Slutledning av personliga resors syften baserat på dynamiska tids- och åldersdifferentiella funktionszoner

Varför dina resor betyder mer än du tror

Varje dag registreras miljontals resor tyst av smartphones och kollektivtrafiksystem, vilket visar var människor rör sig men inte varför. Går de till jobbet, på väg hem, träffar vänner eller handlar? Denna studie visar hur de osynliga “varför” kan härledas ur stora mängder anonymiserade rörelsedata genom att noggrant läsa av stadsdelarnas förändrade karaktär över tid och mellan åldersgrupper. Resultatet är ett kraftfullt verktyg som kan hjälpa städer att planera mer rättvisa och effektiva transportsystem utan att ständigt behöva genomföra kostsamma undersökningar.

Från prickar på en karta till verkliga aktiviteter

Moderna städer samlar in enorma mängder platsdata från källor som mobiltelefoner, kollektivtrafikkort och GPS-spår. Dessa register är rika på detaljer om ursprung och destinationer men innehåller nästan aldrig resornas syften. Traditionellt har forskare förlitat sig på detaljerade hushållsreseundersökningar—där människor rapporterar varför de reste—för att bygga regler eller maskininlärningsmodeller som kan tillämpas på dessa större dataset. De flesta tidigare arbeten behandlade dock varje destinations markanvändning som statisk: en plats märktes helt enkelt som ”bostad”, ”arbete” eller ”handel”, oberoende av tid på dygnet eller vem som besökte.

Att fånga hur stadsdelar förändras under dagen

Författarna hävdar att stadsområden beter sig mycket olika beroende på timme och åldersgrupp. En stadsdel nära ett universitet kan främst tjäna studenter på morgonen, kontorsarbetare mitt på dagen och middagsgäster eller festbesökare på kvällen. Parker, skolor, kyrkor och kontor lockar också olika åldersgrupper vid olika tider. För att fånga detta bygger studien ”dynamiska tids- och ålderskänsliga funktionszoner” för varje liten administrativ enhet i Seoul. Teamet kombinerar mer än 770 000 register över intressanta platser—såsom bostäder, arbetsplatser, skolor, butiker, vårdinrättningar och fritidsställen—med incheckningsdata från Yelp Open Dataset och åldersmönster från Koreas nationella hushålls- och personliga reseundersökningar. De delar in dygnet i sex tidsband och befolkningen i fyra åldersgrupper, och tilldelar sedan olika vikter till varje typ av plats beroende på när och av vem den typiskt besöks. Detta skapar en tids- och ålderskänslig profil av vad varje kvarter huvudsakligen används för under olika förhållanden.

Att lära maskiner att gissa varför människor reser

Med dessa dynamiska funktionszoner som nyckelingångar, tillsammans med resenärers ålder, kön, restidpunkt, avstånd och tillgång till kollektivtrafik, tränar forskarna två typer av modeller för att sluta sig till resans syfte: en extreme gradient boosting (XGBoost)-modell och ett long short-term memory (LSTM)-neurnätverk. Båda tränas på nästan 401 000 undersökningsresor med kända syften, grupperade i fem breda kategorier: åka hem, gå till arbete, utbildning, shopping eller ätande, och andra skäl. I tester presterar XGBoost något bättre än LSTM och identifierar resors syften korrekt cirka 84 % av gångerna jämfört med 78 % för neuronnätet. När författarna tar bort tids- och åldersdynamiken och enbart använder statiska funktionsprofiler för stadsdelar sjunker noggrannheten med upp till 3 procentenheter, vilket bekräftar att platsers förändrade karaktär faktiskt hjälper modellerna att se varför människor rör sig.

Tillämpning av metoden på verkliga telefondata

Teamet tillämpar sedan sina tränade modeller på ett omfattande dataset om ”dagliga rörelser” i Seoul, uppbyggt av anonymiserade mobiltelefonsignaler. Detta dataset täcker miljontals resor men märker bara grovt ursprung och destination som hem, arbete eller ”annanstans”, utan uttryckliga syften. Modellerna härleder syften för nästan fyra miljoner resor under en månad. Mer än hälften klassificeras som hemrelaterade och ungefär en tredjedel som arbetsrelaterade, med mindre andelar för utbildning samt shopping eller ätande. Där rörelsetyperna är tydliga—såsom hem-till-arbete eller arbete-till-hem—överensstämmer de härledda syftena med de telefonbaserade etiketterna ungefär 68 % respektive 74 % av gångerna. Mönster över tid och ålder är också rimliga: tidiga morgon- och sena eftermiddagsresor lutar mot pendling, tonåringars resor är ofta utbildningsrelaterade och kvällsresor tenderar att vara hemvändning.

Vad detta betyder för vardagliga resor

Med enkla ord visar studien att genom att kombinera detaljerade kartor över vad stadsdelar erbjuder med när och av vem dessa platser används, kan städer tillförlitligt gissa orsakerna bakom de flesta resor, även när människor aldrig svarar på en enkätfråga. Detta öppnar dörren för att använda befintliga telefon- och kollektivtrafikdata för att förstå pendling, skoltransporter, shopping och fritidsresor i finare skala. Planerare skulle till exempel kunna upptäcka var kvällsresor från affärsdistrikt till tätt befolkade bostadsområden kräver fler bussar, eller var skolrelaterade rörelser tyder på behov av tryggare promenad- och cykelvägar. Även om metoden fortfarande har svårigheter med ovanligare eller ändamålsblandade resor, visar den en praktisk väg för att förvandla anonyma rörelsespår till meningsfulla berättelser om hur och varför människor rör sig genom staden.

Citering: 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

Nyckelord: resesyfte, urban rörlighet, funktionszoner, transportplanering, mobiltelefondata