2019-Deciphering Predictability Limits in Human Mobility


猜下一条还在不在原地,和猜下一站去哪,上限是一回事吗?

论文名片|Douglas do Couto Teixeira、Aline Carneiro Viana、Mário S. Alvim、Jussara M. Almeida,Deciphering Predictability Limits in Human Mobility,27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems(SIGSPATIAL ’19),2019年11月5–8日,Chicago。ACM,New York,10页。DOI:10.1145/3347146.3359093。本文依据这一会议正式版本。

手机每隔几分钟记下一个人所在的格子。夜里连续很多条都是同一个格子。题目若是猜下一条记录还在哪一格,答案常常就是原地不动。题目若改成猜下一次真正换地方会去哪,这些重复记录就不再算命中。前一种上限看起来很高,有一部分只是因为人还没离开。

Song等人用地点序列的熵估计任何方法都越不过的命中率上限。那套算法靠压缩,读不出上限到底奖励了原地停留、地点种类少,还是星期和钟点。这篇论文把上限拆开:用规律度和停留性解释压缩熵的高低,再比较星期、一天中的小时和天气进入之后,下一格与下一地点两种题目的熵各降多少。比较的是比特,是序列里还有多少不确定;本文没有把每个用户的命中率上限解成百分比。

先说结论

  • 规律度与熵的斯皮尔曼等级相关在GPS和呼叫详单(call detail records,CDR)上都是−0.84。停留性与熵的相关是GPS −0.79、CDR −0.83。两个量彼此的相关只有0.63和0.48,单独一个解释不完熵。
  • 用规律度和停留性拟合熵,同一批用户上回看的决定系数R²是GPS 0.76、CDR 0.94。格子变粗时,GPS的R²从0.76升到0.83。回归系数没有报告。
  • GPS平均熵随采样变稀而上升:5分钟0.40比特/符号,60分钟1.05比特/符号。格子边长从300米增到1000米,平均熵从0.404降到0.264。停留性不是每一档都更高,600米的76.66低于500米的90.04。
  • 下一格、不加情境时,表3的Lempel-Ziv熵是GPS 0.40、CDR 1.01,低于同列的最大似然、Miller-Madow和SG。按小时把历史拆开后,这两格升到0.72和1.38。
  • 下一地点去掉连续停留后,Lempel-Ziv升到GPS 3.11、CDR 1.94。CDR上,带小时的最大似然熵降到0.59。正文说下一格的最大似然熵下降45%;这与CDR从1.45降到0.79的比例接近,和GPS表中从6.01降到1.18不是同一个比例。

上限卡的是命中率,后文却一直在比熵

可预测性在这里指一个理想方法在给定数据上最高能猜对多少,记为Πmax。它只由已经记录下来的序列决定,随具体预测器的参数而变的那一部分被拿掉了。因此它是这套数据里移动行为的上限,换一个神经网络不会自动把上限抬高。

计算要先把地图切成互不重叠、等边长的方格,把时间切成等长的时间箱,地点序列就变成格子编号。本文比较两种题目。下一格预测猜下一个时间箱的格子,答案可以仍是当前这一格。下一地点预测猜下一次出现的另一个格子,连续停在原地的那些记录被去掉。后一种更难,因为停留本身不再提供正确答案。两种题目都来自已有定义,本文要补上的是情境信息会把上限改变多少。

序列越难压缩,就越难预测。柯尔莫哥洛夫复杂度是能生成这条序列的最短程序的长度,真实值不可计算。若把地点看成随机过程产生的符号,熵是可压缩程度的下界,可以当作复杂度的近似。Song等人用三种熵:地点上均匀分布的香农熵,访问频率分布的熵,以及同时计入频率和先后顺序的熵。本文若未另作说明,用的是第三种。它不需要事先知道真实概率,适合真实分布未知的出行记录。

