A key issue to understand urban system is to characterize the activity dynamics in a city—when, where, what, and how activities happen in a city. To better understand the urban activity dynamics, city-wide and multiday activity participation sequence data, namely, activity chain as well as suitable spatiotemporal models, are needed. The commonly used household travel survey data in activity analysis suffers from limited sample size and temporal coverage. The emergence of large-scale spatiotemporal data in urban areas, such as mobile phone data, provides a new opportunity to infer urban activities and the underlying dynamics. However, the challenge is the absence of labeled activity information in mobile phone data. Consequently, how to fuse the useful information in household survey data and mobile phone data to build city-wide, multiday, and all-time activity chains becomes an important research question. Moreover, the multidimension structure of the activity data (e.g., location, start time, duration, type) makes the extraction of spatiotemporal activity patterns another difficult problem. In this study, the authors first introduce an activity chain inference model based on tensor decomposition to infer the missing activity labels in large-scale and multiday activity data, and then develop a spatiotemporal event clustering model based on DBSCAN, called STE-DBSCAN, to identify the spatiotemporal activity patterns. The proposed approaches achieved good accuracy and produced patterns with a high level of interpretability.

中文翻译：

---

融合手机和旅行调查数据以模拟城市活动动态

理解城市系统的一个关键问题是表征城市中的活动动态，即城市中何时，何地，什么以及如何发生活动。为了更好地了解城市活动动态，需要全市范围和多日活动参与序列数据，即活动链以及合适的时空模型。活动分析中常用的家庭旅行调查数据的样本量和时间覆盖范围有限。诸如手机数据之类的城市地区大规模时空数据的出现为推断城市活动及其潜在动态提供了新的机会。但是，挑战在于手机数据中缺少标记的活动信息。因此，如何融合有用的信息到家庭调查数据和手机数据中，以建立全市范围的多日 长期的活动链成为一个重要的研究问题。此外，活动数据的多维结构（例如，位置，开始时间，持续时间，类型）使时空活动模式的提取成为另一个难题。在这项研究中，作者首先引入了基于张量分解的活动链推理模型，以推断大规模和多日活动数据中缺少的活动标签，然后开发基于DBSCAN的时空事件聚类模型STE-DBSCAN，以识别时空活动模式。所提出的方法实现了良好的准确性，并产生了具有高度可解释性的模式。类型）使时空活动模式的提取成为另一个难题。在这项研究中，作者首先引入了基于张量分解的活动链推理模型，以推断大规模和多日活动数据中缺少的活动标签，然后开发基于DBSCAN的时空事件聚类模型STE-DBSCAN，以识别时空活动模式。所提出的方法实现了良好的准确性，并产生了具有高度可解释性的模式。类型）使时空活动模式的提取成为另一个难题。在这项研究中，作者首先引入了基于张量分解的活动链推理模型，以推断大规模和多日活动数据中缺少的活动标签，然后开发基于DBSCAN的时空事件聚类模型STE-DBSCAN，以识别时空活动模式。所提出的方法实现了良好的准确性，并产生了具有高度可解释性的模式。然后开发基于DBSCAN的时空事件聚类模型，称为STE-DBSCAN，以识别时空活动模式。所提出的方法实现了良好的准确性，并产生了具有高度可解释性的模式。然后开发基于DBSCAN的时空事件聚类模型STE-DBSCAN，以识别时空活动模式。所提出的方法实现了良好的准确性，并产生了具有高度可解释性的模式。