The Emerging Science of Computational Anthropology

Den ökande tillgängligheten av big data från mobiltelefoner och platsbaserade appar har utlöst en revolution i förståelsen av mänskliga rörlighetsmönster. Dessa data visar ebb och flödet av den dagliga pendlingen in och ut ur städer, resemönstret runt om i världen och till och med hur sjukdomar kan spridas genom städer via deras transportsystem.

Så det finns ett stort intresse för att titta närmare på mänskliga rörlighetsmönster för att se hur väl det kan förutsägas och hur dessa förutsägelser kan användas i allt från sjukdomsbekämpning och stadsplanering till trafikprognoser och platsbaserad reklam.

Idag får vi en inblick i vilken typ av detaljer som är möjliga tack vare Zimo Yangs arbete på Microsoft research i Peking och några kompisar. Dessa killar börjar med hypotesen att människor som bor i en stad har ett rörlighetsmönster som skiljer sig väsentligt från de som bara är på besök. Genom att dela upp resenärer i lokalbefolkningen och icke-lokalbefolkningen förbättras deras förmåga att förutsäga var människor sannolikt kommer att besöka dramatiskt.

Zimo och co börjar med data från ett kinesiskt platsbaserat socialt nätverk som heter Jiepang.com. Detta liknar Foursquare i USA. Det tillåter användare att spela in platserna de besöker och att få kontakt med vänner på dessa platser och att hitta andra med liknande intressen.

Datapunkterna är kända som incheckningar och teamet laddade ner mer än 1,3 miljoner av dem från fem storstäder i Kina: Peking, Shanghai, Nanjing, Chengdu och Hong Kong. De använde sedan 90 procent av datan för att träna sina algoritmer och de återstående 10 procenten för att testa den. Jiapang-data inkluderar användarnas hemstäder så det är lätt att se om en individ checkar in i sin egen stad eller någon annanstans.

Frågan som Zimo och co vill besvara är följande: med tanke på en viss användare och deras nuvarande plats, var är det mest troligt att de besöker inom en snar framtid? I praktiken innebär det att man analyserar användarens data, som deras hemstad och de platser som nyligen besökts, och att man kommer fram till en lista över andra platser som de sannolikt kommer att besöka baserat på vilken typ av människor som besökte dessa platser tidigare.

Zimo och co använde sin träningsdatauppsättning för att lära sig rörlighetsmönstret för lokalbefolkningen och icke-lokalbefolkningen och populariteten för platserna de besökte. Teamet tillämpade sedan detta på testdatauppsättningen för att se om deras algoritm kunde förutsäga var lokalbefolkningen och icke-lokalbefolkningen sannolikt skulle besöka.

De fann att deras bästa resultat kom från att analysera beteendemönstret för en viss individ och uppskatta i vilken utsträckning denna person beter sig som en lokal. Det gav en viktning som kallas för inhemskhetskoefficienten som forskarna sedan kunde använda för att bestämma mobilitetsmönster som denna person sannolikt kommer att följa i framtiden.

Faktum är att Zimo och co säger att de kan upptäcka icke-lokalbefolkningen på detta sätt utan att ens veta var de bor. Eftersom icke-infödda brukar besöka populära platser, som det kejserliga palatset i Peking och Bund i Shanghai, medan infödda vanligtvis checkar in runt sina hem och arbetsplatser, tillägger de.

Teamet säger att detta tillvägagångssätt avsevärt överträffar de blandade algoritmerna som endast använder individuell besökshistorik och platspopularitet. Till vår förvåning överträffar en hybridalgoritm som vägs av indigeniseringskoefficienterna den blandade algoritmen som står för ytterligare demografisk information.

Det är lätt att föreställa sig hur en sådan algoritm kan vara användbar för företag som vill rikta sig till vissa typer av resenärer eller lokalbefolkning. Men det finns en mer intressant applikation också.

Zimo och co säger att det är möjligt att övervaka hur en individs mobilitetsmönster förändras över tiden. Så om en person flyttar till en ny stad borde det gå att se hur lång tid det tar att bosätta sig i.

Ett sätt att mäta detta är i deras rörlighetsmönster: om de är mer som de hos en lokal eller en icke-lokal. Vi kanske kan uppskatta om en icke-infödd person kommer att bete sig som en infödd person efter en tidsperiod och i så fall hur lång tid det i genomsnitt tar för en person att bli en infödd, säger Zimo och co.

Det kan ha en fascinerande inverkan på hur antropologer studerar migration och hur invandrare blir en del av ett lokalt samhälle. Detta är beräkningsantropologi, en vetenskap som helt klart är i ett tidigt skede men som har enorm potential för framtiden.

Ref: arxiv.org/abs/1405.7769 : Indigenization of Urban Mobility

Dölj