设序列长度为n。从位置i出发,向后取一段地点,直到这段在位置1到i−1里从未出现,这段的最短长度记为Λi。熵估计写成

H ≈ log2(n) / (各位置Λi的平均)。

分母越大,熵越低。序列若大量重复,短片段早已出现,要碰到一段没见过的,Λi往往更长,熵就低。对遍历且过程平稳的来源,序列无限变长时,这个估计趋向熵率。出行记录长度有限,也不保证满足这些条件。论文写明,这样得到的上限是近似,Song等人的算法同样如此。不可再改进的硬边界对应柯尔莫哥洛夫复杂度,而该复杂度不可计算。

熵S、不同地点数N和命中率上限Πmax由法诺不等式连在一起:

S = −H(Πmax) + (1 − Πmax) log(N − 1),

H(Πmax) = Πmax log2(Πmax) + (1 − Πmax) log2(1 − Πmax)。

这里的H(Πmax)由命中率构成,地点序列的熵记为S。论文在H(Πmax)里使用log2,在(1 − Πmax) log(N − 1)里把对数写成log。熵越高、不同格子越多,命中率上限越低。本文随后比较熵,是因为上限直接由熵决定;表里没有每个用户的地点数N,后文也就没有把0.40比特换算成百分之多少的命中率。

两套记录的人数、时长和颗粒度各是多少?

分析单位是一个人的地点序列。两套数据代表移动研究里常见的两类记录,时空颗粒度不同,上限会跟着变。

GPS来自志愿者安装的安卓应用MACACOApp,记录上行与下行流量、网络连接和GPS位置,固定每5分钟一条。论文称手机GPS的定位精度使它成为高空间分辨率数据,没有给出米级误差。共45人,2014年7月10日到2016年2月4日,论文记为18个月。

CDR来自中国一家大型蜂窝运营商,2015年里的两周,大约每小时一个位置,位置精度200米,记在最近的基站上。与常见的基站覆盖范围不同,数据方保证记录点是该时段用户位置的质心,落在200米半径内。有人并未覆盖整段时间,因此只保留平均至少每两小时有一个位置的用户,筛选标准与Song等人相同。筛选后2780人。筛选前有多少人、是哪家运营商、覆盖哪些城市,论文都没有写。

若未另外说明,GPS用5分钟一个观测、边长300米的方格;CDR用边长200米的方格,并沿用上面的两小时筛选。CDR的格子边长和位置精度同为200米,相邻格子上的差别有可能混进记录误差,论文没有单独量化这一部分。

45名自愿安装研究应用的人,不能代表一座城市的人口。两周、按小时聚合的通话位置,也不能和18个月、每5分钟的GPS直接比成同一种生活规律。后文的熵差同时包含行为、采样和筛选。

压缩熵很难读,于是改看两种数得出来的结构

Lempel-Ziv类估计输出一个比特数,中间的压缩过程很难对应回某一次停留或某一个常去地点。本文改用两个更直接的量,当作理解这种熵的代理。选择来自对算法行为的观察。

停留性(stationarity)是连续停在同一格子的观测次数的平均。序列(1, 2, 3, 4, 1, 2, 3, 4)的停留性是(1×8)/8 = 1,也就是平均每次只停一个观测。这里的停留性指自转移,也就是下一条仍是当前格子。它和前面说的过程平稳是两个概念:过程平稳说的是生成序列的统计机制不随时间改写,停留性说的是人在记录里有没有久留。

停留性相同,熵仍可以不同。(1, 2, 3, 4, 1, 2, 3, 4)和(1, 2, 1, 2, 1, 2, 1, 2)长度相同、停留性同为1,后一条更易重复。规律度(regularity)定义为序列长度除以不重复符号数。前一条是8/4 = 2,后一条是8/2 = 4。另一条例子(1, 1, 1, 1, 2, 2, 3, 3, 4, 4)的规律度是10/4。规律度高,表示同样长度里地点种类少。钟点是否对齐,要等后文把小时放进条件熵之后才能看见。

这两个例子是为了定义指标,是构造出来的序列。直觉上,规律度对应旧地点和新地点的比例,停留性对应每个地点上停留的观测数。Cuttone等人已经指出停留会抬高可预测性;把规律度一并用于解释,并在两套数据上检查,是本文的工作。

完整原论文图1

图 1|规律度或停留性升高时,熵会跟着下降吗?

