Las redes sociales basadas en la localización están permitiendo a los científicos estudiar la forma en patrones humanos de un cambio de comportamiento en el tiempo y en el espacio, una técnica que debería conllevar una visión más profunda de la naturaleza de la sociedad.
MIT Technology Review
La creciente disponibilidad de grandes volúmenes de datos desde teléfonos móviles y aplicaciones basadas en la ubicación ha provocado una revolución en la comprensión de los patrones de movilidad humana. Estos datos muestran el flujo y reflujo de los desplazamientos diarios dentro y fuera de las ciudades, el patrón de viajes de todo el mundo e incluso la forma de la enfermedad puede propagarse a través de las ciudades a través de sus sistemas de transporte.
Así que hay mucho interés en mirar más de cerca los patrones de movilidad humana de ver lo bien que se puede predecir y cómo se podrían utilizar estas predicciones en todo, desde el control de la enfermedad y la planificación de la ciudad a la previsión del tráfico y la publicidad basada en la ubicación.
Hoy en día tenemos una idea de la clase de detallado que es posible gracias al trabajo de Zimo Yang en investigaciones de Microsoft en Pekín y algunos amigos. Estos chicos comienzan con la hipótesis de que las personas que viven en una ciudad tienen un patrón de movilidad que es significativamente diferente de aquellos que no son más que visitaba. Al dividir los viajeros en los locales y no locales, su capacidad para predecir donde la gente es probable que visite mejora dramáticamente.
Zimo y colegas comienzan con datos de una red social basada en la localización chino llamado Jiepang.com. Esto es similar a Foursquare en los EE.UU. Se permite a los usuarios grabar los lugares que visitan y para conectarse con amigos en estos lugares y para encontrar otras personas con intereses similares.
Los puntos de datos se conocen como registros de entrada y el equipo descargaron más de 1,3 millones de ellos a partir de cinco grandes ciudades de China: Beijing, Shanghai, Nanjing, Chengdu y Hong Kong. A continuación, utiliza el 90 por ciento de los datos para entrenar a sus algoritmos y el restante 10 por ciento para probarlo. Los datos Jiapang incluye lugares de origen de los usuarios por lo que es fácil ver si una persona está comprobando desde su ciudad o en otro lugar.
La pregunta que Zimo y colegas quieren responder es la siguiente: dado un usuario en particular y de su ubicación actual, ¿dónde están más propensos a visitar en el futuro cercano? En la práctica, esto significa analizar los datos del usuario, como su ciudad natal y los lugares visitados recientemente, y viene con una lista de otros lugares que son propensos a visitar en función del tipo de personas que visitaron estos lugares en el pasado.
Zimo y colegas utilizaron su conjunto de datos de entrenamiento para aprender el patrón de movilidad de los locales y no locales y la popularidad de los lugares que visitaron. Posteriormente, el equipo aplicó esto a los datos de prueba para ver si su algoritmo fue capaz de predecir donde locales y no locales eran propensos a visitar.
Ellos encontraron que los mejores resultados se dieron a analizar el patrón de comportamiento de un individuo en particular y la estimación de la medida en que esta persona se comporta como si fuera local. Eso produjo una ponderación llamado el coeficiente de indigenización que los investigadores podrían entonces utilizar para determinar los patrones de movilidad que esta persona era probable que siga en el futuro.
De hecho, Zimo y colegas dicen que pueden detectar no-residentes de esta manera sin siquiera saber su posición de casa. "Debido a que los no nativos tienden a visitar lugares populares, como el Palacio Imperial en Beijing y el Bund en Shanghai, mientras que los nativos suelen comprobar en torno a sus hogares y lugares de trabajo", añaden.
El equipo dice que este enfoque supera considerablemente los algoritmos mixtos que utilizan sólo la historia visitando individuo y la ubicación de popularidad. "Para nuestra sorpresa, un algoritmo híbrido ponderada mediante los coeficientes de indigenización supera el algoritmo mixto que representa la información demográfica adicional."
Es fácil imaginar cómo este algoritmo podría ser útil para las empresas que desean dirigirse a ciertos tipos de viajeros o gente local. Pero hay una aplicación más interesante también.
Zimo y sus colegas dicen que es posible controlar la forma en que los patrones de movilidad de una persona cambian con el tiempo. Así que si una persona se muda a una nueva ciudad, debería ser posible ver el tiempo que tardan en resolver pulg
Una forma de medir esto es en sus pautas de movilidad: si son más parecidas a las de un local o de un no-local. "Podemos ser capaces de calcular si una persona no nativa se comportará como una persona nativa después de un período de tiempo y si es así, ¿cuánto tiempo en promedio una persona necesita para ser un uno-nativa como," dicen Zimo y co.
Eso podría tener un impacto interesante en el camino antropólogos migración estudio y la forma en inmigrantes se convierten en parte de una comunidad local. Esta es la antropología computacional una ciencia que está claramente en sus primeras etapas, pero que tiene un enorme potencial para el futuro.
Ref: arxiv.org/abs/1405.7769: Indigenization of Urban Mobility
No hay comentarios:
Publicar un comentario