In this research, we exploit repeated parts in daily trajectories in people’s movements, which we refer to as mobility patterns, to train models to identify and predict a person’s lifestyles. We use cellular data of a group (“society”) of people and represent a person’s daily trajectory using semantic labels (e.g., “home”, “work”, and “gym”) given to the main places of interest (POI) he has visited during the day, as determined collectively based on interviewing all people of the group. First, in an unsupervised manner using a neural network (NN), we embed POI-based daily trajectories that always appear together with others in consecutive weeks and identify the result of this embedding with social lifestyles. Second, using these lifestyles as labels for lifestyle prediction, user POI-based daily trajectories are used to train a convolutional NN to extract mobility patterns in the trajectories and a dynamic NN with flexible memory to assemble these patterns to predict a lifestyle for a trajectory never-seen-before. The two-stage algorithm shows model accuracy and generalizability in lifestyle identification and prediction (both for a novel trajectory and a novel user) that are superior to those shown by state-of-the-art algorithms. The code for the algorithm and data sets used in our experiments are available online.

中文翻译：

---

通过神经网络识别和预测人们轨迹中的社交生活方式

在这项研究中，我们利用人们运动的日常轨迹中的重复部分（我们称为移动性模式）来训练模型，以识别和预测一个人的生活方式。我们使用一群人（“社会”）的蜂窝数据，并使用语义标签（例如“住所”，“工作”和“健身房”）来表示一个人的日常轨迹，这些语义标签被赋予了他感兴趣的主要景点（POI）白天访问过的时间，是根据与小组中所有人员的访谈得出的集体决定的。首先，我们以无监督的方式使用神经网络（NN），嵌入了基于POI的每日轨迹，这些轨迹在连续的几周内总是与其他人一起出现，并通过社交生活方式确定这种嵌入的结果。其次，将这些生活方式用作生活方式预测的标签，基于用户POI的每日轨迹用于训练卷积NN以提取轨迹中的移动性模式，以及具有灵活内存的动态NN来组合这些模式以预测从未见过的轨迹的生活方式。该两阶段算法显示出在生活方式识别和预测中的模型准确性和通用性（对于新的轨迹和新的用户而言）均优于最新算法显示的模型。提供了用于我们实验的算法和数据集的代码 该两阶段算法显示出在生活方式识别和预测中的模型准确性和通用性（对于新的轨迹和新的用户而言）均优于最新算法所显示的模型。提供了用于我们实验的算法和数据集的代码 该两阶段算法显示出在生活方式识别和预测中的模型准确性和通用性（对于新的轨迹和新的用户而言）均优于最新算法所显示的模型。提供了用于我们实验的算法和数据集的代码在线。