[論文レビュー] An LSTM approach to Predict Migration based on Google Trends.

Nicolas Golenvaux, Pablo González Álvarez+2 more|arXiv (Cornell University)|May 20, 2020

Human Mobility and Location-Based Analysis参考文献 26被引用数 2

ひとこと要約

本論文は、35か国にわたるOECD加盟国への国際移住を1年先まで予測するために、Googleトレンドデータを活用したLSTMベースのモデルを提案する。従来の線形重力モデルやフィードフォワードニューラルネットワークに代えてLSTMを採用することで、RMSEは5倍、MAEは4倍低減され、予測精度が顕著に向上し、深層学習が移住モデリングの代替手段として有効であることが示された。

ABSTRACT

Being able to model and forecast international migration as precisely as possible is crucial for policymaking. Recently Google Trends data in addition to other economic and demographic data have been shown to improve the forecasting quality of a gravity linear model for the one-year ahead forecasting. In this work, we replace the linear model with a long short-term memory (LSTM) approach and compare it with two existing approaches: the linear gravity model and an artificial neural network (ANN) model. Our LSTM approach combined with Google Trends data outperforms both these models on various metrics in the task of forecasting the one-year ahead incoming international migration to 35 Organization for Economic Co-operation and Development (OECD) countries: for example the root mean square error (RMSE) and the mean average error (MAE) have been divided by 5 and 4 on the test set. This positive result demonstrates that machine learning techniques constitute a serious alternative over traditional approaches for studying migration mechanisms.

研究の動機と目的

• OECD加盟国における1年先の国際移住予測の精度を向上させること。
• LSTMのような再帰的ニューラルネットワークが、従来の線形モデルよりも移住ダイナミクスをよりよく捉えられるかどうかを調査すること。
• 機械学習モデルにおけるGoogleトレンドデータの統合が、移住予測に与える影響を評価すること。
• LSTM、人工ニューラルネットワーク（ANN）、線形重力モデルの3つの手法が移住予測においてどの程度の性能を示すかを比較すること。

提案手法

• 本研究では、時間的順序に沿った移住パターンをモデル化するため、長短期記憶（LSTM）ニューラルネットワークアーキテクチャを採用する。
• 移住関連の検索キーワードに関するGoogleトレンドデータを入力特徴量として統合し、世論の関心や行動的シグナルへの感受性を高める。
• モデルは、歴史的移住データに加え、経済的・人口統計的指標とGoogleトレンドデータを組み合わせたデータで学習する。
• 性能評価は、ホールドアウトされたテストセットを用いて、標準的な回帰評価指標（決定係数、RMSE、MAE）を用いて行う。
• LSTMは、同一のデータと評価条件下で、線形重力モデルおよびフィードフォワード型人工ニューラルネットワーク（ANN）モデルと直接比較される。
• モデルは1年先の予測を最適化しており、35か国のOECD加盟国への流入移住流を対象としている。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、従来の線形重力モデルに比べ、1年先の国際移住予測を改善できるか？
• RQ2 Googleトレンドデータの統合は、機械学習モデルの移住予測性能にどのような影響を与えるか？
• RQ3 LSTMアプローチは、標準的な人工ニューラルネットワーク（ANN）に比べ、移住流の予測において優れているか？
• RQ4 LSTMにGoogleトレンドを組み合わせた場合、RMSEおよびMAE指標は、ベースラインモデルに比べてどの程度改善されるか？

主な発見

• Googleトレンドデータを組み合わせたLSTMモデルは、線形重力モデルおよびANNモデルに比べ、1年先の移住予測において顕著に優れている。
• テストセットにおいて、決定係数（RMSE）は線形重力モデルに比べて5倍低減された。
• 線形重力モデルに比べ、平均絶対誤差（MAE）は4倍低減された。
• 性能向上の結果から、再帰的ニューラルネットワークが、非線形的で複雑な移住ダイナミクスを捉えるのに線形モデルよりも適していることが示された。
• Googleトレンドデータの統合により、予測精度が顕著に向上した。これは、検索行動が意味のある移住シグナルを反映していることを示している。
• LSTMアプローチは、移住研究における従来の経済計量モデルの強力な代替手段として確立された。