(a)横轴是熵,单位比特,大约从0到0.8;纵轴是规律度。蓝色空心点是GPS用户,每人用完整地点历史算一个点。大多数点的规律度在150以下,熵升高时规律度总体更低;有一个点明显高于300,对应的熵仍然较低。同一规律度上,熵可以差一截。(b)横轴同样是熵,纵轴是停留性,刻度到60附近。熵接近0处有一个停留性靠近60的点,多数点在30以下。关系向下,也不是一条直线。来源:原论文 Fig. 1。

图1只画了GPS。论文写CDR上得到相似关系,散点没有给出。相关则两套数据都有:熵与规律度的斯皮尔曼相关ρ都是−0.84;熵与停留性是GPS −0.79、CDR −0.83。负号表示排序上熵更高的人,规律度或停留性往往更低。−0.84是等级相关,图里的弯曲和离群可以同时存在。每增加1个单位规律度对应多少比特,散点没有配出斜率。论文没有给这些相关的p值或置信区间。

规律度与停留性彼此的相关是GPS 0.63、CDR 0.48。中等相关说明二者有重叠,又远不到可以互相替代。图1里,规律度相近的人熵仍可以差很多,差额常常对应停留性的差别,反过来也一样。

于是把熵同时写成二者的函数。在试过的形式里,拟合最好的是

H = α log(规律度) + β log(停留性) + γ [log(规律度) × log(停留性)] + ε。

对数用来配合图1的非线性,乘积项用来处理两个量缠在一起的混杂。α、β、γ没有给出数值,log没有说明是自然对数还是常用对数,所以不能从公式判断哪一项贡献更大。

这个拟合解释的变异比例是R² = 0.76(GPS)和R² = 0.94(CDR)。结论里的76%和94%就是这两个决定系数。它们表示这批用户的熵变异里,有多大比例能被该曲线跟上。R²等于0.76,表示这条曲线跟上了这批GPS用户熵变异的76%。命中次数占全部预测的比例要另由Πmax或实际预测结果计算,本文没有给出那个百分比。GPS只有45个点,又含交互项,回看自身时R²容易偏高。换空间分辨率时,GPS的R²从最高空间分辨率、更小格子时的0.76,变到最低空间分辨率、更大格子时的0.83。中间每个边长的R²没有列出。

完整原论文图2

图 2|两个结构指标合在一起,能把熵复原到多近?

(a)GPS。横轴实际熵,纵轴回归给出的熵,单位都是比特,坐标大约0到1。红虚线是拟合关系,灰带是置信区间,论文没有写明置信水平。点围绕红线分散,灰带在右端更宽。(b)CDR,筛选后2780人。坐标大约画到2.5比特。大多数点贴着红线,灰带窄到几乎看不见;低熵处仍有一小团点,高熵处也有偏离。来源:原论文 Fig. 2。

图2是用同一批用户拟合后再回看。论文没有把用户分成训练和测试,也没有按时间前半段拟合、后半段检验。CDR更贴对角线,和2780个点、两周序列的R² = 0.94一致;这同时反映短期、较粗的记录更容易被两个结构指标概括。它还不能推出同一个人若被跟踪18个月,熵的94%仍由这两项决定。

采样一放稀,平均熵就上升;格子一放大,猜中的区域也变大

先前研究已经表明,时间分辨率变高(同一时段观测更多)或空间分辨率变低(格子更大),可预测性估计会升高。本文用规律度和停留性把这条经验再看一遍。时间箱能从5分钟改到60分钟,是因为GPS本来就密;CDR做不到同样的比较。每个时间箱里随机抽取一条观测。论文没有报告换一次随机抽取,平均值会晃动多少。

