Predictability of Human Movements across Industry Sectors using Multilayer Networks
Questo studio dimostra che i modelli di apprendimento automatico non lineari, in particolare la regressione random forest, prevedono efficacemente i modelli di movimento umano attraverso diversi settori industriali sfruttando caratteristiche demografiche e infrastrutturali, con i movimenti in entrata che risultano generalmente più difficili da prevedere rispetto a quelli in uscita.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di prevedere il prossimo movimento di una folla gigante e invisibile. Non si tratta di indovinare dove una singola persona potrebbe andare a pranzo; si tratta di comprendere i massicci, fluttuanti fiumi di persone che si muovono attraverso le nostre città ogni giorno. Gli scienziati chiamano questo fenomeno "mobilità umana", ed è come studiare il battito cardiaco di una città. Se riusciamo a comprenderne questi schemi, possiamo progettare città migliori, fermare le malattie prima che si diffondano come un incendio e persino pianificare come aiutare le persone durante le emergenze. Per fare questo, i ricercatori spesso utilizzano le "reti", che sono come mappe dove i punti rappresentano i quartieri e le linee rappresentano i viaggi che le persone compiono tra di essi. Ma ecco il colpo di scena: le persone non si muovono solo in modo casuale. Si muovono verso luoghi specifici per motivi specifici: alcuni vanno a scuola, altri in ospedale e altri ancora al supermercato. Separando questi viaggi in diversi "strati" in base a dove le persone stanno andando (come sbucciare gli strati di una cipolla), gli scienziati possono vedere un quadro molto più chiaro di come funziona realmente la nostra società.
In questo studio, un team di ricercatori ha deciso di giocare a "indovina la folla" usando una fetta del Texas chiamata Harris County. Volevano vedere se potevano usare i computer per prevedere quante persone si sarebbero spostate in entrata o in uscita da diversi quartieri, a seconda che queste persone stessero andando a scuola, in un ristorante, in un ospedale o in un negozio. Hanno costruito un modello digitale utilizzando una "rete multistrato", che è come una pila di mappe trasparenti, ognuna delle quali mostra un diverso tipo di viaggio. Hanno fornito a questo modello un sacco di indizi, come quanti abitanti vivono in un'area, quanto denaro guadagnano e quanti edifici di un certo tipo (come scuole o negozi) esistono lì. Poi, hanno messo alla prova dieci diversi programmi informatici l'uno contro l'altro per vedere quale fosse il migliore nel pronunciare i numeri.
I risultati sono stati un po' come una festa a sorpresa. I ricercatori hanno scoperto che i computer più "intelligenti" — specificamente quelli che utilizzano un pensiero complesso e non lineare chiamato "Random Forest Regression" — erano molto più bravi a indovinare rispetto ai modelli matematici più semplici e lineari. Si è scoperto che prevedere da dove le persone provengono (viaggi in uscita) è relativamente facile; se sai quante persone vivono in un quartiere, puoi solitamente indovinare quante ne partiranno. Ma prevedere dove le persone stanno andando (viaggi in entrata) è molto più difficile, come cercare di indovinare in quale negozio entrerà uno sconosciuto. L'unico caso in cui la previsione "in entrata" è diventata facile è stato quando la destinazione era un ristorante o un negozio di alimentari; le persone sembrano avere una fame molto prevedibile!
Il team ha anche scoperto che il tipo di destinazione è importante. I movimenti verso luoghi come le scuole e "altri servizi" sono stati i più difficili da prevedere, probabilmente perché dipendono da cose complicate come le vacanze scolastiche o cambiamenti improvvisi nei piani. Al contrario, i viaggi verso i luoghi di cibo e vendita al dettaglio sono stati i più facili da prevedere. Una scoperta chiave è stata che per gli obiettivi settimanali e mobili, i computer intelligenti avevano bisogno di sapere che periodo dell'anno fosse. Quando i ricercatori hanno dato ai modelli un "calendario" (usando la matematica per rappresentare le 52 settimane dell'anno), le previsioni hanno ricevuto una spinta enorme, specialmente per le scuole, che hanno ritmi stagionali molto forti. Senza questo indizio di "viaggio nel tempo", i modelli faticavano a indovinare i cali di traffico durante le pause estive o invernali.
In definitiva, lo studio suggerisce che, sebbene non si possa prevedere perfettamente ogni singolo passo umano, possiamo diventare molto bravi a indovinare il quadro generale, specialmente se usiamo il tipo di cervello informatico giusto e prestiamo attenzione alla stagione. Questo non è solo un gioco; è un passo pratico per aiutare i pianificatori urbani, i medici e i soccorritori a prendere decisioni più intelligenti. Comprendendo quali industrie attirano la folla e quando, possiamo costruire sistemi di trasporto migliori, preparare la risposta alle epidemie e fare in modo che le nostre città funzionino per tutti. Il documento non sostiene di aver risolto il mistero del movimento umano per sempre, ma mostra un nuovo modo potente per sbirciare dietro le quinte della nostra vita quotidiana.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.