基于逆多边际最优传输从聚合数据估计潜在人口流动
机器学习
2023-01-02 v1
摘要
我们研究从聚合计数数据估计潜在人口流动的问题。当由于隐私问题或测量保真度导致个体轨迹不可用时，该问题就会出现。此时，聚合观测在离散时间点上测得，用以估计状态间的人口流动。多数相关研究通过学习时间齐次马尔可夫过程的转移参数来解决该问题。然而，大多数真实世界的人口流动会受到交通拥堵和天气状况等多种不确定性的影响。因此，在许多情况下，时间齐次马尔可夫模型是对复杂得多的真实人口流动的较差近似。为克服此困难，我们借助多边际最优传输（MOT）形式，其可自然表示具有受限边际的聚合观测，并通过代价函数编码时变转移矩阵。特别地，我们提出通过学习 MOT 框架的代价函数从聚合数据估计转移流动，从而能够捕捉时变动态模式。实验表明，所提算法在估计若干真实世界转移流动时比相关方法具有更高精度。
引用
@article{arxiv.2212.14527,
title = {Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport},
author = {Sikun Yang and Hongyuan Zha},
journal= {arXiv preprint arXiv:2212.14527},
year = {2023}
}