基于轨迹数据的随机最短路径极大似然估计
社会与信息网络
2021-12-17 v1 数据结构与算法
统计计算
摘要
随机最短路径（RSP）是近年来为不同图与网络分析应用（如建模网络中的移动或流）而开发的工具。本质上，RSP框架考虑网络上路径的依赖于温度的Gibbs-Boltzmann分布。在低温下，该分布仅聚焦于最短或最小代价路径，而随着温度升高，分布扩散到网络上的随机游走。许多相关量可方便地由该分布计算，且这些量常以合理的方式推广传统网络度量。然而，当用RSP建模真实现象时，需要一种从数据估计参数的原则性方法。本工作中，我们开发了在计算模型参数（侧重于温度参数）的极大似然估计的方法，用于基于移动、流或扩散过程的现象建模。我们在人工网络上生成的轨迹以及地理景观中野生驯鹿移动的真实数据上检验了所推导方法的有效性，后者用于估计动物移动中的随机程度。这些例子展示了RSP框架作为可用于多样应用的通用模型的吸引力。
引用
@article{arxiv.2112.08481,
title = {Maximum likelihood estimation for randomized shortest paths with trajectory data},
author = {Ilkka Kivimäki and Bram Van Moorter and Manuela Panzacchi and Jari Saramäki and Marco Saerens},
journal= {arXiv preprint arXiv:2112.08481},
year = {2021}
}