混合个体与集体行为以预测异常迁移

预测人类位移对于解决包括城市设计、交通拥堵、流行病管理和人口迁移等各类社会挑战至关重要。虽然深度学习和马尔可夫模型等预测模型能够提供关于individual mobility的见解，但它们往往难以处理异常行为。我们的方法引入了一种动态集成individual和collective mobility行为的approach，利用collective intelligence来提高预测准确性。在针对三座美国城市数百万条隐私保留轨迹进行评估后，我们展示了其在预测异常迁移方面的优势，甚至超过了先进的深度学习方法。空间分析突显了该模型在点 of interest密度较高的城市区域附近的有效性，此处的collective behaviors对mobility具有强大的影响。在类似新冠疫情期间，我们的方法仍保持预测能力，而individual-based模型则不行。通过连接个体与集体行为之间的鸿沟，我们的方法提供了透明且准确的预测，对于解决当代mobility挑战至关重要。