Индивидуальная мобильность

Сетевая наука
Теория
График Комплексная сеть Заражение Маленький мир Без накипи Структура сообщества Перколяция Эволюция Управляемость Рисование графика Социальный капитал Анализ ссылок Оптимизация Взаимность Закрытие Гомофилия Транзитивность Предпочтительная привязанность Теория баланса Сетевой эффект Влияние общества
Типы сетей
Информационная (вычислительная) Телекоммуникации Транспорт Социальное Научное сотрудничество Биологические Искусственный нейрон Взаимозависимый Семантический Пространственный Зависимость Поток на чипе
Графики
Функции Клика Составная часть Резать Цикл Структура данных Край Петля Район Дорожка Вершина Список  / матрица смежности Список  / матрица заболеваемости Типы Двудольный Полный Режиссер Гипер Мульти Случайный Взвешенный
МетрикиАлгоритмы
Центральность Степень Мотив Кластеризация Распределение степеней Ассортативность Расстояние Модульность Эффективность
Модели
Топология Случайный график Эрдеш – Реньи Барабаши – Альберт Фитнес-модель Уоттс-Строгац Экспоненциальный случайный (ERGM) Случайный геометрический (RGG) Гиперболический (HGN) Иерархический Стохастический блок Максимальная энтропия Мягкая конфигурация Тест LFR Динамика Логическая сеть агент на основе Эпидемия / SIR
СпискиКатегории
Темы Программное обеспечение Сетевые ученые Категория: Теория сетей Категория: Теория графов
v т е

Индивидуальная человеческая мобильность - это исследование, которое описывает, как отдельные люди перемещаются в сети или системе. ^[1] Эта концепция изучалась в ряде областей, берущих начало в изучении демографии. Понимание мобильности человека имеет множество приложений в различных областях, включая распространение болезней , ^{[2] [3]} мобильные вирусы , ^[4] городское планирование , ^{[5] [6] [7]} транспортную инженерию , ^{[8] [9] [10 ] ]} прогнозирование финансового рынка , ^[11] и прогнозирование текущей погоды , экономического благополучия . ^[12][13]

Данные [ редактировать ]

В последние годы резко увеличилось количество доступных массивов данных о перемещениях людей. Эти наборы данных обычно получаются из данных сотового телефона или GPS с разной степенью точности. Например, данные сотового телефона обычно записываются всякий раз, когда пользователем был сделан или получен звонок или текстовое сообщение, и содержат местоположение вышки, к которой подключен телефон, а также отметку времени. ^[14]В городских районах пользователь и телекоммуникационная вышка могут находиться всего в нескольких сотнях метров друг от друга, в то время как в сельской местности это расстояние может быть в районе нескольких километров. Следовательно, когда дело доходит до определения местонахождения человека с помощью данных мобильного телефона, существует разная степень точности. Эти наборы данных анонимизируются телефонными компаниями, чтобы скрыть и защитить личность реальных пользователей. В качестве примера его использования исследователи ^[14] использовали траекторию 100 000 пользователей сотовых телефонов в течение шести месяцев, в то время как в гораздо более крупном масштабе ^[15] были проанализированы траектории 3 миллионов пользователей сотовых телефонов. Данные GPS обычно намного точнее, хотя обычно это так, из-за конфиденциальности.проблемы, которые гораздо труднее получить. Огромные объемы данных GPS, описывающих мобильность человека, производятся, например, бортовыми устройствами GPS на частных транспортных средствах. ^{[16] [17]} Устройство GPS автоматически включается при трогании с места, и последовательность точек GPS, создаваемых устройством каждые несколько секунд, формирует детальную траекторию движения автомобиля. Некоторые недавние научные исследования сравнивали модели мобильности, полученные на основе данных мобильного телефона, с моделями, полученными на основе данных GPS. ^{[16] [17] [18]}

Исследователи смогли получить очень подробную информацию о людях, данные которых стали общедоступными. Это вызвало серьезную озабоченность проблемами конфиденциальности. В качестве примера обязательств, которые могут возникнуть, Нью-Йорк выпустил 173 миллиона индивидуальных поездок на такси . Городские власти использовали очень слабый алгоритм криптографии, чтобы обезличить номер лицензии и номер медальона, который представляет собой буквенно-цифровой код, присваиваемый каждой кабине такси. ^[19] Это позволило хакерам полностью деанонимизировать набор данных, и даже некоторые смогли извлечь подробную информацию о конкретных пассажирах и знаменитостях, в том числе об их происхождении и пункте назначения, а также о размере чаевых. ^{[19] [20]}

Характеристики [ править ]

В крупном масштабе, когда поведение моделируется в течение относительно длительного периода (например, более одного дня), мобильность человека может быть описана тремя основными компонентами:

