2016-Analyzing and modeling heterogeneous behavior


把全校到馆记录叠在一起,间隔分布为什么呈三段折线?

论文名片|Lin Zhiting、Wu Xiaoqing、He Dongyue、Zhu Qiang、Ni Jixiang,Analyzing and modeling heterogeneous behavior,Physica A,2016,450:287–293,2016年1月19日在线发表。DOI:10.1016/j.physa.2016.01.019。本文依据这一正式发表版。收稿日期2015年8月28日,修回日期2016年1月7日。

2012年第146天下午,安徽大学图书馆在16:45附近出现一簇密集进门;当天14:00有课,16:20下课。第173天上午11:00到12:30则有两段明显空白,对应午饭。把全年相邻到馆记录的时间差画到双对数坐标上,分布有一条长尾,中段却更平,尾部又陡下去。

人类动力学里常用一条幂律概括这种长尾,并把它理解成同一种任务优先级。这批到馆记录给出的形状是三段折线。阵发时段和非阵发时段拆开以后,两边的间隔分布也不相同。两个状态的半马尔可夫调制过程可以把折线模拟出来,说明总体分布可以由不同群体的间隔规律加权叠成。课程表和开闭馆时间与空白、密集对得上。论文把时间限制以及其他未知机制都留作开放问题。

先说结论

  • 2012年全年1,619,934条到馆记录里,点名的九个学院合计781,163条,约占48.2%;其余838,771条进入总体,没有单独的拟合表。九个学院的间隔概率密度在双对数图上都呈三段斜率。
  • 三段直线的调整R²都高于同一学院的单段幂律。单段调整R²落在0.6559到0.7060;商学院三段为0.9716、0.9757、0.9344,单段只有0.6587。切分秒数没有报告。
  • 九个学院的突发性在0.57到0.68,记忆性在5.80×10⁻³到3.23×10⁻²。活跃度是学院平均每天的到馆记录数:商学院4.27×10²,对应全年156,389条摊到每天,分母里没有学生人数。
  • 四月的阵发间隔更接近幂律,非阵发间隔不完全符合幂律。阵发的次数阈值和固定时段没有给出数值。
  • 幂律状态加伽马状态的两状态模型可以生成两段或三段形状。化学院、外语学院全年分布的误差平方和为9.4652×10⁻⁴和5.8214×10⁻⁴。另一组办公楼相遇间隔呈两段,斜率为−0.4988和−1.533,误差平方和为4.9523×10⁻⁴。参数按数据分别设定。

一条幂律,默认大家都按同一种节奏行动

电子邮件、网页浏览和图书馆访问里,都出现过短时间连续发生、中间夹着很长空白的记录。Barabási把这种偏离泊松过程的长尾和任务优先级联系起来:人先处理眼前更急的事,其余事情就被拖成重尾。后续模型常常只区分幂律和指数衰减,并且默认不同人、不同时段受同一种机制推动,于是只拟合全体加总后的一条曲线。

在线书签和维基修订里,幂律指数会在一天之内改变,日内和跨日也不一样。那些工作指出指数在变,没有给出状态如何切换。本文用半马尔可夫调制过程(Semi-Markov Modulated Process)来表示这种差别:环境处在不同状态时,间隔服从不同分布;状态之间可以切换,停留时间不必是无记忆的指数分布。图书馆到馆被用来检验这件事,因为开馆、课程和吃饭会把一天切成几段。

这里统计的是相邻到馆记录相差多少秒,看的是行为在时间上的异质。后文第二组数据统计的是相邻两次相遇相差多少秒。两组都比较时间间隔的概率密度,横轴单位是秒。

间隔按学院的事件流计算,分母是记录条数

数据是安徽大学图书馆2012年1月至12月、本科生和研究生的到馆时刻,精确到秒,并记下学院。全文1,619,934条。下文按学院计算相邻记录的间隔。

每个学院的间隔,是把该学院的到馆记录按时间排序后,相邻两条的时间差。短时间里许多人进门,相邻记录就会挤在一起,短间隔变多。论文没有给出学生人数,也没有按个人列出下一次回馆要隔多久。因此表里的活跃度不能换成人均每天到馆几次。

