Predictability in Human Mobility : Interpretability, Extensions and Applications
Prévisibilité dans la mobilité humaine : interpretabilité, extensions et applications
Résumé
Predicting mobility-related behavior is an important yet challenging task. On one hand, factors such as one's routine or preferences for a few favorite locations may help in predicting their mobility. On the other hand, several contextual factors, such as variations in individual preferences, weather, traffic, or even a person's social contacts, can affect mobility patterns and make its prediction significantly more challenging.A fundamental approach to study mobility-related behavior is to assess how predictable such behavior is, deriving theoretical limits on the accuracy that a prediction model can achieve given a specific dataset. This approach focuses on the inherent nature and fundamental patterns of human behavior captured in that dataset, filtering out factors that depend on the specificities of the prediction method adopted.However, the current state-of-the-art method to estimate predictability in human mobility, proposed by Song et al., suffers from three major limitations. First, it has low explainability, which makes it difficult to trace the causes of given predictability values. Second, it views one's mobility as one monolithic entity, thus preventing us from understanding the impact of one's routine on predictability. And third, it lacks flexibility to incorporate external factors which are known to help mobility prediction (i.e., contextual information).In this dissertation, we revisit this state-of-the-art predictability technique, aiming at tackling these limitations as well as at providing techniques to use predictability information in practical applications.
La prédiction du comportement lié à la mobilité est une tâche importante mais difficile. D'une part, des facteurs tels que la routine ou les préférences pour quelques endroits préférés peuvent aider à prédire leur mobilité. D'autre part, plusieurs facteurs contextuels, tels que les variations des préférences individuelles, la météo, la circulation ou même les contacts sociaux d'une personne, peuvent affecter les modèles de mobilité et rendre sa prévision beaucoup plus difficile.Une approche fondamentale pour étudier le comportement lié à la mobilité consiste à évaluer dans quelle mesure un tel comportement est prévisible, en dérivant des limites théoriques sur la précision qu'un modèle de prédiction peut atteindre étant donné un ensemble de données spécifique. Cette approche se concentre sur la nature inhérente et les modèles fondamentaux du comportement humain capturés dans cet ensemble de données, en filtrant les facteurs qui dépendent des spécificités de la méthode de prédiction adoptée.Cependant, la méthode de pointe actuelle pour estimer la prévisibilité de la mobilité humaine, proposée par Song et al., souffre de trois limitations majeures. Premièrement, il a une faible explicabilité, ce qui rend difficile de retracer les causes de valeurs de prévisibilité données. Deuxièmement, il considère la mobilité comme une entité monolithique, nous empêchant ainsi de comprendre l'impact de sa routine sur la prévisibilité. Et troisièmement, il manque de flexibilité pour incorporer des facteurs externes connus pour aider à la prédiction de la mobilité (c'est-à-dire des informations contextuelles).Dans cette thèse, nous revisitons cette technique de prévisibilité de pointe, visant à lutter contre ces limitations ainsi qu'à fournir des techniques permettant d'utiliser les informations de prévisibilité dans des applications pratiques.
Domaines
Informatique
Origine : Version validée par le jury (STAR)