Individuell mobilitet - Individual mobility

Nettverksvitenskap
Teori
Kurve Kompleks nettverk Smitte Liten verden Skalafri Samfunnsstruktur Perkolasjon Utvikling Kontrollerbarhet Graftegning Sosial kapital Linkanalyse Optimalisering Gjensidighet Lukking Homofilt Transitivitet Foretrukket vedlegg Balanse teori Nettverkseffekt Sosial innflytelse
Nettverkstyper
Informasjons (databehandling) Telekommunikasjon Transportere Sosial Vitenskapelig samarbeid Biologisk Kunstig nevral Avhengig av hverandre Semantisk Romlig Avhengighet Strømme on-Chip
Grafer
Funksjoner Klikk Komponent Skjære Syklus Data struktur Kant Løkke Nabolag Sti Vertex Tilstøtende liste  / matrise Forekomstliste  / matrise Typer Bipartitt Fullstendig Rettet Hyper Multi Tilfeldig Vektet
Metrics Algoritmer
Sentralitet Grad Motiv Gruppering Gradfordeling Assortativitet Avstand Modularitet Effektivitet
Modeller
Topologi Tilfeldig graf Erdős – Rényi Barabási – Albert Treningsmodell Watts - Strogatz Eksponentiell tilfeldig (ERGM) Tilfeldig geometrisk (RGG) Hyperbolisk (HGN) Hierarkisk Stokastisk blokk Blockmodellering Maksimal entropi Myk konfigurasjon LFR Benchmark Dynamikk Boolsk nettverk agent basert Epidemi / SIR
Lister Kategorier
Emner Programvare Nettverksforskere Kategori: Nettverksteori Kategori: Grafteori
v t e

Individuell menneskelig mobilitet er studien som beskriver hvordan individuelle mennesker beveger seg innenfor et nettverk eller system. Konseptet har blitt studert på en rekke felt med opprinnelse i studiet av demografi. Forstå menneskelig mobilitet har mange applikasjoner i ulike områder, inkludert spredning av sykdommer , mobile virus , byplanlegging , trafikkteknikk , finansielle markedet prognoser , og nowcasting av økonomisk trivsel .

Data

De siste årene har det vært en økning i store datasett tilgjengelig om menneskelige bevegelser. Disse datasettene er vanligvis hentet fra mobiltelefon- eller GPS -data, med varierende grad av nøyaktighet. For eksempel registreres mobiltelefondata vanligvis når en samtale eller en tekstmelding har blitt foretatt eller mottatt av brukeren, og inneholder plasseringen av tårnet som telefonen har koblet til, samt tidsstempelet. I urbane områder kan brukeren og telekommunikasjonstårnet være bare noen få hundre meter fra hverandre, mens i landlige områder denne distansen godt kan være i et område på noen få kilometer. Derfor er det varierende grad av nøyaktighet når det gjelder å finne en person som bruker mobildata. Disse datasettene er anonymisert av telefonselskapene for å skjule og beskytte identiteten til faktiske brukere. Som et eksempel på bruken brukte forskerne banen til 100 000 mobiltelefonbrukere i løpet av en periode på seks måneder, mens i mye større skalaer ble tre millioner mobiltelefonbrukere analysert. GPS -data er vanligvis mye mer nøyaktige, selv om de vanligvis er mye vanskeligere å skaffe på grunn av personvernhensyn . Store mengder GPS-data som beskriver menneskelig mobilitet produseres for eksempel av innebygde GPS-enheter på private kjøretøyer. GPS -enheten slås på automatisk når kjøretøyet starter, og sekvensen med GPS -punkter enheten produserer med noen få sekunders mellomrom danner en detaljert mobilitetsbane for kjøretøyet. Noen nylige vitenskapelige studier sammenlignet mobilitetsmønstrene fra mobiltelefondata med de som kom fra GPS -data.

Forskere har kunnet trekke ut svært detaljert informasjon om menneskene hvis data blir gjort tilgjengelig for offentligheten. Dette har skapt stor bekymring for personvernproblemer. Som et eksempel på gjeld som kan skje, ga New York City ut 173 millioner individuelle drosjeturer . Byens tjenestemenn brukte en svært svak kryptografalgoritme for å anonymisere lisensnummeret og medaljongnummeret, som er en alfanumerisk kode som er tilordnet hver drosje. Dette gjorde det mulig for hackere å fullstendig anonymisere datasettet, og til og med noen kunne trekke ut detaljert informasjon om spesifikke passasjerer og kjendiser, inkludert deres opprinnelse og destinasjon og hvor mye de tipset.