九个学院的记录数相加为781,163,除以1,619,934约为48.2%。其余838,771条来自其他学院,正文说它们进入总体分析,但没有列出这些学院的名称、分段指数或调整R²。摘要把三段折线说成全部记录的特征;可以逐项核对的指数和拟合优度只到下表这九个学院。

学院 记录数 第一段 b1 第二段 b2 第三段 b3 单段 b 单段调整R²
商学院 156,389 −1.00 −0.56 −2.13 −0.95 0.6587
化学学院 60,546 −1.22 −0.53 −1.84 −0.92 0.6790
计算机学院 57,541 −1.18 −0.50 −1.84 −0.93 0.6759
经济学院 157,728 −0.96 −0.50 −2.26 −0.95 0.6559
电气工程与自动化学院 80,228 −1.30 −0.46 −1.83 −0.89 0.6835
外语学院 89,368 −0.88 −0.47 −2.02 −0.91 0.6589
生命科学学院 30,617 −1.42 −0.37 −1.58 −0.83 0.6908
管理学院 107,899 −1.07 −0.46 −2.22 −0.94 0.6688
社会与政治学院 40,847 −1.11 −0.53 −1.63 −0.79 0.7060

学院名称按论文的英文校名译出。指数来自多项式拟合,是双对数图上的斜率,已经带负号。人类动力学里常说的指数1或1.5,对应斜率大约−1或−1.5。九个学院的单段斜率在−0.79到−0.95,中段在−0.37到−0.56,都不落在这两类上。第三段从生命科学学院的−1.58到经济学院的−2.26;−1.58和−1.63靠近−1.5,其余更陡。正文写商学院的幂参数b大于生命科学学院。表中单段斜率是−0.95和−0.83,商学院更陡;若按带符号的数值比,−0.95更小。

活跃度(Activeness)定义为平均每天的到馆次数。商学院4.27×10²,化学院1.65×10²,计算机学院1.57×10²,经济学院4.30×10²,电气工程与自动化学院2.19×10²,外语学院2.44×10²,生命科学学院0.84×10²,管理学院2.95×10²,社会与政治学院1.12×10²。商学院156,389条记录对应4.27×10²,数量级等于把学院全年记录摊到每天。论文没有写明分母是365天、2012年的366天还是实际开馆日。商学院的日均记录大约是生命科学学院的5倍(4.27×10²相对0.84×10²),三段结构在两边都出现。这只说明学院事件流的形状相似,不能推出每个学生的习惯相同。

突发性(Burstiness)描述短时间里大量记录、随后长时间没有记录。记忆性(Memory)描述一个短间隔之后是否仍是短间隔,长间隔之后是否仍是长间隔。论文没有写出这两个量的计算公式,引用的是赵志丹等人2011年对大规模短信的研究。表1里突发性最低是生命科学学院0.57,最高是商学院0.68;记忆性最低是电气工程与自动化学院5.80×10⁻³,最高是商学院3.23×10⁻²。正文另有一句,说九个学院的突发性都大于0.74、记忆性近似为0。0.74与表1不一致,下文的突发性以表1为准。记忆性确实只有百分之几或更小,和“近似为0”同向,但表里并不是精确的0。

突发性高、记忆性低可以同时出现:许多人在下课后相继进门,会制造一批很短的相邻间隔;这些短间隔来自不同记录挨在一起,不一定是同一个人连续两次都隔得很短。记忆性衡量的是间隔序列前后是否相承,所以它不会自动跟着突发性一起升高。

中段变平,是图上先看见的,切分点却没写出来

若全体只受一条幂律支配,双对数图上的概率密度应接近一条直线。商学院和生命科学学院都偏离了这一点:开头较陡,中段明显变平,之后又变陡,最远处还有稀疏的点。

完整原论文图2

图 2|两个学院的到馆间隔密度,中段是否比一条幂律更平?

