De opkomende wetenschap van computationele antropologie

De toenemende beschikbaarheid van big data van mobiele telefoons en locatiegebaseerde apps heeft een revolutie teweeggebracht in het begrip van menselijke mobiliteitspatronen. Deze gegevens tonen de eb en vloed van het dagelijkse woon-werkverkeer in en uit steden, het patroon van reizen over de hele wereld en zelfs hoe ziekten zich via hun transportsystemen door steden kunnen verspreiden.

Er is dus veel belangstelling om nauwkeuriger naar menselijke mobiliteitspatronen te kijken om te zien hoe goed deze kunnen worden voorspeld en hoe deze voorspellingen kunnen worden gebruikt bij alles, van ziektebestrijding en stadsplanning tot verkeersprognoses en op locatie gebaseerde advertenties.

Vandaag krijgen we inzicht in het soort details dat mogelijk is dankzij het werk van Zimo Yang bij Microsoft Research in Beijing en een paar vrienden. Deze jongens beginnen met de hypothese dat mensen die in een stad wonen een mobiliteitspatroon hebben dat aanzienlijk verschilt van degenen die alleen op bezoek zijn. Door reizigers op te delen in lokale en niet-lokale reizigers, verbetert hun vermogen om te voorspellen waar mensen waarschijnlijk zullen bezoeken aanzienlijk.

Zimo en co beginnen met gegevens van een Chinees locatiegebaseerd sociaal netwerk genaamd Jiepang.com. Dit is vergelijkbaar met Foursquare in de VS. Het stelt gebruikers in staat om de plaatsen die ze bezoeken vast te leggen en om contact te maken met vrienden op deze locaties en om anderen met dezelfde interesses te vinden.

De datapunten staan ​​bekend als check-ins en het team heeft er meer dan 1,3 miljoen gedownload uit vijf grote steden in China: Peking, Shanghai, Nanjing, Chengdu en Hong Kong. Vervolgens gebruikten ze 90 procent van de gegevens om hun algoritmen te trainen en de resterende 10 procent om deze te testen. De Jiapang-gegevens omvatten de woonplaatsen van de gebruikers, zodat het gemakkelijk is om te zien of een persoon in zijn eigen stad of ergens anders incheckt.

De vraag die Zimo en co willen beantwoorden is de volgende: waar zullen ze, gegeven een bepaalde gebruiker en hun huidige locatie, in de nabije toekomst het meest naartoe gaan? In de praktijk betekent dat het analyseren van de gegevens van de gebruiker, zoals hun woonplaats en de recentelijk bezochte locaties, en het bedenken van een lijst met andere locaties die ze waarschijnlijk zullen bezoeken op basis van het type mensen dat deze locaties in het verleden heeft bezocht.

Zimo en co gebruikten hun trainingsdataset om het mobiliteitspatroon van locals en non-locals en de populariteit van de bezochte locaties te leren kennen. Het team paste dit vervolgens toe op de testdataset om te zien of hun algoritme in staat was om te voorspellen waar lokale en niet-lokale bewoners naartoe zouden gaan.

Ze ontdekten dat hun beste resultaten voortkwamen uit het analyseren van het gedragspatroon van een bepaald individu en het inschatten van de mate waarin deze persoon zich als een local gedraagt. Dat leverde een weging op, de indigenisatiecoëfficiënt genaamd, die de onderzoekers vervolgens konden gebruiken om de mobiliteitspatronen te bepalen die deze persoon in de toekomst waarschijnlijk zou volgen.

Zimo en co zeggen zelfs dat ze op deze manier niet-locals kunnen spotten zonder zelfs maar hun thuislocatie te kennen. Omdat allochtonen de neiging hebben om populaire locaties te bezoeken, zoals het keizerlijk paleis in Peking en de Bund in Shanghai, terwijl autochtonen meestal inchecken bij hun huizen en werkplekken, voegen ze eraan toe.

Het team zegt dat deze aanpak aanzienlijk beter presteert dan de gemengde algoritmen die alleen individuele bezoekgeschiedenis en locatiepopulariteit gebruiken. Tot onze verbazing presteert een hybride algoritme, gewogen op basis van de indigenisatiecoëfficiënten, beter dan het gemengde algoritme dat aanvullende demografische informatie bevat.

Het is gemakkelijk voor te stellen hoe een dergelijk algoritme nuttig kan zijn voor bedrijven die zich op bepaalde soorten reizigers of lokale mensen willen richten. Maar er is ook een interessantere toepassing.

Zimo en co zeggen dat het mogelijk is om te volgen hoe de mobiliteitspatronen van een persoon in de loop van de tijd veranderen. Dus als iemand naar een nieuwe stad verhuist, moet het mogelijk zijn om te zien hoe lang het duurt om zich te vestigen.

Een manier om dit te meten is in hun mobiliteitspatronen: of ze meer lijken op die van een lokale of een niet-lokale. We kunnen misschien inschatten of een allochtoon zich na een bepaalde tijd als een autochtoon zal gedragen en zo ja, hoe lang het gemiddeld duurt voordat iemand autochtoon wordt, zeggen Zimo en co.

Dat zou een fascinerende impact kunnen hebben op de manier waarop antropologen migratie bestuderen en de manier waarop immigranten deel gaan uitmaken van een lokale gemeenschap. Dit is computationele antropologie, een wetenschap die duidelijk nog in de kinderschoenen staat, maar een enorm potentieel heeft voor de toekomst.

Referentie: arxiv.org/abs/1405.7769 : Indigenisering van stedelijke mobiliteit

zich verstoppen