Predictability of Human Movements across Industry Sectors using Multilayer Networks
यह अध्ययन प्रदर्शित करता है कि गैर-रेखीय मशीन लर्निंग मॉडल, विशेष रूप से रैंडम फॉरेस्ट रिग्रेशन, जनसांख्यिकीय और बुनियादी ढांचे की विशेषताओं का लाभ उठाकर विविध उद्योग क्षेत्रों में मानव आंदोलन पैटर्न की प्रभावी ढंग से भविष्यवाणी करते हैं, जिसमें बाह्य आंदोलनों की तुलना में अंतर्मुखी आंदोलनों का पूर्वानुमान लगाना आम तौर पर अधिक चुनौतीपूर्ण होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक विशाल, अदृश्य भीड़ की अगली चाल का अनुमान लगाने की कल्पना करें। यह इस बारे में नहीं है कि कोई व्यक्ति दोपहर के भोजन के लिए कहाँ जा सकता है; यह उन लोगों की विशाल, बहती हुई नदियों को समझने के बारे में है जो हर दिन हमारे शहरों से गुजरती हैं। वैज्ञानिक इसे "मानव गतिशीलता" (human mobility) कहते हैं, और यह एक शहर की धड़कन का अध्ययन करने जैसा है। यदि हम इन पैटर्न को समझ सकते हैं, तो हम बेहतर शहर बना सकते हैं, बीमारियों को जंगल की आग की तरह फैलने से रोक सकते हैं, और यहाँ तक कि आपात स्थिति के दौरान लोगों की मदद करने की योजना भी बना सकते हैं। ऐसा करने के लिए, शोधकर्ता अक्सर "नेटवर्कों" का उपयोग करते हैं, जो मानचित्रों की तरह होते हैं जहाँ बिंदु मोहल्लों का प्रतिनिधित्व करते हैं और रेखाएँ उन यात्राओं को दर्शाती हैं जो लोग एक जगह से दूसरी जगह करते हैं। लेकिन यहाँ एक मोड़ है: लोग केवल यादृच्छिक रूप से (randomly) नहीं घूमते। वे विशिष्ट स्थानों पर विशिष्ट कारणों से जाते हैं—कुछ स्कूलों में जाते हैं, कुछ अस्पतालों में, और कुछ किराने की दुकानों पर। इन यात्राओं को अलग-अलग "परतों" (layers) में विभाजित करके (जैसे प्याज की परतों को छीलना), वैज्ञानिक देख सकते हैं कि हमारा समाज वास्तव में कैसे काम करता है।
इस अध्ययन में, शोधकर्ताओं की एक टीम ने टेक्सास के एक हिस्से, हैरिस काउंटी (Harris County) का उपयोग करके "भीड़ का अनुमान लगाने" का खेल खेलने का निर्णय लिया। वे यह देखना चाहते थे कि क्या वे कंप्यूटर का उपयोग करके यह अनुमान लगा सकते हैं कि कितने लोग विभिन्न मोहल्लों में आएंगे या बाहर जाएंगे, इस आधार पर कि वे स्कूल, रेस्तरां, अस्पताल या दुकान की ओर जा रहे हैं। उन्होंने एक "मल्टीलेयर नेटवर्क" का उपयोग करके एक डिजिटल मॉडल बनाया, जो पारदर्शी मानचित्रों के एक ढेर की तरह है, जिसमें से प्रत्येक यात्रा के एक अलग प्रकार को दर्शाता है। उन्होंने इस मॉडल को कई सुराग दिए, जैसे कि किसी क्षेत्र में कितने लोग रहते हैं, उनकी आय कितनी है, और वहां एक निश्चित प्रकार की कितनी इमारतें (जैसे स्कूल या दुकानें) मौजूद हैं। फिर, उन्होंने दस अलग-अलग कंप्यूटर प्रोग्रामों को एक-दूसरे के खिलाफ लड़ाया ताकि यह देखा जा सके कि कौन सा प्रोग्राम संख्याओं का अनुमान लगाने में सबसे अच्छा है।
