Predictability in human mobility: interpretability, extensions, and applications

Abstract

Predição de mobilidade é uma tarefa importante, mas desafiadora. Fatores como a rotina de um indivíduo ou suas preferências por alguns lugares favoritos pode ajudar na hora de predizer a próxima localização do indivíduo. Por outro lado, vários fatores contextuais, como variações nas preferências individuais, clima, trânsito, ou até mesmo pessoas com as quais o indivíduo se relaciona podem afetar seus padrões de mobilidade e tornar a predição significativamente mais desafiadora. Uma abordagem fundamental no estudo de mobilidade é avaliar quão previsível esse tipo de comportamento (mobilidade) é, derivando limites teóricos na acurácia que um modelo de predição pode atingir em um determinado conjunto de dados. Essa abordagem foca na natureza inerente e nos padrões fundamentais de comportamento humano, capturados nos dados, filtrando assim fatores que dependem das especificidades da estratégia de predição adotada. Entretanto, o método estado-da-arte para estimar previsibilidade em mobilidade humana, proposto por Song et al., sofre de três grandes limitações. Ele possui baixa interpretabilidade, o que torna difícil rastrear as causas de determinados valores de previsibilidade, ou seja, é difícil saber o que faz a mobilidade de um indivíduo ser menos ou mais previsível. Segundo, esse método enxerga mobilidade humana como sendo uma entidade indivisível, dificultando o entendimento de diferentes componentes da mobilidade de um indivíduo. Terceiro, esse método possui pouca flexibilidade para incorporação de fatores externos (informação de contexto) que sabidamente ajudam em predição de mobilidade.Nesta tese de doutorado, nós revisitamos esta técnica estado-da-arte, com o objetivo de sanar essas limitações e de discutir formas de usar informação de previsibilidade em aplicações práticas.