Predictability of Human Movements across Industry Sectors using Multilayer Networks
Diese Studie zeigt, dass nichtlineare Modelle des maschinellen Lernens, insbesondere die Random-Forest-Regression, menschliche Bewegungsmuster über verschiedene Industriesektoren hinweg effektiv vorhersagen können, indem sie demografische und infrastrukturelle Merkmale nutzen, wobei nach innen gerichtete Bewegungen im Allgemeinen schwieriger zu prognostizieren sind als nach außen gerichtete.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den nächsten Zug einer riesigen, unsichtbaren Menge vorherzusagen. Dabei geht es nicht darum, zu erraten, wohin eine einzelne Person zum Mittagessen gehen könnte; es geht darum, die massiven, fließenden Ströme von Menschen zu verstehen, die jeden Tag durch unsere Städte ziehen. Wissenschaftler nennen dies „menschliche Mobilität“, und es ist wie das Studium des Herzschlags einer Stadt. Wenn wir diese Muster verstehen, können wir bessere Städte entwerfen, die Ausbreitung von Krankheiten wie ein Lauffeuer stoppen und sogar planen, wie wir Menschen in Notfällen helfen können. Um dies zu erreichen, verwenden Forscher oft „Netzwerke“, die wie Karten sind, auf denen Punkte Stadtteile und Linien die Reisen darstellen, die Menschen zwischen ihnen unternehmen. Aber hier ist der Clou: Menschen bewegen sich nicht einfach zufällig. Sie bewegen sich an spezifische Orte aus spezifischen Gründen – einige gehen in Schulen, andere in Krankenhäuser und manche in Lebensmittelgeschäfte. Indem sie diese Reisen basierend darauf, wohin die Menschen gehen, in verschiedene „Schichten“ unterteilen (als würde man die Schichten einer Zwiebel abpeelen), können Wissenschaftler ein viel klareres Bild davon erhalten, wie unsere Gesellschaft tatsächlich funktioniert.
In dieser Studie beschlossen ein Team von Forschern, ein Spiel namens „Rate die Menge“ mit einem Teil von Texas, nämlich Harris County, zu spielen. Sie wollten sehen, ob sie Computer nutzen könnten, um vorherzusagen, wie viele Menschen je nach Ziel – ob sie auf dem Weg zu einer Schule, einem Restaurant, einem Krankenhaus oder einem Geschäft sind – in verschiedene Stadtteile hinein- oder herausbewegen würden. Sie bauten ein digitales Modell unter Verwendung eines „Multilayer-Netzwerks“, das wie ein Stapel transparenter Karten ist, von denen jede eine andere Art von Reise zeigt. Sie fütterten dieses Modell mit einer Reihe von Hinweisen, wie etwa der Anzahl der Menschen, die in einem Gebiet leben, wie viel Geld sie verdienen und wie viele Gebäude eines bestimmten Typs (wie Schulen oder Geschäfte) dort existieren. Dann ließen sie zehn verschiedene Computerprogramme gegeneinander antreten, um zu sehen, welches am besten darin war, die Zahlen zu erraten.
Die Ergebnisse waren ein wenig wie eine Überraschungsparty. Die Forscher fanden heraus, dass die „klügeren“ Computer – insbesondere jene, die komplexes, nicht-lineares Denken namens „Random Forest Regression“ nutzen – viel besser im Raten waren als die einfacheren, geradlinigen mathematischen Modelle. Es stellt sich heraus, dass es relativ einfach ist, vorherzusagen, von wo aus Menschen kommen (ausgehende Reisen); wenn man weiß, wie viele Menschen in einem Viertel leben, kann man normalerweise erraten, wie viele sie verlassen werden. Aber vorherzusagen, wohin die Menschen gehen (eingehende Reisen), ist viel schwieriger, so als würde man versuchen zu erraten, in welchen Laden ein Fremder hineingehen wird. Nur bei der Vorhersage der „eingehenden“ Reisen wurde die Aufgabe einfach, wenn das Ziel ein Restaurant oder ein Lebensmittelgeschäft war; Menschen scheinen einen sehr vorhersehbaren Hunger zu haben!
Das Team entdeckte auch, dass die Art des Ziels eine große Rolle spielt. Bewegungen zu Orten wie Schulen und „anderen Dienstleistungen“ waren am schwersten vorherzusagen, wahrscheinlich weil sie von kniffligen Dingen wie Schulferien oder plötzlichen Planänderungen abhängen. Im Gegensatz dazu waren Fahrten zu Essens- und Einzelhandelsorten am einfachsten zu prognostizieren. Eine wichtige Erkenntung war, dass die „klugen“ Computer für die wöchentlichen, beweglichen Ziele wissen mussten, zu welcher Jahreszeit es war. Als die Forscher den Modellen einen „Kalender“ gaben (unter Verwendung von Mathematik, um die 52 Wochen des Jahres darzustellen), erhielten die Vorhersagen einen gewaltigen Schub, insbesondere für Schulen, die sehr starke saisonale Rhythmen aufweisen. Ohne diesen zeitreisenden Hinweis kämpften die Modelle damit, die Rückgänge im Verkehr während der Sommer- oder Winterferien zu erraten.
Letztendlich legt die Studie nahe, dass wir zwar nicht jeden einzelnen menschlichen Schritt perfekt vorhersagen können, aber wir sehr gut darin werden können, das große Ganze zu erraten, besonders wenn wir den richtigen „Computer-Verstand“ nutzen und auf die Jahreszeit achten. Dies ist kein bloßes Spiel; es ist ein praktischer Schritt, um Stadtplanern, Ärzten und Rettungskräften zu helfen, klügere Entscheidungen zu treffen. Indem wir verstehen, welche Branchen Massen anziehen und wann, können wir bessere Transportsysteme bauen, Krankheitsausbrüche vorbereiten und sicherstellen, dass unsere Städte für alle funktionieren. Das Paper behauptet nicht, das Rätsel der menschlichen Bewegung für immer gelöst zu haben, aber es zeigt uns einen kraftvollen neuen Weg, hinter den Vorhang unseres täglichen Lebens zu blicken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.