Parce que les gens ont tendance à visiter les mêmes endroits pour les activités quotidiennes telles que le travail, achats, et à manger, les traces mobiles quotidiennes ont tendance à être répétitives, mais les événements aléatoires créent des écarts. Étant donné que la plupart des études existantes n'utilisent qu'une seule journée ou quelques jours d'un plus petit sous-ensemble de traces mobiles de personnes, ils ne saisissent pas de manière précise ou complète leurs habitudes de voyage à long terme. Un jour ou deux de traces mobiles ne parviennent pas non plus à capturer les embouteillages récurrents.

Di pense que son étude est la première à utiliser les données d'une année entière. Elle a construit un arbre de probabilité pour chaque conducteur afin de décrire la fréquence de leurs traces au cours d'une année, puis a utilisé des outils d'exploration de données pour voir dans quelle mesure la similitude des données sociodémographiques pouvait expliquer les habitudes de déplacement. Elle a découvert que ceux qui ont des schémas de mobilité similaires sont susceptibles d'appartenir au même groupe démographique.

Son travail peut être étendu soit pour déduire la démographie d'un utilisateur inconnu, ou profilage client, en fonction des modèles d'activité, ou pour reconstituer les schémas d'activité fréquents d'un utilisateur inconnu sur la base de données démographiques et de schémas de voyageurs similaires. En établissant une relation quantitative entre les modèles de mobilité humaine et la démographie, Di a posé une base théorique pour utiliser des traces mobiles individuelles, qui contiennent une séquence de lieux visités, pour estimer la demande de déplacements.

"Les travaux de Di et Shou démontrent l'utilité des outils de science des données pour découvrir les modèles de mobilité humaine, " dit Gowtham Atluri, professeur d'informatique à l'Université de Cincinnati, un expert en data mining spatio-temporel qui n'a pas participé à l'étude. "Leur cadre global est innovant et met en évidence la nécessité d'efforts de collaboration entre les chercheurs en transport et en science des données."

Di envisage maintenant d'étendre un petit échantillon de modèles de mobilité à une plus grande ville. La ville de New York possède l'un des trois bancs d'essai de véhicules connectés du département américain des Transports et Di prévoit de collecter une grande quantité de traces mobiles de véhicules. Une fois qu'elle a ces données, elle générera des modèles de mobilité humaine en utilisant les données démographiques de la Ville, facilement obtenu à partir des données du recensement national.

« Il y a tellement plus de véhicules connectés sur les routes maintenant qui peuvent « parler » à la fois entre eux et avec les infrastructures en bordure de route pour communiquer où se trouve leur emplacement exact et à quelle heure, ", observe Di. "Nos trajectoires synthétiques aideront les urbanistes à prévoir les embouteillages et à gérer activement le trafic."