An Object-Oriented Spatial Statistics Approach for Human Activity Space Estimation
面向对象空间统计框架下的人类活动空间估计方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦 GPS 与 GIS 数据的空间统计估计方法，属于空间统计与移动性方法研究，未涉及所给因果推断、面板、离散选择、时间序列、金融等细分领域的直接文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面向对象空间统计框架下的人类活动空间估计方法
- 研究问题
- 如何从带有不规则采样特征的 GPS 观测中，结合 GIS 对地点与路线的表示，估计建成环境中个体的活动空间，并刻画个体特有的时间分配比例与水平-γ 活动空间。
- 方法与思路
- 作者提出在面向对象空间统计（Object Oriented Spatial Statistics）框架下估计活动空间：以空间多边形与道路段上的时间分布刻画日常移动，构建时间加权估计量以处理不规则采样的 GPS 观测，并推导误差界以量化测量误差、最近实体误分类、时间缺口、边界穿越与日间变异的影响。
- 材料陈述的贡献
- 摘要称提出了一套新的活动空间估计方法，并给出时间加权估计量、误差界，以及地图增强的日常活动模式表示、用于聚类日轨迹的停留时间加权距离，和基于多边形与道路的稳定性汇总；模拟研究与实际数据应用显示该框架能恢复集中的静止锚点、可解释的出行走廊，以及居住与移动成分不同的稳定化行为。
- 阅读关注点
- 应核对误差界所依赖的假设与推导条件、时间加权估计量的具体形式与一致性条件、最近实体误分类与边界穿越的处理方式，以及模拟设计与真实数据应用中活动空间与稳定性结论的稳健性。
- 阅读边界
- 仅依据摘要无法判断估计量的识别条件、误差界的紧致程度、模拟与实证的具体设定及结果数值；摘要未说明数据来源、样本规模与外部效度，也未说明该方法相对既有活动空间估计方法的优劣。该文为 arXiv 预印本，尚未经同行评审或期刊接收。
原文摘要
Human activity spaces are shaped by individual mobility and the built environment, motivating statistical methods that integrate GPS observations with GIS representations of places and routes. We propose a novel methodology to estimate activity spaces in built environments from GPS data within the Object Oriented Spatial Statistics framework. We characterize daily mobility through the distribution of time across spatial polygons and road segments, aiming to capture entity-specific time-use fractions and level-$γ$ activity spaces. We develop a time-weighted estimator to handle irregularly sampled GPS observations. We derive an error bound that quantifies the effects of measurement error, nearest-entity misclassification, temporal gaps, boundary crossings, and day-to-day variability. We also develop a map-augmented representation of daily activity patterns, a dwell-time-weighted distance for clustering daily trajectories, and polygon- and road-based stability summaries. Simulation studies and a real-data application demonstrate that the proposed framework recovers concentrated stationary anchors, interpretable travel corridors, and distinct stabilization behavior for dwelling and movement components, supporting the benefits of weighting under irregular sampling. KEYWORDS: GPS data, GIS, human mobility, space-time geography.