Определение цели личной поездки на основе динамических функциональных зон по времени и возрасту

Почему ваши поездки важнее, чем вы думаете

Каждый день миллионы поездок тихо фиксируются смартфонами и системами общественного транспорта, показывая, куда движутся люди, но не почему. Они едут на работу, возвращаются домой, встречаются с друзьями или делают покупки? В этом исследовании показано, как эти невидимые «почему» можно восстановить из больших массивов анонимных данных о перемещениях, внимательно анализируя меняющийся характер городских районов во времени и по возрастным группам. В результате получается мощный инструмент, который может помочь городам планировать более справедливые и эффективные транспортные системы без постоянного проведения дорогих опросов.

От точек на карте к реальным действиям

Современные города собирают огромные объёмы данных о местоположении из источников вроде мобильных телефонов, проездных карт и GPS-треков. Эти записи богаты деталями об отправлениях и назначениях, но почти никогда не содержат информацию о цели поездки. Традиционно исследователи опирались на подробные опросы домохозяйств о поездках — где люди сообщают, зачем они ехали — чтобы строить правила или модели машинного обучения, которые затем применяли к более масштабным наборам данных. Однако большинство предыдущих работ рассматривали землепользование каждой точки назначения как статичное: место просто помечалось как «жилая зона», «работа» или «магазины», независимо от времени суток или того, кто туда едет.

Фиксация того, как районы меняются в течение дня

Авторы утверждают, что городские районы ведут себя очень по-разному в разные часы и для разных возрастных групп. Район около университета может обслуживать в основном студентов утром, офисных работников в середине дня и посетителей ресторанов или вечерних мероприятий ночью. Парки, школы, церкви и офисы также привлекают разные возрастные группы в разное время. Чтобы отразить это, в исследовании строят «динамические функциональные зоны по времени и возрасту» для каждого небольшого административного района Сеула. Команда комбинирует более 770 000 записей о точках интереса — таких как дома, места работы, школы, магазины, медицинские учреждения и места досуга — с данными чека-инов из набора Yelp Open Dataset и возрастными паттернами из национальных опросов о передвижениях домашних хозяйств и индивидуальных поездках в Корее. Они делят день на шесть временных полос и население на четыре возрастные группы, затем присваивают разные веса каждому типу мест в зависимости от того, когда и кем они обычно посещаются. Это создаёт чувствительный к времени и возрасту профиль того, для чего в основном используется каждый район в разных условиях.

Обучение машин угадывать, зачем люди ездят

Используя эти динамические функциональные зоны в качестве ключевых входных данных, а также возраст и пол путешественника, время поездки, расстояние и доступность транспорта, исследователи обучают два типа моделей для определения цели поездки: модель extreme gradient boosting (XGBoost) и рекуррентную нейронную сеть с долгой краткосрочной памятью (LSTM). Обе модели обучались на почти 401 000 опрошенных поездок с известными целями, сгруппированными по пяти широким категориям: возвращение домой, поездка на работу, образование, покупки или питание и другие причины. В тестах XGBoost немного превосходит LSTM, правильно определяя цели поездок примерно в 84% случаев против 78% у нейронной сети. Когда авторы устраняют временно-возрастную динамику и используют только статические функции районов, точность падает до 3 процентных пунктов, что подтверждает: меняющийся характер мест действительно помогает моделям видеть, зачем люди двигаются.

Применение метода к реальным данным с телефонов

Затем команда применяет натренированные модели к массивному набору данных «ежедневные перемещения» Сеула, собранному из анонимизированных сигналов мобильных телефонов. Этот набор охватывает миллионы поездок, но лишь приблизительно маркирует отправления и назначения как «дом», «работа» или «где-то ещё», без явных целей. Модели определяют цели почти для четырёх миллионов поездок за месяц. Более половины классифицируются как связанные с домом, около трети — как рабочие, и меньшие доли приходятся на образование и покупки/питание. Там, где метки перемещений однозначны — например, «дом→работа» или «работа→дом», — выводы моделей сходятся с типами, выведенными из телефонных данных, примерно в 68% и 74% случаев соответственно. Временные и возрастные паттерны тоже выглядят логично: ранние утренние и позднеафternoonные поездки склоняются к поездкам на работу, поездки подростков часто связаны с обучением, а вечерние перемещения — с возвращением домой.

Что это значит для повседневных поездок

Проще говоря, исследование показывает, что, сочетая детальные карты того, что предлагают районы, с информацией о том, когда и кем эти места используются, города могут надёжно угадывать причины большинства поездок, даже если люди никогда не отвечают на вопросы опроса. Это открывает возможность использовать имеющиеся данные с телефонов и проездных карт для понимания поездок на работу, школьных маршрутов, шопинга и досуговых перемещений с высокой детализацией. Планировщики, например, могли бы заметить, где вечерние поездки из деловых районов в плотные жилые застройки требуют увеличения автобусного сообщения, или где школьные потоки указывают на необходимость безопасных пешеходных и велосипедных маршрутов. Хотя метод по-прежнему с трудом справляется с редкими или смешанными целями поездок, он демонстрирует практический путь превращения анонимных следов перемещений в осмысленные истории о том, как и почему люди перемещаются по городу.

Цитирование: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Ключевые слова: цель поездки, городская мобильность, функциональные зоны, планирование транспорта, данные мобильных телефонов