时间分辨率(分钟) 平均规律度 平均停留性 平均熵(比特/符号)
5 80.72 41.28 0.40
10 57.89 30.79 0.50
20 38.24 19.49 0.66
30 30.75 14.68 0.80
40 25.75 12.48 0.90
50 22.79 10.76 0.98
60 20.27 9.68 1.05

表1的三列都是GPS用户的平均。从5分钟到60分钟,平均停留性从41.28降到9.68:两次记录隔得越久,越可能已经不在同一格。平均规律度从80.72降到20.27,因为序列变短,而规律度的分子正是序列长度。平均熵从0.40升到1.05,比5分钟那一行高0.65比特。熵上升,对应可预测性上限下降。

空间分辨率只能在GPS上改,因为它的坐标细到可以重划格子。格子变大,更多观测落进同一格,平均停留性总体上升,人走出格子的机会变少,平均规律度也上升。

空间分辨率(米) 平均规律度 平均停留性 平均熵(比特/符号)
300 129.76 41.65 0.404
400 140.37 71.16 0.389
500 165.66 90.04 0.379
600 168.60 76.66 0.351
700 184.58 94.82 0.285
800 194.21 96.32 0.286
900 202.66 96.29 0.284
1000 210.40 95.69 0.264

规律度从300米的129.76单调增到1000米的210.40。停留性大体上升,但500米的90.04到600米降为76.66,900米的96.29到1000米的95.69也略降。熵从0.404降到0.264,下降0.140比特,相当于300米那一行的34.7%;800米的0.286比700米的0.285略高。所以整体方向是格子越大、平均熵越低,相邻两档并不每一步都更低。

熵下降、上限上升的代价是预测更空。格子越大,用户的活动越容易被少数格子罩住,猜中下一格更容易,猜中的那一块也越大、越不含信息。极端情形是整张地图只有一个格子:预测永远正确,也几乎没有用。更小的格子提高可用性,同时可能降低命中。

表1在5分钟的平均熵0.40、停留性41.28,和表2在300米的0.404、41.65很接近,规律度却是80.72对129.76。论文没有写明表1固定用哪一种格子,也没有写明表2固定用哪一种时间箱,尽管全文默认是5分钟和300米。两行既然不是同一组平均数,就只能把表1读成时间分辨率的比较、表2读成空间分辨率的比较。

作者还提到,停留性很高时,公开某一个时刻的格子,可能同时让人知道随后一段时间仍在这一格;因此规律度和停留性也可以作为汇总指标单独发布,而不发布整条轨迹。这是数据发布上的提醒。论文没有检验这些汇总会不会对应到具体的人。

钟点为什么不能直接塞进原来的压缩器?

规律度和停留性盖住了熵的大部分变异,星期、一天中的小时、天气,以及社会经济条件,仍可能参与一个人的移动。社会经济条件只出现在这段直觉里,后文没有对应的变量或结果。实际放进估计的,是星期、小时和天气。

最大命中率是熵的函数,所以情境若能降低熵,上限就会提高。地点序列记为X,与每次访问对齐的情境序列记为Y。条件熵

H(X | Y) = H(X) − I(X, Y)

等于地点熵减去二者的互信息。互信息越大,已知情境之后剩下的不确定越少。这是两条已经观测到的序列共享了多少信息。天气是否促使人改道,这两套数据没有单独检验。

Song等人的压缩算法不使用符号的概率分布,而条件熵恰好依赖这个分布,因此情境塞不进去。若把地点和情境捆成一对再压缩,估到的是联合熵H(X, Y),也就是两条序列合在一起有多不确定。本文要的是条件熵:情境已知后,地点序列还剩多少不确定。Lempel-Ziv因此改为按情境取值把历史拆开。小时的例子是拆成24条序列,每条只含该小时到过的地点,分别估计再平均。论文说Lempel-Ziv的结果都用这一做法;星期和天气的分组数没有另给。

