[論文レビュー] Modeling Human Dynamics and Lifestyle Using Digital Traces

Sharon Ying Xu, Steven S. Morse+1 more|arXiv (Cornell University)|May 13, 2020

Point processes and geometric inequalities被引用数 4

ひとこと要約

本稿では、クレジットカード取引などのデジタル痕跡を用いて個人レベルの人間行動をモデル化するため、多次元的で周期的なハーグス過程（MPHP）を提案する。バーストネス、活動間の相関性、週単位の周期性を捉えることで、非定常ポアソン過程やLDAモデルに比べ、イベント間隔分布のフィッティングおよび将来の活動予測において優れた性能を発揮する。

ABSTRACT

Human behavior drives a range of complex social, urban, and economic systems, yet understanding its structure and dynamics at the individual level remains an open question. From credit card transactions to communications data, human behavior appears to exhibit bursts of activity driven by task prioritization and periodicity, however, current research does not offer generative models capturing these mechanisms. We propose a multivariate, periodic Hawkes process (MPHP) model that captures -- at the individual level -- the temporal clustering of human activity, the interdependence structure and co-excitation of different activities, and the periodic effects of weekly rhythms. We also propose a scalable parameter estimation technique for this model using maximum-aposteriori expectation-maximization that additionally provides estimation of latent variables revealing branching structure of an individual's behavior patterns. We apply the model to a large dataset of credit card transactions, and demonstrate the MPHP outperforms a non-homogeneous Poisson model and LDA in both statistical fit for the distribution of inter-event times and an activity prediction task.

研究の動機と目的

• 受動的なデジタルデータを用いて、時間的クラスタリング、活動間の依存性、周期性を捉える生成モデルの構築を目的とする。
• 個人レベルでのバーストネスパターンと活動固有の依存関係を同時に表現できるモデルの不足を補うことを目的とする。
• スケーラブルなパラメータ推定手法を提供するとともに、行動の潜在的分岐構造を明らかにすることを目的とする。
• 実世界のクレジットカード取引データを用いて、統計的フィットネスと予測精度の両面でモデルの性能を評価することを目的とする。

提案手法

• 複数の活動タイプにおけるイベント発生を、背景レート、励起カーネル、および週単位の周期性を有する多次元的周期的ハーグス過程（MPHP）でモデル化する。
• 潜在変数推論を伴うスケーラブルなパラメータ推定のため、最大事後確率期待最大化（MAP-EM）アルゴリズムを用いる。
• パラメータ更新の正則化とロバストネスの向上を図るため、ガンマ分布を仮のカウント（pseudocounts）としてハイパーパriorに組み込む。
• イベント発生後に閉形式のレート更新が可能なため、効率的なイベント系列シミュレーションのため、修正版スプライシングアルゴリズムを採用する。
• シミュレーション中の活動タイプ選択を高速化するため、計算コストの高いループを避けるために重み付きランダムサンプリングを適用する。
• モデル妥当性の検証のため、実測分布とシミュレート分布の間隔分布を比較する際、面積統計量（area statistic）を用いたモンテカルロ仮説検定を実施する。

実験結果

リサーチクエスチョン

• RQ1 デジタル痕跡を用いて、個人の活動パターンのバーストネスおよび周期性をどのようにモデル化できるか？
• RQ2 異なる活動タイプ間の相関性が、人間行動の正確なモデル化にどの程度寄与するか？
• RQ3 励起メカニズムに基づく生成モデルは、非定常ポアソン過程やLDAモデルに比べ、イベント間隔分布のフィッティングにおいて優れた性能を示せるか？
• RQ4 潜在変数推定を通じて、行動の分岐構造はどの程度正確に捉えられるか？
• RQ5 ベースラインモデルと比較して、本モデルは将来の活動系列をどの程度正確に予測できるか？

主な発見

• モンテカルロ仮説検定における面積統計量を用いた評価で、MPHPモデルは非定常ポアソンモデルに比べ、実測のイベント間隔分布のフィッティングにおいて顕著に優れている。
• 活動予測タスクにおいても、LDAモデルに比べMPHPモデルが優れた汎化性能と時間的パターンの捉え具合を示した。
• MAP-EM推定手順により、異なる活動タイプ間の励起パターンを示す潜在的分岐構造が成功裏に推定された。
• モデルは強い週単位の周期性を捉えており、背景レートと励起パターンが曜日効果によって調整されている。
• 修正版スプライシングアルゴリズムにより、大規模なイベント系列のシミュレーションが効率的に行えるようになり、従来の実装に比べ計算複雑度が低減された。
• ハイパーパriorを仮のカウントとして用いることで、特に頻度の低い活動タイプに対してもパラメータ推定が安定した。