The study of human activity–travel patterns for urban planning has evolved a long way in theories, methodologies, and applications. However, the scarcity of data has become a major barrier for the advancement of research in the field. Recently, the proliferation of urban sensing and location-based devices generates voluminous streams of spatio-temporal registered information. In this study, we propose an approach using the linear-chain Conditional Random Fields (CRFs) model to learn the spatio-temporal correspondences of different types of activities and the inter-dependencies among sequential activities from training dataset such as the household travel or time use surveys, and to infer the hidden activity types associated with urban sensing data. The performance of the CRFs model is compared against the Random Forest (RF) model, which has been used in a number of existing studies. The results show that the linear-chain CRFs models generally outperform the RF counterparts with respect to classification accuracy of activity types, in particular for those travelers having more outdoor daily activities. The proposed methodology is demonstrated by reconstructing the activity landscape of the surrounding area of a major Mass Rail Transit station in Singapore using the transit smart card transaction data. The inferred activities from the transit smart card data are expected to complement the ground surveys and improve our understanding of the interactions of different components of activities/travels as well as the relationship between urban space and human activities.

城市规划中人类活动的旅行模式的研究在理论，方法论和应用方面已经发展了很长的路要走。但是，数据的稀缺性已成为该领域研究进展的主要障碍。最近，城市感知和基于位置的设备的激增产生了大量时空注册信息流。在这项研究中，我们提出了一种使用线性链条件随机场（CRF）模型的方法，以从训练数据集（如家庭旅行或时间）中学习不同类型活动的时空对应关系以及相继活动之间的相互依赖性使用调查，并推断与城市感知数据相关的隐藏活动类型。将CRF模型的性能与随机森林（RF）模型进行了比较，已经在许多现有研究中使用。结果表明，就活动类型的分类准确性而言，线性链CRF模型通常优于RF同类模型，特别是对于那些日常户外活动较多的旅行者而言。通过使用公共交通智能卡交易数据重建新加坡主要地铁站周围地区的活动景观，从而证明了所提出的方法。从公交智能卡数据中推断出的活动有望补充地面调查，并增进我们对活动/旅行的不同组成部分之间的相互作用以及城市空间与人类活动之间关系的理解。结果表明，就活动类型的分类准确性而言，线性链CRF模型通常优于RF同类模型，特别是对于那些日常户外活动较多的旅行者而言。通过使用公共交通智能卡交易数据重建新加坡主要地铁站周围地区的活动景观，从而证明了所提出的方法。从公交智能卡数据中推断出的活动有望补充地面调查，并增进我们对活动/旅行的不同组成部分之间的相互作用以及城市空间与人类活动之间关系的理解。结果表明，就活动类型的分类准确性而言，线性链CRF模型通常优于RF同类模型，特别是对于那些日常户外活动较多的旅行者而言。通过使用公共交通智能卡交易数据重建新加坡主要地铁站周围地区的活动景观，从而证明了所提出的方法。从公交智能卡数据中推断出的活动有望补充地面调查，并增进我们对活动/旅行的不同组成部分之间的相互作用以及城市空间与人类活动之间关系的理解。通过使用公共交通智能卡交易数据重建新加坡主要地铁站周围地区的活动景观，从而证明了所提出的方法。从公交智能卡数据中推断出的活动有望补充地面调查，并增进我们对活动/旅行的不同组成部分之间的相互作用以及城市空间与人类活动之间关系的理解。通过使用公共交通智能卡交易数据重建新加坡主要地铁站周围地区的活动景观，从而证明了所提出的方法。从公交智能卡数据中推断出的活动有望补充地面调查，并增进我们对活动/旅行的不同组成部分之间的相互作用以及城市空间与人类活动之间关系的理解。