖を再構築し,各活動タイプの時間的・空間的特徴を分析した。
  論文  参考訳（メタデータ） (2023-06-06T06:37:14Z)
• Learning Action-Effect Dynamics from Pairs of Scene-graphs [50.72283841720014]
  本稿では,画像のシーングラフ表現を利用して,自然言語で記述された行動の効果を推論する手法を提案する。 提案手法は,既存のモデルと比較して,性能,データ効率,一般化能力の点で有効である。
  論文  参考訳（メタデータ） (2022-12-07T03:36:37Z)
• Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.09493819953104]
  本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、過去の移動記録に基づいて階層グラフを構築し、複雑な時間-活動-位置の依存関係をキャプチャするために階層グラフ注意モジュールを使用する。 モデル評価において,HGARNの既存手法に対して,既存手法(例えば,以前に訪れた場所に戻る)と爆発的手法(すなわち,新しい場所を訪れる)の両方で,HGARNの性能を検証した。
  論文  参考訳（メタデータ） (2022-10-14T12:56:01Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition [31.43183992755392]
  既存のデータセットは典型的にはスクリプト化された動きで構成されている。 我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。 ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
  論文  参考訳（メタデータ） (2022-07-10T02:48:34Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• Station-to-User Transfer Learning: Towards Explainable User Clustering Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix Factorization [4.713006935605146]
  この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善するためにどのように役立つかに焦点を当てている。 そこで我々は,駅レベルの信号から学習した集合パターンを用いて,ユーザレベルの学習を増強する,遅延表現による集合学習フレームワークを提案する。 ワシントンD.C.都市圏の駅機能とユーザプロファイルの質的分析を行い,都市内モビリティ調査を支援する方法を示す。
  論文  参考訳（メタデータ） (2020-04-27T14:13:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。