Kjennetegn

I stor skala, når atferden er modellert over en periode med relativt lang varighet (f.eks. Mer enn en dag), kan menneskelig mobilitet beskrives av tre hovedkomponenter:

• reiseavstandsfordeling ${\ displaystyle P (r)}$
• radius av gyrasjon ${\ displaystyle r_ {g} (t)}$
• antall besøkte steder ${\ displaystyle S (t)}$

Brockmann, ved å analysere sedler, fant at sannsynligheten for reiseavstanden følger en skala fritt random walk kjent som Lévy flight av form der . Dette ble senere bekreftet av to studier som brukte mobildata og GPS -data for å spore brukere. Implikasjonen av denne modellen er at, i motsetning til andre mer tradisjonelle former for tilfeldige turer som brownisk bevegelse , har menneskelige turer en tendens til å være for det meste korte avstander med noen få lange avstander. I brun bevegelse styres fordelingen av turavstander av en klokkeformet kurve, noe som betyr at den neste turen er av en omtrent forutsigbar størrelse, gjennomsnittet, hvor det i Lévy-flyging kan være en størrelsesorden større enn gjennomsnittet. ${\ displaystyle P (r) \ \ sim r^{-(1+ \ beta)}}$${\ displaystyle \ beta = 0,6}$

Noen mennesker er iboende tilbøyelige til å reise lengre avstander enn gjennomsnittet, og det samme gjelder for mennesker med mindre bevegelsestrang. Gyrationsradius brukes til å fange nettopp det, og den indikerer den karakteristiske distansen som en person har reist i løpet av en tidsperiode t. Hver bruker, innenfor sin gyrasjonsradius , vil velge reiseavstand i henhold til . ${\ displaystyle r_ {g} (t)}$${\ displaystyle P (r)}$

Den tredje komponenten modellerer det faktum at mennesker har en tendens til å besøke noen steder oftere enn det som ville ha skjedd under et tilfeldig scenario. For eksempel besøkes hjemmet eller arbeidsplassen eller favorittrestaurantene mye mer enn mange andre steder i en brukers radius av gyrasjon. Det har blitt oppdaget at hvor , noe som indikerer en sublinjær vekst på forskjellige antall steder besøkt av en person. Disse tre tiltakene fanger opp det faktum at de fleste turer skjer mellom et begrenset antall steder, med mindre hyppige reiser til steder utenfor individets radius av gyrasjon. ${\ displaystyle S (t) \ \ sim t^{\ mu}}$${\ displaystyle \ mu = 0,6}$

Forutsigbarhet

Selv om menneskelig mobilitet er modellert som en tilfeldig prosess, er den overraskende forutsigbar. Ved å måle entropien til hver persons bevegelse, har det blitt vist at det er en 93% potensiell forutsigbarhet. Dette betyr at selv om det er stor variasjon i type brukere og avstandene som hver av dem reiser, er den generelle egenskapen for dem svært forutsigbar. Implikasjon av det er at det i prinsippet er mulig å modellere prosessene som er avhengige av menneskelige mobilitetsmønstre, for eksempel sykdom eller mobile virusspredningsmønstre, nøyaktig.

På individuell skala kan daglig menneskelig mobilitet forklares med bare 17 nettverksmotiver . Hvert individ viser et av disse motivene karakteristisk, over en periode på flere måneder. Dette åpner muligheten for å reprodusere daglig individuell mobilitet ved bruk av en analyserbar modell. Universelle mønstre for menneskelig strømning i store byområder i Japans byer i rushtiden og ikke -rushtiden har blitt studert av Yohei Shida et al. Mønstrene har vist seg å være analoge med elveløp.

applikasjoner

Smittsomme sykdommer spredes over hele verden vanligvis på grunn av langdistanse reiser til bærere av sykdommen. Disse langdistansereisene gjøres ved hjelp av lufttransportsystemer , og det har blitt vist at " nettverkstopologi , trafikkstruktur og individuelle mobilitetsmønstre alle er avgjørende for nøyaktige spådommer om spredning av sykdom". På en mindre romlig skala bør det tas hensyn til regelmessigheten i menneskelige bevegelsesmønstre og dets tidsstruktur i modeller for spredning av smittsom sykdom. Mobiltelefonvirus som overføres via bluetooth er sterkt avhengig av menneskelig interaksjon og bevegelser. Med flere som bruker lignende operativsystemer for mobiltelefonene sine, blir det mye lettere å ha en virusepidemi. Forholdet mellom trafikk av mennesker og den første spredningen av Covid-19 i Kina har blitt analysert i Gross et al.

I transportplanlegging , med utnyttelse av egenskapene til menneskelig bevegelse, for eksempel tendens til å reise korte avstander med få, men regelmessige utbrudd av langdistanse-turer, har det blitt gjort nye forbedringer av Trip-distribusjonsmodeller , spesielt Gravity-modellen for migrasjon

Se også

• Mobilitet
• Privat transport
• Nettverksteori
• Personlig transportør
• Personlig luftbil
• Personlig rask transitt
• Bil
  • Massebil
  • Bilavhengighet
• Sykkel
• Lévy flytur
• Skalafritt nettverk
• Offentlig transport
• Transportgeografi og nettverksvitenskap (wikibook)

Referanser