Individual weekly activity sequence generation framework based on activity pattern dynamics

doi:10.1016/j.ijtst.2025.12.003

Individual weekly activity sequence generation framework based on activity pattern dynamics

2026-06-16

0

OA

AI

DOI：10.1016/j.ijtst.2025.12.003

原文链接

查看原文

摘要

En 中文

个体周活动模式对于提升基于活动的出行模型至关重要，但现有方法主要关注单日活动行为，忽视了跨日的时间依赖性，且难以平衡预测精度与可解释性。为填补这一空白，本研究提出AP-WASG框架，一种基于活动模式的、三层结构的周活动序列生成方法，其基础为自然语言处理。该方法首先将个体周时间线表示为文本，利用潜在狄利克雷分配（LDA）将复杂序列提炼至简洁的主题空间，并进一步将其划分为七种活动模式。其次，采用XGBoost分类器建立这些模式与个体社会经济属性及建成环境的清晰关联，从而能够预测个体在新环境下的主导活动模式。随后，提出基于Transformer的架构，利用社会经济属性增强的文本生成个体周活动序列，与真实数据的余弦相似度得分达到0.74–0.92，较无模式约束的方法提升12%–33%。该混合框架通过模式约束解决了大数据应用中的传统局限，同时保持了可解释性。研究结果为个性化城市规划、交通管理及政策分析提供了实践支持，包括在未见社区和规划年份中的冷启动及情景应用。

Keyword:

Activity patterns

Weekly activitysequencegeneration

Individual-level activity prediction

Transformer

Transportation planning

Individual weekly activity sequence generation framework based on activity pattern dynamics

摘要

AI总结

期刊

机构