Activity-based modeling for travel demand forecasting have mainly focused on out-of-home activities. However, out-of-home (OH) and in-home (IH) activities are closely related decisions. For example, individuals working-from-home for longer duration are less likely to make commute trips to the workplace. Furthermore, COVID-19 has forced individuals to replace their OH with IH activities, which further indicates the need for in-home activity modelling. To address the inter-dependencies and better predict travel demand, efforts are required to model in-home activities. This paper develops machine learning (ML) models to investigate in-home activities. We have considered in-home activities in the four thematic categories: sleeping, leisure and discretionary, household and personal maintenance, and mandatory activities. Models were developed for: 1) activity participation and 2) activity duration. The former is focused on modeling what type of in-home activities individuals would perform during a typical weekday, where the latter models the duration for each in-home activity. Several machine learning models were applied, including artificial neural network (ANN), regression trees (RT), Ensembles, support vector machine (SVM), k-nearest neighbor (KNN), and Gaussian process regression (GPR). For each technique, we seek the best model by fine-tuning the modeling architecture. We also compared the prediction speed of the models to understand how they would perform in practice. The results of the participation models had an overall accuracy above 95%, where the activity duration models had an R² between 0.74 and 0.94. This research demonstrates how machine learning models are robust and can be adopted to accurately predict activity participation and duration.

用于旅行需求预测的基于活动的建模主要集中在户外活动上。但是，户外 (OH) 和居家 (IH) 活动是密切相关的决策。例如，在家工作时间较长的个人不太可能上下班。此外，COVID-19 迫使个人将 OH 替换为 IH 活动，这进一步表明需要对家庭活动进行建模。为了解决相互依赖关系并更好地预测出行需求，需要努力对家庭活动进行建模。本文开发了机器学习 (ML) 模型来调查家庭活动。我们考虑了四个主题类别中的家庭活动：睡眠、休闲和自由支配、家庭和个人维护以及强制性活动。模型开发用于：1) 活动参与和 2) 活动持续时间。前者侧重于模拟个人在典型的工作日将执行的家庭活动类型，后者模拟每项家庭活动的持续时间。应用了几种机器学习模型，包括人工神经网络 (ANN)、回归树 (RT)、集成、支持向量机 (SVM)、k 最近邻 (KNN) 和高斯过程回归 (GPR)。对于每种技术，我们通过微调建模架构来寻求最佳模型。我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 前者侧重于模拟个人在典型的工作日将执行的家庭活动类型，后者模拟每项家庭活动的持续时间。应用了几种机器学习模型，包括人工神经网络 (ANN)、回归树 (RT)、集成、支持向量机 (SVM)、k 最近邻 (KNN) 和高斯过程回归 (GPR)。对于每种技术，我们通过微调建模架构来寻求最佳模型。我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 前者侧重于模拟个人在典型的工作日将执行的家庭活动类型，后者模拟每项家庭活动的持续时间。应用了几种机器学习模型，包括人工神经网络 (ANN)、回归树 (RT)、集成、支持向量机 (SVM)、k 最近邻 (KNN) 和高斯过程回归 (GPR)。对于每种技术，我们通过微调建模架构来寻求最佳模型。我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 应用了几种机器学习模型，包括人工神经网络 (ANN)、回归树 (RT)、集成、支持向量机 (SVM)、k 最近邻 (KNN) 和高斯过程回归 (GPR)。对于每种技术，我们通过微调建模架构来寻求最佳模型。我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 应用了几种机器学习模型，包括人工神经网络 (ANN)、回归树 (RT)、集成、支持向量机 (SVM)、k 最近邻 (KNN) 和高斯过程回归 (GPR)。对于每种技术，我们通过微调建模架构来寻求最佳模型。我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R 我们还比较了模型的预测速度，以了解它们在实践中的表现。参与模型的结果总体准确率在 95% 以上，其中活动持续时间模型的 R²在 0.74 和 0.94 之间。这项研究展示了机器学习模型如何稳健并可用于准确预测活动参与和持续时间。