Exame de Qualificação: Mathematical Modeling and Machine Learning applied to human mobility prediction

Orientadores:
Antônio Tadeu Azevedo Gomes - Laboratório Nacional de Computação Científica - LNCC
Aline Carneiro Viana

Banca Examinadora:
Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC (presidente)
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Jussara Marques de Almeida - UFMG - UFMG

Suplentes:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC

Resumo:

O estudo de mobilidade humana é crucial devido ao seu impacto no planejamento urbano, na disseminação de doenças, no bem-estar da população e na mitigação da poluição, entre outras aplicações. Com o avanço da tecnologia tivemos um aumento significativo na geração de d ados de mobilidade, como registros telefônicos (CDR), traços de GPS, e postagens geolocalizadas em redes sociais. A proliferação desses dados combinada ao poder de predição dos diversos métodos de aprendizado de máquina (ML) impulsionou a área de mobilidade humana. Dentre os desafios em aberto na área, temos como uns dos mais importantes a interpretabilidade e generalidade dos modelos gerados, e o volume desbalanceado de dados disponíveis (várias áreas possuem poucos dados disponíveis impossibilitando a utilização de modelos existentes).
Pretendemos atacar esses desafios de uma maneira não abordada antes na literatura, que é com a utilização de modelos matemáticos inspirados em fenômenos naturais – normalmente modelados como equações diferenciais – combinados com técnicas consagradas de ML para desenvolver modelos de predição na área de mobilidade. Almejamos com essa combinação trazer mais interpretabilidade aos modelos e reduzir a necessidade de grandes volumes de dados para predizer o número de pessoas presente em cada uma das regiões de estudo em um instante de tempo.
Acreditamos que, além da produção de um modelo interpretável, genérico e com necessidade de menos dados para treinamento, nosso projeto de pesquisa abrirá novas oportunidades para o desenvolvimento de modelos de predição de mobilidade que considerem aspectos outros como, por exemplo, a trajetória esperada a ser tomada por indivíduos ou grupos de indivíduos.
Nossa tese de doutorado está contida na área de Predição de Mobilidade Agregada devido aos dados que possuímos para realização do projeto. Os dados disponíveis são dados de fluxo de pessoas entre as regiões administrativas (IRIS) de Paris-FR, possuem uma frequência de registro das amostras com intervalo de uma hora e durante quatorze dias. Mais especificamente, pretendemos modelar a rotina de visitação das pessoas para predizer a densidade populacional das áreas em um instante de tempo. Assim, considerando a mobilidade e a rotina das pessoas como um fenômeno a ser modelado, nosso trabalho procura principalmente responder o seguinte problema: É possível, com um bom nível de assertividade, modelar a rotina de visitação das pessoas através de modelos matemáticos combinados com modelos de aprendizado de máquina? Diversos trabalhos disponíveis na literatura mostram que os movimentos das pessoas são tipicamente caracterizados por um comportamento rotineiro, tendo movimentos cíclicos regula res e diários (casa para o trabalho), poucos locais visitados em sua rotina e na forma como se movimentam, revelam trajetórias preferenciais. Assim, baseado na literatura de predição de mobilidade, temos convicção na validade de nossa hipótese.
A utilização de modelos matemáticos é algo novo para área de mobilidade e avançar nesse estudo, trazendo mais aplicabilidade para os modelos, é um ganho de conhecimento valioso para aplicações em planejamento urbano ou disseminação de doenças. Além disso, abrirá novas oportunidades para o desenvolvimento da área podendo melhorar os modelos e métodos já existentes.