[论文解读] 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 12

一句话总结

本研究利用匿名化的移动设备定位数据，对美国新冠疫情暴发期间的人类迁徙行为变化进行建模，重点关注居家令的影响。研究发现，这些政策仅导致每日出行次数和人均出行里程减少不到5%，并开发出高度准确的预测模型，可用于流行病预测和政策评估。

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.

研究动机与目标

• 量化居家令在美国新冠疫情暴发初期对人类迁徙行为的实际影响。
• 解决疫情期间缺乏真实情况数据和大规模迁徙趋势数据的问题。
• 利用真实世界基于位置的服务数据，开发能够准确预测迁徙变化的数据驱动模型。
• 通过实证验证的迁徙趋势，支持时效性强的公共卫生决策制定。

提出的方法

• 利用大规模真实世界数据集中的匿名化移动设备定位数据，追踪全美范围的人类迁徙行为。
• 定义了两个关键迁徙指标：人均每日平均出行次数和人均每日平均出行里程。
• 应用统计建模方法，将居家令的影响与其他混杂因素（如季节性趋势和公众意识）分离开来。
• 使用时间序列分析和回归建模方法，以高预测精度估算政策影响。
• 通过样本外预测和交叉验证技术验证模型性能。
• 将研究结果整合进一个框架，以供未来流行病建模和政策评估使用。

实验结果

研究问题

• RQ1 在新冠疫情暴发早期，居家令在多大程度上减少了人类迁徙？
• RQ2 观察到的迁徙减少中有多少可归因于政策干预，又有多少可归因于其他因素？
• RQ3 能否利用真实世界的位置数据，通过数据驱动模型准确预测大流行期间的迁徙趋势？
• RQ4 政策引发的行为改变对整体迁徙减少的相对贡献有多大？
• RQ5 如何通过实证验证的迁徙模型支持实时公共卫生决策？

主要发现

• 居家令在疫情期间人均每日平均出行次数的总减少量中，贡献不足5%。
• 居家令对全美人均每日平均出行里程减少的贡献也低于5%。
• 所开发的数据驱动模型表现出高度预测准确性，可实现对迁徙趋势的可靠预测。
• 迁徙减少主要由非政策因素驱动，如公众意识、对感染的恐惧以及自愿性社交隔离。
• 这些模型可用于支持流行病建模和时效性公共卫生干预。
• 本研究为未来公共卫生危机期间评估迁徙变化提供了一个经过验证的数据驱动框架。