移动分析技术：调查、评估与指南

《ACM Transactions on Management Information Systems》：Mobile Analytics Techniques: Survey, Evaluation, and Guidelines

人类移动性预测在多个领域应用广泛，需同时捕捉序列规律和动态上下文因素。本文系统综述了融合常规行为、环境变量及社会交互的预测模型，涵盖统计方法与机器学习算法，并通过大规模数据验证不同场景下的有效性，为技术选型提供依据。

　　

摘要

人类移动性预测在市场营销、交通、医疗保健、网络管理和公共安全等多个领域具有广泛应用。要准确预测人们的移动模式，需要同时捕捉到两种类型的规律性：一是人们惯常的通勤路线和重复性的访问行为；二是环境因素，如天气、事件和社会互动等动态因素，这些因素可能会强化或扰乱日常移动模式。本文从双重视角对移动性预测方法进行了研究，根据模型关注的重点（日常行为、环境因素或两者的结合）对相关模型进行了分类。我们回顾了人类移动性预测的关键组成部分，探讨了这些模型在多个领域的应用情况，调研了统计方法和机器学习方法在预测中的应用，并利用大规模移动数据在不同条件下的表现对它们的有效性进行了实证评估。基于实证结果，我们提出了选择适合不同移动模式的预测技术的实用建议。本文为研究人员和实践者提供了全面的基础，帮助他们开发出适用于各种实际场景的有效人类移动性预测系统。