في ظل التحديات الكبيرة التي تواجه النقل والتخطيط الحضري، جاء نموذج النشاط العميق (Deep Activity Model) بحلٍ مبتكر لتوليد نماذج تنقلات البشر من خلال الذكاء الاصطناعي. يعتمد هذا النموذج على استخدام تقنيات التعلم العميق، مستفيداً من البيانات الاجتماعية والديموغرافية للأسر، مما يجعله أكثر دقة ومرونة في فهم أنماط النشاط اليومي.

يواجه الباحثون والمهندسون في مجالات التخطيط الحضري والصحة العامة قيوداً كبيرة في النماذج الحالية، والتي غالباً ما تتجاهل الترابطات الدلالية بين الأنشطة والبيانات المعتمدة على نظام تحديد المواقع العالمي (GPS). لكن النموذج الجديد يعالج هذه القيود من خلال استخدام مقاييس جغرافية مختلفة وتطبيقات محلية، كما يظهر من خلال تدريب النموذج على بيانات مسح السفر للأسر المتاحة بشكل واسع.

هذا النموذج غير التقليدي، والذي تم تحسينه بمعلومات محلية، يقوم بتوليد مسارات يومية كاملة، ويتيح للمخططين الحضريين وصانعي السياسات أدوات محسّنة لمحاكاة أنظمة النقل ودعم اتخاذ القرارات المتعلقة بالتنمية الحضرية والصحة العامة. تم إثبات كفاءة هذا النموذج من خلال محاكاة مرورية واسعة النطاق في مقاطعة لوس أنجلوس.

عند مقارنته بنموذج الأنشطة القائم (SCAG Activity-Based Model)، يظهر أن نموذج النشاط العميق يحافظ على أنماط الطلب المكاني على نحو متسق، محققاً درجة تشابه مكاني لهدف الأنشطة بلغت 0.997، وسط خطأ متوسّط نسبي في أميال المركبات المستهدفة بنسبة 4.97%. وبهذا يقدم النموذج الجديد بديلاً قوياً ومفيداً في نمذجة حركة البشر في الأقاليم، مما يدل على إمكانيته في دعم خطط النقل المستقبلية.