• распределение расстояния поездки ${\ Displaystyle P (r)}$
• радиус вращения ${\ displaystyle r_ {g} (t)}$
• количество посещенных мест ${\ Displaystyle S (т)}$

Брокманн ^[21] , анализируя банкноты, обнаружил, что вероятность прохождения расстояния следует за безмасштабным случайным блужданием, известным как полет формы Леви где . Позднее это было подтверждено двумя исследованиями, в которых для отслеживания пользователей использовались данные сотового телефона ^[14] и данные GPS. ^[16] Смысл этой модели заключается в том, что в отличие от других более традиционных форм случайных блужданий, таких как броуновское движение${\ Displaystyle Р (г) \ \ сим г ^ {- (1+ \ бета)}}$${\ displaystyle \ beta = 0,6}$человеческие путешествия, как правило, совершаются на короткие расстояния, а иногда и на несколько дальних. При броуновском движении распределение расстояний между поездками определяется колоколообразной кривой, что означает, что следующая поездка имеет примерно предсказуемый размер, средний, тогда как в полете Леви он может быть на порядок больше среднего.

Некоторые люди по своей природе склонны преодолевать большие расстояния, чем в среднем, и то же самое верно и для людей с меньшим желанием двигаться. Радиус вращения используется только для этого, и он указывает характерное расстояние, пройденное человеком за период времени t. ^[14] Каждый пользователь в пределах своего радиуса вращения выбирает расстояние поездки в соответствии с .${\ displaystyle r_ {g} (t)}$${\ Displaystyle P (r)}$

Третий компонент моделирует тот факт, что люди, как правило, посещают некоторые места чаще, чем это могло бы произойти при случайном сценарии. Например, дом, рабочее место или любимые рестораны посещают гораздо чаще, чем многие другие места в радиусе движения пользователя. Было обнаружено, что где , что указывает на сублинейный рост в разном количестве мест, посещаемых человеком. Эти три показателя отражают тот факт, что большинство поездок происходит между ограниченным числом мест и менее частыми поездками в места за пределами радиуса вращения человека.${\ Displaystyle S (т) \ \ сим т ^ {\ му}}$${\ displaystyle \ mu = 0,6}$

Предсказуемость [ править ]

Хотя мобильность людей моделируется как случайный процесс, она на удивление предсказуема. Измеряя энтропию движения каждого человека, было показано ^[15], что потенциальная предсказуемость составляет 93%. Это означает, что, хотя типы пользователей и расстояния, которые преодолевает каждый из них, сильно различаются, их общая характеристика очень предсказуема. Следствием этого является то, что в принципе можно точно моделировать процессы, которые зависят от моделей мобильности человека, таких как модели распространения болезней или мобильных вирусов. ^{[22] [23] [24]}

В индивидуальном масштабе повседневную мобильность людей можно объяснить всего 17 сетевыми мотивами . Каждому человеку характерно проявляется один из этих мотивов в течение нескольких месяцев. Это открывает возможность воспроизводить ежедневную индивидуальную мобильность с помощью поддающейся обработке аналитической модели ^[25] Универсальные модели потоков людей в крупных городских районах в городах Японии в часы пик и в часы пик были изучены Йохей Шида и др. ^[26] Было обнаружено, что закономерности аналогичны речным потокам.

Приложения [ править ]

Инфекционные заболевания распространяются по земному шару обычно из-за дальних путешествий носителей болезни. Эти дальние путешествия совершаются с использованием систем воздушного транспорта , и было показано, что « топология сети , структура трафика и индивидуальные модели мобильности - все это важно для точного прогнозирования распространения болезней». ^[22] В меньшем пространственном масштабе регулярность движений человека и его временная структура должны быть приняты во внимание в моделях распространения инфекционных заболеваний. ^[27]Вирусы мобильных телефонов, которые передаются через Bluetooth, в значительной степени зависят от взаимодействия и движений человека. Поскольку все больше людей используют аналогичные операционные системы для своих мобильных телефонов, становится намного легче получить вирусную эпидемию. ^[23] Связь между трафиком людей и первоначальным распространением Covid-19 в Китае была проанализирована в Gross et al. ^[28]

В транспортном планировании , используя характеристики передвижения людей, такие как склонность преодолевать короткие расстояния с небольшими, но регулярными периодами дальних поездок, были внесены новые улучшения в модели распределения поездок , особенно в гравитационную модель миграции ^[29].

См. Также [ править ]

• Подвижности
• Частный транспорт
• Теория сети
• Личный транспортер
• Личный воздушный транспорт
• Личный скоростной транспорт
• Автомобиль
  • Массовая автомобилизация
  • Автомобильная зависимость
• Велосипед
• Леви рейс
• Безмасштабная сеть
• Общественный транспорт
• Транспортная география и сетевая наука (викибук)

Ссылки [ править ]