(左)商学院,156,389条记录。(右)生命科学学院,30,617条记录。横轴是相邻到馆记录的间隔秒数,纵轴是概率密度,两边都取对数。左图横轴标到10⁷秒,大约115.7天;右图标到10⁶秒,大约11.6天。红圈标出斜率更小的中段,图上没有写出圈的起止秒数。来源:原论文 Fig. 2。

其余七个学院被概括进表1,没有逐一画出来。调整R²(Adjusted R-square)越接近1,拟合越好。九个学院每一段的调整R²都高于该学院的单段幂律。商学院三段是0.9716、0.9757、0.9344,单段是0.6587。社会与政治学院第三段的0.8008是九校分段结果里最低的一档,仍高于该学院单段的0.7060。单段调整R²最高是社会与政治学院0.7060,最低是经济学院0.6559。

这个比较说明三段直线比一条直线更贴这九组密度。它还留着两个缺口。分段边界由观察图选定,论文没有报告切分用的秒数,也没有把“多出来的两段”放进正式的模型选择惩罚。分段越多,调整R²通常更容易升高;这里的差距很大,但仍然是描述性拟合。另外,远尾的点很稀,第三段斜率受少数长间隔影响,生命科学学院第三段调整R²为0.8747,社会与政治学院只有0.8008,尾部并不是每一所学院都贴得同样紧。

午饭、下课和夜里的空白,把同一天切成不同时段

间隔分布变弯之后,要看同一天里的到馆是不是分成几种节奏。图3把每一次到馆画成一条竖线,空白就是一段时间里没有到馆记录。横轴是日期数:整数是2012年的第几天,小数是当天过去的比例。论文自己算过173.43:0.43×24=10.32小时,再换算成分和秒,是第173天的10:19:12。

完整原论文图3

图 3|到馆在两小时、一天和三天里,是均匀发生的吗?

(a)约两小时,日期数173.43到173.52。11:00到12:30,也就是173.46到173.52,有两段较大空白,论文将其对应午饭。(b)第146天附近的一天,横轴约146.3到147。14:00有课,16:20下课,对应146.68;16:45附近,对应146.70,出现密集进门。(c)约三天,横轴约105.5到108。密集时段和空白交替;空白从22:30到次日7:00。同一节又写图书馆7:00开门、23:00关门,与22:30相差半小时,论文没有再解释。来源:原论文 Fig. 3。

这张图能支持的是时间上的对照:空白和密集与吃饭、下课、开闭馆的钟点对得上。它不能支持“课程导致了某一个学生的下一次到馆”。竖线没有标出是谁,也没有一组不受课程表影响的对照日。

到馆既有跨天的重复,也有一天内部的小周期。论文把外部限制和体内昼夜节律都算作可能的来源,然后只对2012年4月做了一次拆分。时段性阵发(period bursty)的定义是:到馆次数高于某个阈值,并且发生在固定时段内。阈值和固定时段的起止都没有给出。

完整原论文图4

图 4|四月的阵发间隔和非阵发间隔,还服从同一种分布吗?

(左)阵发事件。(右)非阵发事件。横轴是间隔秒数,纵轴是概率密度,均为对数坐标。左图更接近一条下降的幂律;右图在中途变弯,长间隔处还有稀疏的点。论文没有给出这两幅图的拟合指数、调整R²,也没有给出四月的记录条数。来源:原论文 Fig. 4。

因此,四月的证据是定性的:阵发部分更像传统幂律,非阵发部分不完全符合,两边放在一起才构成总体。阵发又集中在某些时段。时间限制会影响人类动力学的形状;不同时段的行为不能事先写成同一个分布。哪一个阈值正好切开了这两种形状,图和正文都没有落到一个秒数或一个次数上。

总体曲线是各群体曲线的加权和

若不同状态的间隔分布不同,加总之后的曲线就可以和其中任何一条都不一样。半马尔可夫调制过程把这件事写成一个环境过程。环境在若干状态之间切换。当前状态是i时,间隔从分布df(i)里产生。下一步进入状态j的概率是pᵢⱼ,这些概率非负且对j求和为1。选定j之后,离开i之前还要停留一段随机时间,其密度是hᵢⱼ。停留时间可以依赖当前状态和下一状态,所以它比“只看当前状态、等待时间必须无记忆”的普通马尔可夫过程更一般。

完整原论文图1

图 1|不同状态为什么可以对应不同的间隔分布?