परिणाम थोड़े आश्चर्यजनक पार्टी की तरह थे। शोधकर्ताओं ने पाया कि "सबसे बुद्धिमान" कंप्यूटर—विशेष रूप से वे जो "रैंडम फॉरेस्ट रिग्रेशन" (Random Forest Regression) नामक जटिल, गैर-रेखीय सोच का उपयोग करते हैं—सरल, सीधी रेखा वाले गणितीय मॉडलों की तुलना में अनुमान लगाने में बहुत बेहतर थे। यह सच है कि लोग कहाँ से आ रहे हैं (बाहर जाने वाली यात्राएं) इसका अनुमान लगाना अपेक्षाकृत आसान है; यदि आप जानते हैं कि एक मोहल्ले में कितने लोग रहते हैं, तो आप आमतौर पर अनुमान लगा सकते हैं कि कितने लोग बाहर निकलेंगे। लेकिन लोग कहाँ जा रहे हैं (आने वाली यात्राएं) इसका अनुमान लगाना बहुत कठिन है, जैसे यह अनुमान लगाना कि एक अजनबी किस दुकान में प्रवेश करेगा। केवल तभी "आने वाली" भविष्यवाणी आसान हुई जब गंतव्य एक रेस्तरां या किराने की दुकान थी; लोग अपनी भूख के मामले में बहुत ही अनुमानित होते हैं!
टीम ने यह भी पता लगाया कि गंतव्य का प्रकार बहुत मायने रखता है। स्कूलों और "अन्य सेवाओं" जैसे स्थानों की ओर होने वाली गतिविधियाँ सबसे कठिन अनुमान लगाने वाली थीं, क्योंकि वे संभवतः स्कूल की छुट्टियों या अचानक बदले हुए प्लान पर निर्भर करती हैं। इसके विपरीत, भोजन और खुदरा (retail) स्थलों की यात्राओं का पूर्वानुमान लगाना सबसे आसान था। एक प्रमुख निष्कर्ष यह था कि साप्ताहिक, बदलते लक्ष्यों के लिए, स्मार्ट कंप्यूटरों को यह जानने की आवश्यकता थी कि वर्ष का कौन सा समय चल रहा है। जब शोधकर्ताओं ने मॉडलों को एक "कैलेंडर" दिया (वर्ष के 52 हफ्तों को गणितीय रूप से दर्शाकर), तो भविष्यवाणियों को एक बड़ा बढ़ावा मिला, विशेष रूप से स्कूलों के लिए, जिनमें बहुत मजबूत मौसमी लय होती है। इस "समय-यात्रा" वाले सुराग के बिना, मॉडल गर्मियों या सर्दियों की छुट्टियों के दौरान यातायात में गिरावट का अनुमान लगाने में संघर्ष करते।
अंततः, यह अध्ययन सुझाव देता है कि हालांकि हम मानव के हर एक कदम की सटीक भविष्यवाणी नहीं कर सकते, लेकिन हम बड़े चित्र का अनुमान लगाने में बहुत अच्छे हो सकते हैं, खासकर यदि हम सही प्रकार के कंप्यूटर मस्तिष्क का उपयोग करें और मौसम पर ध्यान दें। यह केवल एक खेल नहीं है; यह शहरी योजनाकारों, डॉक्टरों और आपातकालीन उत्तरदाताओं को स्मार्ट निर्णय लेने में मदद करने के लिए एक व्यावहारिक कदम है। यह समझकर कि कौन से उद्योग भीड़ खींचते हैं और कब, हम बेहतर परिवहन प्रणाली बना सकते हैं, बीमारी के प्रकोप के लिए तैयार हो सकते हैं, और यह सुनिश्चित कर सकते हैं कि हमारे शहर सभी के लिए काम करें। यह शोध पत्र यह दावा नहीं करता है कि इसने मानव गति के रहस्य को हमेशा के लिए सुलझा लिया है, लेकिन यह हमें हमारे दैनिक जीवन के पर्दे के पीछे झाँकने का एक शक्तिशाली नया तरीका दिखाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।