另外三种估计直接在概率上计算,可以先算熵和互信息,再代入上面的条件熵。最大似然用经验频率,等价于样本的香农熵。Miller-Madow在香农熵上加偏差校正。SG用狄利克雷多项伪计数,参数a = 1/length(X),在他们试过的同类狄利克雷估计里结果最好;另外几种的数值没有列出。除最大似然和Lempel-Ziv外,校正项使熵估计更保守,更不容易把一条短序列说成极低熵。情境被离散成编号,天气的例子包括雨、雪、云等,名单不完整,数据来自哪一次预报或哪一个观测网,论文没有写。

下一格:频率型的熵会降,压缩型拆短之后反而升

图3用最大似然、以小时为情境,看下一格的熵。正文写这样能把熵降低45%。图上没有画出45%这条线。

完整原论文图3

图 3|已知小时以后,下一格的最大似然熵是否更低?

(a)GPS。(b)CDR。横轴都是无情境的最大似然熵,纵轴是加入小时后的最大似然熵,单位比特,坐标0到4。灰色虚线是对角线。点落在线的下方,表示该用户的熵下降。GPS的点较疏,从靠近原点一直散布到横轴4附近;CDR的点在对角线下方形成一条更密的云,低熵一端贴近对角线,高熵一端离线更远。来源:原论文 Fig. 3。

图1写明每个点是一名用户。图3的图注没有再定义分析单位,坐标仍是按序列计算的熵。GPS子图看得见的点都在4比特以内。

表3给出四种估计在两种题目、两套数据上的熵,单位是比特/符号。GPS没有天气列。每个格子只有一个数,论文没有写它是人均、中位数,还是把所有人拼成一条序列后的熵。

题目 估计 GPS无情境 GPS星期 GPS小时 CDR无情境 CDR星期 CDR小时 CDR天气
下一格 最大似然 6.01 1.48 1.18 1.45 1.13 0.79 1.23
下一格 Miller-Madow 10.6 1.61 1.22 7.86 1.20 0.91 1.32
下一格 SG 4.62 1.48 1.19 2.66 1.17 0.84 1.27
下一格 Lempel-Ziv 0.40 0.39 0.72 1.01 1.34 1.38 1.30
下一地点 最大似然 4.82 3.80 2.98 2.39 1.74 0.59 1.72
下一地点 Miller-Madow 5.55 4.17 3.36 8.80 2.05 1.02 1.98
下一地点 SG 5.55 3.85 3.07 2.92 1.87 1.02 1.84
下一地点 Lempel-Ziv 3.11 2.80 2.14 1.94 1.50 0.64 1.21

先看和45%有关的两格。CDR下一格的最大似然从1.45降到0.79,下降(1.45 − 0.79) / 1.45 ≈ 45.5%,和正文的45%接近。GPS同一行从6.01降到1.18,下降(6.01 − 1.18) / 6.01 ≈ 80.4%。45%概括不了GPS这一行。再加上图3的横轴只到4,6.01也不可能是图3(a)那些点的算术平均。表3的6.01只能当作论文报告的汇总值。与此同时,GPS下一格、无情境的Lempel-Ziv是0.40,与表1里5分钟的平均熵相同,这一格和按人平均的口径接得上。读表时这两类数字不能合成一个平均数。

再看情境有没有让所有估计都变低。最大似然、Miller-Madow和SG在表3的下一格各列里,加了星期、小时或天气之后都低于本数据集的无情境格。Lempel-Ziv相反:GPS从0.40升到小时条件下的0.72,CDR从1.01升到1.38;CDR的星期是1.34,天气是1.30,也都高于1.01。GPS的星期只从0.40降到0.39。拆成24条更短的序列之后,Lempel-Ziv更难靠近真实熵率,估计会偏高。GPS的序列长,小时条件下的0.72仍低于最大似然的1.18;CDR更短,小时条件下的最大似然0.79已经低于无情境Lempel-Ziv的1.01。