无字母子图。这是示意图,不是图书馆数据。环境有N个状态。t₁、t₂、t₃标出切换时刻:状态1到状态3,状态3到状态4,状态4再到某个状态x。黄点分别落在状态1、3、4和N上,旁边的曲线形状不同,用来表示每个状态可以有自己的间隔分布。来源:原论文 Fig. 1。

群体h的互补累积分布Fₕ(x),是该群体中间隔大于x的比例,分母是该群体的间隔条数I(dₕ)。当状态切换远少于到馆记录时,全体的互补累积分布近似为各群体互补累积分布的加权和,权重是I(dₕ)占全部间隔条数I(all)的比例。概率密度用同一组权重相加。权重大的群体把总体曲线拉向自己的形状。这个近似依赖“切换很少”这一句,论文没有测量实际切换了多少次。

后面的模拟图检验的是加权混合能不能再现密度形状。图上给出的是两个分布的样本量比例,没有给出对应的pᵢⱼ和hᵢⱼ。形状对上了,只说明两种间隔规律的混合足以产生折线;状态沿时间怎样切换,这些图没有单独检验。

两个状态就够画出折线,参数却要每组数据重设

验证时环境状态数固定为2。状态1的间隔服从幂律,指数a取正值;状态2服从伽马分布,形状参数是ra,速率参数是rb。n1和n2是两个状态的样本条数。正文说这组试验把n1与n2之比设为1和1/10。图5的四块面板确实只用了1:10和1:1;后面两所学院和办公楼数据用了别的比例。

完整原论文图5

图 5|只设两个状态,能不能同时得到两段和三段?

图上的字母是大写,正文写作Fig. 5(a)–(d)。横轴是间隔秒数,纵轴没有文字标题,刻度是10的幂。四个面板都是模型生成的分布。(A)a=1.5,ra=1,rb=10,n1:n2=1:10,正文称为两段。(B)a=1.5,ra=1,rb=100,n1:n2=1:10,称为三段。(C)a=1.5,ra=1,rb=100,n1:n2=1:1,称为三段。(D)a=3,ra=1,rb=100,n1:n2=1:10,称为三段。从(A)到(B),只把伽马分布的速率从10改到100,作者所描述的段数就从两段变为三段。来源:原论文 Fig. 5。

同一套两状态框架可以调节斜率和跨度。这是生成实验:参数先选定,再看曲线像不像数据里的折线。它不证明真实到馆正好由这两个分布组成,也不证明段与段的边界有唯一切法。

化学院和外语学院用的是全年进馆分布。红点是实际密度,蓝点是模型生成的密度。

完整原论文图6

图 6|两个学院的全年间隔,两状态混合能贴到什么程度?

(左)化学院:a=1.4,ra=1,rb=143,n1:n2=9:22。(右)外语学院:a=1.4,ra=0.7,rb=290,n1:n2=11:80。红点为实际数据,蓝点为模型。横轴是间隔秒数,纵轴刻度为概率密度的对数。误差平方和分别是9.4652×10⁻⁴和5.8214×10⁻⁴。来源:原论文 Fig. 6。

9:22和11:80都是伽马样本多于幂律样本,也不是正文里那组1或1/10。误差平方和越小越贴。论文没有说明误差是在原始密度、对数密度还是哪一组分箱上求和,所以这两个10⁻⁴量级的数只表示作者在同一幅图的口径下看到贴合,不能拿去和别的论文的误差直接比,也不能单独推出化学院“更不像”模型。两条曲线在中段的弯折和长尾的落点上大体叠在一起,远尾仍有实际数据的离散点。

为了看这种折线是否只出现在一座图书馆,论文又用了PMTR(Pocket Mobile Trace Recorders)的相遇间隔。参与者是一栋三层楼里的教师、博士生和技术人员,在办公室和实验室工作,在附近餐厅吃午饭或喝咖啡,有的课在3.5公里外的另一栋楼。本文只比较相遇间隔的概率密度,单位仍是秒。图题沿用了到馆间隔的说法,正文写的是相遇间隔(inter-contact time)。

完整原论文图7

图 7|办公楼相遇间隔是否也要分成两段?

