利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成，并能够通过本地数据进行微调，实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估，在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力，特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。

利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成，并能够通过本地数据进行微调，实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估，在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力，特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。