因此,无情境的压缩熵在下一格上仍然很低:GPS 0.40,低于同列最大似然6.01、SG 4.62和Miller-Madow 10.6;CDR 1.01,低于1.45、2.66和7.86。顺序里的重复,尤其是连续停留,已经被压缩算法吃进去了。正文据此认为,下一格在长期更依赖常去地点的顺序,小时和天气会改熵,却不一定比这段历史更有信息。这个判断贴合GPS:无情境Lempel-Ziv的0.40,低于表中任何带情境的频率型估计。它盖不住CDR的小时列,因为那里最大似然、SG和Miller-Madow分别是0.79、0.84和0.91,都低于1.01。

天气只出现在CDR。下一格最大似然从1.45降到1.23,降幅0.22比特,小于小时带来的0.66比特。论文举例说,人通常在大致固定的时间上班和回家,用天气去预测这种回家或上班,可能给估计添上噪声。例子没有配上这两套数据里的通勤观测。

下一地点:拿掉原地停留以后,小时才更明显

下一地点只保留换格子的那一步,停留性按定义被去掉。高度停留的序列熵更低;把停留拿掉、情境留着,就能看情境还能不能把熵降下来。

完整原论文图4

图 4|去掉连续停留之后,小时还能让最大似然熵下降吗?

(a)GPS,坐标大约0到9比特。多数点在灰色对角线下方,低熵一端有点贴着对角线,右端一个点接近横轴8、纵轴7,仍在线的下方。(b)CDR,坐标大约0到5比特。点的主体在对角线下方、纵轴2比特以内;还有一批点贴着纵轴0,这些用户在图中的条件熵落到0;其余点仍散在0以上。来源:原论文 Fig. 4。

无情境的Lempel-Ziv从下一格的GPS 0.40、CDR 1.01,升到下一地点的3.11和1.94。GPS的升幅是2.71比特,CDR是0.93比特。5分钟采样更容易记下连续停留,拿掉这些停留之后熵上升更陡,和停留性的定义一致。两套数据的人数、时长和空间精度不同,差额不能全部算到采样间隔上。

带小时之后,下一地点的熵继续低于各自的无情境格。最大似然从GPS的4.82降到2.98,相对下降(4.82 − 2.98) / 4.82 ≈ 38.2%;CDR从2.39降到0.59,相对下降(2.39 − 0.59) / 2.39 ≈ 75.3%。绝对差距分别是1.84比特和1.80比特。下一格的最大似然绝对差距则是GPS 4.83比特、CDR 0.66比特。所以按最大似然的绝对差距,CDR是下一地点更宽,1.80比特对下一格的0.66比特;GPS是下一格更宽,4.83比特对下一地点的1.84比特。正文说情境带来的缺口在下一地点更宽。Lempel-Ziv的小时行符合这个方向:下一地点从3.11降到2.14、从1.94降到0.64,下一格则从0.40升到0.72、从1.01升到1.38。

CDR下一地点、小时条件下,最大似然0.59略低于Lempel-Ziv的0.64。这是论文指出的例外:序列被小时拆短以后,最大似然可以低于压缩估计。GPS的对应格仍是Lempel-Ziv更低,2.14对最大似然2.98。短历史、新用户,可以先用最大似然;历史长到压缩估计能用之后再换。这个长度随数据集变化,论文没有给出比特或天数的阈值。

星期和天气在CDR下一地点上也低于无情境,但弱于小时。最大似然从2.39降到星期1.74、天气1.72,小时则到0.59。GPS没有天气列,无法做同一比较。

还要分清两件事。条件熵仍然使用地点序列,只是多了一个已知的情境;情境没有替换掉这个人去过哪里。表3每一列还同时换了估计器。最大似然看频率,Lempel-Ziv看能否压缩出的顺序。0.59低于1.94,说明CDR下一地点上,带小时的最大似然条件熵低于不带情境的压缩熵。两列的估计器不同,差距里同时有情境和算法。

这些比特数停在哪里

熵下降表示在当前格子、当前采样和当前估计下,序列的不确定变少,法诺关系允许的命中率上限可以更高。本文没有解出Πmax,也没有训练预测器去逼近它。论文把具体算法能否达到这些估计留作后续工作。表3里最低的比特数,仍然是一种熵估计。

