基于约束高斯混合模型（GMM）分类的多日活动模式推断
Multi-Day Activity Pattern Inference Using Constrained Gaussian Mixture Model (GMM) Classification
发表于 2026年6月17日 · 收录于雷达 2026年11月5日
中文摘要
研究针对多日出行日记常有部分缺失的问题，提出概率框架：将每日活动序列编码后用高斯混合模型进行软聚类，再通过受约束的拉格朗日回归预测缺失日期。该方法应用于2019年和2022年纽约市全市出行调查，软聚类表现优于硬聚类基线。结果显示，疫情后活动更以居家为中心、变化较少，且不同社会经济群体的恢复轨迹差异明显。