A Network-driven Framework for Public Event Forecasting via Dynamic Interaction Network Evolution
Dit artikel stelt auto-ibDLM voor, een netwerkgestuurd deep learning-framework dat de evolutie van publieke evenementen voorspelt door dynamische interacties tussen deelnemers te modelleren via een hybride representatieleersstrategie en GRU-gebaseerde temporele analyse, waarbij een nauwkeurigheid van meer dan 97% wordt bereikt en een superieure prestatie wordt aangetoond over 13 real-world datasets.
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
In het drukke digitale plein van het moderne leven beginnen publieke evenementen vaak als stille fluisteringen voordat ze uitgroeien tot brullende menigten. Of het nu gaat om een festival, een protest of een plotselinge bijeenkomst tijdens een crisis, de snelheid waarmee mensen arriveren en met elkaar interageren kan bepalen of een evenement een viering blijft of verandert in een gevaarlijke noodsituatie. Voor stadsplanners en veiligheidsfunctionarissen is het vermogen om deze opmars te zien aankomen essentieel. Het stelt hen in staat om extra poorten te openen, het verkeer om te leiden of om hulp in te roepen voordat een menigte te groot wordt om te beheersen. De uitdaging ligt in het feit dat deze evenementen niet statisch zijn; het zijn levende systemen die worden gedreven door de constante, verschuivende interacties tussen duizenden individuen. Traditionele methoden kijken vaak naar de menigte nadat deze al is gevormd of proberen de toekomst te voorspellen op basis van eenvoudige tellingen van mensen, waarbij ze het complexe web van verbindingen missen dat de groei daadwerkelijk aanstuurt.
Een team van onderzoekers heeft een nieuwe manier ontwikkeld om deze gebeurtenissen te volgen, waarbij ze deze niet alleen beschouwen als een lijst met aanwezigen, maar als een levend, ademend netwerk van relaties. Ze noemen hun systeem auto-ibDLM, een hulpmiddel dat is ontworpen om te voorspellen hoe een menigte zal groeien door de evoluerende patronen te bestuderen van hoe mensen online met elkaar praten en elkaar beïnvloeden. In plaats van te proberen elke persoon in realtime te tellen, wat vaak onmogelijk is, houdt het systeem de structuur van het gesprek in de gaten. Het kijkt naar hoe nieuwe mensen zich bij de discussie voegen, hoe bestaande deelnemers met elkaar in verbinding komen en hoe deze verbindingen van uur tot uur veranderen. Door deze interacties in kaart te brengen, kunnen de onderzoekers de volgende golf van aankomsten met verrassende precisie voorspellen, waardoor er een venster op de toekomst van een evenement wordt geopend voordat het een kritiek punt bereikt.
De kern van dit werk is dat de groei van een publiek evenement fundamenteel wordt gedreven door de dynamiek van de deelnemers. Wanneer mensen inhoud over een evenement delen, erop reageren of doorsturen, zijn zij niet slechts passieve observatoren; zij zijn actieve knooppunten in een netwerk dat anderen aantrekt. De onderzoekers realiseerden zich dat als ze de verandering van dit netwerk van interacties konden volgen, ze konden voorspellen hoeveel nieuwe mensen er in het volgende uur bij het evenement zouden aansluiten. Om dit te testen, verzamelden ze gegevens van dertien echte publieke evenementen op een groot Chinees socialemediaplatform, variërend van onderwerpen zoals pandemie-updates tot lokale verkeersopstoppingen en culturele festivals. Ze braken deze evenementen af in uurlijkse momentopnames, waardoor een tijdlijn ontstond van hoe het netwerk van deelnemers groeide en verschoif.
Om deze complexe data te begrijpen, bouwden de onderzoekers een raamwerk dat twee verschillende manieren combineert om naar de wereld te kijken. Eerst gebruikten ze gevestigde principes uit de netwerkwetenschap om de vorm van de interacties van de menigte te meten. Ze berekenden zaken zoals hoe ver mensen in het netwerk van elkaar verwijderd waren, hoe dicht de verbindingen waren en hoe groepen mensen zich vormden of juist uiteenvielen. Deze metingen boden een solide, begrijpelijke basis. Echter, ze wisten dat het simpelweg invoeren van deze getallen in een computer niet voldoende zou zijn, omdat de relatie tussen deze vormen en toekomstige groei rommelig is en van evenement tot evenement verandert. Daarom voegden ze een tweede laag toe: een automatisch leersysteem dat de verborgen patronen binnen die metingen kon vinden. Dit systeem leerde de complexe data te comprimeren tot een eenvoudigere, krachtigere vorm die de belangrijkste signalen benadrukte terwijl de ruis werd genegeerd.
Zodra het systeem dit verfijnde begrip van de huidige staat van het netwerk had, gebruikte het een gespecialiseerd type geheugenmodel om naar de sequentie van veranderingen te kijken. Dit stelde het systeem in staat om niet alleen te zien wat er gebeurde, maar ook hoe het patroon van verandering versnelde of vertraagde. Het resultaat was een voorspelling van hoeveel nieuwe deelnemers er in het volgende uur zouden arriveren. Wanneer ze dit testten tegenover andere methoden, inclusief standaard statistische instrumenten en geavanceerde kunstmatige intelligentiemodellen, presteerde hun systeem consequent beter dan hen allemaal. Het was in staat om de omvang van de menigte te voorspellen met een nauwkeurigheid die in veel gevallen de 97 procent oversteeg, waarbij het de plotselinge pieken opving die andere modellen misten of verkeerd inschatten.
Misschien wel het meest waardevolle aspect van deze ontdekking is dat het systeem niet fungeert als een black box. Omdat het begint met duidelijke, menselijk begrijpelijke metingen van het netwerk, kunnen de onderzoekers naar binnen kijken en zien welke factoren de voorspelling drijven. Ze ontdekten dat bepaalde soorten verbindingen, zoals hoe hecht kleine groepjes werden of hoe de verspreiding van informatie van richting veranderde, de sterkste indicatoren waren voor een naderende piek. Deze transparantie betekent dat veiligheidsfunctionarissen niet alleen een waarschuwing krijgen, maar ook begrijpen waarom de waarschuwing is uitgegeven. Bijvoorbeeld, het systeem kan een evenement markeren omdat de netwerkstructuur laat zien dat een paar sleutelfiguren beginnen om grote clusters van nieuwe mensen aan te trekken, een teken dat het evenement bijna de veilige capaciteit zal overschrijden.
De onderzoekers testten hun methode ook op andere soorten netwerken, zoals online gemeenschappen en digitale valuta-beurzen, om te zien of de aanpak buiten publieke evenementen werkte. Dat deed het, wat bewees dat de strategie van het combineren van structurele metingen met automatisch leren een robuuste manier is om groei in elk dynamisch systeem te voorspellen. Hoewel het huidige model zich richt op de structuur van interacties in plaats van op de specifieke woorden die mensen gebruiken, suggereert het succes van de aanpak een duidelijke weg vooruit. Door de betekenis van de gesprekken toe te voegen aan de structuur van de verbindingen, zouden toekomstige versies nog nauwkeuriger kunnen worden. Voor nu biedt dit werk een krachtige nieuwe lens om de hartslag van het publieke leven te observeren, waarbij de chaotische evolutie van menigten wordt omgezet in een voorspelbaar patroon dat beheersbaar kan worden gemaakt voordat het een crisis wordt.
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.