[논문 리뷰] Modeling Human Dynamics and Lifestyle Using Digital Traces

Sharon Ying Xu, Steven S. Morse외 1명|arXiv (Cornell University)|2020. 05. 13.

Point processes and geometric inequalities인용 수 4

한 줄 요약

이 논문은 신용카드 거래와 같은 디지털 트레이스를 사용하여 개인 수준의 인간 행동을 모델링하기 위해 다변량 주기적 하크스 프로세스(MPHP)를 제안한다. 폭발성, 활동 간 상호의존성, 주간 주기성을 모두 반영함으로써 MPHP는 비균일 포아송 모델과 LDA 모델에 비해 상호작용 간 간격 분포에 대한 피팅 성능과 향후 활동 예측 성능에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 비활동 데이터를 활용하여 개인 행동의 시간적 군집성, 상호의존성, 주기성을 동시에 반영하는 생성 모델을 개발하는 것.
• 개인 수준에서 폭발성 있는 활동 패tern과 활동 유형 간 의존성을 동시에 모델링할 수 있는 모델의 부재를 보완하는 것.
• 스케일이 가능한 매개변수 추정 기법을 제공함과 동시에 행동의 잠재 분기構조를 드러내는 것.
• 실제 신용카드 거래 데이터를 대상으로 모델의 통계적 피팅 성능 및 예측 정확도를 평가하는 것.

제안 방법

• 다양한 활동 유형 간 이벤트 발생을 배경 강도, 자극 핵함수, 요일 주기성으로 모델링하는 다변량 주기적 하크스 프로세스(MPHP)를 제안한다.
• 잠재 변수 추론을 통한 스케일이 가능한 매개변수 추정을 위해 최대 aposteriori 기반 기대최대화(MAP-EM) 알고리즘을 사용한다.
• 매개변수 업데이트의 정규화와 안정성 향상을 위해 감마 분포를 활용한 하이퍼프리오어를 의사카운트로 도입한다.
• 각 이벤트 이후 닫힌 형태의 강도 업데이트를 활용하여 효율적인 이벤트 시퀀스 시뮬레이션을 위한 수정된 흩어내기 알고리즘을 적용한다.
• 시뮬레이션 중 이벤트 유형 선택을 가속화하기 위해 가중 무작위 표본 추출을 사용하여 계산 비용이 높은 루프를 대체한다.
• 모델 검증을 위해 몬테카를로 가설 검정을 활용하고, 경험적 분포와 시뮬레이션된 분포 간 상호작용 간격 분포를 비교하기 위해 영역 통계량을 사용한다.

실험 결과

연구 질문

• RQ1 디지털 트레이스를 활용하여 개인 행동 패턴의 폭발성과 주기성을 어떻게 모델링할 수 있는가?
• RQ2 다양한 활동 유형 간 상호의존성이 인간 행동 모델링 정확도에 기여하는 정도는 어느 정도인가?
• RQ3 자극 메커니즘에 기반한 생성 모델이 비균일 포아송 모델과 LDA 모델에 비해 상호작용 간격 분포 피팅에서 뛰어난 성능을 보일 수 있는가?
• RQ4 잠재 변수 추론을 통해 모델이 개인 행동의 분기 구조를 어느 정도 잘 포착하는가?
• RQ5 기본 모델 대비 모델이 향후 활동 시퀀스 예측에서 얼마나 잘 수행되는가?

주요 결과

• 몬테카를로 가설 검정에서 영역 통계량을 사용한 결과, MPHP 모델은 경험적 상호작용 간격 분포 피팅에서 비균일 포아송 모델보다 유의미하게 뛰어난 성능을 보였다.
• 활동 예측 과제에서 LDA 모델에 비해 MPHP 모델이 더 뛰어난 일반화 능력과 시간 패턴 반영 능력을 입증하였다.
• MAP-EM 추정 절차를 통해 잠재 분기 구조가 성공적으로 추론되었으며, 다양한 활동 유형 간 자극 패턴이 드러났다.
• 모델은 강력한 주간 주기성을 잘 포착하였으며, 배경 강도와 자극 패턴이 요일 효과에 의해 조절됨을 확인하였다.
• 수정된 흩어내기 알고리즘은 대규모 이벤트 시퀀스의 효율적 시뮬레이션을 가능하게 하여 기존 구현 대비 계산 복잡도를 감소시켰다.
• 하이퍼프리오어를 의사카운트로 사용함으로써, 특히 빈도가 낮은 활동 유형에 대해서도 매개변수 추정의 안정성이 향상됨을 확인하였다.