Naukowcy z wykorzystaniem głębokich reprezentacji opracowali model ACE, który automatycznie odkrywa codzienne wzorce aktywności z pasywnie zbieranych danych lokalizacyjnych z telefonów komórkowych. Model łączy wstępnie wytrenowane miejskie embeddingi z informacjami o czasie i długości wizyt oraz wykorzystuje architekturę Transformera do modelowania sekwencyjnej organizacji pobytu w różnych miejscach. Kluczową innowacją jest możliwość uczenia się bez konieczności definiowania etykiet celów aktywności - model uczy się poprzez maskowaną modelowanie aktywności i uczenie się kontrastawne, podobnie jak nowoczesne modele języka.
Badanie przeprowadzone na danych o aplikacjach mobilnych z Londynu pozwoliło zidentyfikować sześć odrębnych grup wzorców aktywności dla dni powszednich. Każda grupa charakteryzuje się unikalnymi codziennymi rytmami, różnymi kontekstami funkcjonalnymi miast, którymi ludzie poruszają się, oraz związkami demograficznymi. ACE był porównywany z trzema innymi reprezentacyjnymi metodami i wykazał zdecydowaną przewagę w odkrywaniu zmienności aktywności w mieszanych środowiskach miejskich.
Ten sposób podejścia otwiera nowe możliwości dla badań mobilności, planowania urbanistycznego i zrozumienia wzorców życia miejskiego bez ingerencji w prywatność poprzez zmuszanie ludzi do raportowania swoich aktywności. Reprezentacje uczenia się głębokie mogą być wykorzystane do tworzenia empirycznie ugruntowanych profili zachowań użytkowników, co ma potencjał dla aplikacji w transporcie, zarządzaniu miastem czy badaniach społecznych.