[論文レビュー] Data-Driven Modeling Reveals the Impact of Stay-at-Home Orders on Human Mobility during the COVID-19 Pandemic in the U.S

Chenfeng Xiong, Songhua Hu+5 more|arXiv (Cornell University)|May 2, 2020

Human Mobility and Location-Based Analysis参考文献 10被引用数 12

ひとこと要約

本研究では、米国におけるCOVID-19パンデミック期の人的移動の変化をモデル化するために、匿名化されたモバイルデバイスの位置情報データを用いた。特に、自宅待機命令の影響に焦点を当てた。研究では、これらの政策が観察された1日あたりの移動回数および1人あたり移動距離の減少の5%未塔にとどまることを明らかにした。また、疫学的予測や政策評価に役立てる高精度な予測モデルが開発された。

ABSTRACT

One approach to delay the spread of the novel coronavirus (COVID-19) is to reduce human travel by imposing travel restriction policies. It is yet unclear how effective those policies are on suppressing the mobility trend due to the lack of ground truth and large-scale dataset describing human mobility during the pandemic. This study uses real-world location-based service data collected from anonymized mobile devices to uncover mobility changes during COVID-19 and under the 'Stay-at-home' state orders in the U.S. The study measures human mobility with two important metrics: daily average number of trips per person and daily average person-miles traveled. The data-driven analysis and modeling attribute less than 5% of the reduction in the number of trips and person-miles traveled to the effect of the policy. The models developed in the study exhibit high prediction accuracy and can be applied to inform epidemics modeling with empirically verified mobility trends and to support time-sensitive decision-making processes.

研究の動機と目的

• 米国におけるCOVID-19パンデミック期の自宅待機命令が人的移動に与える実際の影響を定量化すること。
• パンデミック期における移動トレンドに関する地面真実および大規模データの不足を解消すること。
• 現実の位置情報サービスデータを用いて、人的移動変化を正確に予測できるデータ駆動型モデルを開発すること。
• 実証的検証済みの移動トレンドを基に、タイムリーな公衆衛生意思決定を支援すること。

提案手法

• 米国全域の人的移動を追跡するために、大規模で現実世界のデータセットからの匿名化されたモバイルデバイス位置情報データを活用した。
• 2つの主要な移動指標を定義した：1人あたり1日平均の移動回数、1日平均の1人あたり移動距離（マイル）。
• 季節的トレンドや一般の認識といった他の交絡要因から、自宅待機命令の影響を分離するための統計的モデリングを適用した。
• 時系列解析と回帰モデリングを用いて、高い予測精度で政策の影響を推定した。
• 予測外のデータを用いた予測と交差検証技術を用いて、モデルの性能を検証した。
• 研究の知見を、将来の疫学的モデリングおよび政策評価に活用できるフレームワークに統合した。

実験結果

リサーチクエスチョン

• RQ1 米国におけるCOVID-19パンデミック初期段階において、自宅待機命令は人的移動をどの程度減少させたか？
• RQ2 観察された移動減少のうち、政策介入に起因する部分はどの程度か、他の要因とはどのように区別できるか？
• RQ3 現実の位置情報データを用いたデータ駆動型モデルは、パンデミック期の移動トレンドを正確に予測できるか？
• RQ4 政策に起因する行動変容が、全体の移動減少に占める相対的寄与度はどの程度か？
• RQ5 実証的検証済みの移動モデルは、リアルタイムの公衆衛生意思決定をどのように支援できるか？

主な発見

• 自宅待機命令は、パンデミック期に1日あたりの1人あたり移動回数の合計減少の5%未塔にとどまった。
• 自宅待機命令は、米国全域における1日あたりの1人あたり移動距離（マイル）の減少の5%未塔にとどまった。
• 開発されたデータ駆動型モデルは高い予測精度を示し、移動トレンドの信頼性ある予測が可能となった。
• 移動の減少は主に、政策に起因しない要因、例えば一般の認識、感染への恐れ、自発的な社会的距離の確保によって引き起こされた。
• これらのモデルは、疫学的モデリングに活用され、タイムリーな公衆衛生介入を支援できる。
• 本研究は、将来の公衆衛生危機における移動変化の評価に役立つ、検証済みのデータ駆動型フレームワークを提供した。