[논문 리뷰] Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2021). A deep gravity model for mobility flows generation. Nature communications, 12(1), 6576.
Abstract- 이 연구에서는 여러가지 객체(e.g. 토지이용, 도로 네트워크, 교통, 음식, 건강 시설)를 이용하는 흐름 가능성(flow probabilities)을 생성하는 Deep Gravity 모델을 제안함.- 여러 객체와 모빌리티 흐름 사이의 비선형적 관계를 발견하기 위하여 딥 뉴런 네트워크(deep neural network)를 이용함.- 연구 지역은 영국, 이탈리아, 뉴욕임. Deep Gravity는 특히 붐비는 지역에서 전통적 중력 모델이나 딥 뉴런 네트워크를 사용하지 않는 모델에 비해 지리학적 일반화 능력(현실적인 흐름 생성)을 잘 보임. 심지어 트레이닝 데이터가 없는 지역에서도 좋은 결과 생성.
2024. 5. 31.
[논문 리뷰] Phithakkitnukoon, S., Smoreda, Z., & Olivier, P. (2012). Socio-geography of human mobility: A study using longitudinal mobile phone data. PloS one, 7(6), e39253.
1. Introduction- 모바일 폰 네트워크는 사람들의 대면 사회적 네트워크를 반영함- 모바일 폰을 활용한 연구는 인간 모빌리티, 사회 구조, 모빌리티와 사회 이벤트, 사회 네트워크와 경제, 사회 네트워크와 모빌리티, 사회 네트워크의 지리 등이 있음. 이 연구는 인간 모빌리티(human mobility)와 사회 네트워크(social network)의 관계를 이해하고자 함. 특히, 여행 범위(travel scope)의 지리적, 사회적 양상에 초점 맞춤(e.g. 방문 장소 등).- 인간의 모빌리티를 활용한 연구는 클라우드 컴퓨팅, content-based delivery networks, 장소 기반 추천 시스템 등이 있으며, 정확한 모델은 도시 계획, 인간 이주 패턴, 전염병 등을 이해하기 위해 필수적..
2024. 5. 31.
