[论文解读] 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 8

一句话总结

本文提出利用发展中国家农村地区人群的周期性移动模式，通过贝叶斯模型处理稀疏的基站数据，并采用精确的马尔可夫决策过程（MDP）公式，利用时间周期性优化众包援助配送。与标准规划相比，该方法将配送时间减少了81.3%，同时在移动性预测精度上至少优于当前最先进方法25%。

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.

研究动机与目标

• 解决在基础设施有限的发展中国家农村地区配送基本物资的挑战。
• 从稀疏的真实基站数据中建模周期性的人群移动模式。
• 设计一种高效、可扩展的优化框架，利用人类移动性实现援助分发。
• 通过将移动性预测与基于MDP的规划相结合，减少援助物流的总配送时间。
• 在科特迪瓦50,000名个体的真实数据上评估该方法。

提出的方法

• 开发了一种贝叶斯模型，用于从稀疏的基站观测数据中推断周期性的人群移动模式。
• 该模型通过概率推理捕捉个体位置行为中的日周期与周周期特征。
• 提出了一种精确的MDP公式，利用周期性使原本难以处理的问题在计算上变得可行。
• MDP框架通过基于可预测移动模式选择参与者，优化援助配送路径。
• 系统将移动性预测结果整合到MDP中，动态选择最优配送人员。
• 该方法使用科特迪瓦50,000名个体的真实基站数据进行评估。

实验结果

研究问题

• RQ1 能否从发展中国家农村地区的稀疏基站数据中准确建模周期性的人群移动模式？
• RQ2 如何利用人类移动的周期性特征来减少援助分发中的配送时间？
• RQ3 在基于MDP的援助配送系统中，使用学习到的移动性模型能带来多大的性能提升？
• RQ4 与最小化参与者数量的基线规划策略相比，所提出方法表现如何？
• RQ5 与当前最先进方法相比，该贝叶斯移动性模型在预测精度上提升了多少？

主要发现

• 所提出的贝叶斯移动性模型在保留数据上的似然度相比当前最先进方法至少提高了25%。
• 利用周期性的精确MDP公式使在现实约束条件下实现援助配送优化成为可能。
• 将移动性预测整合到MDP中，与仅最小化参与者数量的常规规划相比，总配送时间减少了81.3%。
• 该模型成功从稀疏数据中推断出周期性行为，展示了在低信息环境下的鲁棒性。
• 该方法在科特迪瓦50,000名个体的真实数据上实现了显著的性能提升。
• 结果验证了将人类移动性作为发展中国家援助分发可扩展、低成本网络的可行性。