Predictability of Human Movements across Industry Sectors using Multilayer Networks
Deze studie toont aan dat niet-lineaire machine learning-modellen, in het bijzonder random forest regressie, menselijke bewegingspatronen over diverse industriële sectoren heen effectief voorspellen door gebruik te maken van demografische en infrastructurele kenmerken, waarbij naar binnen gerichte bewegingen over het algemeen moeilijker te voorspellen zijn dan naar buiten gerichte bewegingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de volgende beweging van een gigantische, onzichtbare menigte probeert te voorspellen. Dit gaat niet over raden waar één persoon naartoe gaat voor de lunch; het gaat om het begrijpen van de enorme, stromende rivieren van mensen die elke dag door onze steden bewegen. Wetenschappers noemen dit "menselijke mobiliteit", en het is als het bestuderen van de hartslag van een stad. Als we deze patronen kunnen begrijpen, kunnen we betere steden ontwerpen, ziekten stoppen voordat ze zich als een lopend vuurtje verspreiden, en zelfs plannen hoe we mensen kunnen helpen tijdens noodsituaties. Om dit te doen, gebruiken onderzoekers vaak "netwerken", die lijken op kaarten waarbij stippen buurten vertegenwoordigen en lijnen de reizen zijn die mensen tussen hen maken. Maar hier is de twist: mensen bewegen niet zomaar willekeurig. Ze gaan naar specifieke plaatsen om specifieke redenen—sommigen gaan naar scholen, anderen naar ziekenhuizen, en weer anderen naar supermarkten. Door deze reizen te scheiden in verschillende "lagen" op basis van waar mensen naartoe gaan (zoals het afpellen van de lagen van een ui), kunnen wetenschappers een veel duidelijker beeld krijgen van hoe onze samenleving eigenlijk werkt.
In dit onderzoek besloot een team van onderzoekers een spelletje "raad de menigte" te spelen met een deel van Texas, genaamd Harris County. Ze wilden zien of ze computers konden gebruiken om te voorspellen hoeveel mensen er naar verschillende wijken zouden bewegen of uit verschillende wijken zouden vertrekken, afhankelijk van of die mensen onderweg waren naar een school, een restaurant, een ziekenhuis of een winkel. Ze bouwden een digitaal model met behulp van een "multilayer netwerk", wat lijkt op een stapel transparante kaarten, waarvan elke kaart een ander type reis laat zien. Ze voerden dit model een reeks aanwijzingen, zoals hoeveel mensen er in een gebied wonen, hoeveel geld ze verdienen en hoeveel gebouwen van een bepawd type (zoals scholen of winkels) daar aanwezig zijn. Daarna lieten ze tien verschillende computerprogramma's tegen elkaar strijden om te zien welke het beste was in het raden van de getallen.
De resultaten waren een beetje als een verrassingsfeestje. De onderzoekers ontdekten dat de "slimste" computers—specifiek de modellen die gebruikmaken van complexe, niet-lineaire denkprocessen genaamd "Random Forest Regression"—veel beter waren in het raden dan de simpelere, rechte-lijnige wiskundemodellen. Het blijkt namelijk dat het voorspellen waar mensen vandaan komen (vertrekkende reizen) relatief makkelijk is; als je weet hoeveel mensen er in een buurt wonen, kun je meestal raden hoeveel er zullen vertrekken. Maar het voorspellen waar mensen heen gaan (inkomende reizen) is veel moeilijker, zoals proberen te raden in welke winkel een vreemde zal lopen. De enige keer dat de "inkomende" voorspelling makkelijk werd, was wanneer de bestemming een restaurant of een supermarkt was; mensen lijken een zeer voorspelbare honger te hebben!
Het team ontdekte ook dat het type bestemming ertoe doet. Bewegingen naar plaatsen zoals scholen en "andere diensten" waren het moeilijkst te voorspellen, waarschijnlijk omdat ze afhangen van lastige zaken zoals schoolvakanties of plotselinge wijzigingen in plannen. In tegenstelling hiertoe waren reizen naar voedsel- en detailhandelslocaties het makkelijkst te voorspellen. Een belangrijke bevinding was dat voor de wekelijkse, bewegende doelwitten, de slimme computers moesten weten welk jaargetijde het was. Wanneer de onderzoekers de modellen een "kalender" gaven (door wiskunde te gebruiken om de 52 weken van het jaar te representeren), kregen de voorspellingen een enorme boost, vooral voor scholen, die zeer sterke seizoensgebonden ritmes hebben. Zonder deze tijdreizende aanwijzing worstelden de modellen met het raden van de dalingen in het verkeer tijdens de zomer- of wintervakanties.
Uiteindelijk suggereert de studie dat hoewel we niet elke individuele menselijke stap perfect kunnen voorspellen, we heel goed kunnen zijn in het raden van het grote plaatje, vooral als we de juiste computerhersenen gebruiken en aandacht besteden aan het seizoen. Dit is niet alleen een spelletje; het is een praktische stap naar het helpen van stadsplanners, artsen en hulpverleners bij noodsituaties om slimmere beslissingen te nemen. Door te begrijpen welke sectoren menigten aantrekken en wanneer, kunnen we betere transportsystemen bouwen, ziekte-uitbraken voorbereiden en ervoor zorgen dat onze steden voor iedereen werken. Het artikel beweert niet dat het het mysterie van de menselijke beweging voor altijd heeft opgelost, maar het laat ons wel een krachtige nieuwe manier zien om achter het gordijn van ons dagelijks leven te kijken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.