個人の移動

個人の移動性とは、ネットワークやシステム内で個々の人間がどのように移動するかを記述する研究です。^{[ 1 ]}この概念は、人口統計学の研究に端を発する多くの分野で研究されてきました。人間の移動性を理解することは、病気の蔓延^{[ 2 ] [ 3 ]} 、移動性ウイルス^{[ 4 ]} 、都市計画^{[ 5 ] [ 6 ] [ 7 ]} 、交通工学^{[ 8 ] [ 9 ]} 、金融市場の予測^{[ 10 ]}、経済的幸福のナウキャスティング^{[ 11 ] [ 12 ]}など、さまざまな分野で多くの応用があります。

近年、人間の移動に関する大規模なデータセットが急増している。これらのデータセットは通常、携帯電話やGPSデータから取得され、精度は様々である。例えば、携帯電話データは通常、ユーザーが通話やテキストメッセージを発信または受信するたびに記録され、電話が接続した基地局の位置とタイムスタンプが含まれる。^{[ 13 ]}都市部では、ユーザーと通信基地局は数百メートルしか離れていない可能性があるが、農村部ではこの距離は数キロメートルになる可能性がある。そのため、携帯電話データを使用して人の位置を特定する際の精度は様々である。これらのデータセットは、実際のユーザーの身元を隠して保護するために、電話会社によって匿名化されている。使用例として、研究者^{[ 13 ]}は6か月間の10万人の携帯電話ユーザーの軌跡を使用し、さらに大規模な^{[ 14 ]}では300万人の携帯電話ユーザーの軌跡が分析された。 GPS データは、プライバシー上の懸念から取得がはるかに困難であるにもかかわらず、通常ははるかに正確です。人間の移動を記述する膨大な量の GPS データは、たとえば自家用車に搭載された GPS デバイスによって生成されます。^{[ 15 ] [ 16 ]} GPS デバイスは車両の始動時に自動的にオンになり、デバイスが数秒ごとに生成する一連の GPS ポイントによって、車両の詳細な移動軌跡が形成されます。最近のいくつかの科学的研究では、携帯電話データから得られた移動パターンと GPS データから得られた移動パターンを比較しています。^{[ 15 ] [ 16 ] [ 17 ]}

研究者たちは、公開されたデータの人物に関する非常に詳細な情報を抽出することができています。これはプライバシー問題に関する大きな懸念を引き起こしています。起こりうる責任の一例として、ニューヨーク市は1億7300万件のタクシーの乗車データを公開しました。市当局は、各タクシーに割り当てられた英数字コードであるライセンス番号とメダリオン番号を匿名化するために非常に脆弱な暗号化アルゴリズムを使用しました。 ^{[ 18 ]}これにより、ハッカーはデータセットを完全に匿名解除することができ、出発地と目的地、チップの額など、特定の乗客や有名人に関する詳細な情報を抽出できた者もいました。^{[ 18 ] [ 19 ]}

大規模なスケールで、比較的長い期間（例えば1日以上）にわたって行動をモデル化する場合、人間の移動は主に3つの要素で説明できます。

• 移動距離分布${\displaystyle P(r)}$
• 回転半径${\displaystyle r_{g}(t)}$
• 訪問した場所の数${\displaystyle S(t)}$

ブロックマン^{[ 20 ]}は紙幣を分析することで、移動距離の確率がレヴィ飛行と呼ばれるスケール フリーのランダムウォークに従うことを発見した。${\displaystyle P(r)\ \sim r^{-(1+\beta )}}$どこ${\displaystyle \beta =0.6}$このことは後に、携帯電話データ^{[ 13 ]}とGPSデータを使用してユーザーを追跡した2つの研究によって確認されました^{[ 15 ]} 。このモデルが示唆するのは、ブラウン運動などの他のより伝統的なランダムウォークとは異なり、人間の移動はほとんどが短い距離で、長距離の移動はごくわずかであるということです。ブラウン運動では、移動距離の分布はベル型の曲線によって支配され、次の移動はおおよそ予測可能なサイズ、つまり平均になりますが、レヴィフライトでは平均よりも1桁大きい可能性があります。

平均よりも長距離を移動したがる人もいれば、移動欲求が低い人も同様にいる。回転半径はまさにそれを捉えるために用いられ、時間tの間に人が移動する特徴的な距離を示す。^{[ 13 ]}各ユーザーは、自身の回転半径内で${\displaystyle r_{g}(t)}$、旅行距離は${\displaystyle P(r)}$。

3番目の要素は、人間がランダムなシナリオの場合よりも特定の場所をより頻繁に訪れる傾向があるという事実をモデル化しています。たとえば、自宅や職場、お気に入りのレストランは、ユーザーの行動範囲内の他の多くの場所よりもはるかに頻繁に訪れられます。${\displaystyle S(t)\ \sim t^{\mu }}$どこ${\displaystyle \mu =0.6}$これは、個人が訪れる場所の数が線形的に増加していないことを示しています。これら3つの指標は、ほとんどの移動が限られた数の場所の間で行われ、個人が移動する範囲外の場所への移動は頻度が低いという事実を捉えています。

人間の移動はランダムなプロセスとしてモデル化されていますが、驚くほど予測可能です。各人の移動のエントロピーを測定することで、93%の予測可能性があることが示されています^{[ 14 ]}。これは、ユーザーの種類や各人が移動する距離には大きなばらつきがあるにもかかわらず、全体的な特性は非常に予測可能であることを意味します。このことから、原理的には、病気やウイルスの拡散パターンなど、人間の移動パターンに依存するプロセスを正確にモデル化することが可能であることが示唆されます。^{[ 21 ] [ 22 ] [ 23 ]}

個人レベルでは、人間の日常的な移動は、わずか 17 のネットワーク モチーフで説明できます。各個人は、数ヶ月にわたって、これらのモチーフの 1 つを特徴的に示します。これにより、扱いやすい分析モデルを使用して個人の日常的な移動を再現できる可能性が開かれます^{[ 24 ] 。}

感染症は、通常、病原体の保菌者の長距離移動によって世界中に広がります。これらの長距離移動は航空輸送システムを使用して行われ、「ネットワークトポロジー、交通構造、および個人の移動パターンはすべて、病気の蔓延を正確に予測するために不可欠である」ことが示されています。^{[ 21 ]}より小さな空間スケールでは、感染症の蔓延モデルでは、人間の移動パターンの規則性と時間構造を考慮に入れる必要があります。^{[ 25 ]} Bluetooth を介して伝染する携帯電話ウイルスは、人間の相互作用と移動に大きく依存しています。携帯電話で同様のオペレーティングシステムを使用する人が増えるにつれて、ウイルスの流行がはるかに容易になっています。^{[ 22 ]}

交通計画では、短距離移動と少数の定期的な長距離移動の傾向など、人間の移動の特性を利用して、特に重力モデルなどの移動分布モデルに新しい改良が加えられてきました^{[ 26 ]。}

• モビリティ
• 自家用車
• ネットワーク理論
• 個人輸送
• 個人用航空機
• パーソナル・ラピッド・トランジット
• 自動車
  • 大量自動車移動
  • 車への依存
• 自転車
• レヴィの飛行
• スケールフリーネットワーク
• 公共交通機関
• 交通地理学およびネットワーク科学（ウィキブック）
• 社会移動