这些估计给出的是近似上限。柯尔莫哥洛夫复杂度对应的硬边界不可计算,论文写明熵估计到不了那个硬边界。序列越短,Lempel-Ziv越可能把熵估高,小时列已经出现这种情况。Miller-Madow和SG的校正把短样本的熵估得更保守。四种估计并排,才能看出最小的那个数依赖哪一种算法。

R²、图1和图2说明规律度与停留性能够在样本内跟上压缩熵。系数缺失,留出检验也缺失。CDR散点被省略之后,仍有−0.84和−0.83两个相关可以核对,图上的离群长什么样则只在GPS里看得见。

表1和表2的5分钟行与300米行不是同一组平均数。时间箱实验又是每个箱随机抽一条。空间上相邻档的停留性和熵也有小幅回升。把300米到1000米说成单调变好,越过了表2本身。

天气的来源和完整类别没有给出,GPS表里没有天气。社会经济因素没有进入计算。两套数据不能互相代表,也不能代表未安装这个应用、或不在这家运营商两周样本里的人。

一句话总结

人的移动有多可预测,先取决于题目是猜下一格还是猜下一地点,再取决于格子多大、采样多密、熵用哪种算法来估;连续停留让下一格很好压缩,拿掉停留之后,小时才更明显地降低熵。

核心来源

  • ACM SIGSPATIAL ’19正式论文,DOI 10.1145/3347146.3359093。会议为2019年11月5–8日,Chicago,ACM出版,10页。正文证据是图1–4和表1–3。
  • 压缩熵沿用Song、Qu、Blumm与Barabási在Science 327卷5968期(2010)给出的框架;下一格与下一地点的题目划分沿用论文所引的Cuttone、Lehmann与González。法诺公式的展开论文指向Smith等人与Song等人的推导。
  • 图1的CDR散点在正文中写明省略。回归系数、每个用户的地点数、天气数据来源和CDR筛选前的人数,正文都没有给出。

作者介绍

以下只依据论文署名页上的单位,论文没有贡献声明,也没有标出通讯作者。

  • Douglas do Couto Teixeira:署名第一作者,单位是巴西贝洛奥里藏特的米纳斯吉拉斯联邦大学。
  • Aline Carneiro Viana:署名单位是法国帕莱索的Inria与巴黎-萨克雷大学。
  • Mário S. Alvim:署名单位同为米纳斯吉拉斯联邦大学。
  • Jussara M. Almeida:署名单位同为米纳斯吉拉斯联邦大学。

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。

若一个城市看板只公布一个可预测性百分比,这个数至少还要带上题目和格子面积。在这套GPS上,边长从300米增到1000米,平均熵从0.404降到0.264比特/符号,上限看起来更高,猜中的区域也从边长300米变成1000米。把全城画成一个格子时,命中率会到顶,交通调度却得不到可执行的地点。并列报告熵和格子面积,才能看出准确率是用信息换来的,还是用放大格子换来的。

另一个容易判反的地方是特征筛选。下一格任务里,按小时拆开历史后,表3的Lempel-Ziv从GPS的0.40升到0.72、从CDR的1.01升到1.38,最大似然的汇总值从6.01降到1.18、从1.45降到0.79。只盯着压缩熵的团队,可能删掉小时;只盯着最大似然的团队,会把小时留下。两周CDR再按24小时切开,每条序列更短,压缩估计向上偏的风险更大。比较应该在同一次拆分上同时看条件熵和压缩熵。论文说Lempel-Ziv开始靠拢的长度因数据而异,却没有给出这条分界,这正是下一步可以测量的数。

第三,同一个人在两种题目下的名次可能不同。下一格熵很低,可能只是因为夜间长时间停在一个格子;下一地点熵把这些自转移拿掉,才更接近目的地是否规律。论文没有报告二者在45名或2780名用户中的等级相关。若推荐系统用低可预测性挑选更愿意接受新地点的人,用下一格还是下一地点,选中的会是两群人。这个相关一旦接近0,两种产品规则就不该共用一个上限。


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