利用机器学习与城市指标重建通勤者网络

人类流动性对社会多个层面具有显著影响，从基础设施规划、经济到疾病与犯罪的传播。将系统表示为复杂网络，其中节点分配给区域（如城市）、连边表示两地间人流，已有受物理启发的模型被提出以量化从一个城市迁移至另一城市的人数。尽管这些模型取得了进展，我们预测通勤人数并重建流动性网络的能力仍然有限。在此，我们提出一种替代方法，利用机器学习与 22 个 urban indicators 预测人流并重建城际通勤者网络。我们的结果显示，基于机器学习算法与城市指标的预测能以 90.4% 的准确率重建通勤者网络，并解释城市间人流观测方差的 77.6%。我们还识别出恢复网络结构的关键特征以及与通勤模式最相关的城市指标。如前所述，距离在通勤中扮演重要角色，但其他指标如国内生产总值（GDP）与失业率也是人们通勤的驱动力量。我们相信我们的结果为人流建模提供了新视角，并强化了城市指标在通勤模式中的作用。此外，由于连边预测与网络重建仍是网络科学中的开放挑战，我们的结果在经济、社会科学与生物学等其他领域也有意义，其中节点属性可为我们提供关于网络中连接实体的连边存在的信息。