[論文レビュー] Learning Periodic Human Behaviour Models from Sparse Data for Crowdsourcing Aid Delivery in Developing Countries

James O. McInerney, Alex Rogers+1 more|arXiv (Cornell University)|Sep 26, 2013

Human Mobility and Location-Based Analysis参考文献 29被引用数 8

ひとこと要約

本論文は、途上国の農村部における周期的で繰り返される人間の移動行動を活用し、スパarsな基地局データとベイジアンモデル、および周期性を活用する正確なマルコフ決定過程（MDP）定式化を用いて、クラウドソーシングによる支援物資の効率的配布を最適化する手法を提案する。標準的な計画手法と比較して、配達時間を81.3%短縮するとともに、最新の手法よりも少なくとも25%高い移動予測精度を達成する。

ABSTRACT

In many developing countries, half the population lives in rural locations, where access to essentials such as school materials, mosquito nets, and medical supplies is restricted. We propose an alternative method of distribution (to standard road delivery) in which the existing mobility habits of a local population are leveraged to deliver aid, which raises two technical challenges in the areas optimisation and learning. For optimisation, a standard Markov decision process applied to this problem is intractable, so we provide an exact formulation that takes advantage of the periodicities in human location behaviour. To learn such behaviour models from sparse data (i.e., cell tower observations), we develop a Bayesian model of human mobility. Using real cell tower data of the mobility behaviour of 50,000 individuals in Ivory Coast, we find that our model outperforms the state of the art approaches in mobility prediction by at least 25% (in held-out data likelihood). Furthermore, when incorporating mobility prediction with our MDP approach, we find a 81.3% reduction in total delivery time versus routine planning that minimises just the number of participants in the solution path.

研究の動機と目的

• インfra構造が限られた途上国の農村部において、必需品を効果的に届ける課題に対処すること。
• スパarsで現実の基地局データから、周期的な人間の移動行動をモデル化すること。
• 人間の移動行動を活用して支援物資配布を最適化する、効率的でスケーラブルな最適化フレームワークを設計すること。
• 移動予測をMDPベースの計画と統合することで、支援物資物流における総合的な配達時間を短縮すること。
• コートジボアールの50,000人の個人から得た実データを用いて、手法を評価すること。

提案手法

• スパarsな基地局観測データから周期的な人間の移動行動を推定するためのベイジアンモデルを開発する。
• 確率的推論を用いて、個人の位置行動における日次および週次周期性を捉える。
• 周期性を活用することで、元々計算的に扱いにくい問題を実行可能にする正確なMDP定式化を提案する。
• 参加者の予測可能な移動パターンに基づいて、支援物資の配達ルートを最適化するMDPフレームワークを構築する。
• 移動予測をMDPに統合し、動的に最適な配達担当者を選択する。
• コートジボアールの50,000人の個人から得た実際の基地局データを用いて、アプローチを評価する。

実験結果

リサーチクエスチョン

• RQ1 途上国の農村部において、スパarsな基地局データから周期的な人間の移動行動を正確にモデル化できるか？
• RQ2 人間の移動行動における周期性を活用することで、支援物資配布における配達時間をどれほど短縮できるか？
• RQ3 MDPベースの支援物資配布システムにおいて、学習された移動予測モデルを用いることで得られる性能向上はどの程度か？
• RQ4 参加者数を最小限に抑えるベースライン計画戦略と比較して、本手法はどのように差をつけるか？
• RQ5 ベイジアン移動予測モデルは、最新の手法と比較して予測精度をどの程度向上させるか？

主な発見

• 提案されたベイジアン移動予測モデルは、最新の手法と比較して、保留データの尤度を少なくとも25%向上させる。
• 周期性を活用する正確なMDP定式化により、現実の制約下でも支援物資配布の最適化が計算的に可能になる。
• MDPに移動予測を統合することで、参加者数を最小限に抑える通常の計画手法と比較して、総合的な配達時間を81.3%短縮できる。
• 本モデルは、情報が乏しい環境でも、スパarsなデータから周期的な行動を的確に同定でき、高い耐障害性を示した。
• コートジボアールの50,000人の個人から得た実世界データにおいて、顕著な性能向上を達成した。
• 本研究の結果は、開発途上地域における支援物資のスケーラブルで低コストな配布ネットワークとして、人間の移動行動を活用することが実現可能であることを裏付けた。