无字母子图。红点为实际相遇间隔,蓝点为模型。模型参数a=1.25,ra=1,rb=24,n1:n2=6000:5200。横轴是间隔秒数。实际分布用两段直线拟合,斜率是−0.4988和−1.533,调整R²是0.9796和0.9016,误差平方和是4.9523×10⁻⁴。来源:原论文 Fig. 7。

这里第一段更平,第二段更陡,绝对斜率从0.4988增加到1.533。论文没有给出PMTR的单段幂律调整R²,因此“两段更好”有分段拟合的数值,没有和单段放在同一张表里。6000和5200是图上印刷的样本量之比,接近1:1,和两所学院里伽马样本占优的比例不同。模型又一次靠重新选参数来贴这组数据。

形状能够再现,原因仍然开着

能够站住的结论有三层。第一,九个学院的全年间隔密度用三段斜率描述,调整R²高于单段幂律,中段一律更平。第二,四月的阵发与非阵发、一天里的午饭和下课空白,说明加总之前的记录来自不同时段。第三,两个分布按样本量混合,就足以生成两段或三段的密度;化学院、外语学院和PMTR的误差平方和都在10⁻⁴这一量级。

往下就不能再推。分段边界、阵发阈值和B、M的公式都没有印出来,三段拟合还不是一次预先登记的模型比较。误差平方和的分箱方式没有说明。模拟图没有报告状态转移概率和停留时间,所以半马尔可夫的时间切换还停在模型定义里。闭馆会强制留下长间隔,这些间隔有多少来自“人不活跃”、有多少来自“门关了所以没有记录”,论文没有拆开。

作者在结论里把时间限制或其他未知机制都列为开放问题,并写道,两个状态就够表示这批到馆行为,模型也可以用到其他需要模拟人类行为的场合。后一句超出了目前这两类数据:一类是一所大学一年的图书馆到馆,一类是一栋办公楼的相遇;而且每次都重新设置了a、ra、rb和样本量之比。

一句话总结

全校到馆记录叠在一起时,间隔密度呈三段折线;这种形状可以由两种间隔规律按样本量加权得到,吃饭、下课和开闭馆与时间条纹对得上,却还不是被单独证实的唯一原因。

核心来源

  • Lin Zhiting、Wu Xiaoqing、He Dongyue、Zhu Qiang、Ni Jixiang,Analyzing and modeling heterogeneous behavior,Physica A,450(2016):287–293。2016年1月19日在线发表。首页印有 DOI:10.1016/j.physa.2016.01.019。
  • 正文图1至图7、表1和表2。文中未指向补充材料。
  • 致谢写明国家自然科学基金61571012、安徽省自然科学基金1308085QF112。数据工作得到安徽大学支持。

作者介绍

五位作者在论文首页共同署名为安徽大学电子信息工程学院,合肥,230601。

  • Lin Zhiting:通讯作者,邮箱 ztlin@ahu.edu.cn。安徽大学官网2024年1月的人物报道称蔺智挺为集成电路学院教授,2011年来校,研究存储芯片设计。2016年这篇论文的署名单位仍是电子信息工程学院,讨论的是到馆与相遇间隔。
  • Wu Xiaoqing、He Dongyue、Zhu Qiang、Ni Jixiang:论文只列出与通讯作者相同的学院,没有单独的贡献说明。这里不补充论文和学校页面没有写明的职务。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

闭馆本身会制造长间隔。若把22:30到次日7:00的空白算进行为的长尾,幂律指数会把开门时间写成个人偏好。一个直接的检验是只保留7:00到23:00之内的相邻记录,看三段折线是否还在,以及第三段斜率会变多少。论文没有做这个限制。

服务安排也会被一条幂律带偏。图3的条纹显示,进门在下课和午饭附近成团,日均记录数只是全天的平均。若排班只按商学院每天大约427条来铺开,16:45附近的一簇仍然会挤在一起。这是从时间条纹推到柜台和座位的安排,论文没有评估任何排班方案。

折线还有一个对得上数据、却与“两种行为机制”不同的来源:两组人的间隔规律相同,只是被观测的时间窗口不同,混合后的双对数图也会变弯。要分开窗口和机制,需要在同一开馆时段比较不同学院,或在课程表不同的周里重复拟合,并事先写明切分秒数。本文的九个学院共享三段形状,参数却在每个数据集上重设,正好说明这一步还没有做。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录